基于特征排序向量内积的单通道多电器叠加电流信号分离方法与流程
本发明涉及一种基于特征排序向量内积的单通道多电器叠加电流信号分离方法。
背景技术：
对家用电器状态进行实时监测是实现远程故障预测与健康管理(prognosticsandhealthmanagement，phm)的关键，但目前住宅基本是只配备一个总电流传感器，无法直接采集各电器的独立电流信号。因此，如果需要对任意一个电器负荷进行监测，首先必须对多电器叠加电流信号进行分离，即解决单通道的信号分离问题。
单通道盲源分离属于极端的欠定问题，基于矩阵运算的常规盲源分离算法无法适用。为解决此问题，有学者使用随机矩阵来构造多通道信号，并利用独立分量分析(independentcomponentanalysis，ica)方法对电力信号实现有效分离。此类方法中构造的随机矩阵不符合实际物理信道模型，无法从仿真到实用。
也有学者采用不同的时频变换方法构造虚拟多通道观测信号，将单通道欠定转化为多通道正定，再结合pca或ica盲源算法实现分离。如chuanhe等对观测信号进行时延构造多通道观测信号，利用主成分分析(principalcomponentanalysis，pca)进行降维，最后通过ica对谐波和间谐波实现分离。如毋文峰等利用emd将单通道机械观测信号与其分解得到的多层固有模态函数构成多维信号，再利用fast-ica方法对信号实现有效分离。此类方法由于缺乏对信源的统计特性，针对电器状态分离时，效果并不理想.且采用emd等方法进行多通道观测信号重构的过程存在运算时间长、易出现模式混合、边缘效应等一系列问题。
家用电器在有限的控制模式下工作电流有极强的统计重复性，可以采用适当的特征变换构造非“开-关”态的多元隐含状态模型以及控制模式对应的状态-时序模型。本发明在对各电器工作特性进行大量统计分析的基础上，提出采用特征排序向量内积的主成分筛选法对叠加信号进行半盲分离。
技术实现要素：
本发明要解决的技术问题是针对多个电器的叠加电流如何逐一分离各电器电流的问题。
为了解决上述技术问题，本发明采用的技术方案是，基于特征排序向量内积的单通道多电器叠加电流信号分离方法，
设家庭内部共有m个电器，每个电器包含nk种工作状态，nk为正整数，不同电器nk会存在差异，记为smi(t){m＝1，2，...，mi＝1，2，...，i}；如果所有电器都处于工作状态，则观测信号x(t)应为m个电器中的每个电器的某种状态的组合，其与源信号之间的关系如下：
式(1)中km表征电器m的开/关状态，km＝{0，1}，由于家庭内部无中间传感器，故权值系数am＝1；v(t)为噪声信号；即可得到式(2)：
记各电器对应的工作状态smi(t)的fft变换为smi(k)，噪声v(t)的fft变换为v(k)，观测信号x(t)的fft变换为x(k)，下式中n为fft点数；
将式(2)-(4)代入式(5)可得：
由式(6)的推导可知：观测信号x(t)的频谱x(k)的主成分必然来自于某一个或几个信号源；
本方法利用此线性叠加性质进行单通道盲源分离，包括以下步骤：
步骤1：对电器工作电压电流进行采样，采用跟踪电压基频的方式采样，即保证一个工频周期为128或256点；如果非跟踪采样，则采样率选择大于10khz以上频率，并对采样数据进行降采样，将采样频率降至6.4khz；初始化，并置i＝1，m＝1；输入电压信号u＝[u0，u1，...，un-1]及m种电器的叠加电流信号x＝[x0，x1，...，xn-1]，此处n代表工频周期的点数；波形的截取以电压信号为参考基准，即以最靠近采样起始时刻的第一个正向过零点作为0时刻，以下的盲源分离步骤是针对单周期进行的；
步骤2：对x进行n点fft变换，将0～(n/2-1)次谐波含量组成向量f＝[c0，c1，...，cn/2-1]；把谐波幅值排名前k1所对应的向量元素置1，其余元素置0，得到特征排序向量f；k1取值范围为15～30；
步骤3：计算特征排序向量f与各标准状态样本sj所对应的特征排序向量fj的内积dj＝<f，fj>；
步骤4：判断dj最大值对应的状态个数number1；若number1＝1且对应状态id号为j，则提取j对应的标准状态波形为主分量，即pi＝sj；若number1＞1，则首先选择各电器内积排名前k2名所对应的标准状态sj作为待选主分量，k2取值范围为1～3；然后判断状态sj的基波幅值a(sj)是否满足a(sj)≥a(x)/(mon-m+1)anda(sj)≤a(x)，若满足，保存标准状态sj，若不满足，剔除坏点；最后判断满足上一步的标准状态个数number2，若number2＝1，提取此状态id号对应的标准状态波形为主分量，即pi＝sj；若number2＞1，则计算各状态sj所对应的谐波幅值排名k1的谐波能量
步骤5：分别求取叠加电流信号x和主分量pi的周波最大值所对应的时间点位置，记为tx和
步骤6：判断m是否满足m≤mon，其中mon为开启电器种类；若m＞mon，进入下一步；若m≤mon，i＝i+1，x＝em，m＝m+1，返回步骤(2)；
步骤7：判断残差em的平均功率
本发明的有益效果是：
对于现有的家庭均为一个智能电表进行电能监测的状况，无法对独立电器状态进行监控。采用本发明的方法可以在不增加电流传感器的情况下实现对每一个电器的状态监控。该方法和传统的ica等盲源分离方法相比，分离正确率高，且运算开销较小，实时性较好。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例的实测三电器叠加电流信号的时域波形(完整图)。
图2是本发明实施例的实测三电器叠加电流信号的时域波形(细节图)。
图3是本发明实施例的k1不同取值的实验结果。
图4是本发明实施例的实测三电器叠加电流信号的分离结果。
图5是本发明实施例的对比方法——使用emd+fastica方法对实测三电器叠加电流信号的分离结果。
具体实施方式
各电器控制模式下的工作电流为有限稳态和瞬态波形的排列组合，区别在于各模式对应的状态的组合顺序和维持时间(即状态-时序)不同。通过离线学习，提取各电器的状态特征，建立状态标准样本库。基于各电器状态库，实现基于特征排序内积的主成分筛选分离算法。具体方法如下：
设家庭内部共有m个电器，每个电器包含nk种工作状态，nk为正整数，不同电器nk会存在差异，记为smi(t){m＝1，2，...，mi＝1，2，...，i}；如果所有电器都处于工作状态，则观测信号x(t)应为m个电器中的每个电器的某种状态的组合，其与源信号之间的关系如下：
式(1)中km表征电器m的开/关状态，km＝{0，1}，由于家庭内部无中间传感器，故权值系数am＝1；v(t)为噪声信号；即可得到式(2)：
记各电器对应的工作状态smi(t)的fft变换为smi(k)，噪声v(t)的fft变换为v(k)，观测信号x(t)的fft变换为x(k)，下式中n为fft点数；
将式(2)-(4)代入式(5)可得：
由式(6)的推导可知：观测信号x(t)的频谱x(k)的主成分必然来自于某一个或几个信号源；此外，对于其它具有线性变换特性的特征，也可作为分离特征；本实施例利用此线性叠加性质进行单通道盲源分离。
算法实现步骤如下：
步骤1：对电器工作电压电流进行采样，采用跟踪电压基频的方式采样，即保证一个工频周期为128或256点；如果非跟踪采样，则采样率选择大于10khz以上频率，并对采样数据进行降采样，将采样频率降至6.4khz；初始化，并置i＝1，m＝1；输入电压信号u＝[u0，u1，...，un-1]及m种电器的叠加电流信号x＝[x0，x1，...，xn-1]，此处n代表工频周期的点数；波形的截取以电压信号为参考基准，即以最靠近采样起始时刻的第一个正向过零点作为0时刻，以下的盲源分离步骤是针对单周期进行的；
步骤2：对x进行n点fft变换，将0～(n/2-1)次谐波含量组成向量f＝[c0，c1，...，cn/2-1]；把谐波幅值排名前k1所对应的向量元素置1，其余元素置0，得到特征排序向量f；k1通常取值范围为15-30；
步骤3：计算特征排序向量f与各标准状态样本sj所对应的特征排序向量fj的内积dj＝<f，fj>；
步骤4：判断dj最大值对应的状态个数number1；若number1＝1且对应状态id号为j，则提取j对应的标准状态波形为主分量，即pi＝sj；若number1＞1，则首先选择各电器内积排名前k2名所对应的标准状态sj作为待选主分量，其中针对不同电器，k2的取值存在差异，k2通常取值范围为1-3；然后判断状态sj的基波幅值a(sj)是否满足a(sj)≥a(x)/(mon-m+1)anda(sj)≤a(x)，若满足，保存标准状态sj，若不满足，剔除坏点；最后判断满足上一步的标准状态个数number2，若number2＝1，提取此状态id号对应的标准状态波形为主分量，即pi＝sj；若number2＞1，则计算各状态sj所对应的谐波幅值排名k1的谐波能量
步骤5：分别求取叠加电流信号x和主分量pi的周波最大值所对应的时间点位置，记为tx和
步骤6：判断m是否满足m≤mon，其中mon为开启电器种类；若m＞mon，进入下一步；若m≤mon，i＝i+1，x＝em，m＝m+1，返回步骤(2)；
步骤7：判断残差em的平均功率
实验及分析
鉴于瞬态必然出现在两个不同稳态之间的特性，只需对稳态叠加波形进行分解，即可通过状态拼接和时序判断获得完整分离波形。则本实施例重点讨论单周波稳态的分离。
1实验数据
分别采用半仿真数据和全实测数据对本实施例所提分离算法进行验证。具体如下：
(1)半仿真数据是指利用传感器分别采集各电器的电压、电流信号，对各电器实测数据进行叠加得到混合信号。选取立柜式空调、微波炉、洗衣机各一型为测试对象，将立柜式空调的五类稳态、微波炉的三类稳态、洗衣机的两类稳态类别id号统一编号为1-10，从各类稳态测试样本库中随机选取10个样本进行组合交叉验证实验，即共进行10*5*3*2＝300次加混及分离实验。
(2)全实测数据是指仅通过单传感器监测多电器总的电压、电流信号。选取挂壁式空调、微波炉、台式电脑各一型作为测试对象，利用单传感器采集三种电器同时运行时的电压、电流信号。将挂壁式空调的五类稳态、微波炉的三类稳态、台式电脑的两类稳态类别id号统一编号为11-20。图1、2为实测的三种电器的混合信号时域波形。图1所绘波形包含微波炉中火加热90s的完整运行过程，图2为373.75-374.5s时间段内三种电器叠加的时域波形。首先对上述完整运行波形进行自动分期得到三段稳态波形，并用本实施例所提分离算法依次对各段稳态进行波形分离。从每段稳态波形中截取周波数据建立测试样本库。并从每段稳态的测试样本库中各随机选取50组数据，共3*50＝150组测试样本进行分离实验。
2分离结果及分析
设置样本长度n＝128，电器种类mon＝3，时间差阈值δ＝0.0003，残差功率阈值threshold＝2.5(此值为所有稳态中心样本平均功率的统计最小值的1/2)。
(1)k1及k2的选取
作为本实施例所提算法中两个重要参数-谐波幅值排序名次k1及特征向量内积排序名次k2。通过对各电器不同状态样本谐波含量的统计分析，并选取不同的k1值对上述半仿真测试样本进行组合交叉实验，结果如图3所示。由图3可知：当k1选取为20时，分离准确率达到96％，则最终确定k1＝20。此外，通过大量统计分析确定k2，即针对空调，k2＝3；针对微波炉和台式电脑时，k2＝1。
(2)半仿真数据分离结果及分析
表1为其中一组测试样本进行组合交叉实验结果。由表1可见：30组不同源信号加混分离得到的估计信号id与源信号id完全吻合，分离准确率为100％，且分离的三个主分量与各源信号的相关系数均高于0.9，表明三类电器叠加信号得到了很好的分离。此外半仿真情况下300次加混及分离实验的总平均准确率为96％，验证了本实施例所提算法对半仿真情况下三类电器分离的有效性。注：表1中a：空调的状态id；m：微波炉的状态id；w：洗衣机的状态id；y1～y3：分离的三个主分量对应的状态id；ρ1～p3为主分量与源信号的相关系数。
表1其中一组测试样本实验结果
在实验过程中存在误分离的情况，表2即为其中一组测试样本误分离结果。由表可见空调源id为2的状态被误分为状态3；微波炉源id为7的状态被误分为状态6，空调源id为10的状态被误分为状态9，究其原因是由于状态2与3间电流幅值接近，且各自提取的特征排序向量与混合样本的内积数值接近，从而导致在上述分离算法步骤4的判定过程中的运算出现错误；此外由于在数据采集过程中噪声干扰导致测试样本的波形及特性发生波动，即存在野点使其分离判定过程中设定的判定条件失效，引起误分。
表2测试样本误分离实验结果
(3)全实测数据分离结果及分析
图4为其中一段稳态中的周波混合信号的分离结果。图中得到分离信号1-3与各独立源信号的波形及频谱一致，且结合表3可见三个分离信号与各自独立源信号的相关系数分别为0.9997、0.9990、0.9741，综上表明实测混合信号得到了有效分离。利用本实施例分离算法对150组测试样本进行分离实验，准确率为90％，验证了本实施例所提分离算法对全实测数据的适用性。
表3使用本实施例方法得到的分离信号与各源信号的相关系数
综上所述，针对半仿真及全实测两种测试环境下，本实施例所提出的基于特征排序向量内积的主成分筛选法均取得了有效分离，此外，为对比本实施例所提分离方法，使用emd+fastica对上述全实测混合信号进行分离实验，结果如下图5所示，表4为分离信号与各源信号间的相关系数，对比图5中波形及频谱可见：分离信号与源信号未得到有效匹配；且由表4可见分离信号与源信号的相关系数数值较低，表明emd+fastica方法未能有效分离实测混合信号，此外由于emd分解过程中存在求取极值点、三次样条插值等复杂运算，则该方法的程序运行时间为14.08s，而本实施例所提分离算法的运算时间仅为0.25s，分离速度更快且分离精度更高。
表4分离信号与各源信号的相关系数
4总结
为解决多电器叠加电流信号的单通道盲源分离问题，本实施例基于电器的多元隐含状态模型提出采用特征排序向量内积的主成分筛选法进行半盲分离。对单通道观测信号进行fft变换，按谐波次数为向量分量序号，将频谱含量为前k名所对应的分量置1，其余置0，从而得到观测信号的特征排序向量。计算其与标准状态特征库中各特征排序向量的内积，按内积最大原则进行逐层提取源信号。结果表明：该方法可以实现对多电器工作状态的快速、准确分离，可广泛应用于远程故障判断等领域。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！