CN106815677A - 非侵入式负荷识别方法和装置 - Google Patents

Abstract

本发明公开了一种非侵入式负荷识别方法和装置。其中，该方法包括：对用户的用电行为习惯进行统计，得到第一数据；建立用电负荷标准特征数据库；获取电力供给入口处采样的电压离散信号和电流离散信号；将采集到的电压离散信号和电流离散信号进行预处理；根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征；根据负荷特征进行负荷识别，得到第二数据；将第一数据与第二数据进行加权，识别出负荷种类。本发明解决了现有技术中非侵入式负荷监测进行负荷识别的准确度低的技术问题。

Description

非侵入式负荷识别方法和装置

技术领域

本发明涉及电力领域，具体而言，涉及一种非侵入式负荷识别方法和装置。

背景技术

目前，全社会都在呼吁节能减排，建设节约型、生态型社会。电能正变成能源消耗的主要形式，而居民负荷作为电力负荷的一个重要组成部分，其电能消耗比重正在逐渐增大。因此，对用户情况进行分析，合理安排居民用电，倡导低碳生活，从而达到节能减排的目的具有重要意义。与集总式的居民用电信息相对比，精确到单个用电设备及其种类的居民用电信息可以为电力企业、电力用户、相关家电制造商和整个社会带来多方面效益。

对于电力企业来说，将居民用电细节收集到数据管理系统中，可以增加规划方案的合理性和保障电网的安全运行，合理分布用电资源；帮助电力公司更合理地制定峰时、谷时电价，使其符合电力用户需求的激励政策、评估电力公司的项目以及更合理分拨资金。对于居民来说，居民可以自行检测每个电器消耗的功率及其所在的工作状态；对于想节约用电的居民而言，可根据这些信息自行改变和优化用电方案，从而达到节约用电以及节约电费目的，同时帮助居民迅速精确地检查和排除电器故障；居民将使用低能耗电器产品来替代低效能电器。对于家电企业而言，家居用电信息可以促使制造商加快高效能设备的研究，引导家用电器市场的改变和帮助相关部门合理地制定指导方针，实现提高能效，减少污染物的排放和减缓温室效应的目标。对于全社会而言，当电力公司对错峰用电试行优惠，提高用电的经济性，家电制造商能够提供低能耗、高效能的电器，居民拥有较强的节电意识，全社会就将会把提高生态文明的意识付诸实践，创造低碳、环保的生活环境。

目前，负荷识别的方法主要有侵入式和非侵入式。

侵入式(Intrusive)负荷监测是在每个电器上都安装传感器，当用电设备连入电网，利用传感器取得用电设备的细节信息，从而获得设备的实时用电量及其他电气参数，如电压、电流、频率、有功功率、无功功率、功率因素等。这种方式虽然能够更准确地计算出电器消耗的功率，但是必须安装传感器和数据传输装置，价格偏高，投入大，影响居民的日常生活。此外，如果传感器发生故障或者遭到人为破坏，安装的仪器仪表会对系统的可靠性及其安全性产生一定影响。

非侵入式负荷监测(Non-Intrusive Load Monitoring，缩写为NILM)与传统的侵入式负荷监测方法不同，NILM系统只需要在电力供给的入口处安装监测设备，通过相对复杂的分析软件对采集数据进行数学分析，就可以对整个系统内部的负荷进行监测，不需要大量的检测设备，同时节省了购买、安装和维护这些硬件设备所需要的金钱和时间。

但是，目前提到的很多非侵入式负荷监测进行负荷识别的准确度低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种非侵入式负荷识别方法和装置，以至少解决现有技术中非侵入式负荷监测进行负荷识别的准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种非侵入式负荷识别方法，包括：对用户的用电行为习惯进行统计，得到第一数据；建立用电负荷标准特征数据库；获取电力供给入口处采样的电压离散信号和电流离散信号；将采集到的电压离散信号和电流离散信号进行预处理；根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征；根据所述负荷特征进行负荷识别，得到第二数据；将所述第一数据与所述第二数据进行加权，识别出负荷种类。

进一步地，建立用电负荷标准特征数据库包括：分别监测典型用电负荷的电压、电流波形；采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

进一步地，将采集到的电压离散信号和电流离散信号进行预处理包括：将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

进一步地，根据所述负荷特征进行负荷识别包括：通过以下算法中的一种来根据所述负荷特征进行负荷识别：粒子群算法、遗传算法、聚类算法。

进一步地，所述负荷特征为总有功功率、电流各次谐波。

根据本发明实施例的另一方面，还提供了一种非侵入式负荷识别装置，包括：统计单元，用于对用户的用电行为习惯进行统计，得到第一数据；建立单元，用于建立用电负荷标准特征数据库；获取单元，用于获取电力供给入口处采样的电压离散信号和电流离散信号；预处理单元，用于将采集到的电压离散信号和电流离散信号进行预处理；计算单元，用于根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征；第一识别单元，用于根据所述负荷特征进行负荷识别，得到第二数据；第二识别单元，用于将所述第一数据与所述第二数据进行加权，识别出负荷种类。

进一步地，所述建立单元包括：监测子单元，用于分别监测典型用电负荷的电压、电流波形；建立子单元，用于采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

进一步地，所述预处理单元包括：去噪子单元，用于将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

进一步地，所述第一识别单元通过以下算法中的一种来根据所述负荷特征进行负荷识别：粒子群算法、遗传算法、聚类算法。

进一步地，所述负荷特征为总有功功率、电流各次谐波。

在本发明实施例中，对居民用户用电数据进行采集，并经过分析处理后，得到居民用户的用电行为，并通过权重的形式将其与传统的非侵入式负荷识别相结合，使得负荷识别结果更加符合居民的用电习惯，识别结果也更加准确，解决了现有技术非侵入式负荷监测进行负荷识别的准确度低的技术问题，达到了提高非侵入式负荷监测进行负荷识别的准确度的技术效果，进而解决了现有技术中非侵入式负荷监测进行负荷识别的准确度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种非侵入式负荷识别方法的流程图；

图2是根据本发明实施例的PSO算法的流程图；

图3是根据本发明实施例的另一种非侵入式负荷识别方法的流程图；

图4是根据本发明实施例的一种非侵入式负荷识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先对本发明实施例所涉及的技术术语作如下解释：

负荷特征：所谓的负荷特征是指负荷在正常工作过程中所表现出的电气行为，从其本质上分析可知，负荷特征就是对电压、电流波形进行波形变换或经过数据处理后提取的相关电气参数，比如电流、有功功率、无功功率等。

滤波：滤波(Wave filtering)是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。

居民用电行为：居民用电行为即居民用电规律，通过对居民用户一段时间内的数据采集，对数据进行分析，获得居民的用电规律，即何时开启某电器。开启多长时间，对其做一个概率统计。

根据本发明实施例，提供了一种非侵入式负荷识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种非侵入式负荷识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，对用户的用电行为习惯进行统计，得到第一数据。

步骤S104，建立用电负荷标准特征数据库。

步骤S106，获取电力供给入口处采样的电压离散信号和电流离散信号。

步骤S108，将采集到的电压离散信号和电流离散信号进行预处理。

步骤S110，根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征。

步骤S112，根据负荷特征进行负荷识别，得到第二数据。

步骤S114，将第一数据与第二数据进行加权，识别出负荷种类。

在本发明实施例中，对居民用户用电数据进行采集，并经过分析处理后，得到居民用户的用电行为，并通过权重的形式将其与传统的非侵入式负荷识别相结合，使得负荷识别结果更加符合居民的用电习惯，识别结果也更加准确，解决了现有技术非侵入式负荷监测进行负荷识别的准确度低的技术问题，达到了提高非侵入式负荷监测进行负荷识别的准确度的技术效果。

由于空调、洗衣机、电冰箱、日光灯、电磁炉、热水壶、吹风机、电饭锅、笔记本、充电器等家用电器，各自功能不同，因而使用时间存在差异，通过分析，可以用来辅助区分电器类型。例如日光灯、电视机、计算机在某个特定时段必须使用的，在其他时间段则没有必要使用。凌晨0:00‐6:00这段时间，用户都在休息，只有在夏天和冬天会使用到冷气、取暖器之类等大功率电器，及其全天候24小时都需要使用的电冰箱，一般没有其他的用电消耗，因此，这个时段的电器十分容易区分。早晨6:00‐8:00这段时间居民开始起床，需要刷牙、洗脸、吃早饭，上班上学，这时将使用到的电器有日光灯、电茶壶，由于电茶壶和日光灯的功率相差很多，十分容易区别。白天8:00‐18：00这段时间家中没人，只有电冰箱在工作。傍晚18:00‐19:00，这段时间用户已经下班或者放学回到家中，电茶壶、电磁炉、电饭锅、日光灯等电器开始运作，进入用电高峰，这个时候需要结合各项电流特征进行判别。晚上19:00‐24:00吃过晚饭之后，用户开始整理家务以及进行娱乐活动，日光灯、洗衣机、电视机、计算机开始进入工作状态，由于整流类电器开始进入工作状态，电流将会存在明显的波纹以及脉冲，可以加以区分。

利用智能插座、电能表或调查等方式可以分析电器的运行时间和消耗功率，确定人们在各时间段开启电器种类的组合概率，为后面的负荷识别准备数据。

可选地，建立用电负荷标准特征数据库包括：分别监测典型用电负荷的电压、电流波形；采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

采用非侵入式负载监测的采集方式，获取电力供给入口处采样的电压离散信号和电流离散信号。

可选地，将采集到的电压离散信号和电流离散信号进行预处理包括：将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪，具体原理如下：

Kalman滤波是一种最优估计方法，以最小均方差为最佳估计原则，利用递归的方法解决离散系统线性滤波问题，其核心内容就是五个递推公式，主要描述了两个过程，即预测和修正。通过不断地“预测——修正”的递推方式进行计算，根据前一时刻估计值和最近时刻观察数据来估计信号的当前值，实现时域滤波的目的。假设线性离散系统方程如下：

过程方程：X(k)＝AX(k-1)+BU(k-1)+W(k-1)

输出方程：Y(k)＝CX(k)+v(k)

其中X为系统的状态，A,B是由系统的结构确定的矩阵，Y为观测值，C为观测矩阵，随机变量W和V代表系统噪声和观测噪声，且相互独立，一般假定W和V服从正态分布，且系统噪声和观测噪声的协方差阵分别为Q和R。

Kalman滤波算法就是要从观测值Y中得到状态X在最小均方差下的最佳逼近的估计值，其核心就是以下五个公式。

状态预测方程：X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中U(k)是k时刻对系统的控制量，在该算法中没有控制量，因此U(k)为0；X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果。

方差预测方程：P(k|k-1)＝AP(k-1|k-1)A^T+Q

式中P(k|k-1)是X(k|k-1)对应的协方差。以上两个式子就是对系统的预测。

状态估计方程：X(k|k)＝X(k|k-1)+K(k)(Z(k)-HX(k|k-1))

式中K(k)为卡尔曼增益，Z(k)是k时刻的测量值，H是测量系统的参数。

滤波增益方程：K(k)＝P(k|k-1)H^T[HP(k|k-1)H^T+R]

此时，已得到了K状态下最优的估算值X(k|k)，但为了要让卡尔曼滤波不断地运行下去，直到系统过程结束，还要更新K状态下X(k|k)的协方差。

方差迭代方程：P(k|k)＝[I-K(k)H]P(k|k-1)

其中，I为单位矩阵。当系统进入k+1状态时，P(k|k)就是方差预测方差中的P(k-1|k-1)。以上三个式子就是对系统的修正，这样，算法就可以自回归地运算下去。

本发明采用卡尔曼滤波器，对采集数据进行滤波处理，相对于传统的滤波，卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差(即噪声)，只要对它们的统计性质作某些适当的假定，通过对含有噪声的观测信号进行处理，就能在平均的意义上，求得误差为最小的真实信号的估计值。

可选地，负荷特征为总有功功率、电流各次谐波。也可以选取其他负荷特征对负荷进行识别，比如暂态有功功率和暂态无功功率。

根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算家用电器总有功功率及电流各次谐波(负荷特征)。

每个设备的功率信息也具有一定的叠加性，即认为总功率是每个设备功率的累加。因此可构建如式(1)优化目标函数对电力负荷功耗进行分解。

式中:P_i是数据库第i个设备的功率；P为当前的功率；xi第i个设备的投切状态。

当居民家用电器正常工作时，其稳态基波电流与谐波电流具有周期性和规律性的特点，其电流可表示为

i_s(t)＝I_s1cos(ωt+θ_s1)+…+I_skcos(kωt+θ_sk)+… (2)

式中：i_s(t)为家用电器某一种稳定工作状况时的电流瞬时值；I_s1是工作电流中基波分量的幅值；ω为工作电流中的基波分量的角频率；θ_s1为工作电流中的基波分量的初相角；k为整数，表示谐波次数，当k＝1时，表示基波；I_sk为工作电流中的第k次谐波分量的幅值；θ_sk为工作电流中的第k次谐波分量的初相角。

设某一居民家庭用户共有m类主要家电设备，共n种不同的单独工作状态，忽略功率较小的家用电器工作状态，根据稳态电流的线性叠加性可知，非侵入式硬件设备采集到的居民家庭总的电流近似等于这n种工作状态的线性叠加，即

i_L(t)＝x₁i_s1(t)+x₂i_s2(t)+…+x_ni_sn(t) (3)

式中：i_L(t)为家庭的总电流，i_s1(t),i_s2(t),…,i_sn(t)分别为第1,2,…,n种家用电器工作状态电流，x₁,x₂,…,x_n∈{0,1}分别表示第1,2,…,n种家用电器工作状态，其值为0时表示该家用电器该状态未工作，其值为1时表示家用电器该状态正在工作。

用相量法来表示，式(3)可表示为

式中：h为奇数，因为电网中偶次谐波含量很少，所以主要分析家电稳态电流奇次谐波分量；x₁,x₂,…,x_n∈(0,1)是方程组的待求变量；等式左侧矩阵中的元素都是通过在线实测得到的已知量，等式右侧矩阵中的元素是通过离线统计得到的已知量。

(5)可简记为：I_L＝I_SX

式中I_L为采集器采集到的家庭总电流，I_S为家电设备模型参数矩阵，X为各家用电器的工作状态矩阵。因此，负荷识别问题转化为求解最优组合问题，取目标函数为：

Min d2＝||IL‐IS X|| (5)

由于式(1)和式(5)属于整数最优化，为了寻找最优解，本发明将上述两种特征进行融合作为最优化目标函数，并嵌入到粒子群算法的适应度函数中，通过PSO算法的求解找到最优的x1,x2…,xn,实现非侵入式电力负荷在线分解。

本发明采用将有功功率和电流谐波两个特征量相结合作为最后的负荷识别特征，相比于单一的负荷识别特征，具有更高的可靠性和准确性。

可选地，根据负荷特征进行负荷识别包括：通过以下算法中的一种来根据负荷特征进行负荷识别：粒子群算法、遗传算法、聚类算法。

以上面确定出的负荷识别特征，以使用粒子群算法为例来进行负荷识别，如图2所示。

适应度函数的构建：

本发明中，引入一个以正态分布形式的一个度量函数，其表达式如下：

f_i(d_i)＝exp{(-d_i/σ_i)},σ_i>0,i＝1,2

式中，参数σ_i标准差，用来调整分布。显然，其f_i(d_i)值由d_i和σ_i共同决定。然后，将其以乘积的方式进行结合，得到PSO的适应度函数:

σ1和σ2根据样本数据库进行人工设置。

具体步骤如下：

①初始化粒子群，包括群体规模N，每个粒子的位置x_i和速度V_i

②计算每个粒子的适应度值F_it[i]；

③对每个粒子，用它的适应度值F_it[i]和个体极值p_best(i)比较，如果F_it[i]>p_best(i)，则用Fit[i]替换掉p_best(i)；

④对每个粒子，用它的适应度值Fit[i]和全局极值g_best比较，如果F_it[i]>p_best(i)则用F_it[i]替g_best；

根据公式v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (6)

x_id＝x_id+v_id (7)

更新粒子的速度v_i和位置x_i；

⑥如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返回②。

本发明采用粒子群算法，该算法具有算法简单，计算方便，求解速度快等优点。

本发明中，在粒子群算法中获取3个最优的结果，然后再和居民用电行为习惯通过权重比的形式相结合，最终确定识别的负荷种类。

本发明将有功功率融合进稳态特征，并嵌入到粒子群算法的适应度函数中，通过粒子群算法的求解找到最优的组合实现非侵入式电力负荷在线分解。

举例说明：

设有s1,s2,s3三种设备，它们的开关组合有000-111，即十进制0到7.

假设在某一时刻测得的可能开关状态为3、4、1，即011、100、001.

011对应的误差为3 011对应的居民该时段用电行为概率为0.6

100对应的误差为5 100对应的居民该时段用电行为概率为0.8

001对应的误差为2 001对应的居民该时段用电行为概率为0.7

令x(n)＝c1*d+c2*g

在此例中取c1＝c2＝0.5,则有

x(1)＝0.5*2/3+0.5*0.6＝0.63

x(2)＝0.5*2/5+0.5*0.8＝0.6

x(3)＝0.5*2/2+0.5*0.7＝0.85

x(3)>x(1)>x(2)，确定设备开启状态为001，即只有设备s3开启。

本发明通过对居民用户用电数据的采集，并经过分析处理后，得到居民用户的用电行为，并通过权重的形式将其与传统的非侵入式负荷识别相结合，使得负荷识别结果更加符合居民的用电习惯，识别结果也更加准确。

图3是根据本发明实施例的另一种非侵入式负荷识别方法的流程图。

如图3所示，该方法包括如下步骤：一、用户用电行为习惯统计；二、经典负荷波形采集；三、建立标准特征数据库；四、对负荷进行数据采集；五、数据预处理；六、根据公式计算获得负荷特征；七、负荷识别；八、将识别结果与居民用电行为相结合；九、输出结果。

下面对这九个步骤作详细说明。

一、用户用电行为习惯统计。

由于空调、洗衣机、电冰箱、日光灯、电磁炉、热水壶、吹风机、电饭锅、笔记本、充电器等家用电器，各自功能不同，因而使用时间存在差异，通过分析，可以用来辅助区分电器类型。例如日光灯、电视机、计算机在某个特定时段必须使用的，在其他时间段则没有必要使用。凌晨0:00-6:00这段时间，用户都在休息，只有在夏天和冬天会使用到冷气、取暖器之类等大功率电器，及其全天候24小时都需要使用的电冰箱，一般没有其他的用电消耗，因此，这个时段的电器十分容易区分。早晨6:00-8:00这段时间居民开始起床，需要刷牙、洗脸、吃早饭，上班上学，这时将使用到的电器有日光灯、电茶壶，由于电茶壶和日光灯的功率相差很多，十分容易区别。白天8:00-18：00这段时间家中没人，只有电冰箱在工作。傍晚18:00-19:00，这段时间用户已经下班或者放学回到家中，电茶壶、电磁炉、电饭锅、日光灯等电器开始运作，进入用电高峰，这个时候需要结合各项电流特征进行判别。晚上19:00-24:00吃过晚饭之后，用户开始整理家务以及进行娱乐活动，日光灯、洗衣机、电视机、计算机开始进入工作状态，由于整流类电器开始进入工作状态，电流将会存在明显的波纹以及脉冲，可以加以区分。

利用智能插座、电能表或调查等方式可以分析电器的运行时间和消耗功率，确定人们在各时间段开启电器种类的组合概率(第一数据)，为后面的负荷识别准备数据。

二、经典负荷波形采集。即，分别监测典型用电负荷的电压、电流波形；

三、建立标准特征数据库。即，采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

四、对负荷进行数据采集。即，采用非侵入式负载监测的采集方式，获取电力供给入口处采样的电压离散信号和电流离散信号。

五、数据预处理。

将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪，具体原理如下：

Kalman滤波是一种最优估计方法，以最小均方差为最佳估计原则，利用递归的方法解决离散系统线性滤波问题，其核心内容就是五个递推公式，主要描述了两个过程，即预测和修正。通过不断地“预测——修正”的递推方式进行计算，根据前一时刻估计值和最近时刻观察数据来估计信号的当前值，实现时域滤波的目的。假设线性离散系统方程如下：

过程方程：X(k)＝AX(k-1)+BU(k-1)+W(k-1)

输出方程：Y(k)＝CX(k)+v(k)

其中X为系统的状态，A,B是由系统的结构确定的矩阵，Y为观测值，C为观测矩阵，随机变量W和V代表系统噪声和观测噪声，且相互独立，一般假定W和V服从正态分布，且系统噪声和观测噪声的协方差阵分别为Q和R。

Kalman滤波算法就是要从观测值Y中得到状态X在最小均方差下的最佳逼近的估计值，其核心就是以下五个公式。

状态预测方程：X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中U(k)是k时刻对系统的控制量，在该算法中没有控制量，因此U(k)为0；X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果。

方差预测方程：P(k|k-1)＝AP(k-1|k-1)A^T+Q

式中P(k|k-1)是X(k|k-1)对应的协方差。以上两个式子就是对系统的预测。

状态估计方程：X(k|k)＝X(k|k-1)+K(k)(Z(k)-HX(k|k-1))

式中K(k)为卡尔曼增益，Z(k)是k时刻的测量值，H是测量系统的参数。

滤波增益方程：K(k)＝P(k|k-1)H^T[HP(k|k-1)H^T+R]

此时，已得到了K状态下最优的估算值X(k|k)，但为了要让卡尔曼滤波不断地运行下去，直到系统过程结束，还要更新K状态下X(k|k)的协方差。

方差迭代方程：P(k|k)＝[I-K(k)H]P(k|k-1)

其中，I为单位矩阵。当系统进入k+1状态时，P(k|k)就是方差预测方差中的P(k-1|k-1)。以上三个式子就是对系统的修正，这样，算法就可以自回归地运算下去。

六、根据公式计算获得负荷特征。

根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算家用电器总有功功率及电流各次谐波。

每个设备的功率信息也具有一定的叠加性，即认为总功率是每个设备功率的累加。因此可构建如式(1)优化目标函数对电力负荷功耗进行分解。

式中：Pi是数据库第i个设备的功率；P为当前的功率；xi第i个设备的投切状态。

当居民家用电器正常工作时，其稳态基波电流与谐波电流具有周期性和规律性的特点，其电流可表示为

i_s(t)＝I_s1cos(ωt+θ_s1)+…+I_skcos(kωt+θ_sk)+… (2)

式中：i_s(t)为家用电器某一种稳定工作状况时的电流瞬时值；I_s1是工作电流中基波分量的幅值；ω为工作电流中的基波分量的角频率；θ_s1为工作电流中的基波分量的初相角；k为整数，表示谐波次数，当k＝1时，表示基波；I_sk为工作电流中的第k次谐波分量的幅值；θ_sk为工作电流中的第k次谐波分量的初相角。

设某一居民家庭用户共有m类主要家电设备，共n种不同的单独工作状态，忽略功率较小的家用电器工作状态，根据稳态电流的线性叠加性可知，非侵入式硬件设备采集到的居民家庭总的电流近似等于这n种工作状态的线性叠加，即

i_L(t)＝x₁i_s1(t)+x₂i_s2(t)+…+x_ni_sn(t) (3)

式中：i_L(t)为家庭的总电流，i_s1(t),i_s2(t),…,i_sn(t)分别为第1,2,…,n种家用电器工作状态电流，x₁,x₂,…,x_n∈{0,1}分别表示第1,2,…,n种家用电器工作状态，其值为0时表示该家用电器该状态未工作，其值为1时表示家用电器该状态正在工作。

用相量法来表示，式(3)可表示为

式中：h为奇数，因为电网中偶次谐波含量很少，所以主要分析家电稳态电流奇次谐波分量；x₁,x₂,…,x_n∈(0,1)是方程组的待求变量；等式左侧矩阵中的元素都是通过在线实测得到的已知量，等式右侧矩阵中的元素是通过离线统计得到的已知量。

(5)可简记为：I_L＝I_S X

式中I_L为采集器采集到的家庭总电流，I_S为家电设备模型参数矩阵，X为各家用电器的工作状态矩阵。因此，负荷识别问题转化为求解最优组合问题，取目标函数为：

Min d2＝||IL-IS X|| (5)

由于式(1)和式(5)属于整数最优化，为了寻找最优解，本发明将上述两种特征进行融合作为最优化目标函数，并嵌入到粒子群算法的适应度函数中，通过PSO算法的求解找到最优的x1,x2…,xn,实现非侵入式电力负荷在线分解。

七、负荷识别。

以第六步所确定的负荷识别特征，使用粒子群算法来进行负荷识别。

适应度函数的构建：

本发明中，引入一个以正态分布形式的一个度量函数，其表达式如下：

f_i(d_i)＝exp{(-d_i/σ_i)},σ_i>0,i＝1,2

式中，参数σ_i标准差，用来调整分布。显然，其f_i(d_i)值由d_i和σ_i共同决定。然后，将其以乘积的方式进行结合，得到PSO的适应度函数:

σ1和σ2根据样本数据库进行人工设置。

具体步骤如下：

①初始化粒子群，包括群体规模N，每个粒子的位置x_i和速度V_i

②计算每个粒子的适应度值F_it[i]；

③对每个粒子，用它的适应度值F_it[i]和个体极值p_best(i)比较，如果F_it[i]>p_best(i)，则用Fit[i]替换掉p_best(i)；

④对每个粒子，用它的适应度值Fit[i]和全局极值g_best比较，如果F_it[i]>p_best(i)则用F_it[i]替g_best；

根据公式v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (6)

x_id＝x_id+v_id (7)

更新粒子的速度v_i和位置x_i；

⑥如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返回②。

八、将识别结果与居民用电行为相结合。

本发明中，在粒子群算法中获取3个最优的结果(第二数据)，然后再和居民用电行为习惯(第一数据)通过权重比的形式相结合，最终确定识别的负荷种类。

本发明将有功功率融合进稳态特征，并嵌入到粒子群算法的适应度函数中，通过粒子群算法的求解找到最优的组合实现非侵入式电力负荷在线分解。

举例说明：

设有s1,s2,s3三种设备，它们的开关组合有000-111，即十进制0到7.

假设在某一时刻测得的可能开关状态为3、4、1，即011、100、001.

011对应的误差为3 011对应的居民该时段用电行为概率为0.6

100对应的误差为5 100对应的居民该时段用电行为概率为0.8

001对应的误差为2 001对应的居民该时段用电行为概率为0.7

令x(n)＝c1*d+c2*g

在此例中取c1＝c2＝0.5,则有

x(1)＝0.5*2/3+0.5*0.6＝0.63

x(2)＝0.5*2/5+0.5*0.8＝0.6

x(3)＝0.5*2/2+0.5*0.7＝0.85

x(3)>x(1)>x(2)，确定设备开启状态为001，即只有设备s3开启。

九、输出结果。将识别出的负荷类型进行输出。

本发明提出了一种基于用户用电行为和负荷稳态特征的非侵入式负荷识别方法，从电力供给入口处采集电压离散信号和电流离散信号，来提取负荷特征，通过负荷预测与负荷识别相结合的方式实现负荷电能监测，提高了非侵入式负荷识别方法识别负荷类型的准确度。

在本发明实施例中，REDD数据库中所有的数据都是采用UTC(Universal TimeCoordinated)时间戳来进行记录的，通过相关工具将其转换成对应的日期和时间，并对家庭中几种电器(微波炉、电冰箱、洗碗机、电热水器、家电一、家电二、家电三和家电四)的使用情况进行分析。本文通过对家庭一周内采集数据进行分析，来获取各个时间段案例中用到的各电器的使用情况，作为居民用电行为的依据。

用REDD数据作实验仿真，并通过粒子群算法得到2个合理解，将其以权重的形式与居民用电行为相结合，得到最优电力负荷分解结果。

根据本发明实施例，还提供了一种非侵入式负荷识别装置。该非侵入式负荷识别装置可以执行上述非侵入式负荷识别方法，上述非侵入式负荷识别方法也可以通过该非侵入式负荷识别装置实施。

图4是根据本发明实施例的一种非侵入式负荷识别装置的示意图。如图4所示，该装置包括：统计单元10、建立单元20、获取单元30、预处理单元40、计算单元50、第一识别单元60、第二识别单元70。

统计单元10，用于对用户的用电行为习惯进行统计，得到第一数据。

建立单元20，用于建立用电负荷标准特征数据库。

获取单元30，用于获取电力供给入口处采样的电压离散信号和电流离散信号。

预处理单元40，用于将采集到的电压离散信号和电流离散信号进行预处理。

计算单元50，用于根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征。

第一识别单元60，用于根据负荷特征进行负荷识别，得到第二数据。

第二识别单元70，用于将第一数据与第二数据进行加权，识别出负荷种类。

可选地，建立单元20包括：监测子单元、建立子单元。监测子单元，用于分别监测典型用电负荷的电压、电流波形。建立子单元，用于采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

可选地，预处理单元40包括：去噪子单元。去噪子单元，用于将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

可选地，第一识别单元60通过以下算法中的一种来根据负荷特征进行负荷识别：粒子群算法、遗传算法、聚类算法。

可选地，负荷特征为总有功功率、电流各次谐波。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种非侵入式负荷识别方法，其特征在于，包括：

对用户的用电行为习惯进行统计，得到第一数据；

建立用电负荷标准特征数据库；

获取电力供给入口处采样的电压离散信号和电流离散信号；

将采集到的电压离散信号和电流离散信号进行预处理；

根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征；

根据所述负荷特征进行负荷识别，得到第二数据；

将所述第一数据与所述第二数据进行加权，识别出负荷种类。

2.根据权利要求1所述的方法，其特征在于，建立用电负荷标准特征数据库包括：

分别监测典型用电负荷的电压、电流波形；

采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

3.根据权利要求1所述的方法，其特征在于，将采集到的电压离散信号和电流离散信号进行预处理包括：

将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

4.根据权利要求1所述的方法，其特征在于，根据所述负荷特征进行负荷识别包括：

通过以下算法中的一种来根据所述负荷特征进行负荷识别：

粒子群算法、遗传算法、聚类算法。

5.根据权利要求1所述的方法，其特征在于，所述负荷特征为总有功功率、电流各次谐波。

6.一种非侵入式负荷识别装置，其特征在于，包括：

统计单元，用于对用户的用电行为习惯进行统计，得到第一数据；

建立单元，用于建立用电负荷标准特征数据库；

获取单元，用于获取电力供给入口处采样的电压离散信号和电流离散信号；

预处理单元，用于将采集到的电压离散信号和电流离散信号进行预处理；

计算单元，用于根据电力供给入口处的电压离散信号中各个采样点对应的瞬时电压以及电流离散信号中各个采样点对应的瞬时电流，计算负荷特征；

第一识别单元，用于根据所述负荷特征进行负荷识别，得到第二数据；

第二识别单元，用于将所述第一数据与所述第二数据进行加权，识别出负荷种类。

7.根据权利要求6所述的装置，其特征在于，所述建立单元包括：

监测子单元，用于分别监测典型用电负荷的电压、电流波形；

建立子单元，用于采用特征提取算法提取典型用电负荷的稳态特征(有功功率，电流各次谐波)，建立用电负荷标准特征数据库。

8.根据权利要求6所述的装置，其特征在于，所述预处理单元包括：

去噪子单元，用于将采集到的电压离散信号和电流离散信号通过卡尔曼滤波器进行去噪。

9.根据权利要求6所述的装置，其特征在于，所述第一识别单元通过以下算法中的一种来根据所述负荷特征进行负荷识别：

粒子群算法、遗传算法、聚类算法。

10.根据权利要求6所述的装置，其特征在于，所述负荷特征为总有功功率、电流各次谐波。