Gizli Markov'a Dayalı Müdahalesiz Yük İzleme Yöntemi Araştırması
Jiang Weihua, Ma Linchao, Zheng Xianfeng
(Elektrik Mühendisliği Bölümü, Henan Teknoloji Enstitüsü, Xinxiang, Henan 453000)
Doğru, verimli ve büyük ölçekli tüketici durumu kod çözme elde etmek için, kod çözme işlemine anahtarlama seyrekliği ve sekans fizibilite kısıtlamalarını yerleştirmek için gizli Markov modelini kullanan bir izleme yöntemi önerilmiştir. Tek metreli ağaç ayrışımını birleştirerek, çevrimiçi kod çözmenin zaman karmaşıklığını bir polinoma indirgeyen hızlı bir dizi kod çözme algoritması önerilmiştir. Deneysel analiz sonuçları, hızlı sıralı kod çözme işleminin çok sayıda elektrikli cihazın durumunu çevrimiçi olarak verimli ve doğru bir şekilde izlemeyi mümkün kıldığını göstermektedir.
Gizli Markov; yük algılama; non-invaziv
Çin Kütüphanesi Sınıflandırma Numarası: TN80; TM74
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.05.024
Çince alıntı biçimi: Jiang Weihua, Ma Linchao, Zheng Xianfeng.Gizli Markov'a Dayalı İnvazif Olmayan Yük İzleme Yöntemi Araştırması.Elektronik Teknoloji Uygulaması, 2017, 43 (5): 98-101.
İngilizce alıntı biçimi: Jiang Weihua, Ma Linchao, Zheng Xianfeng.Gizli Markov'a dayalı müdahaleci olmayan yük izleme yöntemi üzerine araştırma.Elektronik Tekniğin Uygulanması, 2017, 43 (5): 98-101.
0 Önsöz
Çağdaş binalar, özellikle ticari binalar, çok sayıda ve çeşitli elektrikli cihazlara sahiptir, bu da elektrikli cihazların açık / kapalı durumunu izlemeyi çok zorlaştırır. Mevcut izleme yöntemleri kabaca iki kategoriye ayrılabilir: (1) yüksek doğrulukta durum izleme; (2) non-invaziv yük izleme (NILM). NILM'in ilk çalışmaları esas olarak kararlı hal enerji tüketimi geçişlerini kullanıyordu ve ana fikri, bireysel tüketicilerin hareketlerini tespit etmek ve enerji tüketim modellerinde meydana gelen sıçramalara yanıt vermekti. Bu nedenle, yalnızca istikrarlı ve sınırlı durumdaki tüketiciler için uygundur. Bundan sonra, zaman içinde sürekli değişen araçları tanımlamak için mutabakat analizi tekniği kullanıldı. Destek vektör makineleri, yapay sinir ağları, doğrusal dinamik modeller, örüntü tanıma, seyrek kodlama ve çeşitli denetimsiz öğrenme yöntemleri gibi son makine öğrenimi tekniklerinin NILM alanında uygulamaları vardır.
Bu makale, elektrikli cihazların anahtarlama durumunun zaman alanında oldukça ilişkili olduğu fenomenini yenilikçi bir şekilde uygulamakta ve çok metreli bir NILM sistemini incelemektedir. Doğru, verimli ve büyük ölçekli tüketici durumu kod çözme elde etmek için, anahtarlama seyrekliği ve sıra fizibilite kısıtlamalarını kod çözme sürecine yerleştirmek için gizli bir Markov modeli önerilmiştir Hızlı sıralı kod çözme, çok sayıda tüketicinin durumunu verimli ve doğru hale getirir. Çevrimiçi izleme mümkün hale gelir.
1 Sistem modeli
Binadaki elektrik şebekesi ağaç yapısına sahiptir. Güç yükü ağacının kök düğümü tüm binanın toplam anahtarına karşılık gelir, orta katman anahtar ve dağıtım kutusuna karşılık gelir ve yaprak düğümler terminal elektrikli cihazlara karşılık gelir. Güç yükü ağacında, bir düğümün toplam enerji tüketimi, düğümde bulunan alt ağaçta bulunan tüm elektrikli cihazların enerji tüketiminin toplamıdır. Akıllı sayaçlar ağacın herhangi bir düğümüne yerleştirilebilir.
1.1 İzleme modeli
N elektrikli aletin açık ve kapalı durumlarını izlemek için güç yükü ağacına m elektrik sayacı yerleştirildiğinde, her elektrik ölçer, altındaki tüm elektrikli aygıtların toplam enerji tüketimini gerçek zamanlı olarak izler. Tüm sayaçların eşzamanlı olarak çalıştığını varsayarsak, t zamanında, i sayacının izleme modeli aşağıdaki formülü izler:
1.2 Sıkıştırma izleme modeli
T anında N elektrikli aletin durumunun değişip değişmediğini gösteren bir vektör olsun. t'nin seyrekliği, örnekleme aralığının uzunluğu ve zamanı ile ilgilidir. Örneğin, sabah ve akşam geçiş zamanı daha sık ve sabahın erken saatlerinde daha seyrek meydana gelir. Bu nedenle, farklı zaman dilimlerinde karşılık gelen örnekleme aralığı uzunluğunu seçin, böylece elektrikli cihaz durumunun anahtarlama zamanlarının sayısı en fazla Ut olur, yani || t || 1 Ur, burada Ut küçük bir tamsayıdır ve Ut < < N.
Elektrik sayacının diferansiyel ölçümü yoluyla kod çözme problemi, L1 norm kısıtlamasıyla en küçük kare tahmini ile çözülebilir.
Gizli Markov modeline dayalı 2 dizi izleme algoritması
Gözlem yoluyla, tüketicinin durumunun geçişinin Markovian olduğu, yani t zamanındaki bir tüketicinin durumunun sadece t-1 zamanındaki durumla ilgili olduğu bulunmuştur. Durumu doğrudan gözlemlenemez, ancak akıllı sayacın toplam enerji tüketimi ölçülerek çıkarılabilir. Dolayısıyla, durum kod çözme problemi (10) bir Markov modeli ile şu şekilde ifade edilebilir: = (X0, At, B), burada X0 başlangıç durum dağılımıdır; At durum geçiş matrisidir ve B gözlem matrisidir.
At'ın zamana göre değiştiği düşünülürse, At ai, j, t = P (Xt = Sj | Xt-1 = Si), i, j (1, 2, ..., 2N) 'deki bir eleman t-1'de temsil edilir. Herhangi bir anda Si durumundan Sj'ye geçme olasılığı. B, j = P (Yt = vi | Xt = Sj) 'nin bi öğesi, vi gözlendiğinde Si olasılığını temsil eder, burada viV = {v1, v2, ..., vM} ve V, metrenin yapabildiği şeydir Elde edilen tüm farklı gözlemlerin kombinasyonu. Böyle gizli bir Markov modelinden, durum dizisi kod çözme problemi şu şekilde ifade edilebilir:
Soru 1: 1 ~ t zamanında m elektrik sayacının enerji tüketimi ölçüm değerleri verildiğinde: Y = {Y1, Y2, ..., Yt} ve gizli Markov modeli , N elektrikli cihaz X = {durum sırasını bulun X1, X2, ..., Xt}, böylece aşağıdaki koşullu olasılık en üst düzeye çıkarılır:
İlk kısıtlamada , bir akıllı sayacın kabul edebileceği maksimum ölçüm hatasıdır; ikinci kısıt, denklem (10) 'daki durum değiştirmenin seyrekliğini karakterize eder.
2.1 Hızlı sıralı kod çözme algoritması
Denklemdeki (11) gizli Markov modeli toplamda 2N duruma sahiptir ve sıra uzunluğu t'dir.En olası gizli diziyi hesaplamak için kullanılan geleneksel Viterbi kod çözme algoritması O (t22N) zamanını gerektirir, bu da N'nin büyük olduğu durumdur. Dayanılmaz.
2.2 Hızlı ileri arama stratejisi
2.3 Hızlı ters arama stratejisi
İleriye doğru arama yoluyla uygulanabilir bir xt durumu elde ettikten sonra, denklem (15) boyunca optimal bir yolun ağırlığını (xt) bulmak için bir geri izleme algoritmasının kullanılması gerekir. At durum geçiş modeline göre, xt'den bir öncü xt-1'e olan kenar ağırlığı aşağıdaki formülle hesaplanabilir:
3 Performans değerlendirmesi
Hidden Markov Modelinin NILM yöntemine dayalı olarak, aslına uygunluk oranının izleme doğruluğu üzerindeki etkisi araştırılır. Aslına uygunluk oranının etkisine odaklanmak için, sayaç gürültüsü , 0'a ayarlanır, bu nedenle tüm hatalar, kod çözmenin belirsizliğinden kaynaklanır. İzleme doğruluğu, aslına uygunluk oranı ve karşılık gelen maliyet tasarrufu oranı arasındaki ilişki Şekil 1'de gösterilmektedir. Bu sonuçlar, sıkıştırılmış durum izleme probleminin bazı ilginç özelliklerini göstermektedir. Maliyet tasarrufu oranı, aslına uygunluk oranının düşmesiyle yavaş yavaş yükselir ve aslına uygunluk oranı 0.6'dan az olduğunda doygunluk durumuna ulaşır. Aslına uygunluk oranı arttıkça izleme hatası hızla artar. İki eğrinin farklı eğilimleri, daha iyi aslına uygunluk oranlarına sahip, izleme hatalarının küçük olduğu ve 0.8'e 1 net oranlı alanlar için şekilde gösterildiği gibi, dağıtım maliyetlerinin çoğunun kurtarılabildiği alanlara işaret ediyor.
Yukarıdaki deneyler, tüm cihazların statik moda sahip olduğunu varsayar. PowerNet veri kümesindeki bir sonraki deney bu sınırlamayı aştı.
Öncelikle elektrikli cihazların enerji tüketim modunu belirleyin. Her tüketicinin 500 numune örneklemesinin istatistiksel analizi yoluyla, standart sapmasının ortalama değere oranı hesaplanır ve Şekil 2'de gösterilir. Elektrikli aletlerin% 75'inden fazlasının ortalama değerine standart sapmanın oranının 0,1'den az olduğu görülebilmektedir ki bu da elektrikli aletlerin enerji tüketiminin gerçekte yüksek derecede dinamik göstermediğini göstermektedir.
Çevrimiçi hesaplama için, bir tüketici açıldığında, enerji tüketimi statik değildir, ancak veri setindeki bir enerji tüketim yörüngesine uyar. Her sayaç, alt ağacındaki tüm elektrikli cihazların enerji tüketimini ölçer ve tüm elektrikli cihazların durumunu çözmek için bitişik 30 s okumalarının ortalama değerini kullanır. Hızlı sıralı kod çözme algoritmasının durum izleme performansı ile Viterbi algoritmasının karşılaştırması Şekil 3'te görülebilir.
Sayaç yerleştirme planını dikkatlice seçerek, kod çözme hatasının genellikle% 20'nin altında olması ve yüksek bir maliyet tasarrufu oranına sahip olması sağlanabilir, bu da çoklu ölçerin önerilen NILM çerçevesinin dinamik enerji tüketimi cihazlarının durum kod çözme işleminde büyük bir avantaja sahip olduğunu gösterir. potansiyel. Kod çözme hatasının nedenini dikkatlice inceledikten sonra, ana nedenin, bazı büyük elektrikli aletlerin açılma ve kapanma durumlarındaki değişikliklerin, küçük elektrikli aletlerdeki değişiklikleri kapsayacağı bulunmuştur. Böyle bir sorun, dağıtım planını iyileştirerek ve aynı anda farklı tüketicilerin ortalamasını ve varyansını dikkate alarak başarılabilir; bu, gelecekteki bir araştırma yönü olacaktır.
4. Sonuç
Bu makale, çok sayıda elektrikli cihazın açık ve kapalı durumlarını tespit etmek için bir dizi kod çözme çerçevesi sunar. Ana fikir, elektrikli aletlerin bazı temel özelliklerini kullanmaktır.Örneğin, elektrikli aletlerin enerji tüketim modu çevrimdışı olarak öğrenilebilir ve elektrikli cihazların anahtarlama durumunun kısa sürede geçişi seyrek olur. 2N durumlarını ayırt etmenin zaman verimliliğini artırmak için hızlı bir dizi kod çözme algoritması önerilmiştir. Deneysel sonuçlar, algoritmanın etkinliğini ve doğruluğunu doğrulamaktadır.
Bu çalışma bazı temel varsayımları içerir, örneğin, enerji tüketim modeli statiktir ve durum geçiş olasılığı bağımsızdır ve aynı şekilde dağıtılmıştır. Gelecekteki çalışmalarda, daha karmaşık enerji tüketimi modelleri ve daha etkili dağıtım algoritmaları düşünülebilir. Durum geçişi, elektrikli aletlerin süresinin dağılımını dikkate almak için örtük yarı-Markov modeline daha da genişletilebilir. Anlık sinyallerin tespiti, durum değiştirme zamanlamasını bulmak için kullanılabilir ve ilgili açma ve kapama olaylarının kombinasyonu, kod çözme doğruluğunu daha da geliştirebilir.
Referanslar
LAUGHMAN C, LEE K, COX R, ve diğerleri.Güç imza analizi.Power and Energy Magazine, IEEE, 2013, 1 (2): 56-63.
LEE K D, LEEB S B, NORFORD L K, et al. Harmonik içerikten değişken hızlı sürücü güç tüketiminin tahmini.Enerji Dönüşümü, IEEE İşlemleri, 2015, 30 (3): 566-574.
Liu Xiaoming, Rao Hui OGSA tabanlı Şebeke İş Yükü İzleme Sistemi Araştırması Çin Elektronik Bilim ve Teknoloji Üniversitesi Dergisi, 2007 (5): 824-826, 857.
PATEL S N, ROBERTSON T, KIENTZ J A, ve diğerleri.Bir anahtarla: Konut elektrik hattındaki benzersiz elektrik olaylarını algılama ve sınıflandırma Ubi-Comp 2007 İşlemleri: her yerde bulunan hesaplama. Springer, 2007: 271-288.
KOLTER J Z, BATRA S, NG A Y. Ayrımcı seyrek kodlama yoluyla enerji ayrıştırması Sinirsel Bilgi İşleme Sistemlerinde Gelişmeler, 2014: 1153-1161.
DONG R, RATLIFF L, OHLSSON H, ve diğerleri.Enerji ayrıştırmasına dinamik sistem yaklaşımı. Karar ve Kontrol Proceedings (CDC), 2013 IEEE 52nd Annual Conference on IEEE, 2013: 6335-6340.
SHAO H, MARWAH M, RAMAKRISHNAN N. Denetimsiz enerji ayrıştırmasına zamansal motif madenciliği yaklaşımı Konut ve Ticari Binalara Uygulamalar, AAAI İşlemleri, 2013.
PARSON 0, GHOSH S, WEAL M, vd. Genel cihaz türlerinin önceki modellerini kullanarak müdahaleci olmayan yük izleme. AAAI Bildirileri, 2012.
KOLTER J Z, JAAKKOLA T. Enerji ayrıştırmasına uygulama ile toplamsal faktöryel hmms'de yaklaşık çıkarım Uluslararası Yapay Zeka ve İstatistik Konferansı Bildirileri, 2012: 1472-1482.
PowerNet.Stanford PowerNet projesi. Http://powernet.stanford.edu/.2015.
