[发明专利]计及特征量信息表达差异的非侵入式负荷辨识方法及系统

说明书

本公开提出了计及特征量信息表达差异的非侵入式负荷辨识方法及系统，包括：利用非侵入式获取设备的用电数据并进行特征提取和特征筛选，形成最优特征子集；基于熵权法原理求解最优特征子集对应的权重向量，同时对隶属度矩阵和聚类中心进行初始化处理；在计算聚类算法的欧式距离时作特征加权处理，将权重向量以乘子的形式融入距离计算，形成样本点与聚类中心的加权距离矩阵；依据特征加权改进得到的隶属度更新公式和聚类中心更新公式计算待识别样本的隶属度及聚类中心，多次迭代形成最优隶属度矩阵，输出待辨识样本的类别及工作状态。能够实现特征与辨识算法的紧密结合，可有效增强算法的泛化应用能力和辨识准确率。

技术领域

本公开属于智能用电及能效监测技术领域，尤其涉及计及特征量信息表达差异的非侵入式负荷辨识方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

电力物联网已成为电力系统的战略发展目标之一，是高效利用各种手段实现电力信息采集、分析、管理和应用的关键技术。基于用户负荷端口处获取的高质量监测信息，可分析辨识用户电力设备的使用状态，即实现用户的非侵入式负荷监测，从而为用户管理自身用能及电费开支、电力公司加强负荷侧管理等提供强有力的支持。因此，非侵入式负荷辨识的研究广受关注，亟待深入推进。

非侵入式负荷辨识一般是建立在负荷类别已知，且负荷特征量确定的基础上，可归类于模式识别问题。神经网络和深度学习技术因具有自学习能力和联想存储能力，在非侵入式负荷辨识中有广泛的应用。文献“宋旭帆，周明，涂京，李庚银.基于k-NN结合核Fisher判别的非侵入式负荷监测方法[J].电力系统自动化,2018,42(06):73-80”利用KNN算法的简便性结合核Fisher分类的非线性判别能力来辨识特征相近的家用电器的种类，取得了较好的辨识效果。然而，在应用该方法分析电器存在叠加模式的问题时，对应特征量相差较大的电器设备可能存在的特征掩盖情况，虽然也属于特征相近的辨识问题但该方法效果不佳。事实上，居民家用电器大部分还是属于小功率设备，发生功率转换时变化相对较小，而大功率设备在发生工作状态的变化时存在较为明显的转移功率，这会导致时间轴上其他设备的特征局部或整体被掩盖，因此需要研究拓展辨识方法以增强其泛化性，即应充分提高辨识方法适应于多种场景的能力。

模糊聚类算法作为无监督学习方法，不用进行训练集的学习即可实现负荷辨识，这意味着模糊聚类算法相比于有监督学习方法对样本集的限制更少，即适用性更强。其中，应用最为广泛的模糊C均值聚类算法在非侵入式负荷辨识中已有较好的应用，但存在着聚类中心与模糊指数的主观性选择、易受噪声干扰等问题。为避免确定聚类中心时的主观随意性，可通过引入快速爬山函数法，使用K均值算法及粒度原理，融入聚类有效性函数等改进措施确定聚类中心，这些改进策略使得聚类中心的选择更为客观，而聚类中心作为辨识算法确定电器模式种类的主要依据，对最终的辨识效果有较大影响，因此相关研究主要通过优化算法的参数设置来增强其泛化性。文献“石亮缘，周任军，张武军，余虎，李彬，王珑.采用深度学习和多维模糊C均值聚类的负荷分类方法[J].电力系统及其自动化学报,2019,31(07):43-50”将常规欧式距离与计及趋势序列特征的改进动态时间弯曲距离结合成新的相似性距离，在原来算法的基础上突出了趋势特征的重要性，使得算法分类结果更合理，拓宽了算法的适用范围。上述研究在一定程度上改进了模糊C均值聚类算法，但在FCM算法欧式距离计算中对特征量进行等重要性处理会造成不利影响，没有从根源上考虑特征量信息表达差异对辨识的影响，难以满足负荷特征复杂多样情况下的辨识要求。

发明内容

为克服上述现有技术的不足，本公开提供了计及特征量信息表达差异的非侵入式负荷辨识方法，本发明在负荷辨识过程中充分考虑了特征量的信息表达能力可有效提高算法的泛化应用能力和辨识准确率。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了计及特征量信息表达差异的非侵入式负荷辨识方法，包括：