基于监督学习的非侵入式负荷监测算法比较

基于监督学习的非侵入式负荷监测算法比较

摘要

建立基于多层感知器( MLP) 神经网络、 k-近邻算法、逻辑回归、支持向量机的 4 种 NILM 分类模型,利用 BLUED 数据库对 4 种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别 速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。

结果表明, 4 种分类器中 MLP 神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。

引言

NILM:由 Hart 教授于 1982 年提出,通过监测用户端口处的用电信息,采用数学算法根据用户总体电功率分解得到各个用电设备的工作状态,进而分析各个设备的用电情况。

过往研究:

  • 应用动态模糊 C 均值聚类和 KNN 识别算法对家庭负荷进行识别,能够对低功率设备实现 90% 的识别准确率
  • 采用主成分分析法和 Fisher 有监督判别算法实现负荷识别,对运行机理不同的负荷分类效果较好,对运行机理相同的负荷进行区别则需要进一步探讨
  • 采用粒子群优化算法优化人工神经网络的训练参数,显著提高神经网络的识别准确性和计算效率
  • 利用弹性反向传播算法训练多层神经网络,通过训练所有可能的设备组合实现负荷分解,但随着设备种类增加,训练样本成指数型增加
  • 采用 SVM 对 1Hz 的采样信号进行负荷识别,识别了 95% 的电热负荷,对小功率电气识别效果不佳
  • 增加三次谐波作为负荷特征,采用遗传算法分解,精度高但是慢
  • 基于改进鸡群算法的负荷监测方法,速度慢,精度更高
  • 滑动窗双边积累和的无监督负荷投切事件检测算法,有效检测负荷投切事件,未对家庭负荷的投切进行单独测试
  • 利用均值漂移聚类算法和权重聚类算法实现了负荷特征提取,可用于建立 NILM 负荷特征数据库或负荷状态监测

无监督学习算法因使用无标记数据存在识别 精度不高的问题,因此通常应用于负荷投切事件检 测、负荷特征提取等环节。本文着重对基于监督学 习的 NILM 算法进行对比研究。

本文建立了 4 种具有代表性的监督学习分类算法,并对它们进行对比研究。

  • 首先,在负荷特征选取上,选用容易获取的智能电表提供的稳态电 流作为特征提取源,采用离散傅里叶变换 DFT( Discrete Fourier Transform) 对家庭负荷稳态电流进行谐 波分解,提取电流的奇次谐波作为负荷特征;
  • 其次,分别建立了多层感知器 MLP ( Multi-Layer Perceptions) 神经网络、 k-NN、逻辑回归 LR( Logistic Regression) 、 SVM 这 4 种分类模型;
  • 然后,利用卡内基 梅隆大学提供的 BLUED 数据库对 4 种分类器进行了训练和测试,对比分析了它们在识别精度、训练 时间、识别速度、抗噪性能等方面的表现
  • 最后,对其在 NILM 中的应用效果进行了总结。

基于 DFT 的负荷电流奇次谐波特征提取

  • 选取负荷电流作为特征提取源
  • 利用傅里叶变换进行负荷电流谐波分解
  • 取谐波幅值较大的谐波次数作为负荷特征

4 种监督学习分类算法模型

MLP 神经网络分类模型

  • 输入节点与样本负荷特征维数一致
  • 所需分类类别由标记类别的训练样本预先确定
  • 用于负荷识别的网络通常采用单隐层结构,4-60 个神经元
  • 激励函数:sigmoid
  • 代价函数采用正则化的交叉熵代价函数
  • 训练算法:反向传播

KNN 分类模型

采用 1/d 加权的 KNN 算法

LR 分类模型

逻辑回归

SVM 分类模型

支持向量机

NILM 监督学习算法的理论特点分析

  • 线性:LR
  • 非线性:MLP、KNN、SVM
  • 模型复杂:MLP
  • 结构简单:LR、SVM
  • 无需模型:KNN
  • 确定规模:KNN
  • 实时性:LR、SVM、MLP

NILM 监督学习分类算法性能对比分析

仿真测试环境

  • 数据库:BLUED
  • 仿真测试软件平台:MATLAB R2010a
  • 硬件:Intel i5-2410M 2.3GHz,4 GB RAM

识别精度对比分析

MLP、KNN、SVM 几乎能够对各类电气设备进行准确分类,LR 在冰箱、浴室顶灯和未知设备的识别上出现了较多错误。(线性 / 非线性)

训练及识别过程对比分析

MLP 神经网络收敛速度慢,但能获得较好的识别准确率。LR 能较快收敛于全局最优解,但通常识别准确率较低。KNN 直接计算样本类别,SVM 的参数优化问题转化为凸二次规划,收敛速度快。

KNN 基于实例,无训练时间。SVM、LR 快,MLP 慢。

MLP 仅能用于 NILM 离线训练方式,LR 和 SVM 在训练负荷样本较小时能在 NILM 装置中训练。

抗噪能力对比分析

从抗噪能力角度分析, SVM 在 NILM 中仅能用 于负荷电流噪声较低的场合,在高噪声环境下 SVM 的实时性将大幅度降低; 而 MLP 神经网络、 LR 和 k-NN算法在不同电流噪声水平下的识别时间比较 稳定,且 MLP 神经网络的识别准确率最优。

综合性能对比分析

# NILM

Comments

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×