非活性电流谐波结合XGBoost的非侵入式负荷辨识方法与流程

非活性电流谐波结合xgboost的非侵入式负荷辨识方法
技术领域
1.本发明涉及负荷识别技术领域，更具体的涉及非活性电流谐波结合xgboost的非侵入式负荷辨识方法。


背景技术：

2.伴随智能电网的迅速发展，为了实现电网与用户间的和睦互动，用户用电负荷信息的在线识别成为用电可视化的基础。非侵入式负荷识别是运用负荷分解和识别算法处理和分析从电力用户入口端获取的总线信息，从而获取用电设备的用电状态和能耗情况。在电网侧，非侵入式电力负荷数据的获取有利于分析电力系统的负荷结构，实现国家电力资源的优化配置。在用户侧，用户可以根据各类用电设备信息，有针对地合理制定节能计划，实现用能管理。
3.目前，人工智能算法已经应用在非侵入式负荷辨识，但很多研究基于负荷暂态特征，而暂态数据的获取对芯片精度和频率要求高，成本也高，因不同用电器的干扰因素互不相同，故其间的非活性电流存在着较大的差异，当用电器的功率、电压和电流等稳态特征具有较高的相似度时，并不能有效地区分不同的用电器，识别效果较差。


技术实现要素：

4.本发明实施例提供非活性电流谐波结合xgboost的非侵入式负荷辨识方法，包括：
5.利用非侵入式负荷监测系统采集待识别的电力系统负荷稳态电流数据和稳态电压数据；
6.对采集到的稳态电流数据和稳态电压数据中值滤波处理；
7.根据中值滤波后的稳态电流数据和稳态电压数据提取总有功功率特征、总无功功率特征及非活性电流各次谐波分量特征；
8.利用核主成分分析kpca对非活性电流各次谐波分量特征降维，提取谐波信息，与总有功功率特征、总无功功率特征结合形成xgboost分类模型的多特征目标函数；
9.将提取的总有功功率特征、总无功功率特征及非活性电流各次谐波分量特征输入xgboost分类模型，识别不同的负荷。
10.近一步，对采集到的稳态电流数据和稳态电压数据中值滤波处理，包括：
11.将一组稳态电流数据或稳态电压数据序列{x
i1
，x
i2
，
…
，x
in
}，按升序排列后其数组为x
i1
≤x
i2
≤
…
≤x
in
；
12.利用算法y＝med{x1，x2，
…
，xn}进行中值处理，当n为偶数时，其中值表示为当n为奇数时，其中值表示为
13.近一步，提取总有功功率特征、总无功功率特征，其计算公式包括：
[0014][0015]
其中，p和q分别表示总有功功率和总无功功率；pk、qk、uk和ik分别表示第k次谐波电流对应的有功功率、无功功率、电压和电流；为电压和电流的相角差。
[0016]
近一步，非活性电流各次谐波分量特征计算步骤，包括：
[0017]
将稳态电流分解为非活性电流ia(t)和活性电流ib(t)，即
[0018]
i(t)＝ia(t) ib(t)
[0019]
提取非活性电流ia(t)，其表达式包括：
[0020][0021]
式中，u
rms
为瞬时功率p和电压u(t)的均方根，t为周期时间；
[0022]
傅里叶变换分解非活性电流ia(t)，从而得到非活性电流谐波，即
[0023][0024]
其中，if(k)为非活性电流变换到频域的结果，n为变换点数。
[0025]
非活性电流谐波结合xgboost的非侵入式负荷辨识方法，还包括对xgboost分类模型样本的处理，其包括：
[0026]
负总有功功率特征数据、总无功功率特征数据及非活性电流各次谐波分量特征数据按照8：2比例将集划分成训练集和测试集；
[0027]
对训练集和测试集分别进行归一化处理，归一化处理公式包括：
[0028][0029]
其中，x为输入特征值；x
′
为归一化后的特征值；x
max
、x
min
分别为特征数据的最大值和最小值。
[0030]
近一步，利用核主成分分析kpca对非活性电流各次谐波分量特征降维，提取主要谐波信息的步骤，包括：
[0031]
非活性电流各次谐波分量特征矩阵为：
[0032][0033]
其中，x
ij
为负荷i的第j次谐波i＝1，2，
…
，p，j＝1，2，
…
，m；p为负荷总数；m为谐波总数，即样本维数；
[0034]
选择高斯径向基函数作为核函数，得核矩阵k；
[0035]
定义m
×
m维矩阵k，用于修正核矩阵，公式包括：
[0036]kμv
＝(φ(y
μ
)
·
φ(yv))
[0037]
通过下式修正核矩阵得kl；
[0038][0039]
其中，im为m
×
m矩阵，每一个元素都是k
μv
和分别为m
×
m维矩阵k和修正后的核矩阵kl；
[0040]
使用雅克比方法求取kl的特征值λ1，λ2，
…
，λm，特征向量v1，v2，
…
，vm，并将特征值从小到大排序λ
′1＞λ
′2＞
…
＞λ
′m，将与重新排序后特征值所对应的特征向量转换为单位正交向量a1，a2，
…
，am；
[0041]
计算每个特征值的贡献率，累计相加得到b1，b2，
…
，bm，求取前t个特征向量的和b
t
＞e，e为设定比率值，相应的a1，a2，
…
，a
t
；
[0042]
计算已修正的核矩阵k在提出的特征向量上的投影y＝kl
·
a，其中a＝(a1，a2，
…
，a
t
)。
[0043]
本发明实施例提供非活性电流谐波结合xgboost的非侵入式负荷辨识方法，与现有技术相比，其有益效果如下：
[0044]
通过选用有功功率、无功功率和非活性电流谐波等负荷稳态特征，降低了负荷数据采样的成本。中值滤波对采集到的电信号预处理，使得减少了干扰识别准确率的不良因素。不同电器的非活性电流波形存在较大差异，使用非活性电流谐波作为识别特征，可以一定程度上提高辨识准确率。而采用核主成分分析算法对电流谐波特征向量进行降维，提高了xgboost模型的识别速度。xgboost算法拥有防过拟合、并行优化、分类准确率高等优势，用于非侵入式负荷辨识，实现了负荷高效且快速准确识别。
附图说明
[0045]
图1为本发明实施例提供的非活性电流谐波结合xgboost的非侵入式负荷辨识方法。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
参见图1，本发明实施例提供非活性电流谐波结合xgboost的非侵入式负荷辨识方法，该方法包括：
[0048]
实例1：获取待识别的电力系统负荷稳态数据
[0049]
采集单负荷以及组合负荷的样本数据，对单负荷采样时间约为1小时，因为组合的情况复杂，对组合负荷采样时间约为30分钟。每条采集的样本数据都包含一系列的时间、电压、电流、功率、谐波等其他负荷数据。
[0050]
实例2：对采集到的电信号采用中值滤波进行预处理
[0051]
(1)将一组数据序列{x
i1
，x
i2
，
…
，x
in
}，按升序排列后其数组为x
i1
≤x
i2
≤
…
≤x
in
。
[0052]
(2)中值由下式所示：
[0053]
y＝med{x1，x2，
…
，xn}
[0054]
(3)当n为偶数时，其中值如下：
[0055][0056]
(4)当n为奇数时，其中值如下：
[0057][0058]
实例3：负荷特征提取
[0059]
(1)有功功率和无功功率
[0060]
有功功率和无功功率作为应用最广泛的负荷特征，基于非侵入式负荷监测系统采集的电压、电流数据，便可求取总功率。
[0061][0062]
式中：p和q分别表示总有功功率和总无功功率；pk、qk、uk和ik分别表示第k次谐波电流对应的有功功率、无功功率、电压和电流；为电压和电流的相角差。
[0063]
(2)非活性电流谐波
[0064]
步骤1：分解电流波形
[0065]
用电器的电流可分解为非活性电流ia(t)和活性电流ib(t)，即
[0066]
i(t)＝ia(t) ib(t)
[0067]
步骤2：提取非活性电流
[0068][0069]
式中，u
rms
为瞬时功率p和电压u(t)的均方根，t为周期时间。
[0070]
步骤3：傅里叶变换分解非活性电流，从而得到非活性电流谐波，即
[0071][0072]
式中：if(k)为非活性电流变换到频域的结果，n为变换点数。
[0073]
实例4：将处理后的负荷数据集按一定比例划分成训练集和测试集按照8∶2比例将负荷特征数据集划分成训练集和测试集。
[0074]
实例5：将所得负荷特征进行归一化处理后，获得所需样本点
[0075]
由于不同类型的输入特征数据间的数量级差异较大，为避免造成计算误差，需进行归一化处理，公式如下所示：
[0076][0077]
其中，x为输入特征值；x
′
为归一化后的特征值；x
max
、x
min
分别为特征数据的最大值和最小值。
[0078]
实例6：采用kpca对谐波信息进行特征选取
[0079]
原本样本矩阵如下：
[0080][0081]
式中：x
ij
为负荷i的第j次谐波i＝1，2，
…
，p，j＝1，2，
…
，m；p为负荷总数；m为谐波总数，即样本维数。
[0082]
步骤1：选择高斯径向基函数作为核函数，得核矩阵k。
[0083]
步骤2：定义m
×
m维矩阵k，用于修正核矩阵，公式为：
[0084]kμv
＝(φ(y
μ
)
·
φ(yv))
[0085]
步骤3：通过下式修正核矩阵得kl。
[0086][0087]
其中，im为m
×
m矩阵，每一个元素都是k
μv
和分别为m
×
m维矩阵k和修正后的核矩阵kl；
[0088]
步骤4：使用雅克比方法求取kl的特征值λ1，λ2，
…
，λm，特征向量v1，v2，
…
，vm，并将特征值从小到大排序λ
′1＞λ
′2＞
…
＞λ
′m，将与重新排序后特征值所对应的特征向量转换为单位正交向量a1，a2，
…
，am。
[0089]
步骤6：计算每个特征值的贡献率，累计相加得到b1，b2，
…
，bm，求取前t个特征向量的和b
t
＞e，e为设定比率值，相应的a1，a2，
…
，a
t
。
[0090]
步骤7：计算已修正的核矩阵k在提出的特征向量上的投影y＝kl
·
a，其中a＝(a1，a2，
…
，a
t
)。
[0091]
求取的y即为通过kpca方法求取的数据集主要成分，将其用于负荷识别模型中。
[0092]
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。