电力负荷事件基于边缘检测和分类符号分析和支持向量机

文摘

能源电力设备特征分析是不干扰负荷监控的核心(NILM)中使用的设备的详细数据分析获得的房子是电压和电流的变化。本文侧重于开发一个自动电力负荷事件检测和设备基于机器学习的分类。在电力负荷事件检测,本文提出了一种新的瞬时检测算法。接通和断开瞬态波形分析,可以准确地检测出边缘点设备时开启或关闭。该负载分类技术可以识别不同的电力设备和提高识别精度和计算速度。负荷分类方法是由两个过程包括频率特性分析和支持向量机。实验结果表明,该公司的新的边缘检测和接通和断开瞬态特征分析比传统NILM NILM透露更多信息的方法。负荷分类方法取得了超过百分之九十的识别率。

1。介绍

如今,各式各样的分类技术广泛应用于许多信号处理领域,如人脸识别、道路交通分析、医学图像,天气预报等等1,2]。一直认为这种技术是否能满足电力负荷监控的目的,这是一个过程在众议院获得用什么电器以及个人的能源消耗分析电压和电流的变化。特别是信息消费者的操作条件(如设备操作和状态在)是有用的估计和预测的需求。此外,电器在现代社会的操作条件显然反映了消费者的生活方式和行为模式3]。研究执行此类信息的使用电路诊断,安全确认系统对于老年人独自生活的人来说(4)、需求管理和优化(5- - - - - -10),和其他用途11]。

主要有两类方法在电力监控算法,包括侵入设备负载监控(IALM)不干扰和设备负载(NIALM) [12]。为了测量消费,IALM分配直接传感器在每个设备或设备。虽然概念上直接和潜在的高度准确,直接传感由于耗时通常是昂贵的安装和每个设备或设备的要求一个传感器。与直接传感方法的局限性,研究人员探索方法来推断通过单个传感器能源使用。

相比直接传感方法,标准NIALM配置包括一组唯一的传感器来测量电流和电压,以及处理算法来确定各种设备的状态(13]。首先研究了麻省理工学院的哈特在1990年代早期的资金电力科学研究院(12]。自那时以来,不同的策略NIALM已经开发出来。在分类的一个重要方法是应用支持向量机(SVM) [14- - - - - -18在不干扰设备负载监控。必须为电力系统研究领域探讨SVM在这个任务从实用的观点。预处理的发现支持向量机的特征,瞬态检测在NIALM也起着重要的作用。

以总负荷分解为组件,bijk等人采用不同的功率电平,或叫阶跃变化为目的(19]。张等人利用DWT和空心HCT新方法来检测电力事件(20.]。尽管如此,他们只应该检测设备的事件和复杂的功能,如电动机、微波炉,晶闸管整流器。2002年,小野田等人提出的数据用于(21)为目的的评估家用电器的状态。他们比较不同类型的svm通过选择不同的内核。他们报道的结果多项式内核,径向基函数内核,乙状结肠内核。所有结果的三种不同的内核实现了几乎相同的错误率。然而,在家用电器的状态,估计结果为三个不同的内核实现不同的错误率。他们也比较不同能力的支持向量机通过选择不同的正规化常数和实验参数的内核。结果表明,控制能力一样重要内核函数的选择。Kadouche以后和他的同事们提出(22]在房子主人预测问题上他们正在进行的工作基于日常生活习惯智能房屋。他们的作品大多是基于监督学习技术。他们用支持向量机建立行为分类模型学习用户的习惯,分析了公开数据集从华盛顿州立大学智能公寓试验台。他们评估了梳理,尤其是吃早饭,和床上厕所活动23]。他们的实验结果表明,用户可以识别精度高,这意味着每个用户都有他自己的方式来执行活动。未来的工作,用户的模式允许一个人歧视和公认的一个群体,执行multiactivities在相同的环境中不使用侵入性技术被研究。

Grinblat和他的同事提出了一种新的方法来生成自适应分类器和具有学习能力的概念,改变随着时间的推移,这是自适应支持向量机(TA-SVM) [24]。TA-SVM的基本思想是使用一系列的分类器,每一个都适合一个小的时间窗口,但相比其他建议,学习所有的超平面在全球。从独立的支持向量机的解决方案,他们表明,添加一个新的术语的成本函数(惩罚连续分类器之间的多样性)实际上会产生一个耦合的序列。一旦耦合,支持向量机的集合作为单个自适应分类器。他们评估TA-SVM使用人工漂流的不同方面的问题。特别是,他们显示改变的数量分类器和耦合常数可以有效地调整分类器的顺序。他们比较TA-SVM与其他先进的方法在三个不同的设置:评估、预测和外推,包括问题的小数据集,高维输入空间和噪音。TA-SVM显示在所有情况下相当于或优于其他方法。即使对于TA-SVM最不利的情况,也就是说,数据集的突然变化,他们的新方法表现出很好的性能。然而,这种方法的局限性可能反映在长时间漂移和额外的硬件的要求。 A more recent research of Liang’s group [25),结合各种特性包括电流波形(CW),主动/无功功率(PQ),谐波(HAR),瞬时导纳波形(IAW),瞬时功率波形(IPW),特征值(EIG)和开关瞬态波形(STW)。他们的研究结果提供了更高程度的识别精度,但该算法需要签名收集和处理设备上堆积如山的工作。

摘要在现实世界中使用和收集的数据清楚地分析的重要问题是什么将支持向量机应用于电力系统研究领域。其余部分组织如下。部分2给新的瞬态事件检测过程的细节ESA和为什么我们选择支持向量机作为负载分类的方法和主要过程。的细节数据采集和预处理实验结果部分所示3。最后,结论部分4。

2。电力负荷的事件检测和分类

众所周知,尽管NIALM基于不同的技术,它有几个共同的原则26]。(我)负荷特性分类:特定设备的特性,或签名,需要选择和数学特征。(2)机制:硬件安装(传感器和数据采集系统),可以检测到所选的功能是必需的。(3)分解:一个数学算法检测的特性在整个信号和输出。

基于这一理论,数字1描述本研究的过程。机制收集整个电路的操作,然后,适当的算法画出所有的电气事件情况。在成功地寻求点”负载开关”,它是可行的对负载进行分类,后来找点”负载打开“排除假边缘由以前的负载。同样的程序随后搜索关掉事件。

2.1。电力负荷事件使用边缘检测符号分析方法

2.1.1。背景

边缘检测方法在许多领域被广泛研究,主要发展在离散情况下,仅限于略微嘈杂的信号。精明的正规化或平滑和最优方法27)导致了几个有效的连续运营商对噪声和模糊信号。其他先进方法,考虑精明的标准已经开发处理噪音,不均匀的照明,和图像的对比。边际,离散正则化的方法已被开发和改善结果通过考虑离散信号的性质(28,29日]。

将非线性引入全球过滤过程,在嘈杂的边缘检测,是一种边际但有效的方法获得良好的性能。一般来说,非线性滤波用于初步正规化阶段。皮塔饼和Venetsanopoulos提出一类非线性滤波器拒绝添加剂和脉冲噪声,同时保留边缘(30.]。最近,Benazza-Benyahia等人介绍了非线性滤波器组导致多分辨率逼近信号不连续的保存完好的31日]。边缘增强的非线性滤波器,利用形态学滤波器,提出了由舒尔茨(32]。作者表明,局部变化分析允许增强边缘被乘法噪声。黄和哈达德提出了一个集成的非线性edge-detection-based去噪方案(33]。阈值导数计算从两个一半过滤器(中位数为脉冲噪声,对高斯噪声,意味着和min-max统一噪声)和边缘检测是用于选择第二个过滤阶段,即意味着噪音或中位数为边缘点。方案,边缘检测可以被认为是一个副产品,获得最优性能只有在正确的第一选择滤波器根据噪声统计。基于这些理论,Laligant和他的同事提出获得降噪和边缘检测的单程非线性微分计划(34]。相结合的方案,它由两个极化差异,收益率显著改善信噪比不使用正则化或增加计算的要求。

2.1.2。的方法

众所周知,三种斜坡可以发现在所有的电源波形,包括积极的,消极的,和常数。所以边缘符号分析方法(ESA)可以找到边缘点的位置根据信号的符号。通过这种方式,将边缘点位于过渡后如果斜率是正的。否则,当它是负的,边缘点前将位于斜坡。在这里,为了检测这两种边缘,两个探测器过滤器和介绍了。自选择作为一个反对称线性滤波器,提供本地化的变化,根据边缘像素定位移动的方向。这些过滤器中描述的关系(1)。 简单的阈值,我们使用的组合和如下检测边缘点的原始输入信号。

2.2。基于电力负荷分类

提出的分类方法是由两个主要的阶段,包括:第一频率特性分析是应用于电流信号,然后基于支持向量机的训练分类器应用于识别不同的电器。下面给出方法的细节。

2.2.1。目前的功能分析

节省计算资源,提高性能,只有电流信号被用于频率分析用更少的采样点(35]。例如,根据先前的实验,分类的准确率几乎是相同或更高时采用500频率信号点的特性而不是2000未处理电流信号点。

在收集单个设备的数据和提取当前信号,短时快速傅里叶变换(FFT)的信号是在执行(3)。在哪里是一个统一的根源。 和一个示例如图所示2。

2.2.2。基于svm的分类

SVM, NIALM系统的方法之一,是相对不敏感的数据点的数量和分类的复杂性并不依赖于特征空间的维数(36]。因此,它可能会学习更大的组模式和规模比其他方法。一旦数据分为两类,一个合适的优化算法可以在必要时用于进一步的特征识别,这取决于应用程序。

学习的支持向量机训练算法分类和回归规则从议会和Vapnik首次引入支持向量机的数据37)在1990年代分类和最近成为一个激烈的研究领域由于技术和理论的发展加上回归和密度估计的扩展。它是基于结构风险最小化原则纳入容量控制,防止过度拟合。它是一个部分解决方案偏差方差取舍两难(38]。它已广泛应用于不同的领域。作为一个分类器,它给出了一组训练的例子,每个标记为属于两类之一。SVM训练算法构建一个模型,预测新例子是否属于一个类别。直觉上,支持向量机模型的例子表示点空间,映射,这样的例子单独的类别是除以一个明确差距,尽可能宽(39]。新的例子然后映射到相同的空间和预测属于一个类别根据他们落在一边的差距。

支持向量机提供最先进的性能在实际应用,如文本分类、手写字符识别中,biosequences分析、图像分类等等。现在建立的标准工具,机器学习和数据挖掘。支持向量机的决策函数被定义为(4) 在这里,是不保密的测试向量,支持向量和吗是他们的重量,是一个常数的偏见。是内核函数引入支持向量机来解决非线性问题通过执行隐式映射到一个高维特征空间(40]。

考虑分离的问题属于两个独立的训练向量的集合类(41]。 用一个超平面, 我们的算法是高斯核函数选择 在标量对所有坐标是相同的。

3所示。实验

3.1。数据收集和预处理

所有的数据收集在联邦科学与工业研究组织(CSIRO)和住宅在纽卡斯尔,新南威尔士、澳大利亚。收集细节如表所示1。

图3这个实验展示了分割过程。每个信号的负载有三个短语:短语,稳态和短语。

3.2。实验结果和讨论

3.2.1之上。ESA的实现

在图4,水壶和烤面包机的重叠数据作为一个例子所示。图4(一)是原来的重叠数据的水壶和烤箱。红色的数据图4 (b)边缘检测的输出和原始数据。打开和关闭的边缘是用红色表示。清楚地观察合成边缘点,图的边缘点4 (b)(即。,the red curve) are redrawn in Figure4 (c)。

的例子与微波炉(图重叠的水壶5(一个))和PC(图5 (b))如图5。它可以很容易地找到边缘(黄色箭头所示图5),重复上述过程,然后把瞬态在原始数据点。当瞬态特性被认为是“微波炉”或“个人电脑”由支持向量机算法忽略了下一个“关闭”和“在”事件,因为他们是假的象征。因此能够获得整个事件的全部过程。

2的数据负载组合从四个典型设备是用于测试在这个实验中。该算法为每一组运行在10个不同的数据。对于一个单一的情况下,性能时间消耗低于4秒。这个过程的结果如表所示2。实际上,所有事件由ESA除了Load2-On准确地检测到,而准确性仍高于80%。

3.2.2。实现负载的分类

每个短语的识别过程与高斯函数运行的内核。使用分段的稳态功率数据测试,选择一些特性数据所示6和7,图6显示了培训未处理的当前数据在时域,和图7显示了当前数据在频域内培训。算法运行70次收集的数据从11个不同的负载。对于一个单一的情况下,性能时间消耗低于2秒。识别结果如表所示3。

可以看出,所有的识别准确率高于90%。它显示了理想的识别算法的性能。此外,尽管训练过程总是需要几分钟时间,避免混乱的你处理签名。测试流程比以前更快方法由于采用相对少量的分负荷频率特性。然而,我们想指出设备的数量是有限的,没有瞬态事件有关。时的性能会下降更多的用于实验设备和事件。

4所示。结论

本文提出了一种方法不干扰设备负载监控电力消费管理。这种方法可以自动检测家用电器的接通和停电事件和分类不同的电器使用负载特性和先进的算法,因此,监测单个设备的功耗。新的瞬态检测算法,结合接通和断开瞬态波形分析,开发检测变化的事件。负载分类技术,采用支持向量机识别不同的电器,能够识别类型的电力负荷和提高识别精度和计算速度NILM结果。高于90%的识别率已经达到认识各种电气设备。我们的实验表明,基于支持向量机的识别方法将是一个趋势住宅负荷监控的过程。

引用

1. g .郭、李s和k . Chan“由支持向量机人脸识别”程序自动脸上的第四届IEEE国际会议和手势识别,第201 - 196页,2000年。视图:谷歌学术搜索
2. Du和t .吴”,支持向量机回归,”Acta Simulata Systematica学报,TP18, CNKI:太阳:xtfz.0.2003 - 11 - 022, 2003。视图:谷歌学术搜索
3. 铃木s Inagaki t . Egami t h .中村和k .伊藤,“不干扰设备负载监控基于整数规划,“电气工程在日本,卷174,不。2、1386 - 1392年,2011页。视图:出版商的网站|谷歌学术搜索
4. 青木,m .馆、a .小岛和k .巨大“检测孤独高级的不规则状态学习和识别行为模式的基础上,“IEEJ卷,125年,第265 - 259页,2005年。视图:谷歌学术搜索
5. c . Laughman k·d·李·r·考克斯et al .,“先进的电力负荷,不干扰监测”IEEE电力和能源杂志2003年4月,页56 - 563。视图:谷歌学术搜索
6. g . j . Li Poulton g·詹姆斯,“基于代理的分布式能源管理”诉讼20澳大利亚联合会议上先进的人工智能卷,4830年,第578 - 569页,2007年12月。视图:谷歌学术搜索
7. g . j . Li Poulton g·詹姆斯,“协调分布式能源资源代理的,”应用人工智能,24卷,不。5,351 - 380年,2010页。视图:出版商的网站|谷歌学术搜索
8. y郭、李j .和g·詹姆斯,“进化优化的分布式能源资源”学报18澳大利亚联合会议上先进的人工智能卷,3809年,页1086 - 1091,悉尼,澳大利亚,2005年12月。视图:谷歌学术搜索
9. g . j . r . Li Li Poulton, g·詹姆斯,“基于主体优化电力负荷管理系统”学报第一国际研讨会在多代理系统优化,60 - 69页。Estoril名额数目,2008年5月。视图:谷歌学术搜索
10. g . James j . Li)和g . Poulton”设定值多智能体协调控制分布式能源负荷,建立最优”学报》第三届IEEE国际会议上自适应和自组织系统(SASO ' 09)271年,页265 - 2009年9月旧金山,加州,美国。视图:出版商的网站|谷歌学术搜索
11. g . j . Li Poulton、g·詹姆斯和y郭,“多个能源资源代理协调电价的基础上,“分布式能源》杂志上5卷,第120 - 103页,2009年。视图:谷歌学术搜索
12. g·w·哈特,“不干扰设备负载监控。”IEEE学报》,卷80,不。12日,第1891 - 1870页,1992年。视图:出版商的网站|谷歌学术搜索
13. s . b .里氏s r·肖和j·l·Kirtley“瞬态事件检测在不干扰谱包络估计负载监测,“IEEE电力交付,10卷,不。3、1200 - 1210年,1995页。视图:出版商的网站|谷歌学术搜索
14. m . c .摩天和t . s .芒森”,为大规模的支持向量机内点方法,“技术。众议员00-05计算机科学系,威斯康辛大学麦迪逊,威斯康星州,美国,2000年。视图:谷歌学术搜索
15. c . j . c . Burges”教程对支持向量机模式识别,”数据挖掘和知识发现,卷2,不。2、121 - 167年,1998页。视图:谷歌学术搜索
16. j·j·g . Toraldo,“绑定约束二次规划问题的算法,Numerische Mathematik,55卷,不。4、377 - 400年,1989页。视图:出版商的网站|谷歌学术搜索
17. o . l . Mangasarian和d . r . Musicant”,积极支持向量机classifiation,”先进的神经信息处理系统t·利恩,t . Dietterich诉Tresp, Eds。,卷。13,pp. 577–583, MIT Press, Cambridge, Mass, USA, 2001.视图:谷歌学术搜索
18. j·李,美国西部和g·普拉特,“权力分解基于支持向量机回归,”诉讼的第四届国际会议上造型,识别和控制(ICMIC 12)武汉,页1256 - 1261年,中国,2012年6月。视图:谷歌学术搜索
19. a . j . bijk x夏,j .张“有功功率住宅非侵入性的设备负载监控系统”IEEE AFRICON会议2009年9月,页1 - 6,。视图:出版商的网站|谷歌学术搜索
20. h。Chang K.-L。陈,Y.-P。蔡,W.-J。李”,对权力的一种新的测量方法签名的非侵入性的监视和载荷识别的需求,”第46届IEEE工业应用学会学报年会(IAS的11),页1 - 7,奥兰多,佛罗里达州,美国,2011年。视图:出版商的网站|谷歌学术搜索
21. 小野田t、h村田、g . Ratsch和K.-R。穆勒:“实验分析不同内核的支持向量机基于非侵入性的监视数据,”学报》国际神经网络联合会议(IJCNN ' 02),3卷,第2191 - 2186页,檀香山,夏威夷,美国,2002年。视图:谷歌学术搜索
22. r . Kadouche b Chikhaoui, b . Abdulrazak“用户行为研究预测,智能房子主人”《电信,卷65,不。9 - 10,539 - 543年,2010页。视图:出版商的网站|谷歌学术搜索
23. s . r . Gunn”为分类和回归支持向量机的工程、科学和数学学院的电子和计算机,南安普顿大学,1998。视图:谷歌学术搜索
24. g . l . Grinblat l·c·雅完人,h·a·Ceccatto和p . m . Granitto”解决非平稳的耦合upport向量机分类问题,“IEEE神经网络,22卷,不。1,37-51,2011页。视图:出版商的网站|谷歌学术搜索
25. j .梁s . k . k . Ng g·肯德尔和j·w·m·程”加载签名studypart我:基本概念、结构和方法,“IEEE电力交付,25卷,不。2、551 - 560年,2010页。视图:出版商的网站|谷歌学术搜索
26. m . Zeifman k·罗斯,“不干扰设备负载监控:回顾和展望”IEEE消费类电子产品卷,57号1,第84 - 76页,2011。视图:出版商的网站|谷歌学术搜索
27. j .精明的边缘检测的计算方法,“IEEE模式分析与机器智能,8卷,不。6,679 - 698年,1986页。视图:谷歌学术搜索
28. d . Demigny和t . Kamle离散表达式精明的标准步骤边缘检测器的性能评估,”IEEE模式分析与机器智能,19卷,不。11日,第1211 - 1199页,1997年。视图:谷歌学术搜索
29. f . Truchetet f . Nicolier o . Laligant,”亚像素边缘检测尺寸控制由人工视觉,”电子杂志的成像,10卷,不。1,第239 - 234页,2001。视图:出版商的网站|谷歌学术搜索
30. 一、皮塔饼、a . Venetsanopoulos“非线性滤波器在图像处理,”IEEE声学,演讲,和信号处理,34卷,不。3、573 - 584年,1986页。视图:谷歌学术搜索
31. A . Benazza-Benyahia j . c . Pesquet h .克里米亚,“非线性diffusion-based三级过滤器银行”IEEE信号处理信件,10卷,不。12日,第363 - 360页,2003年。视图:出版商的网站|谷歌学术搜索
32. m·a·舒尔茨“edge-enhancing非线性滤波器减少乘法噪声”非线性图像处理八世、e·r·多尔蒂和j . Astola Eds。卷,3026学报学报,页46-56,加州圣何塞,美国,1997年2月。视图:谷歌学术搜索
33. h·黄和r·a·哈达德”多级非线性滤波器边缘检测和噪声抑制,”IEEE信号处理,42卷,不。2、249 - 258年,1994页。视图:出版商的网站|谷歌学术搜索
34. o . Laligant和f . Truchetet非线性微分计划应用于边缘检测。”IEEE模式分析与机器智能,32卷,不。2、242 - 257年,2010页。视图:出版商的网站|谷歌学术搜索
35. l .江、罗s和j·李,“一个家庭电力设备监控基于机器学习的方法,”学报5智能计算技术与自动化国际会议上(ICICTA 12)2012年1月,页577 - 580。视图:谷歌学术搜索
36. t . joachim”,使得大规模的支持向量机学习实用,”LS8-Report多特蒙德大学,1998。视图:谷歌学术搜索
37. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
38. a . b .霁,j·h·庞和h . j .邱”分类基于模糊支持向量机的训练数据,”专家系统与应用程序,37卷,不。4、3495 - 3498年,2010页。视图:出版商的网站|谷歌学术搜索
39. 美国罗问:胡,x, j . Li j·s·金和m .公园,“自动肝实质从腹部CT图像,采用支持向量机分割”《IEEE / CME复杂的医学工程国际会议(ICME ' 09)p。10071年,坦佩亚利桑那,美国,2009年4月。视图:出版商的网站|谷歌学术搜索
40. l .江j·李、罗美国和美国西部,“权力的文献综述崩溃,”《IEEE国际会议模型识别和控制,38-42,2011页。视图:谷歌学术搜索
41. r . Debnath和h .高桥内核选择支持向量机”,IEICE交易信息和系统,E87-D卷,不。12日,第2904 - 2903页,2004年。视图:谷歌学术搜索

版权

版权©2012 Lei江等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。