一种非侵入式负荷监测系统的负荷特征提取方法

1.本发明涉及智能用电管理技术领域，尤其涉及一种非侵入式负荷监测系统的负荷特征提取方法。


背景技术：

2.随着计算机性能的大幅提升及大数据处理技术的发展，非侵入式负荷监测技术(nilm)成为了近年来研究的热点。非侵入式负荷监测技术(nilm)只主需要监测电力负荷总表，通过分析总表的电力参数情况，就能识别用户内部各种负荷的运行情况。相较于传统的需要在用户内部各个负荷上安装电表的侵入式负荷监测(ilm)，非侵入式负荷监测可使监测电表数量大为减少，从而可实施性极大提高，也很大程度上降低了负荷监测的成本，这使得负荷监测技术推广成为了可能。因此，非侵入式负荷监测方法亦变成了智能用电技术体系的重要组成部分。
3.非侵入式负荷监测技术，一般分为电力数据的采集和预处理、电力数据的特征提取、电力负荷的训练和识别三个步骤。电力数据的采集和预处理是采集各用电设备在运行中的电力数据并对这些数据进行降噪或平滑处理；电力数据的特征提取是研究和分析不同用电设备在运行过程中的电力数据，找出各用电设备的电力负荷特征；电力负荷的训练和识别是对监测系统进行训练，依据不同设备的电力负荷特征，自动识别当前运行设备的类型。
4.其中电力数据的特征提取是非侵入式负荷监测技术的核心，特征提取的优良直接决定这该系统识别的成功率和效率。当前在特征提取方面，主要的方法有：快速傅里叶变换法、小波多分辨率分析法、贝叶斯网络法，卷积神经网络训练法等等。
5.特征提取作为非侵入式负荷监测过程中的一环，理想的条件就是拥有小的计算量和拥有强的负荷特征提取能力。计算量小则意味着监测系统的实时性高；拥有强的负荷特征提取能力则意味着监测系统的灵敏性或者准确性好。目前的特征提取方法，快速傅里叶变换法和小波分析法计算量较小，但特征提取能力较弱；贝叶斯网络法计算量适中，但是非电气量特征可靠性较差，不能适应不同用户需求的能力；卷积神经网络训练法计算量较大且训练时间长。


技术实现要素：

6.发明目的：本发明的目的在于提供一种基于改进的高斯混合模型(改进gmm)来提取用电负荷特征的方法，该方法优化和改进了高斯混合模型，预先通过精细聚类后的特征进行分析和判断，选择最优的高斯混合成分数量，改进初始值的选取，最后输出特征向量。该方法计算量较小，实时性高，能自适应不同用电负荷类型的特征信息提取。
7.技术方案如下：一种非侵入式负荷监测系统的负荷特征提取方法，包括以下步骤：
8.(1)根据电力负荷特征，初定混合成分个数k；
9.(2)利用k-means++算法获得k个聚类中心的值，作为高斯混合模型的初始均值，每
个类内各点到聚类中心的距离之和可计算得到高斯混合模型的初始协方差；
10.(3)利用高斯混合模型进行高斯聚类；
11.(4)通过高斯聚类后，得到电力负荷数据曲线各成分的特征信息；所述各成分包括具有不同的均值、方差及混合比例的单高斯曲线；
12.(5)依据电力负荷数据曲线的特征信息，对通过以上步骤得到的各成分进行分析，确定最优的混合成分个数k；
13.(6)利用最优的混合成分个数k重新进行高斯聚类，得到最终的均值、方差和混合比例，将最终的均值和方差组成矩阵，作为表征该用电设备的电力负荷特征信息的特征矩阵。
14.进一步的，所述k-means++算法包括步骤：
15.(21)从数据集中随机选取一个样本作为初始的聚类中心d1；
16.(22)计算所有的电力负荷数据至该聚类中心的距离，命名为d(x)；
17.(23)计算所有电力负荷数据中每个样本被选为下一个聚类中心的概率：
[0018][0019]
(24)选出概率最大的值为下一个聚类中心；
[0020]
(25)重复步骤(22)～(24)，直至选出k个聚类中心；
[0021]
(26)按得到的k个聚类中心，用k-means聚类并收敛。
[0022]
进一步的，所述高斯聚类包括步骤：
[0023]
(31)通过k-means++聚类得到的k个聚类中心的值，作为高斯混合模型的初始值进行训练；
[0024]
(32)计算电力负荷数据的每个数据点属于每个高斯模型的概率，即后验概率，数据点离高斯分布的中心越近，概率越大，即属于该高斯模型的可能性越高；
[0025]
(33)根据上一步的后验概率，计算新的(μi′
,σi′
)参数使得数据点的概率最大化，使用数据点概率的加权来计算这些新的参数，权重就是数据点属于该高斯模型的概率；
[0026]
(34)将模型参数{((μi,σi,pi)|1≤i≤k)}更新为{((μi′
,σi′
,pi′
)|1≤i≤k)},重复迭代步骤(32)和(33)直到收敛。
[0027]
进一步的，步骤(5)中分析过程根据电力负荷数据曲线的变化情况，可将数据划分成低值区、过渡区、高值区、震荡区四部分；低值区反映了电力设备的工作准备状态或者工作间歇状态；过渡区代表了电力设备从准备或间歇状态到工作状态的过渡过程；高值区代表了电力设备工作时用电曲线的幅值；震荡区代表了电力设备在工作时用电曲线的平稳程度；
[0028]
高斯混合模型由各成分混合组成；各成分是具有不同的均值、方差及混合比例的单高斯曲线，通过对所述各成分的均值及方差分析，对相似的成分进行合并，并最终对混合成分按照上述数据划分方法进行分类，最终确定最优的混合成分个数。
[0029]
进一步的，当使用电阻类用电设备的负荷，用电曲线在工作准备或间歇状态和工作状态都为一条直线，其不存在震荡区。
[0030]
有益效果：本发明提出了一种新的非侵入式负荷监测系统的负荷特征提取方法，该方法优化和改进了高斯混合模型，预先通过聚类后的特征信息进行分析和判断，选择最
优的高斯混合成分数量，从而改进初始值的选取，最后输出特征向量。即先进行高斯精细聚类，然后分析聚类特征，根据特征进行优化，改进初始值，实现特征信息的典型刻画和提取。
[0031]
该方法计算量小，实时性好且实现成本低。同时，本方法可实现不同设备负荷特征信息的典型刻画和提取的自适应，非常适合应用于非侵入式负荷监测技术，同时该方法也适用于信号分析和智能设备在线监测技术。
附图说明
[0032]
图1为改进的高斯混合模型算法流程图；
[0033]
图2为实施例中洗衣机用电负荷曲线；
[0034]
图3为实施例中优化聚类后的曲线特征。
具体实施方式
[0035]
下面结合附图对本发明的技术方案作进一步说明。
[0036]
如图1所示，本发明提供一种技术方案：一种非侵入式负荷监测系统的负荷特征提取方法，包括以下步骤：
[0037]
(1)根据电力负荷特征，初定混合成分个数k；
[0038]
(2)利用k-means++算法获得k个聚类中心的值，作为高斯混合模型的初始均值，每个类内各点到聚类中心的距离之和可计算得到高斯混合模型的初始协方差；
[0039]
(3)利用高斯混合模型进行高斯聚类；
[0040]
(4)通过高斯聚类后，得到电力负荷数据曲线各成分的特征信息；
[0041]
(5)依据电力负荷数据曲线的特征信息，对通过以上步骤得到的各成分进行分析，确定最优的混合成分个数k；
[0042]
(6)利用最优的混合成分个数k重新进行高斯聚类，得到最终的均值、方差和混合比例，将最终的均值和方差组成矩阵，作为表征该用电设备的电力负荷特征信息的特征矩阵。
[0043]
实施例：
[0044]
列举一个对洗衣机用电负荷进行特征提取的应用如下:
[0045]
洗衣机用电负荷曲线如图2所示
[0046]
1、设定初定混合成分个数为k＝8。
[0047]
2、按8个混合成分进行k-means++聚类得到初始值如下：
[0048]
表1 k-means++聚类初始值
[0049]
kμiσicomponents168.95171.78690.125284.27651.60780.12534.40295.85730.125431.037032.03510.125576.36073.27970.125680.43832.65270.125756.48831.26820.125
873.930529.57910.125
[0050]
3、高斯混合得到8个特征数据如下：
[0051]
表2高斯混合聚类初始值
[0052]
kμiσicomponents168.972138.91170.0022284.19441.68050.111934.40295.85770.1075431.035432.01200.0559576.67204.85800.1828680.57872.19600.2912769.15752.18040.0321874.678030.42610.2163
[0053]
4、对高斯聚类进行优化。均值代表数据的大小；方差代表数据的稳定程度。方差越大，曲线越震荡，方差越小数据越稳定。因此高值部分的大方差数据可被归类为震荡区，高值部分的小方差数据可被归类为高值区。中值部分归类为过渡区，低值部分归类为低值区。优化后的初始值为：
[0054]
表3优化初始值
[0055]
kμiσicomponents 180.103710.10970.5882高值区273.930529.57910.2163震荡区331.039532.16920.0880过渡区44.40295.85730.1075低值区
[0056]
5、优化后重新进行聚类，得到如图3所示优化聚类后的曲线特征；
[0057]
6、得到特征矩阵
[0058][0059]
本发明提出了一种新的非侵入式负荷监测系统的负荷特征提取方法，该方法优化和改进了高斯混合模型，预先通过聚类后的特征信息进行分析和判断，选择最优的高斯混合成分数量，从而改进初始值的选取，最后输出特征向量。即先进行高斯精细聚类，然后分析聚类特征，根据特征进行优化，改进初始值，实现特征信息的典型刻画和提取。
[0060]
该方法计算量小，实时性好且实现成本低。同时，本方法可实现不同设备负荷特征信息的典型刻画和提取的自适应，非常适合应用于非侵入式负荷监测技术，同时该方法也适用于信号分析和智能设备在线监测技术。
[0061]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种非侵入式负荷监测系统的负荷特征提取方法，其特征在于，包括以下步骤：(1)根据电力负荷特征，初定混合成分个数k；(2)利用k-means++算法获得k个聚类中心的值，作为高斯混合模型的初始均值，每个类内各点到聚类中心的距离之和可计算得到高斯混合模型的初始协方差；(3)利用高斯混合模型进行高斯聚类；(4)通过高斯聚类后，得到电力负荷数据曲线各成分的特征信息；所述各成分包括具有不同的均值、方差及混合比例的单高斯曲线；(5)依据电力负荷数据曲线的特征信息，对通过以上步骤得到的各成分进行分析，确定最优的混合成分个数k；(6)利用最优的混合成分个数k重新进行高斯聚类，得到最终的均值、方差和混合比例，将最终的均值和方差组成矩阵，作为表征该用电设备的电力负荷特征信息的特征矩阵。2.根据权利要求1所述一种非侵入式负荷监测系统的负荷特征提取方法，其特征在于，所述k-means++算法包括步骤：(21)从数据集中随机选取一个样本作为初始的聚类中心d1；(22)计算所有的电力负荷数据至该聚类中心的距离，命名为d(x)；(23)计算所有电力负荷数据中每个样本被选为下一个聚类中心的概率：(24)选出概率最大的值为下一个聚类中心；(25)重复步骤(22)～(24)，直至选出k个聚类中心；(26)按得到的k个聚类中心，用k-means聚类并收敛。3.根据权利要求1所述一种非侵入式负荷监测系统的负荷特征提取方法，其特征在于，所述高斯聚类包括步骤：(31)通过k-means++聚类得到的k个聚类中心的值，作为高斯混合模型的初始值进行训练；(32)计算电力负荷数据的每个数据点属于每个高斯模型的概率，即后验概率，数据点离高斯分布的中心越近，概率越大，即属于该高斯模型的可能性越高；(33)根据上一步的后验概率，计算新的(μ
i
′
,σ
i
′
)参数使得数据点的概率最大化，使用数据点概率的加权来计算这些新的参数，权重就是数据点属于该高斯模型的概率；(34)将模型参数{((μ
i
,σ
i
,p
i
)|1≤i≤k)}更新为{((μ
i
′
,σ
i
′
,p
i
′
)|1≤i≤k)},重复迭代步骤(32)和(33)直到收敛。4.根据权利要求1所述一种非侵入式负荷监测系统的负荷特征提取方法，其特征在于，步骤(5)中分析过程根据电力负荷数据曲线的变化情况，可将数据划分成低值区、过渡区、高值区、震荡区四部分；低值区反映了电力设备的工作准备状态或者工作间歇状态；过渡区代表了电力设备从准备或间歇状态到工作状态的过渡过程；高值区代表了电力设备工作时用电曲线的幅值；震荡区代表了电力设备在工作时用电曲线的平稳程度；高斯混合模型由各成分混合组成；各成分是具有不同的均值、方差及混合比例的单高斯曲线，通过对所述各成分的均值及方差分析，对相似的成分进行合并，并最终对混合成分按照上述数据划分方法进行分类，最终确定最优的混合成分个数。
5.根据权利要求4所述一种非侵入式负荷监测系统的负荷特征提取方法，其特征在于，当使用电阻类用电设备的负荷，用电曲线在工作准备或间歇状态和工作状态都为一条直线，其不存在震荡区。

技术总结
本发明公开了本发明提出了一种非侵入式负荷监测系统的负荷特征提取方法，该方法优化和改进了高斯混合模型，预先通过聚类后的特征信息进行分析和判断，选择最优的高斯混合成分数量，从而改进初始值的选取，最后输出特征向量。即先进行高斯精细聚类，然后分析聚类特征，根据特征进行优化，改进初始值，实现特征信息的典型刻画和提取。该方法计算量小，实时性好且实现成本低。同时，本方法可实现不同设备负荷特征信息的典型刻画和提取的自适应，非常适合应用于非侵入式负荷监测技术，同时该方法也适用于信号分析和智能设备在线监测技术。适用于信号分析和智能设备在线监测技术。适用于信号分析和智能设备在线监测技术。


技术研发人员：张媛 王飞 李飞翔
受保护的技术使用者：南京信息职业技术学院
技术研发日：2023.03.28
技术公布日：2023/7/12