CN103217603A - 一种非侵入式家用电器用电状况在线监测的识别方法 - Google Patents

Abstract

一种非侵入式家用电器用电状况在线监测的识别方法，属于家电用电状况识别领域，它利用设置在家庭进户处的智能电表获取瞬时电流或瞬时功率信号，对获取的信号进行处理，得到该信号的稳态/似稳态和暂态特征，再利用交叉赋权值法将该信号的特征信息与特征库中的信息进行比对，从而辨识投入或者切除的设备。本发明的算法简单，判断准确，不会影响家电设备的正常运行。

Description

一种非侵入式家用电器用电状况在线监测的识别方法

技术领域

本发明涉及一种家电用电状况识别方法，特别是一种非侵入式家电用电状况在线监测识别方法。

背景技术

随着全球资源环境压力的不断增大，建设更加安全、可靠、环保、经济的智能电网成为全球电力行业的共同目标。目前在发电、输电、配电、用电这一链条中，电网和终端用户的互动相对薄弱，影响了电力系统的整体性能和效率。

要想真正地实现智能电网与用户的互动，使用户真正地参与到电力市场中，为系统的运行和资产管理带来巨大效益，应该为智能电网提供详细的用电设备用电参数，使用户更清晰地了解每种用电设备的平均能耗，确定用电设备的不正常能耗，使用户感觉从智能电表获益。

传统的负荷监测多以侵入式为主，所谓侵入式即为了实现监测目的在每个被监测设备的电流输出端加设硬件装置进行数据采集，再由相关分析软件进行处理以获取故障或其他运行信息。这种方式可能对原设备的正常工作造成影响、且所需的监测硬件装置数量大,增加了其安装、使用、维护的成本。为了解决侵入式负荷监测的问题，专家学者们提出非侵入式负荷监测方法（Non-intrusive Load monitoring，NILM）。

非侵入式负荷监测（NILM）的概念由美国麻省理工学院的乔治.W.哈特教授于1982年首次带入住宅用户家用电器的用电状况监测中。该方法只需在进户干线上装设监测设备，采样用户总电压电流信号，再利用负荷辨识算法提取单个家用电器的用电信息。其目的是采用最少量的设备实现对用户住宅内所有用电设备的用电监测，为电力公司提供用户详细的用电信息。

近年来，很多研究者们对于NILM进行了研究。负荷辨识算法是非侵入式负荷监测系统的核心内容，研究人员提出了很多不同的理论和算法。比较典型的相关研究有：

1)Hart以1Hz采样频率测得负荷的有功无功的阶跃变化，然后将变化量对应到被测系统中的设备。不足之处在于单靠功率变化量辨识设备类型对于功率差异较小的电器设备辨识准确度不够，且需预先获取各家电负荷的运行功率值。

2)Srinivasan等开发了一种基于神经网络的利用不同负荷产生谐波特性进行辨识的方法。

3）麻省理工学院的Fuller提出一种基于恒功率负荷运行的辨识方法的扩展方法。将有功功率和无功功率映射到复平面，不同负荷对应一个复平面上的特征点。这种方法对于功率差异较大的负荷有较好辨识效果但对于特征点接近的负荷就无法有效辨识。

4）麻省理工学院的Steven Leeb研究小组提出基于负荷投切暂态过程信息的辨识方法。该方法可以根据启动暂态电流辨识不同的负荷，该方法通过设计模拟谱包络线分析器估计负荷的有功、无功和谐波功率等信息，并开发出暂态检测和负荷分类的算法。但是由于该方法是通过对暂态特征量的提取、转化来实现负荷辨识，但由于切入点比较单一，考虑到实际环境下暂态特征的不确定性其准确度将受到影响。

5）香港大学提出一种基于多特征参数的家用电器用电状况在线监测算法。该方法对家用电器的特征参数进行宏观和微观层面的分析研究，提取出电流波形、有功、无功、谐波含量、瞬时导纳等家用电器的多特征参数。并提出家用电器启停状态事件检测和负荷分解辨识算法。但论文中缺少对家电暂态特征参数的研究提取。

综上所述，目前关于NILM研究所采用的辨识算法理论原理均较为复杂，例如香港大学的研究采用了最优化和基于人工神经网络的模式识别算法以及委员会决策机制决定算法的组合，运算量较大；在信号采集方面，将稳态参数和暂态参数协同提取的研究较少。

发明内容

本发明的目的就是提供一种非侵入式家用电器用电状况在线监测的识别方法，它通过研究智能电表获取的信号稳态/似稳态参数和暂态参数，来判断家用电器的运行状况，运算量显著减小，辨识精度高。

本发明的目的是通过这样的技术方案实现的，它包括有设置在家庭进户处的用于获取瞬时电流或瞬时功率信号的智能电表，具体识别步骤如下：

1）确定训练样本，对训练样本进行试验，构建特征库；

2）通过智能电表获取待辨识设备信号；

3）对步骤2）中获取的待辨识设备信号进行处理，生成信号包络线，提取信号特征；

4）根据步骤3）中提取的信号特征和特征库内的特征，采用交叉赋权值法对待辨识设备进行辨识；

5）输出待辨识设备的辨识结果。

进一步，步骤1）中所述构建特征库的方法为：选取典型家用电器进行实验，测试其投切过程中信号的暂态电压、电流和稳定工作的稳态电压、电流；特征库中包括信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

进一步，所述稳态/似稳态波形特征为稳态工作一个周期的电流信号I_tej，其中j为电流信号在一周期内的采样点。

进一步，总畸变率THD的计算公式为：

$\mathrm{THD}=\frac{1}{I_1}\sqrt{\underset{k=2}{\overset{\∞}{\mathrm{\Σ}}}{I}_k^2}\×100\%$

其中，I_k为k次谐波电流的均方根值，I₁为基波电流有效值；

I_k由傅里叶变换得到：

$I_k=\left(\sqrt{a_k^2+b_k^2}\right)/\sqrt{2}$

$a_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\cos \left(\mathrm{k\ωt}\right)\mathrm{dt}$

$b_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\sin \left(\mathrm{k\ωt}\right)\mathrm{dt}$

其中，ω=2π/T为基波频率，T是信号周期，kω是k次谐波频率。

进一步，奇次谐波与基波相角差的计算公式为

θ_i=β_k-β₁，k=2i+1,i=1,2,3,4,5

其中β_k为奇次谐波，β₁为基波。

进一步，启动时间的计算公式为

T_s=T_as–T_bs

其中，T_as是设备启动后或者进入稳态/似稳态的第一个采样点所对应的时间，T_bs是设备启动前的最后一个采样点对应的时间。

进一步，启动脉冲含量的计算公式为

$\mathrm{CPD}=\frac{F_{\max }-F_{\mathrm{bs}}}{F_{\mathrm{as}}-F_{\mathrm{bs}}}$ 或

$\mathrm{CPD}=\frac{{F1}_{\min }-{F1}_{\mathrm{bs}}}{{F1}_{\mathrm{as}}-{F1}_{\mathrm{bs}}}$

其中，F和F1分别代表正负包络线的离散点，F_max和F1_min分别代表设备启动阶段的正包络线F的最大值和负包络线F1的最小值，F_as和F1_as分别表示设备启动暂态过程结束后正负包络线的数值，F_bs和F1_bs分别表示设备启动前的正负包络线的数值。

进一步，步骤3）中生成信号包络线的方法为：取待辨识设备信号每周期的最大值F(i)和最小值F1(i)，分别由F(i)和F1(i)生成信号的正包络线和负包络线，其中i为周期数；

步骤3）中提取的信号特征包括有待辨识设备信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

进一步，步骤4）中采用交叉赋权值法对待辨识设备进行辨识的方法为：

4-1）计算待辨识设备信号与数据库中训练样本信号的波形相似度S_i(I_s,I_tei)

$S=\frac{I_S{I}_{\mathrm{te}}}{\sqrt{I_S\×I_{\mathrm{te}}}}$

其中，下标s和te分别代表待辨识设备和特征数据库中的设备；I_sI_te，I_s和I_te的计算公式为：

$I_S{I}_{\mathrm{te}}=\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})$

$I_S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})}^2$

$I_{\mathrm{te}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})}^2$

其中，i，j代表信号在一周期内的采样点，n为每周期的总采样点数，

和

代表n个采样点的幅值平均值，即：

$\stackrel{\‾}{I_S}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{Si}}$

$\stackrel{\‾}{I_{\mathrm{te}}}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{tej}}$

取绝对值由大到小对应的前N种参照电器构成矩阵D_S，特征数≤N≤样本数量；

4-2）计算待辨识设备信号的计算待辨识设备信号的总畸变率THD，以及该数值与训练样本信号的差值：

|THD_S－THD_tej|

并由该差值由小到大对应的前N种参照电器序号组成D_THD(j)；

4-3）计算待辨识设备信号的奇次谐波与基波相角差，并将其与训练样本信号的该数值相比较：

$\mathrm{\ΔPD}\left(j\right)=\sqrt{{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}({\mathrm{\θ}}_i-\mathrm{\θ}{\left(j\right)}_j)}^2}$

其中，θ(j)_i为j号训练样本的i次谐波与基波的相角差，θ_i为待辨识设备的i次谐波与基波的相角差；

与待辨识设备信号PD值相差最小的N种训练样本，按照ΔPD(j)数值由小到大的前N种参照电器，构成向量D_θ；

4-4）计算待辨识设备信号的启动时间和启动脉冲含量，并分别将它们与特征库中各个训练样本的启动时间和启动脉冲含量相比较，与待辨识设备信号的启动时间和启动脉冲含量最接近的N种样本由小到大生成向量D_TS和D_CPD；

4-5）根据步骤4-1）至4-4）得到结果构建设备辨识矩阵D

$D=\left[\begin{array}{c}{D}_S^T\\ D_{\mathrm{THD}}^T\\ D_{\mathrm{\θ}}^T\\ D_{T_S}^T\\ D_{\mathrm{CPD}}^T\end{array}\right];$

4-6）构建权值矩阵，采用下列权值矩阵对设备辨识矩阵的每个元素赋值

$W_D={\left[\begin{array}{ccccc}N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\end{array}\right]}_{5\×N}$

其中，W_D中的权重值赋予设备辨识矩阵D中相同位置上的训练样本；

4-7）将矩阵D中出现的相同的训练样本对应的权重值相加，取权重值总和最大值，则该最大值对应的训练样本编号为待辨识设备。

进一步，步骤5）中输出待辨识设备的辨识结果包括有设备投入时间、切除时间、运行时间、有功功率、无功功率、功率因素、估算日耗电量、周耗电量和月耗电量，中的任意一项以上。

由于采用了上述技术方案，本发明具有如下的优点：

本发明利用设置在家庭进户处的智能电表获取瞬时电流或瞬时功率信号，对获取的信号进行处理，得到该信号的稳态/似稳态和暂态特征，再利用交叉赋权值法将该信号的特征信息与特征库中的信息进行比对，从而辨识投入或者切除的设备。本发明的算法简单，判断准确，不会影响家电设备的正常运行。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为部分家用电器的稳态工作特性；

图2为部分家用电器包含启动过程的5s工作电流特性；

图3为部分家用电器包含启动过程的5s电流包络线；

图4为白炽灯和冰箱的启动暂态过程；

图5为本发明的算法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1和图2所示，不同种类的家用电器的暂态特征和稳态特性有明显的差异，相同种类的电器，即使是不同品牌，在启动和稳定工作时也有相似的电流波形。从图中还可以看出，笔记本电脑这类电器，启动过程较其它设备更长，超过1000个电流周期，而且启动过程中无电流脉冲，电流幅值增长缓慢，在每1s的时间间隔中近似稳定，可以将此类过程定义为似稳态过程。

如图3所示，在构建特征库时，同时生成信号的正负包络线，即分别由每周期采样点的最大值F(i)和最小值F1(i)构成，最大值构成信号正包络线，最小值构成信号负包络线。

构建特征库：

本实施例选取11种典型的家用电器，包括不同品牌20个，以电流为例，进行实验，测试其投切过程中的暂态电压、电流和稳定工作的稳态电压、电流，来构建特征库。特征库中包括信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

稳态/似稳态波形特征为稳态工作一个周期的电流信号I_tej，其中j为电流信号在一周期内的采样点。

总畸变率THD的计算公式为：

$\mathrm{THD}=\frac{1}{I_1}\sqrt{\underset{k=2}{\overset{\∞}{\mathrm{\Σ}}}{I}_k^2}\×100\%$

其中，I_k为k次谐波电流的均方根值，I₁为基波电流有效值；

I_k由傅里叶变换得到：

$a_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\cos \left(\mathrm{k\ωt}\right)\mathrm{dt}$

$b_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\sin \left(\mathrm{k\ωt}\right)\mathrm{dt}$

其中，ω=2π/T为基波频率，T是信号周期，kω是k次谐波频率。

奇次谐波与基波相角差的计算公式为

θ_i=β_k-β₁，k=2i+1,i=1,2,3,4,5

其中β_k为奇次谐波，β₁为基波。

启动时间的计算公式为

T_s=T_as–T_bs

其中，T_as是设备启动后或者进入稳态/似稳态的第一个采样点所对应的时间，T_bs是设备启动前的最后一个采样点对应的时间。

如图4所示，启动脉冲含量的计算公式为

$\mathrm{CPD}=\frac{F_{\max }-F_{\mathrm{bs}}}{F_{\mathrm{as}}-F_{\mathrm{bs}}}$ 或

$\mathrm{CPD}=\frac{{F1}_{\min }-{F1}_{\mathrm{bs}}}{{F1}_{\mathrm{as}}-{F1}_{\mathrm{bs}}}$

其中，F和F1分别代表正负包络线的离散点，F_max和F1_min分别代表设备启动阶段的正包络线F的最大值和负包络线F1的最小值，F_as和F1_as分别表示设备启动暂态过程结束后正负包络线的数值，F_bs和F1_bs分别表示设备启动前的正负包络线的数值。

设备辨识：

获取待辨识设备信号，如果电器投入事件得到确认后，计算投切事件发生时间k，以周期数为单位，前后相同时间间隔的信号差，如果时间间隔足够小，可以认为该时间间隔的信号差即为单个电气设备的信号，即为待辨识电器的信号，而家庭电气设备的投切频率远低于商业建筑，本实施例采取的时间间隔为5s，根据需要可以在1s到5s之间进行选择。

生成信号包络线的方法为：取待辨识设备信号每周期的最大值F(i)和最小值F1(i)，分别由F(i)和F1(i)生成信号的正包络线和负包络线，其中i为周期数；

提取的信号特征包括有待辨识设备信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

采用交叉赋权值法对待辨识设备进行辨识的方法为：

1）计算待辨识设备信号与数据库中训练样本信号的波形相似度S_i(I_s,I_tei)

$S=\frac{I_S{I}_{\mathrm{te}}}{\sqrt{I_S\×I_{\mathrm{te}}}}$

其中，下标s和te分别代表待辨识设备和特征数据库中的设备；I_sI_te，I_s和I_te的计算公式为：

$I_S{I}_{\mathrm{te}}=\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})$

$I_S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})}^2$

$I_{\mathrm{te}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})}^2$

其中，i，j代表信号在一周期内的采样点，n为每周期的总采样点数，

和

代表n个采样点的幅值平均值，即：

$\stackrel{\‾}{I_S}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{Si}}$

$\stackrel{\‾}{I_{\mathrm{te}}}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{tej}}$

取绝对值由大到小对应的前5种参照电器构成矩阵D_S；

2）计算待辨识设备信号的计算待辨识设备信号的总畸变率THD，以及该数值与训练样本信号的差值：

|THD_S－THD_tej|

并由该差值由小到大对应的前5种参照电器序号组成D_THD(j)；

3）计算待辨识设备信号的奇次谐波与基波相角差，并将其与训练样本信号的该数值相比较：

$\mathrm{\ΔPD}\left(j\right)=\sqrt{{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}({\mathrm{\θ}}_i-\mathrm{\θ}{\left(j\right)}_j)}^2}$

其中，θ(j)_i为j号训练样本的i次谐波与基波的相角差，θ_i为待辨识设备的i次谐波与基波的相角差；

与待辨识设备信号PD值相差最小的5种训练样本，按照ΔPD(j)数值由小到大的前5种参照电器，构成向量D_θ；

4）计算待辨识设备信号的启动时间和启动脉冲含量，并分别将它们与特征库中各个训练样本的启动时间和启动脉冲含量相比较，与待辨识设备信号的启动时间和启动脉冲含量最接近的5种样本由小到大生成向量D_TS和D_CPD；

5）根据步骤1）至4）得到结果构建设备辨识矩阵D

$D=\left[\begin{array}{c}{D}_S^T\\ D_{\mathrm{THD}}^T\\ D_{\mathrm{\θ}}^T\\ D_{T_S}^T\\ D_{\mathrm{CPD}}^T\end{array}\right];$

6）构建权值矩阵，采用下列权值矩阵对设备辨识矩阵的每个元素赋值

$W_D=\left[\begin{array}{ccccc}5& 4& 3& 2& 1\\ 5& 4& 3& 2& 1\\ 5& 4& 3& 2& 1\\ 5& 4& 3& 2& 1\\ 5& 4& 3& 2& 1\end{array}\right]$

其中，W_D中的权重值赋予设备辨识矩阵D中相同位置上的训练样本；

7）7）将矩阵D中出现的相同的训练样本对应的权重值相加，取权重值总和最大值，则该最大值对应的训练样本编号为待辨识设备；

输出待辨识设备的辨识结果包括有设备投入时间、切除时间、运行时间、有功功率、无功功率、功率因素、估算日耗电量、周耗电量和月耗电量。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，它包括有设置在家庭进户处的用于获取瞬时电流或瞬时功率信号的智能电表，具体识别步骤如下：

1）确定训练样本，对训练样本进行试验，构建特征库；

2）通过智能电表获取待辨识设备信号；

3）对步骤2）中获取的待辨识设备信号进行处理，生成信号包络线，提取信号特征；

4）根据步骤3）中提取的信号特征和特征库内的特征，采用交叉赋权值法对待辨识设备进行辨识；

5）输出待辨识设备的辨识结果。

2.如权利要求1所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，步骤1）中所述构建特征库的方法为：选取典型家用电器进行实验，测试其投切过程中信号的暂态电压、电流和稳定工作的稳态电压、电流；特征库中包括信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

3.如权利要求2所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，所述稳态/似稳态波形特征为稳态工作一个周期的电流信号I_tej，其中j为电流信号在一周期内的采样点。

4.如权利要求2所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，总畸变率THD的计算公式为：

$\mathrm{THD}=\frac{1}{I_1}\sqrt{\underset{k=2}{\overset{\∞}{\mathrm{\Σ}}}{I}_k^2}\×100\%$

其中，I_k为k次谐波电流的均方根值，I₁为基波电流有效值；

I_k由傅里叶变换得到：

$I_k=\left(\sqrt{a_k^2+b_k^2}\right)/\sqrt{2}$

$a_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\cos \left(\mathrm{k\ωt}\right)\mathrm{dt}$

$b_k=\frac{2}{T}{\∫}_{t-T}^{t}i\left(t\right)\sin \left(\mathrm{k\ωt}\right)\mathrm{dt}$

其中，ω=2π/T为基波频率，T是信号周期，kω是k次谐波频率。

5.如权利要求2或4所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，奇次谐波与基波相角差的计算公式为

θ_i=β_k-β₁，k=2i+1,i=1,2,3,4,5

其中β_k为奇次谐波，β₁为基波。

6.如权利要求5所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，启动时间的计算公式为

T_s=T_as–T_bs

其中，T_as是设备启动后或者进入稳态/似稳态的第一个采样点所对应的时间，T_bs是设备启动前的最后一个采样点对应的时间。

7.如权利要求6所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，启动脉冲含量的计算公式为

$\mathrm{CPD}=\frac{F_{\max }-F_{\mathrm{bs}}}{F_{\mathrm{as}}-F_{\mathrm{bs}}}$ 或

$\mathrm{CPD}=\frac{{F1}_{\min }-{F1}_{\mathrm{bs}}}{{F1}_{\mathrm{as}}-{F1}_{\mathrm{bs}}}$

其中，F和F1分别代表正负包络线的离散点，F_max和F1_min分别代表设备启动阶段的正包络线F的最大值和负包络线F1的最小值，F_as和F1_as分别表示设备启动暂态过程结束后正负包络线的数值，F_bs和F1_bs分别表示设备启动前的正负包络线的数值。

8.如权利要求7所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，步骤3）中生成信号包络线的方法为：取待辨识设备信号每周期的最大值F(i)和最小值F1(i)，分别由F(i)和F1(i)生成信号的正包络线和负包络线，其中i为周期数；

步骤3）中提取的信号特征包括有待辨识设备信号的稳态/似稳态特征和暂态特征，稳态/似稳态特征包括有波形特征、总畸变率和奇次谐波与基波相角差，暂态特征包括有启动时间和启动脉冲含量。

9.如权利要求8所述的一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，步骤4）中采用交叉赋权值法对待辨识设备进行辨识的方法为：

4-1）计算待辨识设备信号与数据库中训练样本信号的波形相似度S_i(I_s,I_tei)

$S=\frac{I_S{I}_{\mathrm{te}}}{\sqrt{I_S\×I_{\mathrm{te}}}}$

其中，下标s和te分别代表待辨识设备和特征数据库中的设备；I_sI_te，I_s和I_te的计算公式为：

$I_S{I}_{\mathrm{te}}=\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})$

$I_S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{Si}}-\stackrel{\‾}{I_S})}^2$

$I_{\mathrm{te}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(I_{\mathrm{tej}}-\stackrel{\‾}{I_{\mathrm{te}}})}^2$

其中，i，j代表信号在一周期内的采样点，n为每周期的总采样点数，

和

代表n个采样点的幅值平均值，即：

$\stackrel{\‾}{I_S}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{Si}}$

$\stackrel{\‾}{I_{\mathrm{te}}}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{I}_{\mathrm{tej}}$

取绝对值由大到小对应的前N种参照电器构成矩阵D_S，特征数≤N≤样本数量；

4-2）计算待辨识设备信号的计算待辨识设备信号的总畸变率THD，以及该数值与训练样本信号的差值：

|THD_S－THD_tej|

并由该差值由小到大对应的前N种参照电器序号组成D_THD(j)；

4-3）计算待辨识设备信号的奇次谐波与基波相角差，并将其与训练样本信号的该数值相比较：

$\mathrm{\ΔPD}\left(j\right)=\sqrt{{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}({\mathrm{\θ}}_i-\mathrm{\θ}{\left(j\right)}_j)}^2}$

其中，θ(j)_i为j号训练样本的i次谐波与基波的相角差，θ_i为待辨识设备的i次谐波与基波的相角差；

与待辨识设备信号PD值相差最小的N种训练样本，按照ΔPD(j)数值由小到大的前N种参照电器，构成向量D_θ；

4-4）计算待辨识设备信号的启动时间和启动脉冲含量，并分别将它们与特征库中各个训练样本的启动时间和启动脉冲含量相比较，与待辨识设备信号的启动时间和启动脉冲含量最接近的N种样本由小到大生成向量D_TS和D_CPD；

4-5）根据步骤4-1）至4-4）得到结果构建设备辨识矩阵D

$D=\left[\begin{array}{c}{D}_S^T\\ D_{\mathrm{THD}}^T\\ D_{\mathrm{\θ}}^T\\ D_{T_S}^T\\ D_{\mathrm{CPD}}^T\end{array}\right];$

4-6）构建权值矩阵，采用下列权值矩阵对设备辨识矩阵的每个元素赋值

$W_D={\left[\begin{array}{ccccc}N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\\ N& N-1& ...& 2& 1\end{array}\right]}_{5\×N}$

其中，W_D中的权重值赋予设备辨识矩阵D中相同位置上的训练样本；

4-7）将矩阵D中出现的相同的训练样本对应的权重值相加，取权重值总和最大值，则该最大值对应的训练样本编号为待辨识设备。

10.如权利要求1所述一种非侵入式家用电器用电状况在线监测的识别方法，其特征在于，步骤5）中输出待辨识设备的辨识结果包括有设备投入时间、切除时间、运行时间、有功功率、无功功率、功率因素、估算日耗电量、周耗电量和月耗电量，中的一项以上。

Images