CN106093652A - 一种具备自学习功能的非侵入式电力负荷监测系统与方法 - Google Patents

Abstract

本发明提供了一种具备自学习功能的非侵入式电力负荷监测系统与方法，在不具备电器设备负荷特征数据库自动维护功能的非侵入式电力负荷监测技术系统的基础上，增加了未建模电器设备负荷特征自动生成功能，能够自动检测出受监测电力负荷内部存在的未建模电器设备，并自动提取其负荷特征参数，最终用以更新非侵入式电力负荷监测技术系统的电器设备负荷特征数据库，从而不再需要技术人员通过人工回访用户的方式来维护和更新电器设备负荷特征数据库，既能通过及时更新电器设备负荷特征数据库来保证系统的监测性能在电力负荷内部引入未建模电器设备时不受影响，又能通过节省人力成本来提高非侵入式电力负荷监测技术系统的运行效率。

Description

一种具备自学习功能的非侵入式电力负荷监测系统与方法

技术领域

本发明属于电力负荷监测领域，尤其是涉及一种具备自学习功能的非侵入式电力负荷监测系统与方法。

背景技术

非侵入式电力负荷监测(Non-intrusive Load Monitoring，NILM)是一种新颖的电力负荷用电细节监测技术，具体为通过在用电端口(如一户居民或一幢楼宇，一条工业母线或一个工厂车间、以至一个微电网)总口处安装一个传感器，通过分析负荷在总口的量测信息(端电压、总电流)来总负荷内部的每种电器设备的用电信息实现(近乎)实时的跟踪监测，获取分项用电信息，包括但不限于所有电器设备的工作状态、用电功率以及总用电量等用电信息。这种技术突破了目前智能电表只能对电力负荷进行用电总量监测的现状，将用电信息监测深入、细化到电力负荷内部。对于获取用电细节信息而言，同传统的侵入式监测技术相比，非侵入式电力负荷监测技术具有不可比拟的投资、部署和运行优势。

到目前为止，非侵入式电力负荷监测技术主要包括两大类：基于稳态分析的监测技术与基于暂态事件的监测技术。对于基于稳态分析的负载监测技术，当电器设备均处于稳态时，可以利用基于稳态谐波分析的非侵入式电力负荷分解法，实现电力负荷采样、分解、叠加等一系列算法，从而获得主要用电设备的电力负荷用电信息。

建立负荷特征数据库是实现NILM的基础。在许多关于NILM的研究中，例如《南方电网技术》期刊中公开的名为“非侵入式居民电力负荷监测与分解技术”的文献，和专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”中均提到了建立电器设备负荷特征数据库的问题。受工程实际条件的限制，短期内建立和维护一个关于现代社会中存在的所有电器设备的负荷特征的“全局”数据库是比较困难的，然而，基于对电器设备用电特性的共性认识，在NILM技术实用化推广初期，建立和维护针对每个具体监测(或应用)场景的“本地”负荷特征数据库更具有实际意义和可操作性。

负荷特征数据库的建立和维护主要涉及两项工作：(1)在NILM技术系统部署初期，建立或预设负荷特征数据库，(2)在用户后期增加或更换电器设备时，维护和更新负荷特征数据库。目前，对于前者，一般是技术人员初到现场时直接对每个用户现有电器设备进行量测来采集其用电特征参数以预设电器设备负荷特征数据库；那么，在NILM技术系统部署实施后，对于后者，通过技术人员定期人工回访来维护电器设备负荷特征数据库显然不是一个好的选择，原因在于这不能做到及时的负荷特征数据库更新与维护，这会使得系统的监测准确性受新增电器设备的影响而下降，虽然提高回访频率能够一定程度上保证更新的及时性，但是由于用户电器设备的新增或更换并不频繁，且没有规律可循，高频率的人工回访实际上是低效的。

发明内容

鉴于本领域存在的上述问题，本发明提出了一种具备自学习功能的非侵入式电力负荷监测系统与方法，旨在解决传统非侵入式电力负荷监测技术系统因不具备电器设备负荷特征数据库自动维护功能而使其更新和维护不及时，最终导致监测结果准确性降低，以及高成本、低效率的人工更新和维护方案使得非侵入式电力负荷监测技术的实用性差，最终有碍其技术推广的问题。

在发明中，传统非侵入式电力负荷监测技术系统就是指不具备电器设备负荷特征数据库自动维护功能的系统，已知电器设备是指电器设备负荷特征数据库中已经包含其负荷特征数据的电器设备，那么，随着电器设备负荷特征数据库的更新，已知电器设备的数量和\或类型会发生变化，未建模电器设备是指在电器设备负荷特征数据库中不包含其负荷特征数据的电器设备，例如，在非侵入式电力负荷监测技术系统部署之初，电力负荷内部并不存在，后来用户增加的新的电器设备。为了解决上述技术问题，本发明采用的技术方案是：一种具备自学习功能的非侵入式电力负荷监测系统，包括电力负荷用电数据采集模块、电力负荷用电特征获取模块、电力负荷内部电器设备用电状态监测模块、电器设备负荷特征数据库模块、对外交互功能模块，还包括未建模电器设备类型负荷特征生成模块；

所述的电力负荷用电数据采集模块，用于采集电力负荷供电电源入口处的端电压和总电流；

所述的电力负荷用电特征获取模块，对电力负荷用电数据采集模块采集到的电压、电流数据进行滤波、降噪，平滑等数据处理，进而获取电力负荷内部电器设备用电状态监测模块所需的电力负荷特征；

所述的电力负荷内部电器设备用电状态监测模块用于依据电力负荷用电特征获取模块提供的电力负荷特征,采用合理的非侵入式电力负荷监测求解模型和求解方法，确定电力负荷内部每种电器设备类型的用电状态，包括电器设备的工作状态和/或用电功率两方面内容；

所述的电器设备负荷特征数据库模块用于存储和管理电器设备的负荷特征数据，包括向电力负荷内部电器设备用电状态监测模块提供电器设备负荷特征数据库的访问接口，以及接收并存储未建模电器设备类型负荷特征生成模块提供的未建模电器设备的负荷特征数据；

所述的对外交互功能模块用于实现非侵入式电力负荷监测技术系统中其他功能模块与外界之间必要的数据信息交互功能，包括但不限于监测结果显示、控制命令输入与输出、及系统报告输出；

所述的未建模电器设备类型负荷特征生成模块用于根据电器设备用电状态监测结果，自动检测受监测电力负荷内部存在的未建模电器设备，自动获取其负荷特征参数样本，进一步地，所述的未建模电器设备类型负荷特征生成模块，根据系统所采用的电器设备用电状态监测方法的需要，将未建模电器设备的负荷特征数据输出给电器设备负荷特征数据库模块并由所述电器设备负荷特征数据库模块保存。

进一步地，所述的电力负荷用电数据采集模块，采集电源入口处的强电压、大电流模拟信号，并将其转换为电力负荷用电特征获取模块能够处理的弱电压和/或小电流模拟信号，而后将所获取的弱电压和/或小电流模拟信号数字化，用于电力负荷用电特征获取模块提取所需电力负荷用电特征。

本发明还提供一种具备自学习功能的非侵入式电力负荷监测方法，应用于前面所述的一种具备自学习功能的非侵入式电力负荷监测系统中，包括以下步骤：

步骤201：参数初始化，预设电器设备负荷特征数据库；

步骤202：采集电力负荷用电数据，提取当前时刻的电力负荷特征数据；

步骤203：利用有效的非侵入式电力负荷监测技术进行当前时刻的电力负荷内部电器设备用电状态监测；

步骤204：根据监测结果，判断并记录当前时刻电力负荷内部是否存在未建模电器设备类型，若相邻的两个判断时刻中，有且只有其中一个时刻的电力负荷内部存在未建模电器设备类型；则执行步骤205；否则转至步骤208；

步骤205：根据当前和前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的电力负荷特征数据，提取未建模电器设备类型的负荷特征参数样本，并将其存储在未知负荷特征参数样本列表中；

步骤206：若检测到的存储在未知负荷特征参数样本列表中的未建模电器设备类型的负荷特征参数样本的总数积累达到预设值k₁，则执行步骤207；否则转至步骤208；

步骤207：从已经积累的所有未知负荷特征参数样本中，确定不同未建模电器设备类型的负荷特征参数，并将结果存储在电器设备负荷特征数据库中，同时将与已确定的未建模电器设备相关的负荷特征参数样本从未知负荷特征参数样本列表中删除；

步骤208：以当前时刻的关于电力负荷内部是否存在未建模电器设备类型的判断结果更新前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的判断结果；以当前时刻的电力负荷特征数据更新前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征数据，转至步骤202，循环执行。

更进一步地，对于步骤201，预设电器设备负荷特征数据库前，预先对受监测电力负荷中的已知电器设备类型，获取相应负荷特征数据；并将相应负荷特征数据存储在电器设备负荷特征数据库中，作为初始电器设备负荷特征数据库。

预设电器设备负荷特征数据库包括预先对受监测电力负荷内部的已知电器设备类型，获取相应负荷特征数据，并将相应负荷特征数据存储在电器设备负荷特征数据库中，作为初始的电器设备负荷特征数据库；参数初始化，包括预设未建模电器设备类型的负荷特征参数样本总数的预设值k₁、有效簇所包含的负荷特征样本数量的预设值k₂、未建模电器设备判断参数以及系统所采用非侵入式电力负荷监测方法中的具体参数。

更进一步地，对于步骤204，根据与电器设备的用电状态监测结果对应的电力负荷特征估计值和采集到的电力负荷特征实际值之间的偏差大小来判断当前时刻的电力负荷内部是否存在未建模电器设备类型。

更进一步地，还包括以下是否存在未建模电器设备类型判断方法：

步骤1、确定电力负荷特征向量的估计值

与电器设备用电状态监测结果是一一对应的，可以依据电器设备用电状态监测结果和已知的电器设备负荷特征参数估计而得，计算方法如下式所示，

$\widehat{X_L}\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}_n\left(t\right)\·X_n$

式中，s_n(t)表示时刻t第n种已知电器设备类型的用电状态辨识结果，X_n表示第n种已知电器设备类型的负荷特征参数典型值，根据系统所采用的非侵入式电力负荷监测方法的不同，可以是采用相应方法获得的电器设备处于不同工作状态下的电流和/或功率特征的典型值，其中，n∈{1,2,3,…,N}，N表示电力负荷内部已知电器设备类型的总数量；

步骤2、建立判断式若不等式成立，则表明在时刻t，电力负荷内部存在未建模的电器设备类型；

式中，X_L(t)表示在时刻t采集到的用于电器设备用电状态监测的电力负荷特征向量的实际值，表示电器设备用电状态监测方法对时刻t的电力负荷特征向量的估计值，||·||_p表示向量的Lp-范数，其中p≥1，ε表示判断阈值，判断阈值ε的最优取值范围为5％～20％。

更进一步地，对于步骤205，包括计算当前和前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征参数的差值作为未建模电器设备类型的负荷特征参数样本。

更进一步地，对于步骤206，关于未建模电器设备类型的负荷特征参数样本总数的预设值k₁，k₁的取值不小于100。

更进一步的，对于步骤207，包括利用聚类分析方法，对已经积累的未建模电器设备的负荷特征样本进行聚类分析，在聚类结果中，所有包含负荷特征样本数量大于预设值k₂的簇分别对应一种未建模电器设备类型，每个簇中包含的所有负荷特征样本皆是由与之对应的未建模电器设备类型产生的，并以簇的聚类中心作为未建模电器设备类型的负荷特征的典型值；k₂的取值不小于5。对于聚类分析方法，本发明可以采用任意现有技术，例如，k-均值算法、k-中心值算法、DBSCAN算法及基于网格的聚类(grid-basedclustering)算法[Jiawei Han,Micheline Kamber,Jian Pei.Data Mining:Concepts and Techniques[M].Elsevier,2011]等。

本发明具有的优点和有益效果是：提出了一种具备自学习功能的非侵入式电力负荷监测系统，并提出了一种具备自学习功能的非侵入式电力负荷监测方法，利用本发明技术成果，非侵入式电力负荷监测技术系统能够自动检测出受监测电力负荷内部存在的未建模电器设备，并自动提取负荷特征参数，最终用以更新非侵入式电力负荷监测技术系统的电器设备负荷特征数据库，从而不再需要技术人员通过人工回访用户的方式来维护和更新电器设备负荷特征数据库；既能在电力负荷内部新增和/或更换电器设备时保证系统监测性能不受影响，又能大大节省了人力成本，提高非侵入式电力负荷监测技术系统的运行效率，因此，能够极大地提高非侵入式电力负荷监测技术的实用性；基于非侵入式电力负荷监测技术的电力大数据可极大地帮助电力公司积累优良的数据资产，升级其现有功能与业务，如：电网规划与运行管理、电力需求侧管理、客户服务等，并可拓展公司职能和业务范畴；同时，能够帮助电力用户节约用电，最终促进全社会节能减排。

附图说明

图1是本发明一种具备自学习功能的非侵入式电力负荷监测系统的构架图；

图2是本发明一种具备自学习功能的非侵入式电力负荷监测方法的流程图；

图3是本发明一种具备自学习功能的非侵入式电力负荷监测系统与方法的模拟测试电路图(一)；

图4是本发明一种具备自学习功能的非侵入式电力负荷监测系统与方法的模拟测试电路图(二)。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述：应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1-4所示，本发明通过下述实施例进行说明

如图1所示，一种具备自学习功能的非侵入式电力负荷监测系统，包括电力负荷用电数据采集模块，电力负荷用电特征获取模块，电力负荷内部电器设备用电状态监测模块，电器设备负荷特征数据库、对外交互功能模块这五个传统非侵入式电力负荷监测技术系统所含有的功能模块之外，还包括未建模电器设备类型负荷特征生成模块。

电力负荷用电数据采集模块，用于采集电力负荷供电电源入口处的端电压和总电流，具体包括将电源入口处的强电压、大电流模拟信号转换为电力负荷用电特征获取模块能够处理的弱电压和/或小电流模拟信号，并为电力负荷用电特征获取模块能够获取所需的电力负荷用电特征而以满足要求的采样频率完成弱电压和/或小电流模拟信号的数字化，前者可采用电压、电流互感器实现。

电力负荷用电特征获取模块用于在完成电压、电流数据滤波、降噪等必要的数据预处理的基础上，采用必要的数据分析与处理技术方法获取电力负荷内部电器设备用电状态监测模块所需的电力负荷特征，例如，若需要获取电压、电流谐波特征，则可采用傅里叶变换(FFT)对电压、电流信号进行分析，若需提取负荷事件特征，则可采用变点检测方法[张学新.变点检测问题最新进展综述[J].江汉大学学报(自然科学版),2012,40(2):18-24.]从电力负荷用电功率曲线中检测负荷事件，再提取负荷事件相关负荷特征[Jian Liang,Ng,Simon K.K.,Kendall,G.,et al.Load Signature Study—Part I_Basic Concept,Structure,and Methodology[J].IEEE Transactions on Power Delivery,2010,25(2):551–560]。

电力负荷内部电器设备用电状态监测模块用于依据电力负荷用电特征获取模块提供的电力负荷特征，采用合理的非侵入式电力负荷监测求解模型和求解方法，确定电力负荷内部每种电器设备类型的用电状态，包括电器设备的工作状态和/或用电功率两方面内容，所述非侵入式电力负荷监测求解模型和求解方法可以是但不限于[专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”][G.W.Hart.Nonintrusiveappliance load monitoring[J].Proceedings of IEEE，1992，80(12)：1870-1891.][Steven B.Leeb,Steven R.Shaw,James L.Kirtley.Transientevent detection in spectral envelope estimates for nonintrusive loadmonitoring[J].IEEE Transactions on Power Delivery,1995,10(3):1200-1210.]等报道公开的求解模型和求解方法。

电器设备负荷特征数据库模块用于存储和管理电器设备的负荷特征数据，包括向电器设备用电状态监测模块提供电器设备负荷特征数据库的访问接口，以及接收并存储未建模电器设备类型负荷特征生成模块提供的未建模电器设备的负荷特征数据。

对外交互功能模块用于实现非侵入式电力负荷监测技术系统中其他功能模块与外界之间必要的数据信息交互功能，包括但不限于监测结果显示、控制命令输入与输出及系统报告输出。

未建模电器设备类型负荷特征生成模块用于根据电器设备用电状态监测结果，自动检测出受监测电力负荷内部存在的未建模电器设备，并自动获取其负荷特征参数样本，最后根据系统所采用的电器设备用电状态监测方法的需要，将未建模电器设备的负荷特征数据输出给电器设备负荷特征数据库模块并存储。

如图2所示，一种具备自学习功能的非侵入式电力负荷监测方法；

步骤201：参数初始化，预设电器设备负荷特征数据库；

步骤202：采集电力负荷用电数据，提取当前时刻的电力负荷特征数据；

步骤203：利用有效的非侵入式电力负荷监测技术进行当前时刻的电力负荷内部电器设备用电状态监测；

步骤204：根据监测结果，判断并记录当前时刻电力负荷内部是否存在未建模电器设备类型，若相邻的两个判断时刻中，有且只有其中一个时刻的电力负荷内部存在未建模电器设备类型；则执行步骤205；否则转至步骤208；

步骤205：根据当前和前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的电力负荷特征数据，提取未建模电器设备类型的负荷特征参数样本，并将其存储在未知负荷特征参数样本列表中；

步骤206：若检测到的存储在未知负荷特征参数样本列表中的未建模电器设备类型的负荷特征参数样本的总数积累达到预设值k₁，则执行步骤207；否则转至步骤208；

步骤207：从已经积累的所有未知负荷特征参数样本中，确定不同未建模电器设备类型的负荷特征参数，并将结果存储在电器设备负荷特征数据库中，同时将与已确定的未建模电器设备相关的负荷特征参数样本从未知负荷特征参数样本列表中删除；

步骤208：以当前时刻的电力负荷内部是否存在未建模电器设备类型的判断结果更新前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的判断结果；以当前时刻的电力负荷特征数据更新前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征数据，转至步骤202，循环执行。

具体地，在步骤201中，进行参数初始化，预设电器设备负荷特征数据库时，具体包括，为本发明方法中涉及系统所用技术方法(包括本发明创新技术方法)中相关参数设置取值，包括负荷特征参数样本总数的预设值k₁，有效簇所包含的负荷特征样本数量的预设值k₂，未建模电器设备判断阈值ε，式(2)中参数p的取值，以及所采用非侵入式电力负荷监测方法中的具体参数，如专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”中原始电压、电流信号的采样频率，预设电器设备负荷特征数据库，包括根据电器设备用电状态监测方法的需要，预先对受监测电力负荷内部的已知电器设备类型，获取相应负荷特征数据并存储在电器设备负荷特征数据库中，根据非侵入式电力负荷监测方法的不同，所采用的负荷特征会有所不同，如专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”中采用的是电流谐波特征。在本文中，与未建模电器设备类型相对应，已知电器设备类型也被称为已建模电器设备。

步骤204中，本发明根据与电器设备的用电状态监测结果对应的电力负荷特征估计值和采集到的电力负荷特征实际值之间的偏差大小来判断当前时刻电力负荷中是否存在未建模电器设备类型；

首先，确定电力负荷特征向量的估计值

与电器设备用电状态监测结果是一一对应，可以依据电器设备用电状态监测结果和已知的电器设备负荷特征参数估计而得，计算方法如下式所示，

$\widehat{X_L}\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}_n\left(t\right)\·X_n---\left(1\right)$

式中，s_n(t)表示时刻t第n种已知电器设备类型的用电状态辨识结果，X_n表示第n种已知电器设备类型的负荷特征参数典型值，根据系统所采用的非侵入式电力负荷监测方法的不同，可以是采用相应方法获得的电器设备处于不同工作状态下的电流和/或功率特征的典型值，其中，n∈{1,2,3,…,N}，N表示电力负荷内部已知电器设备类型的总数量；

若下式(2)所示不等式成立，则表明在时刻t，电力负荷内部存在未建模的电器设备类型：

$\left|\right|X_L\left(t\right)-\widehat{X_L}\left(t\right)|{|}_p\≥\mathrm{\ϵ}\·|\left|X_L\left(t\right)\right|{|}_p---\left(2\right)$

式中，X_L(t)表示在时刻t采集到的用于电器设备用电状态监测的电力负荷特征向量的实际值，表示电器设备用电状态监测方法对时刻t的电力负荷特征向量的估计值，||·||_p表示向量的Lp-范数，其中p≥1，ε表示判断阈值；

对于判断阈值ε，技术人员或用户可以根据所需的未建模电器设备检测敏感度来设定该参数的取值，在该值设置较小的情况下，系统对未建模电器设备会比较“敏感”，使得一些已知电器设备产生的负荷特征样本被判断为是由未建模电器设备产生的，在该值设置较大的情况下，系统会对未建模电器设备比较“迟钝”，然而，虽然有遗漏未建模电器设备负荷特征样本的风险，但是已知电器设备产生的负荷特征样本被误判为是由未建模电器设备产生的几率会大大降低。工程上，判断阈值ε的最优取值范围为5％～20％。

由于不同的电器设备用电状态监测方法的监测原理和\或所用的负荷特征类型可能不同，因此，本发明方法对s_n(t)的取值范围和X_n所代表的负荷特征类型或负荷特征类型的组合并不做限制，具体根据非侵入式电力负荷监测技术系统实施过程中，系统实际采用的电器设备用电状态监测方法而定，其中，X_n可以是电力负荷的功率特征、电流特征、谐波特征或者它们的组合。

对于步骤205，包括计算当前和前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征参数的差值作为未建模电器设备类型的负荷特征参数样本；例如，计算电力负荷总功率之差，可以得到未建模电器设备的功率特征，同理，计算电力负荷总电流谐波特征之差，可以得到未建模电器设备的电流谐波特征。

对于步骤206，关于未建模电器设备类型的负荷特征参数样本总数的预设值k₁，可以由技术人员根据应用场景的不同，或者用户根据应用需求的不同设定不同的数值，取值较小有助于提高系统检测未建模电器设备的实时性，取值较大有助于提高系统检测未建模电器设备的准确性；工程上，根据系统的计算资源配置，k₁的取值不小于100。

对于步骤207，包括利用聚类分析方法，对已经积累的未建模电器设备的负荷特征样本进行聚类分析，在聚类结果中，所有包含负荷特征样本数量大于预设值k₂的簇分别对应一种未建模电器设备类型，每个簇中包含的所有负荷特征样本皆是由与之对应的未建模电器设备产生的，并以簇的聚类中心作为未建模电器设备类型的负荷特征的典型值；可以由技术人员根据应用场景的不同，或者用户根据应用需求的不同设定不同的数值，合适的取值有助于确保系统所生成的未建模电器设备类型的有效性；工程上，根据系统的计算资源配置，为尽量保证系统未建模电器设备检测的时效性，k₂的取值不小于5。

基于以上原理，实际上，本发明系统与方法对已有非侵入式电力负荷监测系统所采用的电器设备用电状态监测方法并无任何限制。这里，本文采用专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”实现步骤203中的非侵入式电力负荷监测，通过实验测试来本发明方法的有效性。

首先，非侵入式电力负荷实时分解方法的基本原理可以概述如下：

1、假设受监测电力负荷L内部含有N种电器设备，对于第n种电器设备，以其正常工作时的稳态电流谐波特征作为印记特征，可以做出如下表示：

i_n(t)＝I_n,1·cos(w·t+θ_n,1)+···+I_n,k·cos(k·w·t+θ_n,k)+···(3)

式中，i_n(t)表示第n类电器设备的稳态瞬时工作电流，n∈{1,2,…,N}，N为正整数；I_n,1表示所述第n种电器设备工作电流的基波分量幅值；w表示所述第n种电器设备工作电流的基波分量的角频率；θ_n,1表示所述第n种电器设备工作电流的基波分量的初相角；I_n,k表示所述第n种电器设备工作电流中第k次谐波分量的幅值；θ_n,k表示工作电流中第k次谐波分量的初相角；k是正整数；其中，I_n,k＝a_n,k×I_n,1，α_n,k表示I_n,k和I_n,1之间的比例系数。

采用标幺值后，上式(3)可以改写为：

i′_n(t)＝1·cos(w·t+θ_n,1)+···+α_n,k·cos(k·w·t+θ_n,k)+···(4)

并且i_n′(t)被称为第n种电器设备的单元电流，即其工作电流基波幅值的标幺值为1时的电流。

2、获取第n种电器设备电流谐波特征的特征向量I_n

这样，应用相量描述，可得到的表示第n种电器设备电流谐波特征的特征向量I_n为：

I_n＝[1·∠θ_n,1,···,α_n,k·∠θ_n,k,···]^T (5)

根据上述定义，对于受监测电力负荷L的总电流，可用这N种电器设备电流的线性叠加来近似估计，从而有

i'_L(t)＝β₁(t)·i₁'(t)+β₂(t)·i'₂(t)···+β_N(t)·i'_N(t) (6)

式中，i'_L(t)表示电力负荷L的单元总电流，对应的特征向量I_L(t)如式(7)所示，相关参数的定义可参见式(3)中对应参数的定义；i'₁(t)，i'₂(t)和i'_n(t)分别表示第1，2和N种电器设备的单元电流，对应的特征向量分别为I₁，I₂和I_N；β₁(t)，β₂(t)和β_N(t)分别表示第1，2和N种电器设备的电流权重系数，其取值范围是[0,+∞)，并定义β(t)＝[β₁(t),β₂(t),…,β_N(t)]^T。

I_L(t)＝[1·∠θ_L,1,···,α_L,k·∠θ_L,k,···]^T (7)

式中，θ_L,1是所述电力负荷L的稳态工作电流的基波分量的初相角；θ_L,k表示所述电力负荷L的稳态工作电流中第k次谐波分量的初相角；k是正整数；其中，α_L,k与α_n,k同理，表示所述电力负荷L的稳态工作电流的基波分量幅值与其第k次谐波分量幅值之间的比例系数。

应用相量法描述，上式(6)可以表示成如下形式：

I_L(t)＝[I₁,I₂,···,I_N]·β(t) (8)

3、获得每种电器设备的电流权重系数

进而，可以通过在约束条件β₁(t)，β₂(t)，和β_N(t)∈[0,+∞)下求解式(9)所示的优化目标函数来获得每种电器设备的电流权重系数。

$\underset{{\mathrm{\β}}_1\left(t\right),{\mathrm{\β}}_2\left(t\right),...,{\mathrm{\β}}_n\left(t\right)\∈\[0,+\mathrm{\∞})}{min}\left|\right|I_L\left(t\right)-\[I_1,I_2,...,I_N\]\·\mathrm{\β}\left(t\right)|{|}_p---\left(9\right)$

式中，||·||_p表示Lp范数，其中p≥1。通过式(9)计算也得到每种电器设备用电功率的比例系数，再结合电力负荷当前时刻的总功率值，可以获得每种电器设备当前时刻的用电功率估值。

接下来，首先选取吹风机，饮水机，电热水壶，电视机，小太阳加热器，电磁炉和日光灯组构成的测试系统对本发明方法进行测试，实施例1，如图3所示。在本测试系统中，设定日光灯组为未建模电器设备类型，其他电器设备设定为已知电器设备类型。

在开始测试前，按照步骤201所述，设定关于未建模电器设备类型的负荷特征参数样本总数的预设值k₁取值为50，设定有效簇所包含的负荷特征样本数量的预设值k₂取值为20，设定未建模电器设备判断阈值ε的取值为10％，式(2)中参数p的取值设为2，设未知负荷特征参数样本列表为空；在此基础上，根据专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”的原理，采集吹风机，饮水机，电热水壶，电视机，小太阳加热器，电磁炉这六种已知电器设备类型稳态电流谐波特征，预设电器设备负荷特征数据库。这里，只取1到5次谐波特征，根据实际情况，可以取更多高次谐波特征。

对于本文方法的核心，未建模电器设备自动检测，结合上述专利号为CN200810053059.1名为“非侵入式电力负荷实时分解方法”的技术原理，根据式(2)所示本发明未建模电器设备判断的基本原理，I_L(t)与X_L(t)对应，即电力负荷特征向量取为电流谐波特征向量，根据式(1)，与对应，I_n与X_n对应，s_n(t)与β_n(t)对应。

测试过程中，本文采用[黎鹏.非侵入式电力负荷分解与监测[D].天津：天津大学,2009.]中推荐的差分进化算法求解式(9)。至于聚类分析方法，本发明选择经典的k-means算法，具体采用报道[周世兵，徐振源，唐旭清.新的k-均值算法最佳聚类数确定方法[J].计算机工程与应用，2010，46(16)：27-31]中公开的算法确定聚类数目。

在测试系统中所含其他已知电器设备随机正常启停的情况下，日光灯组经历多次启停后，求解得到日光灯组的功率特征参数典型值如下：

取前五次电流谐波特征，得到的电流谐波特征向量典型值为：

[1∠-9.1°,0.08∠110.8°,0.21∠-139.7°,0,0.05∠97°]^T (10)

根据未建模电器设备类型负荷特征生成模块的功能描述和步骤207，在本实施例中，未建模电器设备类型负荷特征生成模块将式(10)所示的日光灯组的电流谐波特征向量输出到系统的电器设备负荷特征数据库模块中。

通过上述测试，电器设备负荷特征数据库已在增加日光灯组的负荷特征后被更新，这时日光灯组已经被视为已知电器设备。在此基础上，不改变系统参数设定值，在测试系统中增加微波炉作为未建模电器设备类型进行测试，如图4所示，实施例2在测试系统中所含其他已知电器设备随机正常启停的情况下，微波炉经历多次启停后，求解得到微波炉的功率特征参数典型值如下：

取前五次电流谐波特征，得到的电流波形的特征向量典型值为：

[1∠1.7°,0.07∠5.2°,0.43∠-121.2°,0.02∠48.7°,0.13∠-44.9°]^T (11)

同上，根据未建模电器设备类型负荷特征生成模块的功能描述和步骤207，在本实施例中，未建模电器设备类型负荷特征生成模块将式(11)所示的微波炉的电流谐波特征向量输出到系统的电器设备负荷特征数据库模块中。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种具备自学习功能的非侵入式电力负荷监测系统，包括电力负荷用电数据采集模块、电力负荷用电特征获取模块、电力负荷内部电器设备用电状态监测模块、电器设备负荷特征数据库模块、对外交互功能模块，其特征在于：还包括未建模电器设备类型负荷特征生成模块；

所述的电力负荷用电数据采集模块，用于采集电力负荷供电电源入口处的端电压和总电流；

所述的电力负荷用电特征获取模块，对电力负荷用电数据采集模块采集到的电压、电流数据进行滤波、降噪，平滑等数据处理，进而获取电力负荷内部电器设备用电状态监测模块所需的电力负荷特征；

所述的电力负荷内部电器设备用电状态监测模块用于依据电力负荷用电特征获取模块提供的电力负荷特征,采用合理的非侵入式电力负荷监测求解模型和求解方法，确定电力负荷内部每种电器设备类型的用电状态，包括电器设备的工作状态和/或用电功率两方面内容；

所述的电器设备负荷特征数据库模块用于存储和管理电器设备的负荷特征数据，包括向电力负荷内部电器设备用电状态监测模块提供电器设备负荷特征数据库的访问接口，以及接收并存储未建模电器设备类型负荷特征生成模块提供的未建模电器设备的负荷特征数据；

所述的对外交互功能模块用于实现非侵入式电力负荷监测技术系统中其他功能模块与外界之间必要的数据信息交互功能，包括但不限于监测结果显示、控制命令输入与输出、及系统报告输出；

所述的未建模电器设备类型负荷特征生成模块用于根据电器设备用电状态监测结果，自动检测受监测电力负荷内部存在的未建模电器设备，并自动获取其负荷特征参数样本；进一步地，所述的未建模电器设备类型负荷特征生成模块，根据系统所采用的电器设备用电状态监测方法的需要，将未建模电器设备的负荷特征数据输出给电器设备负荷特征数据库模块并由所述电器设备负荷特征数据库模块保存。

2.根据权利要求1所述的一种具备自学习功能的非侵入式电力负荷监测系统，其特征在于：所述的电力负荷用电数据采集模块，采集电源入口处的强电压、大电流模拟信号，并将其转换为电力负荷用电特征获取模块能够处理的弱电压和/或小电流模拟信号，而后将所获取的弱电压和/或小电流模拟信号数字化，用于电力负荷用电特征获取模块提取所需电力负荷用电特征。

3.一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：应用于权利要求1-2的一种具备自学习功能的非侵入式电力负荷监测系统中，包括以下步骤：

步骤201：参数初始化，预设电器设备负荷特征数据库；

步骤202：采集电力负荷用电数据，提取当前时刻的电力负荷特征数据；

步骤203：利用有效的非侵入式电力负荷监测技术进行当前时刻的电力负荷内部电器设备用电状态监测；

步骤204：根据监测结果，判断并记录当前时刻电力负荷内部是否存在未建模电器设备类型，若相邻的两个判断时刻中，有且只有其中一个时刻的电力负荷内部存在未建模电器设备类型；则执行步骤205；否则转至步骤208；

步骤205：根据当前和前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的电力负荷特征数据，提取未建模电器设备类型的负荷特征参数样本，并将其存储在未知负荷特征参数样本列表中；

步骤206：若检测到的存储在未知负荷特征参数样本列表中的未建模电器设备类型的负荷特征参数样本的总数积累达到预设值k₁，则执行步骤207；否则转至步骤208；

步骤207：从已经积累的所有未知负荷特征参数样本中，确定不同未建模电器设备类型的负荷特征参数，并将结果存储在电器设备负荷特征数据库中，同时将与已确定的未建模电器设备相关的负荷特征参数样本从未知负荷特征参数样本列表中删除；

步骤208：以当前时刻的关于电力负荷内部是否存在未建模电器设备类型的判断结果更新前一个关于电力负荷内部是否存在未建模电器设备类型的判断时刻的判断结果；以当前时刻的电力负荷特征数据更新前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征数据，转至步骤202，循环执行。

4.根据权利要求3所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：对于步骤201，预设电器设备负荷特征数据库包括预先对受监测电力负荷内部的已知电器设备类型，获取相应负荷特征数据，并将相应负荷特征数据存储在电器设备负荷特征数据库中，作为初始的电器设备负荷特征数据库；参数初始化，包括预设未建模电器设备类型的负荷特征参数样本总数的预设值k₁、对已经积累的未建模电器设备的负荷特征样本进行聚类分析，在聚类结果中与未建模电器设备类型对应的簇视为有效簇，有效簇所包含的负荷特征样本数量的预设值k₂、未建模电器设备类型判断参数以及系统所采用非侵入式电力负荷监测方法中的具体参数。

5.根据权利要求3所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：对于步骤204，根据与电器设备的用电状态监测结果对应的电力负荷特征估计值和采集到的电力负荷特征实际值之间的偏差大小来判断当前时刻的电力负荷内部是否存在未建模电器设备类型。

6.根据权利要求5所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：还包括以下关于是否存在未建模电器设备类型的判断方法：

步骤1、确定电力负荷特征向量的估计值

与电器设备用电状态监测结果是一一对应的，可以依据电器设备用电状态监测结果和已知的电器设备负荷特征参数估计而得，计算方法如下式所示，

$\widehat{X_L}\left(t\right)=\underset{n=1}{\overset{N}{\Σ}}{s}_n\left(t\right)\·X_n$

式中，s_n(t)表示时刻t第n种已知电器设备类型的用电状态辨识结果，X_n表示第n种已知电器设备类型的负荷特征参数典型值，其中，n∈{1,2,3,…,N}，N表示电力负荷内部已知电器设备类型的总数量；

步骤2、建立判断式若不等式成立，则表明在时刻t，电力负荷内部存在未建模的电器设备类型；

式中，X_L(t)表示在时刻t采集到的用于电器设备用电状态监测的电力负荷特征向量的实际值，表示电器设备用电状态监测方法对时刻t的电力负荷特征向量的估计值，||·||_p表示向量的Lp-范数，其中p≥1，ε表示判断阈值，判断阈值ε的最优取值范围为5％～20％。

7.根据权利要求3所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：对于步骤205，包括计算当前和前一个关于电力负荷内部是否存在未建模电器设备的判断时刻的电力负荷特征参数的差值作为未建模电器设备类型的负荷特征参数样本。

8.根据权利要求3所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：对于步骤206，关于未建模电器设备类型的负荷特征参数样本总数的预设值k₁，k₁的取值不小于100。

9.根据权利要求3所述的一种具备自学习功能的非侵入式电力负荷监测方法，其特征在于：对于步骤207，包括利用聚类分析方法，对已经积累的未建模电器设备的负荷特征样本进行聚类分析，在聚类结果中，所有包含负荷特征样本数量大于预设值k₂的簇分别对应一种未建模电器设备类型，每个簇中包含的所有负荷特征样本是由与之对应的未建模电器设备类型产生的，并以簇的聚类中心作为未建模电器设备类型的负荷特征的典型值；k₂的取值不小于5。