基于多特征融合的非侵入式家用负荷实时识别方法及装置与流程

本发明涉及一种基于多特征融合的非侵入式家用负荷实时识别方法及装置，属于家用负荷监测与节能减排等技术领域。

背景技术：

家用负荷识别技术可分为两大技术路线，即侵入式与非侵入式。其中，侵入式需为每个设备安装计量仪表，具有测量数据准确，成本高，安装复杂，维护困难等优缺点。非侵入式则在用户供电入口安装计量仪表，成本低，易于安装，适合在线监测，但技术难度大，难以实时捕捉负荷事件。负荷特征是负荷内部独特电力消耗模式的表现，即负荷运行时的电气行为，这是实现识别负荷的关键。负荷特征进一步又可分为暂态特征与稳态特征两大类。参考文献[1]所述方法在较低采样率下，以设备稳态特征有功、无功二维特征平面为基础，对负荷进行分类识别；参考文献[2]则从用电负荷投入切除操作暂态功率波形特征入手，搜索与当前操作事件暂态波形相似度最高的负荷样本。此方法需要计算功率暂态波形相似度，因此要求高密度的功率值与大量匹配运算，导致“存储空间”占用大，“计算性能”要求高。另外，此方法抗负荷波动性较差，容易产生误检。随着负荷识别技术实用化需求日益增加，在算法设计时需同步考虑以下两大因素：负荷识别的准确率高；算法空间、时间复杂度低，运行实时性高。

参考文献：

[1]Hart,G W.Nonintrusi ve Appliance Load Moni toring[J].Proceedings of the IEEE,1992,80(12):1870-18910.

[2]高云，杨洪耕.基于暂态特征贴近度匹配的家用负荷识别[J].电力系统自动化，2013，9(37)：54-59.

技术实现要素：

针对上述负荷识别技术实用化过程中的问题，本发明的目的是提供一种基于多特征融合的非侵入式家用负荷实时识别方法，负荷识别准确度提高，同时合理低降低时间与空间复杂度。

本发明的技术方案为：一种基于多特征融合的非侵入式家用负荷实时识别方法，包括下述的步骤：

S1实时采集所监测环境入口处电压和电流数据；

S2根据S1所得实时信息，当有功值发生变化，且变化值大于预定阈值，则缓存有功值变化时刻之前与之后N个周期的电压和电流采样数据；

S3根据S2所缓存电压和电流采样信息，计算事件特征向量，所述事件特征向量包括有功增量、无功增量、电流总谐波含量、电流偶次谐波含量和负荷启停暂态电流变化窗口长度五个特征；

S4根据S3所得事件特征向量信息，过滤负荷特征数据库中样本，得到候选负荷样本子集；所述负荷特征数据库包括离线建立的各类家用负荷启停特征，所述各类家用负荷启停特征为所述事件特征向量的五个特征；

S5依次计算候选负荷样本与当前事件特征向量间的吻合度；

S6选取吻合度最高的设备结果，并与预设定的吻合度门限值比较，若大于预设门限值，则输出所识别的负荷种类，否则，输出为系统扰动。

在一个具体实施例中，S1实时采集所监测环境入口处电压和电流数据，并计算基本电参量，基本电参量包括有功、无功和周波长度。

在一个具体实施例中，S3和S4中有功增量和无功增量定义如下：

P_delta＝P_cur-P_pre (1)

Q_delta＝Q_cur-Q_pre (2)

其中，式(1)内P_delta为有功增量，P_cur为负荷启停操作后有功数值，P_cur为负荷启停操作前有功数值；式(2)内Q_delta为无功增量，Q_cur为负荷启停操作后无功数值，Q_cur为负荷启停操作前无功数值。

在一个具体实施例中，S3和S4中电流总谐波含量和电流偶次谐波含量定义如下：

RE_Δi＝abs(REcur_i-REpre_i)，(i＝1，…，M) (5)

IM_Δi＝abs(IMcur_i-IMpre_i)，(i＝1，…，M) (6)

其中，CHD_total为电流总谐波含量，CHD_second为电流偶次谐波含量；RE_Δi为负荷启停操作前后电流i次谐波实部均值变化量，IM_Δi为变化前后电流i次谐波虚部均值变化量；REpre_i为负荷启停操作前电流i次谐波实部均，IMpre_i为负荷启停操作前电流i次谐波虚部均，REcur_i为负荷启停操作后电流i次谐波实部均，IMcur_i为负荷启停操作后电流i次谐波虚部均；为第j个周波内i次谐波实部，为第j个周波内i次谐波虚部，N为参与电流谐波分析的周波数，M为电流分析最高谐波次数，abs为取绝对值操作符。

在一个具体实施例中，S3和S4中负荷启停暂态电流变化窗口长度定义为：

TWL＝(IDX_cur-IDX_pre)*MS_coeff (9)

其中IDX_cur为负荷启停操作后采样点索引值，IDX_pre为负荷启停操作前采样点索引值，MS_coeff为两个相邻功率点之间的时间常量。

在一个具体实施例中，S4所述负荷过滤方法为：若特征库中某设备存在一项或多项特征与S3所得特征值差值超过预设门限值，则将该设备过滤。

在一个具体实施例中，S5所述特征向量间的吻合度G定义如下式：

G_i＝1-|CS′_i-TS′_i| (14)

CS′_i＝CS_i/S_max (15)

TS′_i＝TS_i/S_max (16)

S_max＝max(CS_i,TS_i) (17)

其中，N＝5，为特征向量内特征数目，i分别对应所述事件特征向量的五个特征；W_i为第i个特征对应的权重；CS_i为当前事件特征向量内第i个特征值，TS_i为负荷特征数据库中某一样本第i个特征值。

本发明还提供一种基于多特征融合的非侵入式家用负荷实时识别装置，包括：

数据采样模块：用于实时采集所监测环境入口处电压和电流数据；

事件监测模块：用于根据数据采样模块所得实时信息，当有功值发生变化，且变化值大于预定阈值，则缓存有功值变化时刻之前与之后N个周期的电压和电流采样数据；

特征提取模块：用于根据事件监测模块所缓存电压和电流采样信息，计算事件特征向量；所述事件特征向量包括有功增量、无功增量、电流总谐波含量、电流偶次谐波含量和负荷启停暂态电流变化窗口长度五个特征；

样本过滤模块：用于根据特征提取模块所得事件特征向量信息，过滤负荷特征数据库中样本，得到候选负荷样本子集；所述负荷特征数据库包括离线建立的各类家用负荷启停特征，所述各类家用负荷启停特征为所述事件特征向量的五个特征；

负荷识别模块：用于依次计算候选负荷样本与当前事件特征向量间的吻合度，选取吻合度最高的设备结果，并与预设定的吻合度门限值比较，若大于预设门限值，则输出所识别的负荷种类，否则，输出为系统扰动。

本发明收益效果是：无需侵入用户家庭内部，便于安装改造。综合考虑负荷稳态、暂态特征，有效提高负荷识别准确度。对暂态特征以暂态时间长度与功率跃升替功率代波形比较，无需高密度的功率值与大量匹配运算。算法空间、时间复杂度低，运行实时性高。

本发明方法在保证负荷识别准确性的前提下，充分考虑实时性与低成本，为该技术后续实用推广打下坚实基础。

附图说明

图1本发明基于多特征融合的非侵入式家用负荷实时识别方法模块框图；

图2本发明基于多特征融合的非侵入式家用负荷实时识别方法流程图。

具体实施方式

为更清楚地说明基于多特征融合的非侵入式家用负荷实时识别方法，下面将结合附图展开进一步描述：

图1为基于多特征融合的非侵入式家用负荷实时识别方法模块框图，包括：

数据采样模块：负责按设定频率对所监测环境电压、电流数据采样；

数据处理模块：对电压、电流采样数据进行去噪处理，按设定周期计算基本电参量；

事件监测模块：实时监测家用负荷投入切除操作事件；

特征提取模块：提取投入切除操作事件的稳态、暂态综合特征向量；

样本过滤模块：根据所得事件特征向量信息，过滤负荷特征库中样本，减少后续识别模块工作量；

负荷识别模块：计算特征库中待选设备与当前事件特征向量吻合度，选取最优结果并与预设定的吻合度阈值比较；

事件记录模块：记录负荷别结果，为后续分类计量提供依据。

图2为基于多特征融合的非侵入式家用负荷实时识别方法流程图，包括以下步骤：

第一步，离线建立各类家用负荷启停特征数据库，特征数据库中包含：有功增量、无功增量、电流总谐波、电流偶次谐波，暂态间隔。

在一些实施方案中，所述有功增量、无功增量、电流总谐波、电流偶次谐波按如下公式(1)-(9)计算：P_delta＝P_cur-P_pre (1)

Q_delta＝Q_cur-Q_pre (2)

RE_Δi＝abs(REcur_i-REpre_i)，(i＝1，…，M) (5)

IM_Δi＝abs(IMcur_i-IMpre_i)，(i＝1，…，M) (6)

TWL＝(IDX_cur-IDX_pre)*MS_coeff (9)

其中，式(1)内P_delta为有功增量，P_cur为负荷启停操作后有功数值，P_cur为负荷启停操作前有功数值；

式(2)内Q_delta为无功增量，Q_cur为负荷启停操作后无功数值，Q_cur为负荷启停操作前无功数值；

式(3)，(4)内CHD_total为电流总谐波含量，CHD_second为电流偶次谐波含量；

式(5)，(6)内RE_Δi为负荷启停操作前后电流i次谐波实部均值变化量，IM_Δi为变化前后电流i次谐波虚部均值变化量。REpre_i为负荷启停操作前电流i次谐波实部均，IMpre_i为负荷启停操作前电流i次谐波虚部均，REcur_i为负荷启停操作后电流i次谐波实部均，IMcur_i为负荷启停操作后电流i次谐波虚部均。M为电流分析最高谐波次数，abs为取绝对值操作符；

式(7)，(8)内为第j个周波内i次谐波实部，为第j个周波内i次谐波虚部，N为参与电流谐波分析的周波数；

式(9)内TWL为负荷启停暂态电流变化窗口长度，IDX_cur为负荷启停操作后采样点索引值，IDX_pre为负荷启停操作前采样点索引值，MS_coeff为两个相邻功率点之间的时间常量。

第二步，实时采集所监测环境入口处电压、电流数据，并计算基本电参量；在一些实施方案中，所述基本电参量包括有功、无功、周波长度，周波长度为Fs/50，其中Fs为实际采样率。基本电参量计算频率为N周波，其中N为非零正整数；

在一些实施方案中，所述有功、无功按如下公式计算：

P＝UI sin(θ) (10)

Q＝UI cos(θ) (11)

其中，式(10)，(11)内P为有功，U为电压有效值，I为电流有效值，θ为电流相对于电压的初始相位差。

第三步，当第二步所得有功值发生变化，且变化值P_delta大于预定阈值P_threshold，则缓存有功值变化时刻之前与之后各N个周期的电压、电流采样数据，其中N为非零正整数。

第四步，根据第三步所缓存电压、电流采样信息，计算有功增量、无功增量、电流总谐波、电流偶次谐波；

在一些实施方案中，所述有功增量、无功增量、电流总谐波、电流偶次谐波按如公式(1)-(9)计算。

第五步，根据第四步所得事件特征向量信息，过滤负荷特征数据库中样本，得到候选负荷样本子集；

在一些实施方案中，所述负荷过滤方法为：若特征库中某设备存在一项或多项特征与第四步所得特征值差值超过预设门限值P％，则将该设备过滤。

第六步，依次计算候选负荷样本与当前事件特征向量间的吻合度；

在一些实施方案中，第六步所述特征向量间的吻合度G定义如下式12-17所示：

G_i＝1-|CS′_i-TS′_i| (14)

CS′_i＝CS_i/S_max (15)

TS′_i＝TS_i/S_max (16)

S_max＝max(CS_i，TS_i) (17)

其中，N为特征向量内特征数目(本实施例中N＝5，i分别对应有功增量、无功增量、电流总谐波、电流偶次谐波、暂态时间)；W_i为特征向量内第i个特征对应的权重，实际实施中应根据不同负荷的特征属性赋予不同权重值；CS_i为当前事件特征向量内第i个特征值，TS_i为特征库中某一样本第i个特征值。式15-17为对应单特征间的归一化操作。

第七步，选取吻合度最高的设备结果，并与预设定的吻合度门限值比较，若大于预设门限值，则输出所识别的负荷种类，否则，输出为系统扰动。

为了测试家用负荷实时识别算法的正确率，本发明利用已搭建的硬件平台对多种家电进行了测试实验，包括对定频空调、电水壶、电磁炉、电视机，对应负荷开启特征库如表1。

这里以电视机处于开的状态为例进行说明，测试时实际获取的电视机启动特征如下：{147w，-21var，14％，4.8％，20ms}，特征权重系数为：{0.5，0.2，0.1，0.1，0.1}，系统设定的特征过滤门限值为：8％，系统设定的吻合度门限值为0.9。首先，根据有功值140w可将表1所示特征库中“定频空调”，“电水壶”，“电磁炉”全部过滤，按照式(12)-(17)计算当前设备启动事件与电视机样本吻合度G等于0.969，本次设备启动操作正确识别为设备“电视机”。