CN105913006A - 一种用电负载类型识别方法 - Google Patents
一种用电负载类型识别方法 Download PDFInfo
- Publication number
- CN105913006A CN105913006A CN201610213598.1A CN201610213598A CN105913006A CN 105913006 A CN105913006 A CN 105913006A CN 201610213598 A CN201610213598 A CN 201610213598A CN 105913006 A CN105913006 A CN 105913006A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- loadtype
- current
- load
- electric loading
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种用电负载类型识别方法,由包括信息采集模块、信息处理模块、通信模块的用电负载识别装置来实现。所述方法同时采用包括启动过程时间、启动电流最大值、启动电流最大值时间在内的用电负载启动电流特征,以及用电负载的负载电流频谱特征作为用电负载的识别特征,特征信息丰富;采用包括支持向量机分类器和贝叶斯分类器的组合分类器进行识别分类,兼顾两种分类器的特点进行综合识别,识别准确率高;提供的启动电流特征获取方法和负载电流频谱特征获取方法简单、可靠。所述装置可以用在学生集体宿舍、大型集贸市场等一些需要进行用电负载管理的集体公共场所,也可以用于需要进行用电负载类型与统计的其他需要进行用电设备管理的场合。
Description
技术领域
本发明涉及一种设备识别及分类方法,尤其是涉及一种用电负载类型识别方法。
背景技术
目前,主流的用电负载性质或者电器类型识别方法包括基于负载功率综合系数算法的用电负载识别方法、基于电磁感应的用电负载识别方法、基于神经网络算法的用电负载识别方法、基于周期性离散变换算法的用电负载识别方法等。各种方法均能够在一定程度是实现用电负载性质的识别,但由于特征性质单一,识别手段单一,普遍存在泛化能力不够及不能完全准确识别的问题。
发明内容
本发明的目的在于,针对现在已有技术的缺陷,提供一种能够实现高效识别的用电负载类型识别方法。所述用电负载类型识别方法由包括信息采集模块、信息处理模块、通信模块的用电负载识别装置来实现。
所述信息采集模块用于采集用电负载的负载电流并转换成电流数字信号;所述电流数字信号被送至信息处理模块;所述信息处理模块依据输入的电流数字信号,采用组合分类器进行用电负载类型识别;所述通信模块用于发送信息处理模块的用电负载类型识别结果至上位机。
所述组合分类器的输入特征包括用电负载的启动电流特征和用电负载的负载电流频谱特征;所述组合分类器包括支持向量机分类器和贝叶斯分类器;所述启动电流特征包括启动过程时间、启动电流最大值、启动电流最大值时间。
所述信息采集模块包括电流传感器、前置放大器、滤波器、A/D转换器;所述信息处理模块的核心为DSP,或者为ARM,或者为单片机,或者为FPGA。
所述A/D转换器可以采用信息处理模块的核心中包括的A/D转换器。
所述信息采集模块、信息处理模块、通信模块的全部或者部分功能集成在一片SoC上。
所述通信模块还接收上位机的相关工作指令;所述通信模块与上位机之间的通信方式包括无线通信方式与有线通信方式;所述无线通信方式包括ZigBee、蓝牙、WiFi、433MHz数传方式;所述有线通信方式包括485总线、CAN总线、互联网、电力载波方式。
所述负载电流频谱特征通过以下方法获得:
步骤一、获取用电负载的稳态电流信号,并将其转换为对应的稳态电流数字信号;
步骤二、对稳态电流数字信号进行傅立叶变换,得到负载电流频谱特性;
步骤三、将负载电流频谱特性中谐波次数为n次的奇次谐波信号相对幅值作为负载电流频谱特征,n=1,3,…,M;所述M表示谐波最高次数且M大于等于3。
所述组合分类器中,支持向量机分类器为主分类器,贝叶斯分类器为辅助分类器。
所述组合分类器进行用电负载类型识别的方法是:当主分类器成功实现用电负载类型识别时,主分类器的用电负载类型识别结果为组合分类器的识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果为2种或者2种以上用电负载类型,将主分类器输出的2种或者2种以上用电负载类型识别结果中,辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果中未能给出识别的用电负载类型时,将辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果。
所述启动电流特征由信息处理模块通过以下方法获得:
步骤1、用电负载启动前,开始对用电负载的负载电流连续采样并对负载电流大小进行判断;当负载电流有效值大于ε时,判定用电负载开始启动并转向步骤2;所述ε为大于0的数值;
步骤2、对用电负载的负载电流进行连续采样,以工频周期为单位计算负载电流有效值并保存;计算最近N个工频周期的负载电流有效值的平均值;当最近N个工频周期之内的每个工频周期的负载电流有效值与该N个工频周期的负载电流有效值的平均值相比较,波动幅度均小于设定的相对误差范围E时,判定用电负载进入稳定状态,转向步骤3;所述N的取值范围为50-500;所述E的取值范围为2%-20%;
步骤3、将最近N个工频周期之内的负载电流有效值的平均值作为用电负载稳态电流有效值;将用电负载开始启动时刻至最近N个工频周期起始时刻之间的时间作为启动过程时间;将用电负载开始启动时刻至启动过程时间之内负载电流有效值最大的工频周期之间的时间作为启动电流最大值时间;将启动电流最大值时间所在工频周期的负载电流有效值与用电负载稳态电流有效值之间的比值作为启动电流最大值。
所述组合分类器的输入特征还包括用电负载稳态电流有效值。
本发明的有益效果是:同时采用用电负载的启动电流特征、用电负载的负载电流频谱特征以及用电负载稳态电流有效值作为所述用电负载类型识别方法的识别特征,特征信息丰富;采用包括支持向量机分类器和贝叶斯分类器的组合分类器进行识别分类,兼顾支持向量机分类器和贝叶斯分类器的特点进行综合识别,泛化能力与识别准确率高;提供的包括启动过程时间、启动电流最大值、启动电流最大值时间在内的启动电流特征获取方法,以及负载电流频谱特征获取方法简单、可靠。
附图说明
图1为本发明的用电负载识别装置实施例的结构示意图;
图2为白炽灯台灯的启动过程电流波形;
图3为电阻炉等电阻性负载的启动过程电流波形;
图4为单相电机类负载的启动过程电流波形;
图5为计算机及开关电源类负载的启动过程电流波形;
图6为用电负载类型识别方法流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
图1为本发明的用电负载识别装置实施例的结构示意图,包括信息采集模块101、信息处理模块102、通信模块103。
信息采集模块102用于采集用电负载的负载电流并将负载电流转换成电流数字信号,电流数字信号被送至信息处理模块102。信息采集模块中包括电流传感器、前置放大器、滤波器、A/D转换器等组成部分,分别完成负载电流信号的传感、放大、滤波与模数转换功能。当负载电流范围较大时,可以选择具有程控功能的前置放大器,或者是在A/D转换器前再增加一个独立的程控放大器,对范围较大的负载电流实行分段控制放大,使输入至A/D转换器的电压信号范围保持在合理的区间,保证转换精度。滤波器用于滤除高频分量,避免频谱混叠。
信息处理模块102依据输入的电流数字信号,采用包括支持向量机分类器和贝叶斯分类器的组合分类器实现用电负载类型识别。组合分类器的输入特征包括用电负载的启动电流特征和用电负载的负载电流频谱特征。信息处理模块102的核心为DSP、ARM、单片机,或者为FPGA。当信息处理模块的核心中包括有A/D转换器且该A/D转换器满足要求时,信息采集模块101中的A/D转换器可以采用信息处理模块102的核心中包括的A/D转换器。
通信模块103用于实现与上位机之间的通信,将识别结果发送至上位机。通信模块102与上位机之间的通信方式包括无线通信方式与有线通信方式,可以采用的无线通信方式包括ZigBee、蓝牙、WiFi、433MHz数传等方式,可以采用的有线通信方式包括485总线、CAN总线、互联网、电力载波等方式。通信模块103还可以接收上位机的相关工作指令,完成指定的工作任务。上位机可以是管理部门的服务器,也可以是各种工作站,或者是各种移动终端。
信息采集模块101、信息处理模块102、通信模块103的全部或者部分功能可以集成在一片SoC上,减小装置体积,方便安装。
不同的用电负载设备具有不同的启动电流特征。如图2所示为白炽灯台灯的启动过程电流波形。白炽灯是将灯丝通电加热到白炽状态,利用热辐射发出可见光的电光源。白炽灯的灯丝通常用耐高温的金属钨制造,但金属钨的电阻随温度变化大,以Rt表示钨丝在t℃时的电阻,以R0表示钨丝在0℃时的电阻,则两者有下述的关系
Rt=R0(1+0.0045t)
例如,设白炽灯的灯丝(钨丝)在正常工作时的温度为2000℃,一只“220V 100W”的白炽灯的灯丝在2000℃正常工作时的电阻为
其在不通电时0℃的电阻为
其在不通电时20℃的电阻为
R20=R0(1+0.0045t)=52.8Ω
即白炽灯在启动通电的瞬间电流超过其额定电流的9倍,且最大启动电流发生在启动时刻。随着白炽灯钨丝温度的升高,白炽灯的负载电流按照指数规律减小,然后进入稳定状态。
设用电负载稳态电流有效值为IW,且定义用电负载电流有效值进入用电负载稳态电流有效值的一个设定的相对误差范围之内并稳定在这个相对误差范围之内,则用电负载进入稳定状态。相对误差范围可以设定为10%,也可以设定为2%、5%、15%、20%等2%-20%之间的值。图2中,设定的相对误差范围为10%,当白炽灯的负载电流按照指数规律减小到其IW的10%误差范围时,如图2中的时刻TS,启动过程结束。白炽灯的启动过程时间为TS。IW为有效值。
选择启动过程时间、启动电流最大值I*、启动电流最大值时间作为用电负载的启动电流特征;启动电流最大值为标么值,即启动电流最大值I*为启动电流的最大有效值IM与用电负载稳态电流有效值IW的比值。
图2中,白炽灯的启动过程时间为TS;启动电流最大值I*为IM/IW,其值约在9-10之间;启动电流最大值时间为TM,TM=0。
如图3所示为电阻炉等电阻性负载的启动过程电流波形。电阻炉等电阻性负载通常采用镍铬、铁铬铝等电热合金丝,其共同特点是电阻温度修正系数小,电阻值稳定。以牌号为Cr20Ni80的镍铬电热丝为例,其在1000℃时的电阻修正系数为1.014,即1000℃时相对于20℃时,牌号为Cr20Ni80的镍铬电热丝电阻只增加1.4%。因此,电阻炉等电阻性负载在通电启动时即进入稳定状态,电阻炉等电阻性负载的启动过程时间TS=0;启动电流最大值I*=1;启动电流最大值时间TM=0。
如图4所示为单相电机类负载的启动过程电流波形。单相电机类负载既具有电感性负载特性,又具有反电动势负载特性。启动时刻,由于电感的作用,启动时刻的启动电流为0;随后电流迅速上升,在电机反电动势未建立之前,达到电流峰值IM;此后,电机转速增加,电机负载电流逐步减小,直到进入稳定状态。图4中,单相电机类负载的启动过程时间为TS;启动电流最大值I*为IM/IW;启动电流最大值时间为TM。
如图5所示为计算机及开关电源类负载的启动过程电流波形。计算机及开关电源类负载因为对电容充电的影响,在启动瞬间会产生一个很大的浪涌电流,其峰值可达到稳态电流有效值IW的几倍至十几倍,时间为1至2个工频周期。图5中,计算机及开关电源类负载的启动过程时间为TS,约1至2个工频周期;启动电流最大值I*为IM/IW;启动电流最大值时间为TM=0。
获取用电负载的启动电流特征的方法是:
用电负载启动前,负载电流值为0(未开机)或者很小(处于待机状态)时,信息处理模块102即开始对负载电流进行连续采样;当采样得到的负载电流值有效值开始大于0或者是开始大于用电负载的待机电流时,即判断出用电负载已经启动,记录该时刻为T0。用一个较小的非负阈值ε来区分用电负载启动前后的负载电流值,当ε取值特别小时,例如,ε取值1mA时,所述识别装置不考虑待机情况,即认为待机也是用电负载的启动状态;当ε取值较小但大于用电负载的待机电流时,例如,ε取值20mA时,所述识别装置会将用电负载的待机状态认为是未启动状态,但同时也会的部分功率特别小的用电负载造成漏识别。
信息处理模块102对负载电流进行连续采样,且以工频周期为单位计算负载电流有效值并保存;当用电负载已经启动,且连续采样达到N个工频周期后,采样的同时连续计算最近N个工频周期的负载电流有效值的平均值IV;信息处理模块102对最近N个工频周期之内每个工频周期的负载电流有效值与该N个工频周期的负载电流有效值的平均值进行比较,误差(或波动)幅度均小于设定的相对误差范围E时,判定用电负载进入稳定状态,该最近N个工频周期的起始时刻为启动过程的结束时刻,记录该时刻为T1。
将最近N个工频周期之内的负载电流有效值的平均值作为用电负载稳态电流有效值IW;将用电负载开始启动时刻T0至最近N个工频周期起始时刻T1之间的时间作为启动过程时间TS;将T0至T1之内负载电流有效值最大的工频周期所在时刻记录为T2,将T0至T2之间的时间作为启动电流最大值时间TM;将T2所在工频周期的负载电流有效值与用电负载稳态电流有效值IW之间的比值作为启动电流最大值I*。
由于预先不知道用电负载稳态电流有效值IW,因此,将N个工频周期,即一段持续时间TP之内波动范围小于设定的相对误差范围E时的负载电流有效值的平均值作为用电负载稳态电流有效值IW。由于普通用电负载的启动过程较快,所以,TP的取值范围为1-10s,典型取值是2s,相应的工频周期数量N的取值范围为50-500,N的典型取值是100。所述相对误差范围E的取值范围为2%-20%,E的典型取值是10%。
组合分类器的输入特征还包括用电负载的负载电流频谱特征。用电负载的负载电流频谱特征由信息处理模块102控制信息采集模块101,通过以下步骤获得:
步骤一、待用电负载进入稳定状态后,获取用电负载的稳态电流信号,并将其转换为对应的稳态电流数字信号。
步骤二、对稳态电流数字信号进行傅立叶变换,得到负载电流频谱特性。为保证傅立叶变换的顺利进行,在前述获取用电负载的稳态电流信号,并将其转换为对应的稳态电流数字信号的过程中,A/D转换器的精度和速度需要满足傅立叶变换的要求,采样频率可以设定为10kHz,或者是其他数值;信息处理模块102对采集到的稳态电流数字信号进行FFT运算,计算其频谱。
步骤三、将负载电流频谱特性中的n次谐波信号相对幅值作为负载电流频谱特征,其中,n=1,2,…,M;在组成组合分类器的输入特征向量时,n次谐波信号相对幅值在输入特征向量中按照1,2,…,M的顺序依次排列。由于负载电流频谱特性主要由奇次谐波组成,除少数用电负载设备外,偶次谐波分量几乎为0,因此,也可以将负载电流频谱特性中谐波次数为n次的奇次谐波信号相对幅值依序作为负载电流频谱特征,其中,n=1,3,…,M。n=1时的1次谐波为工频基波。所述谐波信号相对幅值为谐波信号幅值与用电负载稳态电流有效值IW的比值。所述M表示谐波最高次数,一般情况下,M大于等于3。
组合分类器中,支持向量机分类器为主分类器,贝叶斯分类器为辅助分类器。组合分类器的输入特征包括前述的启动电流特征和负载电流频谱特征,组合分类器的输入特征同时作为支持向量机分类器的输入特征和贝叶斯分类器的输入特征。
如图6所示为用电负载类型识别方法流程图,方法流程包括:
步骤A、等待用电负载启动;
步骤B、采集用电负载启动电流数据并保存,直至用电负载启动过程结束;
步骤C、分析采集的用电负载启动电流数据,获取用电负载的启动电流特征;
步骤D、采集用电负载稳态工作时的数据并保存;
步骤E、分析采集的用电负载稳态工作时的数据,获取用电负载的负载电流频谱特征;
步骤F、将启动电流特征和负载电流频谱特征作为组合分类器的输入特征;组合分类器进行用电负载类型识别;
步骤G、输出用电负载类型识别结果。
所述组合分类器进行用电负载类型识别的方法是:当主分类器成功实现用电负载类型识别,即主分类器输出的识别结果为唯一的用电负载类型,即识别结果中唯一的用电负载类型为是时,将主分类器识别的用电负载类型作为组合分类器的用电负载类型识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果为2种或者2种以上用电负载类型,即识别结果中有2种或者2种以上用电负载类型为是时,将主分类器输出的2种或者2种以上用电负载类型识别结果中,辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果中未能给出识别的用电负载类型,即识别结果中没有用电负载类型为是时,将辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果。
以一个简单的实施例1为例,来说明组合分类器进行用电负载类型识别的方法。设有一个组合分类器,其输入特征为x={TS,I*,TM,A1,A2,A3,A4,A5},其中,TS是启动过程时间,单位是ms;I*是启动电流最大值;TM是启动电流最大值时间,单位是ms;A1、A2、A3、A4、A5为负载电流频谱特性中的1-5次谐波信号相对幅值。组合分类器的输出是{B1,B2,B3,B4},B1、B2、B3、B4分别代表组合分类器对白炽灯、电阻炉、吹风机、计算机的识别结果输出,识别结果B1、B2、B3、B4的取值均为二值分类标记。主分类器的输入特征也是x={TS,I*,TM,A1,A2,A3,A4,A5},其输出是{F1,F2,F3,F4},F1、F2、F3、F4分别代表主分类器对白炽灯、电阻炉、吹风机、计算机的识别结果输出,识别结果F1、F2、F3、F4的取值也均为二值分类标记。辅助分类器的输入特征同样为x={TS,I*,TM,A1,A2,A3,A4,A5},其输出是{P(y1|x),P(y2|x),P(y3|x),P(y4|x)},P(y1|x)、P(y2|x)、P(y3|x)、P(y4|x)为辅助分类器输出的后验概率,P(y1|x)、P(y2|x)、P(y3|x)、P(y4|x)之间的相互大小表明辅助分类器的当前输入特征表示所识别的用电负载属于白炽灯、电阻炉、吹风机、计算机的可能性大小。
在实施例1中,B1、B2、B3、B4的分类标记和F1、F2、F3、F4的分类标记均取1、0。分类标记为1时,相应的用电负载类型与当前输入特征匹配,为确认的识别结果,或者说相应的用电负载类型识别结果为是;分类标记为0时,相应的用电负载类型与输入特征不匹配,未能成为确认的识别结果,或者说相应的用电负载类型识别结果为否。
在实施例1中,设某次的主分类器的识别分类标记为F1F2F3F4=0100,则认为主分类器成功实现用电负载类型识别,因此,不考虑辅助分类器的识别结果,直接令B1B2B3B4=0100,即组合分类器的识别结果是:被识别的用电负载为电阻炉。
在实施例1中,设某次的主分类器的识别分类标记为F1F2F3F4=1010,则认为主分类器未能实现用电负载类型识别,且主分类器的识别结果为2种或者2种以上用电负载类型;再设此时辅助分类器的识别结果满足P(y1|x)<P(y3|x),则令B1B2B3B4=0010,即组合分类器的识别结果是:被识别的用电负载为吹风机。
在实施例1中,设某次的主分类器的识别分类标记为F1F2F3F4=0000,则认为主分类器未能实现用电负载类型识别,且主分类器的识别结果中未能给出识别的用电负载类型;再设此时辅助分类器的识别结果满足P(y1|x)>P(y2|x)且P(y1|x)>P(y3|x)且P(y1|x)>P(y4|x),则令B1B2B3B4=1000,即组合分类器的识别结果是:被识别的用电负载为白炽灯。
组合分类器、主分类器的识别结果分类标记也可以采用其他的方案,例如,分别用分类标记1、-1,或者是0、1,或者是-1、1,以及其他方案来表示相应用电负载识别结果为是、否。组合分类器与主分类器的分类标记方案可以相同,也可以不相同。
所述组合分类器的输入特征中,还可以包括用电负载稳态电流有效值IW。例如,有2种不同的用电负载,电烙铁和电阻炉需要识别,电烙铁、电阻炉都是纯电阻负载,且都具有电阻温度修正系数小,电阻值稳定的共同特点。因此,单纯依靠前述的启动电流特征和负载电流频谱特征无法将他们进行区分。输入特征中增加用电负载稳态电流有效值IW后,电烙铁功率小,用电负载稳态电流有效值IW小;电阻炉功率大,用电负载稳态电流有效值IW大,特征不同,组合分类器可以进行并完成识别。
辅助分类器为贝叶斯分类器。可以选择NBC分类器(朴素贝叶斯分类器)、TAN分类器(树扩展朴素贝叶斯分类器)、BAN分类器(增强的贝叶斯分类器)等三种贝叶斯分类器之中的一种作为辅助分类器。
实施例2选择NBC分类器作为辅助分类器。朴素贝叶斯分类的定义如下:
⑴设x={a1,a2,…,am}为一个待分类项,而每个a为x的一个特征属性;
⑵有类别集合C={y1,y2,…,yn};
⑶计算P(y1|x),P(y2|x),…,P(yn|x);
⑷如果P(yk|x)=max{P(y1|x),P(y2|x),…,P(yn|x)},则x∈yk。
计算第⑶步中的各个条件概率的具体方法是:
①找到一个已知分类的待分类项集合作为训练样本集;
②统计得到各类别下各个特征属性的条件概率估计;
P(a1|y1),P(a2|y1),…,P(am|y1);
P(a1|y2),P(a2|y2),…,P(am|y2);
…;
P(a1|yn),P(a2|yn),…,P(am|yn)。
③根据贝叶斯定理,有:
因为分母对于所有类别为常数,因此我们只要将分子最大化即可;又因为在朴素贝叶斯中各特征属性是条件独立的,所以有:
实施例2中,组合分类器的输入特征是{TS,I*,TM,A1,A3,IW},其中,TS是启动过程时间,单位是ms;I*是启动电流最大值;TM是启动电流最大值时间,单位是ms;A1、A3为负载电流频谱特性中的1、3次奇次谐波信号相对幅值;IW为用电负载稳态电流有效值,单位是安培。要求识别的用电负载类别是白炽灯、电阻炉、电风扇、计算机、电烙铁。令朴素贝叶斯分类器的特征属性组合x={a1,a2,a3,a4,a5,a6}中的元素与组合分类器的输入特征集合中的元素按序{TS,I*,TM,A1,A3,IW}一一对应;朴素贝叶斯分类器的输出类别集合C={y1,y2,y3,y4,y5}则分别与用电负载类别白炽灯、电阻炉、电风扇、计算机、电烙铁一一对应。
训练NBC分类器的过程包括:
1、对特征属性进行分段划分,进行离散化处理。实施例2中,采取的特征属性离散化方法是:
a1:{a1<50,50≤a1≤1000,a1>1000};
a2:{a2<7,7≤a2≤11,a2>11};
a3:{a3<20,20≤a3≤300,a3>300};
a4:{a4<0.7,0.7≤a4≤0.9,a4>0.9};
a5:{a5<0.02,0.02≤a5≤0.05,a5>0.05};
a6:{a6<0.45,a6≥0.45}。
2、对每类用电负载类型均采集多组样本作为训练样本,同时计算每类用电负载类型样本在所有用电负载类型样本中所占有的比例,即分别计算P(y1)、P(y2)、P(y3)、P(y4)、P(y5)。当每类用电负载均采集相同的样本数量时,例如,每类用电负载均采集超过100组的样本,其中每类用电负载随机选择100组样本作为训练样本,其他则作为测试样本,总的训练样本为500组,且有
P(y1)=P(y2)=P(y3)=P(y4)=P(y5)=0.2。
3、计算训练样本每个类别条件下各个特征属性分段的频率(比例),统计得到各类别下各个特征属性的条件概率估计,即分别统计计算
P(a1<50|y1)、P(50≤a1≤1000|y1)、P(a1>1000|y1);
P(a1<50|y2)、P(50≤a1≤1000|y2)、P(a1>1000|y2);
…;
P(a1<50|y5)、P(50≤a1≤1000|y5)、P(a1>1000|y5);
P(a2<7|y1)、P(7≤a2≤11|y1)、P(a2>11|y1);
P(a2<7|y2)、P(7≤a2≤11|y2)、P(a2>11|y2);
…;
P(a2<7|y5)、P(7≤a2≤11|y5)、P(a2>11|y5);
P(a3<20|y1)、P(20≤a3≤300|y1)、P(a3>300|y1);
P(a3<20|y2)、P(20≤a3≤300|y2)、P(a3>300|y2);
…;
P(a3<20|y5)、P(20≤a3≤300|y5)、P(a3>300|y5);
P(a4<0.7|y1)、P(0.7≤a4≤0.9|y1)、P(a4>0.9|y1);
P(a4<0.7|y2)、P(0.7≤a4≤0.9|y2)、P(a4>0.9|y2);
…;
P(a4<0.7|y5)、P(0.7≤a4≤0.9|y5)、P(a4>0.9|y5);
P(a5<0.02|y1)、P(0.02≤a5≤0.05|y1)、P(a5>0.05|y1);
P(a5<0.02|y2)、P(0.02≤a5≤0.05|y2)、P(a5>0.05|y2);
P(a5<0.02|y5)、P(0.02≤a5≤0.05|y5)、P(a5>0.05|y5);
P(a6<0.45|y1)、P(a6≥0.45|y1);
P(a6<0.45|y2)、P(a6≥0.45|y2);
…;
P(a6<0.45|y5)、P(a6≥0.45|y5)。
经过上述的步骤1、步骤2、步骤3,NBC分类器训练完成。其中,步骤1对特征属性进行分段划分由人工确定,对每一个输入特征进行分段离散化时,分段的数量为2段或者2段以上,例如,实施例2中,特征a1-a5都分为3段,特征a6分为2段。每一个特征具体分为多少段,分段阈值的选择可以根据训练后的贝叶斯分类器对测试样本测试后的结果进行调整。步骤2、步骤3由信息处理模块102或者是计算机计算完成。
本发明中采用贝叶斯分类器进行分类的方法是:
1、将组合分类器的输入特征作为贝叶斯分类器的输入特征。在实施例2中,将组合分类器的输入特征集合{TS,I*,TM,A1,A3,IW}作为贝叶斯分类器的输入特征x,且有x={a1,a2,a3,a4,a5,a6}。
2、根据训练得到的各类别下各个特征属性的条件概率估计,分别确定各输入特征属性的分段所在并确定其对每类用电负载类别的概率P(a1|y1)~P(am|yn),其中,用电负载类别集合为C={y1,y2,…,yn}。实施例2中,用电负载类别集合C={y1,y2,y3,y4,y5}对应代表的用电负载类别是白炽灯、电阻炉、电风扇、计算机、电烙铁,确定P(a1|y1)~P(a6|y5)的方法是采用训练NBC分类器过程中得到的各个特征属性的条件概率估计。
3、按照式
计算每种用电负载类别的后验概率。因为分母P(x)对于所有用电负载类别为常数,令P(x)=1替代实际的P(x)值,不影响每种用电负载类别后验概率之间的相互大小比较,此时有
实施例2中,有
采用测试样本对训练好的贝叶斯分类器进行测试,根据测试结果决定是否调整对输入特征的离散化方法(即调整分段数量与阈值),重新训练贝叶斯分类器。
主分类器为支持向量机分类器,或称为SVM分类器。SVM分类器特别适合解决二值分类情况,因此,主分类器采用多个二类输出SVM分类器组成,每个二类输出SVM分类器对应识别一种用电负载类型,例如,实施例1中可以采用4个二类输出SVM分类器分别识别白炽灯、电阻炉、吹风机、计算机,实施例2中可以采用5个二类输出SVM分类器分别识别白炽灯、电阻炉、电风扇、计算机、电烙铁。主分类器选择多个二类输出SVM分类器共同组成时,所有二类输出SVM分类器的输入特征均为主分类器的输入特征。
训练各二类输出SVM分类器时,对每类用电负载类型均采集多组样本,随机抽取部分作为训练样本,其余的作为测试样本。样本采集采用前述的获取用电负载的启动电流特征的方法和获取用电负载的负载电流频谱特征以及获取用电负载的基波电压电流相位差特征的方法。所有的训练样本均作为每个二类输出SVM分类器的训练样本。例如,在实施例2中,可以分别对白炽灯、电阻炉、电风扇、计算机、电烙铁等负载均采集超过100组样本,随机抽取其中每种100组、共500组样本组成训练样本,剩余的样本组成测试样本;当然,某种负载或者所有负载采集的样本数量达不到100组样本,SVM分类器也能够取得较好的分类效果。
主分类器所选用的二类输出SVM分类器选择径向基RBF核函数,并采用粒子群算法(PSO)对各二类输出SVM分类器的惩罚参数C和核参数Y进行优化选择。
每个二类输出SVM分类器只需要完成一种用电负载类型的识别,SVM分类器的训练相对简单。主分类器由多个二类输出SVM分类器组成,各二类输出SVM分类器之间相互独立,因此,对某一特征属性进行识别时,主分类器有可能输出的识别结果为唯一的用电负载类型,或者识别结果为2种或者2种以上用电负载类型,或者未能给出识别的用电负载类型。
Claims (10)
1.一种用电负载类型识别方法,其特征在于,由包括信息采集模块、信息处理模块、通信模块的用电负载识别装置来实现;
所述信息采集模块用于采集用电负载的负载电流并转换成电流数字信号;所述电流数字信号被送至信息处理模块;
所述信息处理模块依据输入的电流数字信号,采用组合分类器进行用电负载类型识别;
所述通信模块用于发送信息处理模块的用电负载类型识别结果至上位机;
所述组合分类器的输入特征包括用电负载的启动电流特征和用电负载的负载电流频谱特征;所述组合分类器包括支持向量机分类器和贝叶斯分类器;
所述启动电流特征包括启动过程时间、启动电流最大值、启动电流最大值时间。
2.如权利要求1所述的用电负载类型识别方法,其特征在于,所述信息采集模块包括电流传感器、前置放大器、滤波器、A/D转换器;所述信息处理模块的核心为DSP,或者为ARM,或者为单片机,或者为FPGA。
3.如权利要求2所述的用电负载类型识别方法,其特征在于,所述A/D转换器采用信息处理模块的核心中包括的A/D转换器。
4.如权利要求1所述的用电负载类型识别方法,其特征在于,所述信息采集模块、信息处理模块、通信模块的全部或者部分功能集成在一片SoC上。
5.如权利要求1所述的用电负载类型识别方法,其特征在于,所述通信模块还接收上位机的相关工作指令;所述通信模块与上位机之间的通信方式包括无线通信方式与有线通信方式;所述无线通信方式包括ZigBee、蓝牙、WiFi、433MHz数传方式;所述有线通信方式包括485总线、CAN总线、互联网、电力载波方式。
6.如权利要求1-5中任一项所述的用电负载类型识别方法,其特征在于,所述组合分类器中,支持向量机分类器为主分类器,贝叶斯分类器为辅助分类器。
7.如权利要求6所述的用电负载类型识别方法,其特征在于,所述组合分类器进行用电负载类型识别的方法是:当主分类器成功实现用电负载类型识别时,主分类器的用电负载类型识别结果为组合分类器的识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果为2种或者2种以上用电负载类型,将主分类器输出的2种或者2种以上用电负载类型识别结果中,辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果;当主分类器未能实现用电负载类型识别,且主分类器的识别结果中未能给出识别的用电负载类型时,将辅助分类器输出中概率最高的用电负载类型作为组合分类器的用电负载类型识别结果。
8.如权利要求6所述的用电负载类型识别方法,其特征在于,所述负载电流频谱特征通过以下方法获得:
步骤一、获取用电负载的稳态电流信号,并将其转换为对应的稳态电流数字信号;
步骤二、对稳态电流数字信号进行傅立叶变换,得到负载电流频谱特性;
步骤三、将负载电流频谱特性中谐波次数为n次的奇次谐波信号相对幅值作为负载电流频谱特征,其中,n=1,3,…,M;所述M表示谐波最高次数且M大于等于3。
9.如权利要求6所述的用电负载类型识别方法,其特征在于,所述启动电流特征由信息处理模块通过以下方法获得:
步骤1、用电负载启动前,开始对用电负载的负载电流连续采样并对负载电流大小进行判断;当负载电流有效值大于ε时,判定用电负载开始启动并转向步骤2;所述ε为大于0的数值;
步骤2、对用电负载的负载电流进行连续采样,以工频周期为单位计算负载电流有效值并保存;计算最近N个工频周期的负载电流有效值的平均值;当最近N个工频周期之内的每个工频周期的负载电流有效值与该N个工频周期的负载电流有效值的平均值相比较,波动幅度均小于设定的相对误差范围E时,判定用电负载进入稳定状态,转向步骤3;所述N的取值范围为50-500;所述E的取值范围为2%-20%;
步骤3、将最近N个工频周期之内的负载电流有效值的平均值作为用电负载稳态电流有效值;将用电负载开始启动时刻至最近N个工频周期起始时刻之间的时间作为启动过程时间;将用电负载开始启动时刻至启动过程时间之内负载电流有效值最大的工频周期之间的时间作为启动电流最大值时间;将启动电流最大值时间所在工频周期的负载电流有效值与用电负载稳态电流有效值之间的比值作为启动电流最大值。
10.如权利要求9所述的用电负载类型识别方法,其特征在于,所述组合分类器的输入特征还包括用电负载稳态电流有效值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213598.1A CN105913006A (zh) | 2016-04-08 | 2016-04-08 | 一种用电负载类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213598.1A CN105913006A (zh) | 2016-04-08 | 2016-04-08 | 一种用电负载类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105913006A true CN105913006A (zh) | 2016-08-31 |
Family
ID=56745429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610213598.1A Pending CN105913006A (zh) | 2016-04-08 | 2016-04-08 | 一种用电负载类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913006A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682705A (zh) * | 2017-02-04 | 2017-05-17 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN108828345A (zh) * | 2018-04-17 | 2018-11-16 | 武汉阿帕科技有限公司 | 一种电力线路中可控硅负载识别方法及系统 |
CN110110708A (zh) * | 2019-05-27 | 2019-08-09 | 湖南工业大学 | 电气负载类型识别装置 |
CN110135393A (zh) * | 2019-05-27 | 2019-08-16 | 湖南工业大学 | 电气负载启动运行识别装置 |
CN110197220A (zh) * | 2019-05-27 | 2019-09-03 | 湖南工业大学 | 一种电气负载启动运行识别方法 |
CN113033633A (zh) * | 2021-03-12 | 2021-06-25 | 贵州电网有限责任公司 | 一种结合电力指纹知识和神经网络的设备类型识别方法 |
CN115456034A (zh) * | 2022-11-09 | 2022-12-09 | 广东浩迪创新科技有限公司 | 一种电动自行车充电自动识别监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279326A (zh) * | 2011-04-22 | 2011-12-14 | 华中科技大学 | 电器识别方法及应用该方法的家庭用户碳排放计量系统 |
CN104090176A (zh) * | 2014-06-09 | 2014-10-08 | 深圳市宏电技术股份有限公司 | 一种基于耗电特征曲线的家用电器智能识别方法 |
CN105372541A (zh) * | 2015-12-24 | 2016-03-02 | 山东大学 | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 |
-
2016
- 2016-04-08 CN CN201610213598.1A patent/CN105913006A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279326A (zh) * | 2011-04-22 | 2011-12-14 | 华中科技大学 | 电器识别方法及应用该方法的家庭用户碳排放计量系统 |
CN104090176A (zh) * | 2014-06-09 | 2014-10-08 | 深圳市宏电技术股份有限公司 | 一种基于耗电特征曲线的家用电器智能识别方法 |
CN105372541A (zh) * | 2015-12-24 | 2016-03-02 | 山东大学 | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 |
Non-Patent Citations (2)
Title |
---|
王娟等: ""基于BP神经网络的负载识别和C语言实现"", 《河北省科学院学报》 * |
顾晓清等: ""基于贝叶斯和支持向量机的钓鱼网站检测方法"", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682705A (zh) * | 2017-02-04 | 2017-05-17 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN106682705B (zh) * | 2017-02-04 | 2019-12-24 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN108828345A (zh) * | 2018-04-17 | 2018-11-16 | 武汉阿帕科技有限公司 | 一种电力线路中可控硅负载识别方法及系统 |
CN108828345B (zh) * | 2018-04-17 | 2020-06-30 | 武汉阿帕科技有限公司 | 一种电力线路中可控硅负载识别方法及系统 |
CN110110708A (zh) * | 2019-05-27 | 2019-08-09 | 湖南工业大学 | 电气负载类型识别装置 |
CN110135393A (zh) * | 2019-05-27 | 2019-08-16 | 湖南工业大学 | 电气负载启动运行识别装置 |
CN110197220A (zh) * | 2019-05-27 | 2019-09-03 | 湖南工业大学 | 一种电气负载启动运行识别方法 |
CN113033633A (zh) * | 2021-03-12 | 2021-06-25 | 贵州电网有限责任公司 | 一种结合电力指纹知识和神经网络的设备类型识别方法 |
CN115456034A (zh) * | 2022-11-09 | 2022-12-09 | 广东浩迪创新科技有限公司 | 一种电动自行车充电自动识别监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913006A (zh) | 一种用电负载类型识别方法 | |
CN105866581B (zh) | 一种电器类型识别方法 | |
CN105759148B (zh) | 一种用电器类型判断方法 | |
CN105785187B (zh) | 一种学生宿舍用电器类型判断方法 | |
CN105913005A (zh) | 电器负载类型智能识别方法与装置 | |
CN110443302B (zh) | 基于特征融合与深度学习的负荷辨识方法及其应用 | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
CN106909101B (zh) | 一种非侵入式家用电器分类装置及方法 | |
CN105759149B (zh) | 学生宿舍用电器类型判断器 | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN104076224B (zh) | 一种用电信息采集设备可靠性验证的试验方法 | |
Ghosh et al. | An improved load feature extraction technique for smart homes using fuzzy-based NILM | |
CN105891633A (zh) | 学生宿舍用电器类型判断装置 | |
Du et al. | Support vector machine based methods for non-intrusive identification of miscellaneous electric loads | |
CN107817382B (zh) | 智能电表、电器识别方法以及具有该电表的智能公寓系统 | |
CN109613362B (zh) | 非侵入式电器数量识别方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN105868790A (zh) | 用电负载类型识别器 | |
CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
CN105913009A (zh) | 电器类型识别器 | |
CN105913010A (zh) | 用电器类型判断器 | |
CN116467648A (zh) | 一种基于物联表的非线性台区电力故障的早期监测方法 | |
Cuñado et al. | A supervised learning approach to appliance classification based on power consumption traces analysis | |
CN105866580A (zh) | 电器类型判断装置 | |
CN110135392A (zh) | 一种电气负载类型识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160831 |
|
RJ01 | Rejection of invention patent application after publication |