论文部分内容阅读
【摘要】 新时期国民经济发展迅速,社会生活及生产对电能的质量提出新的要求。用电负荷的有效辨识可便于工作人员了解电力系统负荷实际构成,从而掌握电力负荷实时运行变化,实现电力系统科学监测。此外,对电力负荷的电能消耗分析,可实现电力系统的节能发展,为节省电能提供有效的数据支持,对构建节约型电网具有深远意义。传统电力负荷识别以人工方式支持,該方式实施监测效果不理想,故文章提出基于深度学习的用电负荷辨识方式,以此方式可灵活应对用电负荷发生的变化,可促进电网智能化进一步发展。
【关键词】 深度学习 用电负荷 辨识 方法
基于深度学习的监测网络,简称为深度置信网络,英文简称为(Deep Belief Network)DBN[1],将其应用到用电负荷的监测中,其结合神经网络框架,再配合图像识别、语音识别及电能质量扰动识别,可起到很好的电力负荷监测作用[2]。DBN经各个受限玻尔兹曼机及一层后向构成,受限玻尔兹曼机简称为RBM。DBN以对比散度算法为支持,先对首个RBM训练,使其获取初始特征,之后将此类的初始特征值作为训练的实际数据,对下一个RBM获取高级特征,延续此步骤,完成全部的RBM操作。之后,再根据反向传播算法,以科学监督方式对DBN进行调整。
一、基于深度学习的用电负荷辨识方法背景
电能是保证生产、交通、通信等各个行业稳定发展的基础,也是国家经济增长、科技进步的有力支撑。而电能质量也是电力用户和电网企业所关心的重点内容[3]。近年来,随着国家各县鼓励政策出台,国民经济的增长有达到新的高速。而社会发展对电能质量的要求也在逐年增加。提高电能质量成为电力企业发展所围绕的核心。针对多元化的电能质量问题,应积极展开电力负荷类型的相关研究,注重对家用电器、工业生产负荷的运行规律分析,掌握不同电力负荷运行的特征,构建典型的负荷特征数据库,为有效监测打下坚实基础[4]。文章以大数据及深度学习方式结合的思想,积极展开深度学习的电力负荷类型分类识别,以此掌握不同动态信号电压、电流波形特征,构建专业的电力负荷数据库,从而提取出可反馈电力负荷特征的量,优化工业电力负荷分类识别。
二、电力负荷
电力负荷包含电弧炉、电气铁路、光伏发电、冲压机等,大量生产及运输中存在大量非线性负荷,一些新兴能源,如太阳能、风能等,其能源接入电网中,也会导致电网中电压、电流信号出现更多畸变几率[5]。此外,空调、冰箱等家用电气升级,其技术上也多采用变频技术,导致居民用电中电力非线性负荷增多。非线性设备会导致设备自身产生过多的谐波,也导致电流自身出现不同程度的畸变。例如,在整流设备、变频装置当中,就会产生大量谐波电流,谐波电流的产生和电路自身非线性负荷有不可分割的联系。
三、基于深度学习的用电负荷辨识方法
3.1概述
对于当下工业生产当中,其设备电力负荷自动识别中的人工选择特征困难问题,为进一步提高负荷的有效识别,提高识别精度及效率,特引入深度学习的理念,以DBN技术支持对实时的电力负荷数据有效分类识别,DBN经各个受限玻尔兹曼机及一层后向构成,其结合神经网络框架,再配合图像识别、语音识别及电能质量扰动识别,可起到很好的电力负荷监测作用[6]。深度学习和传统的神经网络训练方式有诸多不同,深度学习主要采取分层预训练的机制,其可从海量的数据中探索有用数据,从而学习到更多的隐含特征,可解决人工神经网络在学习中容易受局部最优解的影响问题。
3.2受限玻尔兹曼机
受限玻尔兹曼机是DBN的重要构成,其英文为Restricted Boltzmann Machine,简称RBM,其由可见层和隐藏层共同构成,属于概率图的模型,各层神经元以权值相互连接。正常情况下,可见层的单元可描述出数据自身的外在特征,而对应的隐藏层单元则可作为特征提取层,具体的受限玻尔兹曼机模型如图1所示。图1中,V和H分别代表可见层和隐藏层的状态向量。受限玻尔兹曼机其层内没有连接,各层位置相互连接。若给定的可见层神经元状态,则各个隐藏层的神经元激活为条件独立,相反的,若给定隐藏层的神经元状态,则各个可见层的神经元激活为条件独立。Hinton教授(2002)提出的对比散度(Contrastive Divergence,CD)算法,该方式训练RBM的效果较理想,现已经成为训练受限玻尔兹曼机的标准化算法。
3.3深度置信网络
深度置信的学习网络,将各个不同的受限玻尔兹曼机采取堆叠的方式,在最后添加一个分类器,整体构成DBN。与此同时,还通过反向传播的算法(简称为BP)对网络进行微调。以三个受限玻尔兹曼机构成的DBN模型,如图2所示。
在实际训练中,将DBN从低到高进行排列,采取无监督模式支持开展独立训练各层受限玻尔兹曼机。训练以对比散度算法为支持,先对首个受限玻尔兹曼机进行训练,获取初始特征之后,将此类初始特征作为后续的训练数据依据,以此对下一个的受限玻尔兹曼机进行训练,使其获取高级特征,之后再对下一个受限玻尔兹曼机训练,以此类推,最终对所有的受限玻尔兹曼机都完成对应训练。上述的受限玻尔兹曼机经过无监督的特征学习之后,其连接上BP神经网络,利用类别标签数据及后向传播算法,实现对DBN的整体微调及分类处理。之后自网络参数中设置权值惩罚项目,避免出现权值过大、拟合等不良现象出现。
3.4以深度学习置信网络支持的电力负荷识别方案
在深度置信网络支持下开展电力负荷分类,其识别过程为:先将采集到的各个负荷数据划分为训练数据及测试数据,分成两类,二者比例为5:1,且训练数据及测试数据之间并不重叠。之后对数据进行预处理。可将得到的训练数据输入到DBN系统中,开展样本训练及特征提取,而后从输入的电网电流数据中对对各项负荷工作特征的信息进行提取,获取工作固有特征。DBN无明确的特征提取流程,但是其可以自动在数据中学习、获取到可以反馈出电力负荷的各项特征。在DBN模型训练完成之后,需将测试数据输入到网络内,测试该模型的实际性能,并结合各项类别标签,计算好分类识别的准确率,具体的实施流程如图3所示。 3.5负荷实验验证结果分析
为验证DBN模型的有效性,设计包含电气化铁路、中频炉、整流设备、冲压机等设备在内的负荷实验验证。将采集到的数据以设备自身的PC端软件对数据处理分析,之后得到具体的样本数据。PC端软件先对采样数据分解,获取时间、电流、电压等基本信息。之后在MATLAB仿真平台开展仿真分析,将数据转化为每行10周波,设置15000行数据。之后提取出单相的电流信号进行负荷识别。将每种负荷样本数据一行10周波、共10000点,设置15000x10000矩阵,选择其中2500条信号测试,剩余信号则作为训练数据训练。
得到最终结果为:
对8种负荷实验验证分析(包含中频炉、电气化铁路、整流设备、冲压机、注塑机、针织制造机、电动机+电焊机),采取快速傅里叶变换实施谐波分析,电流各个谐波量中,中頻炉第11、整流设备第5、冲压机第5次谐波分量较大。在由两个RBM构成的DBN实验中,发现首个RBM提取数据初始特征,第二个RBM提取数据中的高级特征,对两个RBM有训练,并且对DB系统进行稍微调整,其权重分析结果为:两个RBM预训练迭代次数达到300后,分类正确率将伴随DBN的调整次数变化,微调的次数越多,分类的正确率也就越高,在微调达到250次之后,其分离正确率基本趋于稳定。
三个RBM构成的DBN实验过程和两个RBM构成的DBN具有相似性,为进一步验证DBN系统的合理性,选择设置2层RBM网络,结构为10000-100-100-8,采取神经网络开展对比验证,实验结果如图5所示。
实验结果显示,采取DBN的电力负荷识别方式,其对8种工业电力负荷的识别效果突出,可推广应用。在使用2层RBM网络时候,对上述各种电力负荷的识别率已经达到98.53%,其中整流设备的识别率最为突出,可达到99.88%,究其原因,主要是和整流类设备自身负荷的谐波特征有直接联系。除此之外,冲压机其识别率达到99.88%,识别率也较为理想。而8中工业电力负荷识别中,识别效果最差的为搅拌机+电焊机,但是其识别率也达到了96.40%。
四、结束语
综上所述,文章提出一种基于深度学习的用电负荷辨识方法,通过具体的实验,发现该深度学习的用电负荷辨识方法其训练出来的DBN模型对电力负荷分类的识别效果途虎,虽然DBN自身无明显的特征选择及提取过程,但是其最终的电力负荷识别能力最为突出。基于DBN的负荷识别精度及为理想,通过DBN的学习训练,其可以避免传统神经网络容易出现局部最小值的问题,由此可见,深度学习方法可提高电力负荷分类识别的整体精度。
参 考 文 献
[1]陈卓, 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术, 2018, 047(001):39-41.
[2]吴润泽, 包正睿, 宋雪莹,等. 基于深度学习的电网短期负荷预测方法研究[J]. 现代电力, 2018, v.35;No.153(02):43-48.
[3]杨景刚, 邓敏, 马勇,等. 基于深度学习的PRPD数据特征提取方法[J]. 电测与仪表, 2020, v.57;No.728(03):104-109+120.
[4]华国玉, 任志, 曾文达,等. 一款基于深度学习的电力设备图像识别方法及巡查机器人:, 2019.
[5]吴钢, 王远, 付永旗,等. 基于深度学习的配电网电压问题诊断方法研究[J]. 电子设计工程, 2020, 028(009):98-102.
[6]周开乐, 郭志峰, 杨善林,等. 基于深度学习的电力负荷预测方法和系统,存储介质:, 2018.
【关键词】 深度学习 用电负荷 辨识 方法
基于深度学习的监测网络,简称为深度置信网络,英文简称为(Deep Belief Network)DBN[1],将其应用到用电负荷的监测中,其结合神经网络框架,再配合图像识别、语音识别及电能质量扰动识别,可起到很好的电力负荷监测作用[2]。DBN经各个受限玻尔兹曼机及一层后向构成,受限玻尔兹曼机简称为RBM。DBN以对比散度算法为支持,先对首个RBM训练,使其获取初始特征,之后将此类的初始特征值作为训练的实际数据,对下一个RBM获取高级特征,延续此步骤,完成全部的RBM操作。之后,再根据反向传播算法,以科学监督方式对DBN进行调整。
一、基于深度学习的用电负荷辨识方法背景
电能是保证生产、交通、通信等各个行业稳定发展的基础,也是国家经济增长、科技进步的有力支撑。而电能质量也是电力用户和电网企业所关心的重点内容[3]。近年来,随着国家各县鼓励政策出台,国民经济的增长有达到新的高速。而社会发展对电能质量的要求也在逐年增加。提高电能质量成为电力企业发展所围绕的核心。针对多元化的电能质量问题,应积极展开电力负荷类型的相关研究,注重对家用电器、工业生产负荷的运行规律分析,掌握不同电力负荷运行的特征,构建典型的负荷特征数据库,为有效监测打下坚实基础[4]。文章以大数据及深度学习方式结合的思想,积极展开深度学习的电力负荷类型分类识别,以此掌握不同动态信号电压、电流波形特征,构建专业的电力负荷数据库,从而提取出可反馈电力负荷特征的量,优化工业电力负荷分类识别。
二、电力负荷
电力负荷包含电弧炉、电气铁路、光伏发电、冲压机等,大量生产及运输中存在大量非线性负荷,一些新兴能源,如太阳能、风能等,其能源接入电网中,也会导致电网中电压、电流信号出现更多畸变几率[5]。此外,空调、冰箱等家用电气升级,其技术上也多采用变频技术,导致居民用电中电力非线性负荷增多。非线性设备会导致设备自身产生过多的谐波,也导致电流自身出现不同程度的畸变。例如,在整流设备、变频装置当中,就会产生大量谐波电流,谐波电流的产生和电路自身非线性负荷有不可分割的联系。
三、基于深度学习的用电负荷辨识方法
3.1概述
对于当下工业生产当中,其设备电力负荷自动识别中的人工选择特征困难问题,为进一步提高负荷的有效识别,提高识别精度及效率,特引入深度学习的理念,以DBN技术支持对实时的电力负荷数据有效分类识别,DBN经各个受限玻尔兹曼机及一层后向构成,其结合神经网络框架,再配合图像识别、语音识别及电能质量扰动识别,可起到很好的电力负荷监测作用[6]。深度学习和传统的神经网络训练方式有诸多不同,深度学习主要采取分层预训练的机制,其可从海量的数据中探索有用数据,从而学习到更多的隐含特征,可解决人工神经网络在学习中容易受局部最优解的影响问题。
3.2受限玻尔兹曼机
受限玻尔兹曼机是DBN的重要构成,其英文为Restricted Boltzmann Machine,简称RBM,其由可见层和隐藏层共同构成,属于概率图的模型,各层神经元以权值相互连接。正常情况下,可见层的单元可描述出数据自身的外在特征,而对应的隐藏层单元则可作为特征提取层,具体的受限玻尔兹曼机模型如图1所示。图1中,V和H分别代表可见层和隐藏层的状态向量。受限玻尔兹曼机其层内没有连接,各层位置相互连接。若给定的可见层神经元状态,则各个隐藏层的神经元激活为条件独立,相反的,若给定隐藏层的神经元状态,则各个可见层的神经元激活为条件独立。Hinton教授(2002)提出的对比散度(Contrastive Divergence,CD)算法,该方式训练RBM的效果较理想,现已经成为训练受限玻尔兹曼机的标准化算法。
3.3深度置信网络
深度置信的学习网络,将各个不同的受限玻尔兹曼机采取堆叠的方式,在最后添加一个分类器,整体构成DBN。与此同时,还通过反向传播的算法(简称为BP)对网络进行微调。以三个受限玻尔兹曼机构成的DBN模型,如图2所示。
在实际训练中,将DBN从低到高进行排列,采取无监督模式支持开展独立训练各层受限玻尔兹曼机。训练以对比散度算法为支持,先对首个受限玻尔兹曼机进行训练,获取初始特征之后,将此类初始特征作为后续的训练数据依据,以此对下一个的受限玻尔兹曼机进行训练,使其获取高级特征,之后再对下一个受限玻尔兹曼机训练,以此类推,最终对所有的受限玻尔兹曼机都完成对应训练。上述的受限玻尔兹曼机经过无监督的特征学习之后,其连接上BP神经网络,利用类别标签数据及后向传播算法,实现对DBN的整体微调及分类处理。之后自网络参数中设置权值惩罚项目,避免出现权值过大、拟合等不良现象出现。
3.4以深度学习置信网络支持的电力负荷识别方案
在深度置信网络支持下开展电力负荷分类,其识别过程为:先将采集到的各个负荷数据划分为训练数据及测试数据,分成两类,二者比例为5:1,且训练数据及测试数据之间并不重叠。之后对数据进行预处理。可将得到的训练数据输入到DBN系统中,开展样本训练及特征提取,而后从输入的电网电流数据中对对各项负荷工作特征的信息进行提取,获取工作固有特征。DBN无明确的特征提取流程,但是其可以自动在数据中学习、获取到可以反馈出电力负荷的各项特征。在DBN模型训练完成之后,需将测试数据输入到网络内,测试该模型的实际性能,并结合各项类别标签,计算好分类识别的准确率,具体的实施流程如图3所示。 3.5负荷实验验证结果分析
为验证DBN模型的有效性,设计包含电气化铁路、中频炉、整流设备、冲压机等设备在内的负荷实验验证。将采集到的数据以设备自身的PC端软件对数据处理分析,之后得到具体的样本数据。PC端软件先对采样数据分解,获取时间、电流、电压等基本信息。之后在MATLAB仿真平台开展仿真分析,将数据转化为每行10周波,设置15000行数据。之后提取出单相的电流信号进行负荷识别。将每种负荷样本数据一行10周波、共10000点,设置15000x10000矩阵,选择其中2500条信号测试,剩余信号则作为训练数据训练。
得到最终结果为:
对8种负荷实验验证分析(包含中频炉、电气化铁路、整流设备、冲压机、注塑机、针织制造机、电动机+电焊机),采取快速傅里叶变换实施谐波分析,电流各个谐波量中,中頻炉第11、整流设备第5、冲压机第5次谐波分量较大。在由两个RBM构成的DBN实验中,发现首个RBM提取数据初始特征,第二个RBM提取数据中的高级特征,对两个RBM有训练,并且对DB系统进行稍微调整,其权重分析结果为:两个RBM预训练迭代次数达到300后,分类正确率将伴随DBN的调整次数变化,微调的次数越多,分类的正确率也就越高,在微调达到250次之后,其分离正确率基本趋于稳定。
三个RBM构成的DBN实验过程和两个RBM构成的DBN具有相似性,为进一步验证DBN系统的合理性,选择设置2层RBM网络,结构为10000-100-100-8,采取神经网络开展对比验证,实验结果如图5所示。
实验结果显示,采取DBN的电力负荷识别方式,其对8种工业电力负荷的识别效果突出,可推广应用。在使用2层RBM网络时候,对上述各种电力负荷的识别率已经达到98.53%,其中整流设备的识别率最为突出,可达到99.88%,究其原因,主要是和整流类设备自身负荷的谐波特征有直接联系。除此之外,冲压机其识别率达到99.88%,识别率也较为理想。而8中工业电力负荷识别中,识别效果最差的为搅拌机+电焊机,但是其识别率也达到了96.40%。
四、结束语
综上所述,文章提出一种基于深度学习的用电负荷辨识方法,通过具体的实验,发现该深度学习的用电负荷辨识方法其训练出来的DBN模型对电力负荷分类的识别效果途虎,虽然DBN自身无明显的特征选择及提取过程,但是其最终的电力负荷识别能力最为突出。基于DBN的负荷识别精度及为理想,通过DBN的学习训练,其可以避免传统神经网络容易出现局部最小值的问题,由此可见,深度学习方法可提高电力负荷分类识别的整体精度。
参 考 文 献
[1]陈卓, 孙龙祥. 基于深度学习LSTM网络的短期电力负荷预测方法[J]. 电子技术, 2018, 047(001):39-41.
[2]吴润泽, 包正睿, 宋雪莹,等. 基于深度学习的电网短期负荷预测方法研究[J]. 现代电力, 2018, v.35;No.153(02):43-48.
[3]杨景刚, 邓敏, 马勇,等. 基于深度学习的PRPD数据特征提取方法[J]. 电测与仪表, 2020, v.57;No.728(03):104-109+120.
[4]华国玉, 任志, 曾文达,等. 一款基于深度学习的电力设备图像识别方法及巡查机器人:, 2019.
[5]吴钢, 王远, 付永旗,等. 基于深度学习的配电网电压问题诊断方法研究[J]. 电子设计工程, 2020, 028(009):98-102.
[6]周开乐, 郭志峰, 杨善林,等. 基于深度学习的电力负荷预测方法和系统,存储介质:, 2018.