一种面向智能电网负荷辨识的分类评价反馈方法

1.本发明涉及一种面向智能电网负荷辨识的分类评价反馈方法，分析了用户用电清单评价内容，结合深度学习算法建立分类评价反馈模型，对评价文本进行分类及情感分析，最后根据实际分析结果建立评价反馈机制对负荷辨识提出调整反馈。根据仿真实验结果分析，该算法能够准确区分用户用体验度，并能够提出针对提出调整建议，减少人工参与评测过程，提高发现问题的效率，尽快实现与用户的沟通，对非入侵式负荷辨识算法研究有一定价值和积极作用，对电网非入侵式负荷辨识有积极效果与指导性建议。


背景技术：

2.随着当今电力技术不断进步与发展，企业更加注重于用户的日常生活用电体验。同时，随着智能家居与智慧生活的概念引入，对用户用电行为的准确分析，用电费支出的明细化，在实现用电安全，提高用户满意度上显得尤为重要。非入侵式电荷辨识算法正是面向这一需求，在现有居民用电路的基础上，借助现有电能表等用电设备，实现对用户家庭用电行为分析。
3.近年来非入侵式负荷辨别技术已经广泛应用于建筑节能、智慧城市，智能电网等领域，该技术随着人工智能领域的不断发展与大数据分析和挖掘技术的不断成熟，便能通过电能表等设备即可实现对用电行为的监测，在一定程度保护用户隐私。对于用户，通过负荷监测获取设备用电详情可以及时得到反馈，有助于引导用户合理用电；对于电力公司，非侵入式负荷监测在不明显提高投入的前提下，可实现负荷各组成成分的细粒度感知，提升电力系统负荷预测准确度，提高电网的安全性及经济性，有助于更精准地对用户行为进行建模，实现对用户的差异化、精准化服务。但目前市场已有的非侵入式负荷监测产品因计算能力、功耗和成本限制，产品化设备算法单一固定，导致分类参数或匹配库不断更新，才能提高各种型号产品识别成果率。导致了家电使用区域化相似、分类参数或匹配库更新带来的数据链路占用、自适应能力差的问题。本发明在在现有非入侵式负荷辨识算法研究的基础上，充分利用用户评价数据信息，结合深度学习算法对评价文本进行分类并做情感分析，建立分类评价反馈模型，根据分析结果实现对电网负荷辨识的反馈调整。


技术实现要素：

4.本发明首先对对用户评价数据中的整体评价数据进行处理。实现特殊符号删除、常用词过滤、语句分句等步骤，将整体的文本处理成为单句的负荷评价短文本的形式，同时去除文中的冗余文字，减少模型运算噪声。将预处理后的数据送入分类评价分析部分进行文本分类与分析；然后对语料处理数据建模分析，根据已有的和人工标注的各类型设备负荷评价文本进行模型训练，将处理完的负荷评价文本输入模型进行分类得到类型反馈，之后对语料预处理后得到的负荷评价文本使用评价反馈算法进行分析得到各设备辨识误差反馈情况。将两种反馈结果送入评价反馈机制部分进行处理；最后根据两种反馈结果分别进行处理。对于分类结果按照反馈机制判断是否属于新型设备类别，进行设备库与训练参
数更新。对于分析结果的两种效应，分别对各类型的辨识效果进行反馈，予以新的算法调整建议。
5.为实现上述目的，本发明所采用的技术步骤如下：
6.步骤a：设计算法框架
7.根据分类评价反馈的整体算法设计，将整个算法设计分为三个部分，分别包括语料数据处理，分类评价分析和评价反馈机制。如图1所示，
8.(1)语料预处理模块。设计数据读取处理程序，将用户评价清单与设备类型作为算法输入，经过处理生成规则化短文本，并存储在数据库中。
9.(2)分类评价分析模块。分类评价反馈模型分别对文本读取、训练并实现文本分类与评价分析，生成类别向量与评价分析结果，并存储到数据库中。
10.(3)评价反馈机制。算法分别处理类别向量数据与评价分析结果。对两种处理结果的数据读取分析，根据设定阈值分析、处理最后预测现有非入侵式负荷辨识算法所存在问题，并给出合理规范化意见。
11.步骤b：语料预处理
12.对用户整体的评价数据按照图2所示的步骤进行处理，由于用户评价数据较为段落性且结构复杂性语句，因此首先对评价文本进行语句分句处理，将每个用户的整体文本xn拆分成(x1，x2，...，xn)的语句短语存储。
13.根据常用词字典删除常用语气词和特殊符号等，减少模型的运算负担，筛选剔除空值数据，保证数据的有效性，以免影响模型测试与训练情况。最终得到每位用户对应的语句序列。
14.步骤c：基于lstm的评价分类算法
15.通过语料处理将用户评价文本生语句文本序列，由于文本较短且分类结果对上下文依赖性较强，因此使用lstm神经网络算法，处理时间向量和长期依赖问题。避免传统rnn信息丢失在处理长期依赖的上下文问题时存在的弊端，有效提高文本分类的准确率。其神经元的结构单元如图3所示。
16.其中长期状态c存储长期记忆的信息，使得上文中的特征向量作为长期状态可以保存并传递。
17.步骤d：基于bi-lstm的评价分析
18.bi-lstm神经网络是由前向的lstm与后向的lstm组合而成，在每次运算时都会给出两个方向倒置的lstm，输出的结果由两个单项lstm共同决定。该结构能够保留更多的输入信息，便于情感分析。如图5所示为该神经网络结构图。
19.步骤e：设计评价分类模型
20.将上述步骤得到的序列文本xn选取部分按照评价文本的设备类别进行人工类别标记记-为data_train，得到模型训练集(x_train，x_test)与测试集(y_train，y_test)；然后将训练集与测试集的序列文本xn进行分词处理为x(s1，s2，
…
，sn)的词向量模式输入到模型进行训练和测试。
21.待模型训练完毕后，将其余用户数据按照相同步骤进行分词处理后输入到模型，最终输出对应用户评价数据代表的文本类别向量yn(y1，y2，
…
，yn)，并作为输入传输给评价反馈机制。
22.步骤f：设计评价反馈模型
23.根据求得的用户评价文本分类与文本情感分析构建评价反馈机制，使用类别分析与评价算法对输出结果进行分析，判断是否负荷辨识存在新设备的出现应及时调整设备类型以及是否存在误差情况及时更新设备参数库匹配模型。如图6所示为评价反馈算法图。
24.相对于现有技术，本发明取得的优点和积极效果是：
25.该发明本算法基于用户用电清单评价内容，结合深度学习算法建立分类评价反馈模型，对评价文本进行分类及情感分析，然后根据实际分析结果建立评价反馈机制对负荷辨识提出调整反馈。实现准确区分用户体验度，并针对性提出调整建议，对电网非入侵式负荷辨识有积极效果与指导性建议。
附图说明
26.图1为算法设计框架图
27.图2为语料预处理流程图
28.图3为lstm神经网络结构图
29.图4为bi-lstm神经网络结构图
30.图5为评价分类算法流程图
31.图6为评价反馈算法图
32.图7为评价文本分类训练过程图
33.图8为设备负荷辨识情况图
具体实施方式
34.步骤a：语料预处理
35.实验将整体的文本处理成为单句的负荷评价短文本的形式，减少模型运算噪声；对用户评价数据中的整体评价数据进行处理。实现特殊符号删除、常用词过滤、语句分句等步骤，将整体的文本处理成为单句的负荷评价短文本的形式，同时去除文中的冗余文字。由于用户评价数据较为段落性且结构复杂性语句，因此首先对评价文本进行语句分句处理，将每个用户的整体文本xn拆分成(x1，x2，
…
，xn)的语句短语存储。
36.步骤b：基于lstm的评价分类
37.本发明基于lstm的评价分类，忘记门层将输入信息x和上一单元输出信息h
(t-1)
通过f
t
计算判断是否传递给c，以此来决定信息的丢弃，其中w为权值，b为偏置：
38.f
t
＝σ(wf·
[h
(t-1)
，x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0039]
更新层包含一个输入门层，i
t
决定将要更新的值和一个候选值向量其中tanh为激活函数：
[0040]it
＝σ(wi·
[h
(t-1)
，x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0041][0042]
然后更新长期状态，将c
(t-1)
更新为c
t
，将旧状态c
(t-1)
与f
t
相乘确定丢弃信息然后加上新状态由此来更新每个状态的传递变化：
[0043]
[0044]
最后通过输出层处理，将输出最终确定的输出部分即类别结果：
[0045]ot
＝σ(wi*[h
(t-1)
，x
t
]+b0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0046]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0047]
步骤c：基于bi-lstm的评价分析
[0048]
bi-lstm神经网络结构图中x(s1，s2，
…
，sn)，x
′
(s
′1，s
′2，
…
，s
′n)为输入，通过正向运算与反向运算得到：
[0049]hln
＝f(ws
t
+vh
l-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0050]hrn
＝f(ws
t
′
+vh
l-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0051]
其中f为lstm神经元激活函数，h
ln
与h
rn
分别为经过运算后的输出信息向量，w为隐含层到输出层的权重矩阵，v为上一时刻输出到下一时刻计算的隐含层权重矩阵。最后将h
ln
与h
rn
通过输出层的激活函数运算得到：
[0052]on
＝g(w
′hln
+w
′hrn
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0053]
其中g为输出层激活函数，w
′
为输出层权重矩阵。最后运算得到代表用户情感分析的向量。
[0054]
步骤d：评价分析与反馈
[0055]
评价分析通过将用户文本xn按照分词形式进行处理为s(s1，s2，
…
，sn)的形式，选取部分数据进行人工标注为训练集对评价分析模型进行训练，然后加载模型将其与待分析文本输入到bi-lstm神经网络中进行处理，最终得到分析结果使用on分别表示各用户的文本分析结果，并作为评价反馈机制的输入。
[0056]
step1：遍历该用户评价类别信息，判断用户xi的文本类别向量yi是否满足其中是yi中的最大值，δt为类别设定阈值，超出该值则认为用户设备更新，应及时调整用户负荷辨识模型，作出类别反馈响应。
[0057]
step2：对评价结果oi使用评价算法分析，首先遍历用户xi中文本类别所对应的所有yi的序列标签，抽取yi对应的情感分析向量oi值，并按照标签存储。
[0058]
step3：计算每个yi标签类型对应的oi均值，即求解并判断与δl即评价阈值大小，如小于则反馈该类型设备负荷辨识效果较差，应予以调整，反之正常。
[0059]
本发明使用pycharm软件在基于python3.7的环境下使用tensorflow2.0框架搭建lstm与bi-lstm神经网络，并实现分类评价反馈机制，本次实验使用用户文本数据120组，通过语句分句处理获得各设备样本集共800组，将训练集设定为70％即560组，具体实验结果如图7所示。
[0060]
分类评价文本的评价分析效果如上所示，实际负荷辨识情况如图8所示。通过对随机选择的六种设备实际运行结果进行文本测试，得到实验结果可知，根据文本评价结果与评价文本的分类效果进行分析，评价反馈机制能够实现对异常以及缺失的反馈，实现对负荷辨识系统检测。
[0061]
以上所述仅为本发明的较佳实施例，凡在发明权限要求所限定的范围内进行的改变、修改，均属于本发明的保护范围。