本发明属于电负荷监测，具体涉及基于粒子群卷积网络的电流负荷分解方法。
背景技术：
1、在电流负荷分解领域，一种重要的技术是非侵入式负荷监测(nilm)。nilm是一种使用单个家庭电表读数的方法，通过分析电力数据的变化模式和特征，推断出各个电器设备的功耗贡献。nilm技术的关键在于识别和区分不同设备在总负荷中的功耗贡献，从而实现对电力数据的分解。
2、在负荷分解技术中，传统的方法包括基于统计模型、聚类分析和时序分解等。这些方法基于电力数据的统计特性和时序关系，通过建立模型或使用算法，将总负荷分解为各个设备的功耗贡献。
3、近年来，基于机器学习和深度学习的方法在负荷分解中取得了显著的进展。例如，基于深度学习的模型如卷积神经网络(cnn)、循环神经网络(rnn)和变换器(transformer)等，能够学习电力数据中的时序特征和设备关联性，从而实现准确的负荷分解。
4、此外，信号处理技术在负荷分解中也具有重要作用。通过滤波、频域分析和小波变换等技术，可以提取电力数据中不同设备的特征信号，实现负荷分解的目标。
5、非侵入式负荷监测方法、传统的统计模型和时序分解方法，以及基于机器学习和深度学习的模型。这些技术的应用可以实现对电力数据的分解，揭示各个设备的功耗特性，为能源供应商和用户提供准确的能源需求预测和优化策略，从而促进能源领域的可持续发展。
6、但是，由于电力系统中多设备混合运行，导致电流混叠问题；对此，上述方法的单独使用，会严重影响分解准确性和稳定性。
技术实现思路
1、本发明的目的是提供一种分解准确性高、稳定性好的基于粒子群卷积网络的电流负荷分解方法，以克服电力系统中多设备混合运行导致的电流混叠问题。
2、本发明提供的基于粒子群卷积网络的电流负荷分解方法，采用粒子群卷积网络的电流负荷分解模型，该模型具体包括：特征分解、数据转换、数据增强、数据合并以及电流分解估计模块。首先，特征分解模块使用iceemdan技术将电流信号分解为多个内在模态函数(imfs)，每个imf捕捉原始信号在不同频率范围内的特征；数据转换模块随后将这些imfs通过连续小波变换(cwt)转换为时频图像，为深度学习模型提供适宜的输入格式；数据增强模块通过clahe技术改善这些图像的对比度，增强局部特征的可识别性；数据合并模块将增强后的图像合并成一个多通道数据结构，使得cnn模型能够综合考虑所有imfs中的信息；最后，电流分解估计模块利用pso优化的cnn模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值；具体步骤为：
3、步骤1：数据采集和预处理；
4、通过部署电流传感器，以固定1khz采样频率采集1个插线板总线上的电流数据，以及多个分设备电流数据，采集时长为2h，利用滑动窗口的方法获得数据集；将数据集经过预处理操作，包括数据清洗和去噪，以确保数据的质量和准确性；然后对数据集进行洗牌操作，打乱数据的顺序，选择数据集的80％用于训练，20％用于测试。
5、步骤2：特征分解；
6、在这个阶段，使用改进的完整集合经验模态分解方法(iceemdan)来处理数据。iceemdan是一种基于经验模态分解(emd)的技术，它能够将复杂的信号分解为一系列简单的函数，这些函数被称为内在模态函数(imfs)。每个imf代表了原始信号在不同频率范围内的振动模式。这种分解有助于揭示电流信号中的多尺度特征，例如周期性波动、瞬时尖峰等。通过这种方式，我们可以从原始的电流数据中提取出四个代表不同尺度特征的imfs，为后续的分析和处理提供了更丰富的信息。
7、步骤3：数据转换；
8、在数据转换阶段，将预处理后的imfs转换为可以被深度学习模型处理的格式。具体来说，对每个imf应用连续小波变换(cwt)，将这些一维的时间序列数据转换为二维的时频图像。cwt是一种数学工具，它可以揭示信号在不同时间和频率下的局部特征。通过cwt，可以得到每个imf的时频表示，这些图像捕捉了原始电流信号中的瞬时特征，如突变和频率变化。这些时频图像为使用卷积神经网络(cnn)这类在图像识别方面表现出色的深度学习模型提供了适合的输入格式。
9、步骤4：数据增强；
10、数据增强阶段的目的是提高转换后的时频图像的质量，以便于cnn模型能够更有效地从中提取特征。在这个阶段，使用对比度限制自适应直方图均衡化(clahe)技术对cwt图像进行处理。clahe是一种先进的图像处理技术，它可以改善图像的局部对比度，特别是在图像的暗部或亮部细节不足的情况下。通过应用clahe，我们可以增强时频图像中的局部特征，使得cnn在后续的学习过程中能够更容易地识别这些特征。
11、步骤5：数据合并；
12、数据合并阶段的目的是将四个增强后的时频图像整合成一个单一的数据结构，以便于cnn模型进行处理。在这个阶段，我们将四个cwt图像合并成一个多通道图像或者一个高维数据张量。这样做的目的是让cnn能够同时考虑到所有四个imfs中的信息，从而进行更全面的特征提取和分析。合并后的数据结构是一个四通道的图像，其中每个通道对应一个增强后的cwt图像。
13、步骤6：电流分解的估计；
14、我们使用经过粒子群优化(pso)算法优化过的cnn模型来处理合并后的数据结构，并进行最终的电流特征提取和分析。pso是一种优化算法，它可以帮助我们找到cnn模型中的最优参数，如滤波器的数量、层的大小、激活函数的选择等。通过pso优化的cnn模型能够更准确地从合并后的时频图像中提取电流信号的特征，并最终输出电流的估计值或分类结果。
15、步骤7：设计损失函数和优化器；
16、采用huber损失函数，用于衡量生成结果与真实负荷之间的差异；优化器选择adam优化器。
17、步骤8：模型训练和参数更新；
18、使用预处理后的电流数据作为输入，将目标负荷作为训练的目标，通过反向传播算法计算梯度并更新模型参数，以最小化损失函数；在训练过程中，采用批量训练及滑动窗口训练的方式，随机选择一批滑动窗口内数据进行模型的更新和优化。
19、步骤9：模型测试和预测；
20、将测试数据输入到训练好的粒子群卷积网络的电流负荷分解模型中，进行前向传播操作，得到电流负荷的预测结果。
21、进一步地：
22、步骤1中所述数据采集的具体步骤为：
23、采集1个插线板总线和6个分设备上的电流数据，分别编号d0、d1、d2、…、d6；在采集电气数据时，从0时刻起，采集器开始采集，采集频率为1khz，采集时长为2h，对每一个设备来说，采集到的数据条目总数为7200000条；
24、使用滑动窗口法构造数据集，设置窗口大小为2000，滑动步长为31，前三条数据与最后一条数据为:[0,2000),[31,2031),[62,2062),…,[7198000,7200000)，对于每个设备，总共获得232195条数据，即每个设备的数据集矩阵格式为[232195,2000]，7个设备的数据集矩阵格式为[232195,7,2000]。将数据集以8:2的划分方式分为训练集和测试集，训练集的矩阵格式为[185756,7,2000],测试集的矩阵格式为[46439,7,2000]；这样就同时得到用来训练及测试模型的输入数据和计算loss的真实数据。
25、步骤1中所述数据预处理，包括：
26、(1)数据清洗：对采集到的原始电力数据可能包含的缺失值、异常值、重复值，进行数据清洗，以确保数据的准确性和一致性；具体包括：
27、(a)缺失值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)缺失，则使用相邻时间点的平均值进行填充，即:
28、
29、(b)异常值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)明显偏离其他时间点的取值范围，将其视为异常值；假设取值范围为[min,max]，则异常值处理公式如下：
30、如果p(t)<min或p(t)>max，则:
31、
32、(2)数据去噪：采用基于小波变换方法去噪，具体如下：
33、将电流数据应用于小波变换，将其转换到小波域中；对小波系数应用软阈值滤波，将幅值低于阈值的小波系数置零，保留幅值高于阈值的小波系数；对滤波后的频域表示进行逆小波变换，得到去噪后的电力数据序列。
34、步骤2中，在特征分解处理阶段，我们首先采用改进的完整集合经验模态分解方法(iceemdan)来处理原始电流信号。iceemdan是一种高级信号处理技术，它通过向信号中添加白噪声并应用经验模态分解(emd)来提取信号的内在模态函数(imfs)。每个imf捕获了原始信号在特定频率范围内的振动模式，这些模式是理解电流信号动态的关键。通过这种方式，我们能够将复杂的电流信号分解为若干个简单的组成部分，每个部分都可以独立分析。
35、数据流向从原始电流信号出发，经过iceemdan处理，得到一系列imfs。这些imfs随后会被用于连续小波变换(cwt)和对比度限制自适应直方图均衡化(clahe)等后续步骤，为深度学习模型提供了丰富的特征表示。
36、iceemdan的数学表达如下：
37、sk(t)＝s(t)+wk(t), (3)
38、其中，s(t)是原始电流信号，wk(t)是添加到信号中的第k个白噪声序列，sk(t)是噪声增强的信号。
39、接下来，对每个噪声增强的信号sk(t)进行emd分解，得到一系列imfs：
40、imfk,i(t),其中imfk,i(t)表示第k个噪声条件下的第i个imf。
41、最后，对所有噪声条件下的相应imfs取平均，以消除噪声的影响：
42、
43、这里，imfi(t)是最终的第i个imf，k是噪声序列的总数。
44、每个imf都揭示了原始信号在不同频率下的特征，为后续的特征提取和分析提供了基础。这些imfs将被进一步处理，以提取更深层次的信息并为最终的电流估计提供输入。
45、步骤3中，在数据转换阶段，我们对从数据预处理阶段获得的内在模态函数(imfs)应用连续小波变换(cwt)。cwt是一种强大的时间-频率分析工具，它能够揭示非平稳信号的局部特征。通过cwt，我们可以将每个imf转换为一个二维时间-频率表示，这为捕捉信号的瞬时特性提供了丰富的信息。这些二维表示不仅捕获了原始电流信号的动态变化，而且还保留了信号的时间分辨率，使我们能够观察到信号随时间变化的精细结构。
46、数据流向从imfs出发，通过cwt转换，生成了一系列的时间-频率图像。这些图像随后可以用于深度学习模型的训练，以提取和学习信号的特征。
47、cwt的数学表达如下：
48、
49、其中，cwti(a,b)是第i个imf的cwt系数，a是尺度参数，b是平移参数，ψ(t)是母小波函数。
50、这个转换过程不仅增强了信号的局部特征，而且还为后续的对比度增强提供了基础。通过cwt，我们能够将每个imf映射到一个更高维度的空间，这个空间捕获了信号的本质特征，并为后续步骤提供了必要的输入。
51、步骤4中，数据增强阶段是通过对比度限制自适应直方图均衡化(clahe)来提高连续小波变换(cwt)图像的对比度。clahe是一种先进的图像处理技术，它通过限制图像对比度的增强来改善图像的局部细节，特别是在那些对比度较高或较低的区域。这种方法不仅提高了图像的视觉质量，而且增强了模式识别算法能够检测到的特征的质量和数量，这对于后续的卷积神经网络(cnn)学习过程至关重要。
52、数据流向从cwt图像开始，经过clahe处理，得到对比度增强的图像。这些增强的图像将被用作cnn的输入，以便更有效地学习和识别电流信号的特征。
53、clahe的数学表达如下：
54、
55、其中，i代表原始的cwt图像，clip(·)是一个限制函数，用于将图像的像素值限制在一个特定的范围内，以避免过度增强。
56、clahe处理的关键步骤是将图像分割成小块，并对每块应用直方图均衡化。然后，对于每个小块的直方图，如果某个灰度级的像素数量超过了预设的阈值，这些超出的像素会被均匀地分配到其他灰度级，这样可以防止某些区域过度增强而失去细节；
57、clip_histogram(h,clip_limit)＝min(h,clip_limit)+redistribute_excess(h,clip_limit), (7)
58、其中，h是原始直方图，clip_limit是设定的阈值，redistribute_excess(·)是一个函数，用于将超出阈值的像素均匀地分配到其他灰度级。
59、通过这种方法，clahe增强了cwt图像的局部对比度，使得cnn能够更容易地识别和学习电流信号中的模式和特征。这为准确估计电流提供了一个更加丰富和细致的特征集。
60、步骤5中，在数据合并阶段，我们将四个经过对比度增强的连续小波变换(cwt)图像融合成一个统一的数据结构。这一步骤是为了准备一个综合的特征表示，以供卷积神经网络(cnn)进行学习和分析。每个cwt图像代表了原始电流信号在不同频率下的特征，通过合并这些图像，我们能够提供一个全面的信号表示，从而帮助cnn捕捉到更加复杂和细微的模式。
61、合并的数学表达可以用以下公式表示：
62、
63、其中，表示沿着一个新的维度堆叠操作，xmerged是合并后的数据结构，xcwt,i是第i个增强的cwt图像。
64、在这个过程中，每个cwt图像都被视为一个独立的通道，这些通道在合并后的数据结构中并行存在。cnn将能够通过其卷积层来处理这些通道，学习从不同imfs中提取的特征之间的复杂关系。这种方法不仅增加了模型的输入维度，而且丰富了模型能够利用的信息量。
65、通过这种多通道输入，cnn可以在训练过程中更有效地学习电流信号的特征，从而提高估计的准确性。
66、步骤6中，估计部分，我们利用粒子群优化(pso)算法来优化卷积神经网络(cnn)的超参数。cnn是由多个卷积层、池化层和全连接层组成的深度学习模型，它能够从合并后的数据结构中学习到电流信号的复杂特征。pso算法通过搜索超参数的最优组合来提高cnn模型的性能。
67、cnn的一个典型的训练过程可以用以下公式表示：
68、y＝f(w*x+b), (9)
69、其中，x是输入数据，w和b分别是cnn层的权重和偏置，f是激活函数，y是输出。
70、pso算法的更新规则可以用以下公式表示：
71、
72、
73、其中，是粒子i在时间t的速度，是粒子的位置，pbest,i是粒子i经历的最佳位置，gbest是全局最佳位置，w是惯性权重，c1和c2是学习因子，r1和r2是随机数。
74、通过pso算法优化的cnn模型能够更有效地处理合并后的数据结构，并提供准确的电流估计值。这个过程不仅涉及到模型结构的设计，还包括了超参数的优化，确保了模型能够在不同的数据集上都有良好的泛化能力。
75、步骤8中，所述模型训练和参数更新，具体为：对模型的参数进行随机初始化；选择huber损失函数作为衡量模型预测结果与真实负荷之间差异的指标，选择adam优化器进行参数更新；将训练集输入模型，计算损失函数并进行反向传播，通过优化器更新模型参数，重复该过程进行多轮训练。
76、本发明的有益效果在于：
77、本发明提供的基于粒子群卷积网络的电流负荷分解方法，包括：特征分解处理、数据转换、数据增强、数据合并以及电流分解估计。首先，特征分解模块使用iceemdan技术将电流信号分解为多个内在模态函数(imfs)，每个imf捕捉原始信号在不同频率范围内的特征。数据转换模块随后将这些imfs通过连续小波变换(cwt)转换为时频图像，为深度学习模型提供适宜的输入格式。数据增强模块通过clahe技术改善这些图像的对比度，增强局部特征的可识别性。数据合并模块将增强后的图像合并成一个多通道数据结构，使得cnn模型能够综合考虑所有imfs中的信息。最后，电流分解估计模块利用pso优化的cnn模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值。这对于电力系统的负荷监测、设备故障检测和能源管理具有重要意义。本发明为解决负荷分解问题提供了一种有效的解决方案，可应用于负荷管理、能源优化等领域。
1.一种基于粒子群卷积网络的电流负荷分解方法，其特征在于，采用粒子群卷积网络的电流负荷分解模型，该模型包括：特征分解、数据转换、数据增强、数据合并以及电流分解估计模块；特征分解模块使用iceemdan技术将电流信号分解为多个内在模态函数imfs，每个imf捕捉原始信号在不同频率范围内的特征；数据转换模块随后将这些imfs通过连续小波变换cwt转换为时频图像，为深度学习模型提供适宜的输入格式；数据增强模块通过clahe技术改善这些图像的对比度，增强局部特征的可识别性；数据合并模块将增强后的图像合并成一个多通道数据结构，使得cnn模型能够综合考虑所有imfs中的信息；最后，电流分解估计模块利用pso优化的cnn模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值；
2.根据权利要求1所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据采集的具体步骤为：
3.根据权利要求2所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据预处理，包括：
4.根据权利要求3所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤2中，在特征分解阶段，首先采用改进的完整集合经验模态分解方法iceemdan来处理原始电流信号；iceemdan通过向信号中添加白噪声并应用经验模态分解emd来提取信号的内在模态函数imfs；每个imf捕获了原始信号在特定频率范围内的振动模式，这些模式是理解电流信号动态的关键；通过这种方式，将复杂的电流信号分解为若干个简单的组成部分，每个部分都可以独立分析；
5.根据权利要求4所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤3中，在数据转换阶段，对从数据预处理阶段获得的内在模态函数imfs应用连续小波变换cwt，揭示非平稳信号的局部特征；通过cwt，将每个imf转换为一个二维时间-频率表示，这些二维表示不仅捕获原始电流信号的动态变化，而且还保留信号的时间分辨率，从而能够观察到信号随时间变化的精细结构；
6.根据权利要求5所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤4中，数据增强阶段是通过对比度限制自适应直方图均衡化clahe来提高连续小波变换cwt图像的对比度；clahe是通过限制图像对比度的增强来改善图像的局部细节，特别是在那些对比度较高或较低的区域；
7.根据权利要求6所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤5中，在数据合并阶段，将四个经过对比度增强的连续小波变换cwt图像融合成一个统一的数据结构；合并的数学表达用以下公式表示：
8.根据权利要求7所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤6中所述电流分解的估计，是利用粒子群优化pso算法来优化卷积神经网络cnn的超参数；卷积神经网络cnn是由多个卷积层、池化层和全连接层组成的深度学习模型，它能够从合并后的数据结构中学习到电流信号的复杂特征；pso算法通过搜索超参数的最优组合来提高cnn模型的性能；
9.根据权利要求8所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤8中，所述模型训练和参数更新，具体为：对模型的参数进行随机初始化；选择huber损失函数作为衡量模型预测结果与真实负荷之间差异的指标，选择adam优化器进行参数更新；将训练集输入模型，计算损失函数并进行反向传播，通过优化器更新模型参数，重复该过程进行多轮训练。
