阅读说明：本技术 一种基于图信号处理的非侵入式设备负载监测方法 (A kind of non-invasive apparatus load monitoring method based on figure signal processing ) 是由 赵生捷 张冰 张荣庆 于 2019-07-05 设计创作，主要内容包括：本发明涉及一种基于图信号处理的非侵入式设备负载监测方法,包括数据预处理、起始点获取和目标函数整体优化三个步骤,首先对数据进行预处理,为各已知设备选取合适的时间段作为训练集；然后确定目标函数,对目标函数的正则化项进行最小值求解,获得解析解；最后将已获得的解析解作为起始点,执行梯度投影优化算法对目标函数进行整体优化求解。与现有技术相比,本发明具有提高了算法性能,获得更好的电力分离结果,实现更高精度的非侵入式设备的负载监测等优点。(The non-invasive apparatus load monitoring method based on figure signal processing that the present invention relates to a kind of, including data prediction, starting point obtains and three steps of objective function global optimization, data are pre-processed first, choose the suitable period as training set for each known device；Then it determines objective function, minimum value solution is carried out to the regularization term of objective function, obtains analytic solutions；Finally using acquired analytic solutions as starting point, executes gradient projection optimization algorithm and global optimization solution is carried out to objective function.Compared with prior art, the present invention has the advantages that improving algorithm performance, obtaining better electric power separating resulting, realize the load monitoring of the non-invasive apparatus of higher precision.)

一种基于图信号处理的非侵入式设备负载监测方法

技术领域

本发明涉及非侵入式设备负载监测领域，尤其是涉及一种基于图信号处理的非侵入式设备负载监测方法。

背景技术

非侵入式设备负载监测(Non-intrusive Appliance Load Monitoring,NILM)，即给定由总电路电表测量得到的家庭某一时刻的总电力功耗，应用一些分析、计算的方式，得到该时刻对应各个电器设备的实际电力功耗。在这个过程中，无需借助于分电表来测量特定设备的功耗。因此，NILM具有易于使用、低成本、无设备干扰、不影响家庭生活等优势。从节约能源的角度，NILM扮演了不可替代的重要角色。对于普通家庭用户而言，NILM可以帮助他们了解家中各个电器的功耗情况，用户在此基础上可以及时关闭高功耗电器，这在无形中激发了人们的节约意识。对于政策制定者而言，NILM可以帮助他们对家庭用电状况产生一个更加宏观、深入的认识，有助于其制定更为合理的能源反馈机制和需求响应策略。

在已有的研究中，在将图信号处理应用到NILM领域中时，其关于图信号(GraphSignal)的定义都是一个取值为-1、0、1的离散函数，这使得最终的目标函数是一个离散不可导的函数，限制了优化算法的使用。同时，由于目标函数是一个离散不可导的函数，因此多数已有的方法都是将目标函数看作两部分，然后进行分割、分步处理。即先对作为目标函数第二部分的正则化项进行最小值求解，然后将其解作为起始点，采用模拟退火等启发式算法对目标函数第一部分进行优化，因此会导致计算复杂，电力分离结果精度不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图信号处理的非侵入式设备负载监测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于图信号处理的非侵入式设备负载监测方法，包括数据预处理、起始点获取和目标函数整体优化三个步骤，首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。

进一步地，具体包括以下步骤：

S1、获取用户设备在设定时间段1～N内的总负荷有功功率p_i，作为监测数据；获取每个设备在设定时间段1～n内的单独有功功率作为训练数据，其中，n和N均为正整数并且n小于N，i为某一时刻，m为设备的编号，所有设备构成设备集

S2、基于训练数据计算每个设备的运行状态平均功耗并按照平均功耗从大到小降序排布；

S3、根据监测数据获取各时刻的总负荷有功功率变化值Δp_i，针对每个设备m，通过图信号处理方式构建图 为包含多个顶点的顶点集，每一个顶点对应一个有功功率变化值Δp_i，A为加权邻接矩阵，其权值A_i,j为对应顶点v_i和v_j之间的连接边权重，i和j表示不同的时刻；

S4、根据训练数据获取各时刻各设备的单独有功功率变化值基于已构建的图计算1～N时刻内的所有图信号其计算表达式为：

其中，Thr_m是用于判断设备m是否改变了运行状态的阈值，是该设备m在设定时间段1～n内的单独有功功率变化值；

S5、根据1～n时刻内的所有图信号计算获取n+1时刻到N时刻的图信号通过和之间的映射，得到各设备的实际运行功耗变化值；

S6、重复步骤S3到步骤S5，每次分离一个设备后，在监测数据中去除该设备的运行状态平均功耗，直至分离所有设备；

S7、分离所有设备后得到起始点P_n+1,...,P_N，其中

S8、根据得到的到起始点P_n+1,...,P_N求解优化模型，得到并输出优化后的在n+1时刻到N时刻的

进一步地，所述的步骤S3中，加权邻接矩阵A_i,j的计算表达式为：

其中，Δp_i表示i时刻的总负荷有功功率变化值，Δp_j表示j时刻的总负荷有功功率变化值，σ表示比例因子。

进一步地，所述的步骤S5中，图信号的计算表达式为：

其中，L为图拉普拉斯矩阵，其由图的邻接权重矩阵A计算得到。

进一步地，所述的步骤S7中，映射过程如下：

如果则判断设备m在时刻i改变了运行状态，当Δp_i＜0时，判断设备在i时刻被关闭，则当Δp_i＞0时，判断设备在i时刻被打开，则

如果则判断设备m没有改变运行状态且相应的

进一步地，所述的步骤S8中，优化模型的表达式为：

其中，Δp_i表示i时刻的总负荷有功功率变化值，表示i时刻设备m的有功功率变化值，ω表示正则化项权重参数。

与现有技术相比，本发明具有以下优点：

本发明使用图信号处理技术，为NILM问题建立模型，并采用优化算法求解目标函数，以得到最优解，实现对电力总功耗的分离。本发明对图信号的定义进行了改进，将其定义为取值在[-1,1]区间的连续函数，这使得最终的目标函数是一个连续可导的函数。因此，目标函数在获得最小化正则化项的解后，能够将其作为起始点执行梯度投影方法，对目标函数整体进行优化求解，提高了算法性能，获得更好的电力分离结果，实现更高精度的非侵入式设备的负载监测。

附图说明

图1是本发明的整体流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供了一种基于图信号处理的非侵入式设备负载监测方法。其主要分为三个步骤，即数据预处理、起始点获取和目标函数整体优化。首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。

应用图信号处理技术对NILM问题进行求解，是将NILM看作分类问题，即对于某一时刻总功耗的变化，判断是由哪一个已知设备引起的，由此可判断出设备的运行状态。本实施例选取合适的数据作为训练集。

为了更好地捕获各设备的运行状况，提高分解精度，设备训练集的选取原则遵循：选择只有该设备单独运行的时间段作为其训练集，以减少无关运行设备的干扰。此外，对于每一个已选定训练集的设备，其训练集单独存储，当安装新的电器设备时，只需为新设备构建训练集，其余已知设备的训练集无需再次更新。

本实施例采用REDD(可参照能源分解数据集)数据库，其包含数据为一个家庭内总体有功功率和各设备的有功功率。即对于某一时刻i，总体有功功率为p_i，某一设备m对应此时刻的有功功率为全部已知设备构成设备集

本实施例的具体包括以下步骤：

步骤S1、获取用户设备在设定时间段1～N内的总负荷有功功率p_i，作为监测数据；获取每个设备在设定时间段1～n内的单独有功功率作为训练数据，其中，n和N均为正整数并且n小于N，m为设备的编号。

步骤S2、基于训练数据计算每个设备的运行状态平均功耗并将设备按照平均功耗从大到小降序排布。

步骤S3、根据监测数据获取各时刻的总负荷有功功率变化值Δp_i，得到各时刻的功率变化值Δp_i＝p_i+1-p_i。

步骤S4、使用图信号处理技术构造图其中，为包含多个顶点的顶点集，每一个顶点对应一个有功功率变化值Δp_i，A为加权邻接矩阵，其权值A_i,j为对应顶点v_i和v_j之间的连接边权重，i和j表示不同的时刻。权重A_i,j的值反映了两个邻接顶点的相似度，即权值越大，邻接顶点之间的相似性越高。权值计算公式通常使用高斯核权重函数，即：

其中，Δp_i和Δp_j分别表示对应i时刻和j时刻的总负荷有功功率变化值，σ表示比例因子。

步骤S5、基于已构建的图计算1～N时刻内的所有图信号

图信号s是本发明中使用的重要概念，它通过顶点集到数字集的一个映射来定义，每个顶点v_i标记一个图信号s_i。基于已构造的图设备m的图信号s^m为一个长度为N的向量，取值定义如下

其中，Thr_m是用于判断设备m是否改变了运行状态的阈值，其值通常为设备m各连续状态的平均功率间差值的一半。作为分类标签，在训练集(i≤n)中，设备m在时刻i的单独有功功率变化值是已知的，故若i时刻的总功耗变化是由设备m的状态改变引起的，则有趋近于+1，否则趋近于-1；在测试集(n＜i≤N)中，未知，故暂设为0。

步骤S6、基于图总平滑度最小化，获取初始解析解。利用图拉普拉斯矩阵来定义图信号的总平滑度，为：

其中，L为图拉普拉斯矩阵，定义为L＝D-A，是一个N×N的实对称矩阵；D是一个对角线矩阵，即对角线上的元素值定义为D_i,i＝∑_j＝1:NA_i,j，非对角线元素为0。基于上述定义，相似数据点v_i和v_j之间的连接权重值A_i,j大，且其对应的图信号值s_i和s_j接近。因此，对于数据分类而言，图信号构成了一个平滑的信号，且当图信号是分段平滑时，图总平滑度的值很小。

针对本发明要解决的NILM问题，其对应的数学模型表示为：

其中的n_i为i时刻的噪声，其主要包括电路基负载功耗以及其它未知设备的功耗。由功耗变化的角度，公式(4)可修改为下述形式

对于训练集(i≤n)，Δp_i和均已知；对于测试集(n＜i≤N)，Δp_i已知而未知。

基于图信号处理技术，使用图信号的总平滑度作为正则化项，则最终的NILM目标函数定义为：

其中，s^m为对应设备m的图信号。故NILM任务被作为一个优化问题，找寻最优解，即每一个设备m在各时刻i(n＜i≤N)的功耗变化值

为了获取初始点P_n+1,...,P_N，对每一个设备m都要求解一个优化问题，得到最平滑解。即最小化设备m对应的正则化项，表示为：

由于矩阵L是对角线对称的，是已知的常数向量，利用分块矩阵，上式求解过程为：

求解得到后，通过和之间的映射，可得到所需的起始点P_n+1,...,P_N。映射过程如下：如果则可推断设备m在时刻i改变了运行状态，否则设备m没有改变运行状态且相应的若设备m改变了运行状态，则当Δp_i＜0时，推断设备在i时刻被关闭，有否则当Δp_i＞0时，推断设备在i时刻被打开，有

上述过程不断重复，每次分离一个设备，设备分离按照其平均运行功率递减的顺序进行。当一个设备被分离并得到对应的后，将该设备的运行状态平均功耗从总功耗中减去，为后续的设备分离尽可能减少干扰。

在获得最小化正则化项的解作为起始点后，执行梯度投影方法对整体目标函数(6)进行优化求解，此时的求解问题可以看作是一个约束非线性规划问题，表示为

其中Ω约束了解集的范围，以确保所得解，即各设备的功耗变化，不要超出实际允许的范围。最终得到分离结果

性能评价

NILM领域常用的性能评价指标为召回率(recall，RE)、精确率(precision，PR)和F1-score。其各自的定义如下

RE＝TP/(TP+FN)

PR＝TP/(TP+FP)

F1＝2×(PR×RE)/(PR+RE)，

即TP(true positive)代表设备的状态改变被正确识别，FP(false positive)代表设备被误识别为状态改变，FN(false negative)代表设备的状态改变未被正确识别。

故召回率(RE)度量了所有的设备状态改变事件中被正确识别出的事件所占比例，精确率(PR)度量了设备状态改变事件的识别正确率，F1-score则是上述两者之间的权衡值，其值越高说明方法的分离性能越好。

通过在REDD数据集的House 1和House 2上进行实验，本实施例所提出方法的性能得到验证。表1和表2则是本发明与另外3个现有的NILM方法——基于图信号处理(GSP)的方法、基于隐马尔科夫模型(HMM)的方法和基于决策树(DT)的方法的性能对比。由表1和表2可知，本发明方法的电力数据分离结果精确度更好。

表格1 REDD House 1电力数据分离结果F1性能值对比

表格2 REDD House 2电力数据分离结果F1性能值对比

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。