本发明提供一种电力信号非侵入式负载分解方法，属于物联网数据分析
技术领域：
：。
背景技术：
：：针对家庭用电器的负载分解问题，现有技术包括文献[1](c.m.ho,w.k.lee,andy.s.hung,“signaturerepresentationofundergroundcablesanditsapplicationstocablefaultdiagnosis”.in:proc.ofieeeint.conf.onadvancesinpowersystemcontrol,operationandmanagement.dec.1993,pp.861-865.)记载的echoresonance(erlm)技术、文献[2](g.p.hanke,andd.very,“electricloadmonitoringandcontrolinthedomesticenvironment”.in:proc.ofieeeconf.oninstrumentationandmeasurementtechnology,vol.2,may1994,pp.560-562)记载的负载注册(sulr)方法，其中，erlm技术基于信号分析和信号响应来进行家庭电力负载分解，sulr方法基于网络残差，上线负载注册的方法来进行家庭电力负载分解，这两种方法的时间消耗过大。文献[3](e.tapia,s.intille,andk.larson,“activityrecognitioninhomesettingusingsimpleandubiquitoussensors”.in:ferscha,a.,mattern,f.(eds)pervasive2004.lncs,vol.3001,pp.158-175.springer,heidberg(2004))和文献[4](e.tapia,s.intille,l.lopez,andk.larson,“thedesignofaportablekitofwirelesssensorsfornaturalisticdatacollection”.in:fishkin,k.,schieleb.,nixon,p.,quingley,a(eds).pervasive.lncs,vol.3968,pp.117-134.springer,heidelberg,2006.)使用的是低消耗的侵入式设备部署方式，侵入式的方式拓展性不高，两户用电器使用相同用电器的可能性不高，难以实现高效准确地对家庭用电器负载进行分解。技术实现要素：为了克服上述现有技术的不足，本发明提供一种家庭电力信号非侵入式负载分解方法，采用时序数列边缘检测算法和时序数列特征提取方法，可以高效准确地对家庭用电器负载进行分解。由于各个厂商之间硬件配置不同，难以制造统一接口来连接所有用电器，因此一整套的侵入式家庭用电检测系统费用高昂。本发明能够通过使用有限的智能插座，使用户不需要接受高昂额外的花费来购买侵入式的家庭用电检测系统。本发明提供的技术方案是：一种电力信号非侵入式负载分解方法，可实现对家庭用电器负载进行高效准确的分解；包括如下步骤：a.数据选取和预处理，实现方法为：首先在读入用电器数据的时候，需要做一定预处理，包括：1.清理极端数据，2.由于数据收集时往往是独立收集，可能处于不同的时间段和时间周期上，因此需要对线路总出口和各个用电器在时间上对齐，3.对用电器数据进行插值，补全数据；b.进行时序数列边缘检测，得到用电器用电的阶跃值；图1所示为进行边缘检测的方法流程；具体执行如下操作：b1.顺时间序列查找用电器功率数值序列的变化，当变化值大于设定用电器功率值(如20w)时，标记此用电器在该时间节点为潜在“可变点”，而在该时间点之前的时间点因为功率的变化平稳，波动较小，称为“平衡点”，计入一次可能的状态变化(转化)，但是否是真实的“可变点”，还需继续检验，检验方法如b2步骤所示；b2.由于数据的极端性存在的可能性(例如由于家电故障或数据错误，家电的功率值持续上下浮动)，在某些情况下，功率的突变会在数秒内继续波动，无法达到平衡状态，这种变化不被认为是阶跃，只有当状态变化的时间持续指定时间以上，我们才认为这是一个有效的状态变化，该指定的时间长度称为最小平稳长度，即说明该时间范围内，该用电器经历了连续一段时间的平稳期，才可认为用电器在最近的一个可变点发生了阶跃。记录该“可变点”，检测方法如下：平稳长度计数器初始化为零；若在“可变点”之后进行平衡点的查找，每记录一个平衡点，平稳长度计数器加1，当遇到前后时间点的用电器功率数值数据残差大于给定值(这里的目的是检测变化是否平稳，对于变化值的容忍度一般小于可变点检测的阈值如20w)，则记该时间点为非平衡点，平稳长度计数器重新归零。b3.设置有效状态变化的最小平稳长度；计算可变点前后时刻该用电器用电的功率差值，作为阶跃值；c.用电器时序数列特征提取，得到用电器在总出口的“电器指纹”：c1.时序数列特征分类；时序数列特征包含三种，对应的三种特征提取的方法分别为：a.距离特征，即区间中每个值到当前序列最大值的距离或到当前序列最小值的距离:距离特征包括两个值，即用电器当前功率值到时间滑动窗口内的能量消耗的最大值dm(t)的距离和当前值到时间滑动窗口内的能量消耗的最小值dm(t)的距离，距离特征表现了当前值的属性：是否是该时间滑动窗口的最大值、最小值或者其他。例如，1，2，4，5，6，7，8，0，2，5最小距离特征(距离最小值0的距离)分别是7，6，5，4，3，2，1，0，1，2。b.差分特征，即时间滑动窗口中的时间差分特征：差分特征采用时间序列中相邻的两个用电器功率数值相减来表示，以此更好地表示两个时间序列值的差值关系，这个特征有一个巨大的优势是它消除了时间序列中的基础能量值，只保留了两个序列的差，使得两个处于不同数量级的时间序列能够通过相减计算距离。c.能量比特征。可以让分类结果更加着重于能量消耗的趋势：能量比特征采用时间序列中相邻的两个数据之间进行相除来表示，以此更好地表示两个时间序列值的比例关系。设用电器功率时间序列为[a1,a2,a3,a4,a5,a6,a7]，则能量比特征为c2.数据对齐：利用时间窗口为用电器数据和家庭总出口处的功率数据进行对齐，当检测到用电器或者总出口数据发生变化时，以当前时间为中心，向两侧时间构造时间窗口，在时间窗口中寻找最匹配的时间子序列(利用动态时间规整距离或者欧式距离的方法求最短距离，以欧式距离为例：设两个用电器功率时间序列分别为a＝[a1,a2,a3,a4,a5,a6,a7],b＝[b1,b2,b3,b4,b5,b6,b7,b8,b9,b10,b11]d(a,b)代表a，b两个等长时间序列之间的距离md(a,b)代表两个长度分别为k,j的时间序列之间的距离b[p,q]为由b的第p个值到第q个值组成的序列则使md(a,b)达到最小的i值组成的b[i,i+k]即和a对齐)；c3.构造时间窗口之后，需要对时间进行精确对齐，在滑动时间窗口中选取一段有效的时间段进行匹配，将提取出来的用电器时序数列特征作为该用电器在总出口的一个“电器指纹”，本发明使用动态时间规整方法来提取得到“电器指纹”。d.家庭总出口处的用电行为分类；执行如下操作：d1.载入家庭总出口处的电能使用数据；d2.利用时间滑动窗口遍历总出口处的电能使用数据，利用边缘检测方法检测出经历了状态变化的时间子序列，作为测试元组输入k最近邻(knn，k-nearestneighbor)分类算法；d3.设定knn算法的训练窗口大小参数k；d4.准备好一个带标签的用电器时间序列训练集(标签标记这一用电器时间序列是哪一个电器的“电器指纹”)，随机从中选择k个加入一个大小为k的用电器数据优先级队列，按照电器指纹与训练集中的时间序列的距离，对这个优先级队列进行排序(越往后，离电器指纹的“距离越近”，电器指纹所代表的用电器，越可能是该训练集时间序列的标签所代表的用电器)；d5.对优先级序列中的训练用电器进行遍历，分别计算电器指纹和优先级序列中的用电器的时间序列的距离,分别将所求得的距离和待预测用电器与优先级队列中的最大距离lmax比较；d6.如果所求得的距离大于lmax，则继续下一训练用电器的时间序列的遍历，如果小于lmax，则删除优先级队列中与其距离最大的训练集时间序列，将当前训练用电器的时间序列加入优先级队列；d7.遍历完成后，计算优先级队列中的k个训练集时间序列的标签分别对应的用电器，计算各个标签所占的比例，比例最高者被认为是预测的分类结果。通过上述步骤，实现家庭电力信号非侵入式负载分解，识别得到分别属于距离特征、差分特征和能量比特征的用电器；由此，仅通过总出口处的用电功率数据，即可分解得到具体用电器的开关信息。与现有技术相比，本发明的有益效果是：本发明提供一种电力信号非侵入式负载分解方法，可以高效准确地对用电器负载进行分解。通过本发明所提供的非侵入式负载分析方法，提高了电器负载分解的效率，节省了用户电力消耗。附图说明图1是采用本发明方法进行边缘检测的流程框图。图2是本发明方法的行为分类算法流程框图。图3是本发明实施例中用户负载功率波形示意图。图4是本发明中负载分析方法的流程框图。图5是本发明实施例中洗衣机的一次启动过程的数据点。图6表示本发明实施例中洗衣机的一次启动过程采用最近邻插值方法得到的数据点。图7是本发明实施例中电视机的一次启动过程示意图。图8是本发明实施例应用场景演示demo系统学习中展示了系统对家庭电器的监控的界面截图；其中，上图左和下图是选定的某用电器视在功率的实时变化；由各个用电器功率加和就可以得到家庭主线路功率的实时变化，上图右是家庭主线路电能的差分变化。图9是本发明实施例中应用场景演示系统demo挖掘中的界面截图；其中，上图左和下图是两个点电器在发生开关时的功率波动；上图右是家庭主线路出口处的功率波动。图10是本发明实施例中uk-dale1hz和6s一次采样率的数据格式示意图。具体实施方式下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。本发明提供一种电力信号非侵入式负载分解方法，可以高效准确地对家庭用电器负载进行分解。以下实施例以uk-dale数据集为例，说明本发明方法如何实现家庭电力信号非侵入式负载分解。uk-dale数据集是在英国的学生公寓房间安装了数十个传感器，对他们的用电器进行记录得到的数据。该数据分为五个房间，每六秒记录一次各个用电器的有功功率，除此之外，在三个房间里，数据中包含了整个房间44.1khz的电压和电流，并且计算了1hz的有功功率，视在功率和电压。在no.1房间，记录了655天中几乎所有用电器的数据，分别保存在54个频道的文件夹里(但是并不是所有时间段，所有用电器都有数据)。用电器可能有多个峰值，但是大多都集中于一个较短的功率范围里。具体的数据样例如图10所示，图左是家庭用电器总出口的数据，第一列是时间戳，第二列是有功功率，第三列是视在功率，第四列是电压；图右第一列是时间戳，第二列是视在功率整个过程包括五个部分，图4是流程示意图。一.预处理；以洗衣机为例：图5表示了洗衣机的一次启动过程的数据点；最近邻插值是最简单的一种插值方式，它所构造的函数在某一点的取值取决于与该点最接近的已知点的值。图6表示洗衣机的一次启动过程采用最近邻插值方法得到的数据点，如图6所示，由于数据点过于稀疏，于是对该时段的数据使用最近邻插值法进行插值，对于没有值存在(数据没有收集)的点，选择与时间上最接近的有值存在的点的值，作为其自身的值。二.边缘检测图1所示是采用本发明方法进行边缘检测的流程。图在一个典型的电视机启动过程中，首先用电器功率发生了剧烈变化，经过开始一段的调整时间逐渐趋于稳定，正式进入用电器的工作状态。图3和图7是两个例子，图3是电机、空调、电热器先后开启的一个启动过程示意图，图7是电视机的一次启动过程示意图，首在左下角第一个方框处，用电器处于平稳状态；在中间的方框处，由于电视机的开启，功率处于跳动状态，所以这些时间点是非平稳点，故用电器处于非平衡状态，在第三个方框的状态中，用电器的用电功率趋于平稳，故第二个方框即用电器的边缘。三.特征提取用电器的一次崖跳式的阶跃也将通过输电线路传导到家庭用电器的总出口处。因此，我们将用电器的这个阶跃点以及相邻时间上的一小段数值保存起来，即第二步中第二个方框及前后一小段(一般取总区间长度为100个时间单位)，以供knn分类算法使用。四.行为分类图2是本发明方法的行为分类算法流程图。利用本发明方法对总出口数据进行预测时，将上一步中提取的边缘和带标签的训练集依次求距离，求得排序最高的k个训练集时间序列，其中占比最大的训练集标签即标记为该用电器的标签。根据上文所述的系统功能特性，本文针对特定应用场景，制作了相关demo，demo的界面展示如图8所示。上图中上方两个图像分别是出口处总功率的曲线和经过过滤后的总功率差分曲线。当处于学习状态时，用户将智能插座插入某个用电器，并且在界面右边中部选择对应的用电器，网页下方的用电器就开始记录用电器的用电数据，并且计算特征。经过一段时间的学习，系统中储存了一定数量的用电器用电特征，就可以实现对总功率进行挖掘，分析其事件所匹配的用电器。界面如图9所示。图9中的0-1分别表示用电器的关闭和开启的行为。将鼠标悬停在具体的数据点上时，还将显示该点处的功率数值和所处的时间。需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。当前第1页12当前第1页12