CN110018369B - 一种基于非侵入式负荷分解的家电智能识别与监测方法 - Google Patents

一种基于非侵入式负荷分解的家电智能识别与监测方法 Download PDF

Info

Publication number
CN110018369B
CN110018369B CN201910169683.6A CN201910169683A CN110018369B CN 110018369 B CN110018369 B CN 110018369B CN 201910169683 A CN201910169683 A CN 201910169683A CN 110018369 B CN110018369 B CN 110018369B
Authority
CN
China
Prior art keywords
current signal
characteristic
household appliance
harmonic
wavelet
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.)
Expired - Fee Related
Application number
CN201910169683.6A
Other languages
English (en)
Other versions
CN110018369A (zh
Inventor
杨牧青
梁如鑫
董家璇
王巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201910169683.6A priority Critical patent/CN110018369B/zh
Publication of CN110018369A publication Critical patent/CN110018369A/zh
Application granted granted Critical
Publication of CN110018369B publication Critical patent/CN110018369B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

一种基于非侵入式负荷分解的家电智能识别与监测方法：利用互感装置分别采集不同家用电器不同工作状态的电气参数；根据每个家用电器不同工作状态的电气参数提取该家用电器不同工作状态的波形特征、P‑Q特征、瞬时功率特征、周波特征和谐波特征并建立负荷特征数据集；采集家用电器供电总线上的电气参数；对得到的电气参数小波分解，获取单个家用电器的电气参数；提取单个家用电器的电气参数的波形特征、P‑Q特征、瞬时功率特征、周波特征和谐波特征，并将其与负荷特征数据集中的特征参数进行匹配，得到对应的家用电器的工作状态。本发明计算速度快，灵活度高，降低了总体和个体负荷的误判率和漏检率，并，减少了安装与维修的人力与物力。

Description

一种基于非侵入式负荷分解的家电智能识别与监测方法
技术领域
本发明涉及一种家电智能识别与监测方法。特别是涉及一种基于非侵入式负荷分解的家电智能识别与监测方法。
背景技术
近几年，基于量测传感技术的用户负荷监测方法较于人工调查的方法具有明显优势，被用户广泛关注。市面上的智能家居，大多是对于总负荷内部每个用电器设备配备具有数字通信功能的传感器，再经过用户的局域网进行采集，便能收集到用户所需的各用电器的使用情况。然而其对于家用电器建设和维护的成本较高，且传感器经常会受到用户活动的影响，损坏率较高，对线路网络要求严格，在市场上推广难度极大。
相比于需要在用电器配备通信传感器，非侵入式负荷特征识别利用算法替代响应的传感器，通过在电力系统总端安装检测装置采集总端电气参数，然后通过信号处理和分析的方法得到系统内各类负荷、数量和工作状态。Srinivasan等开发了一种基于神经网络的非侵入式检测方法，但该方法无法在不同电压下对不同负荷进行分类研究。
发明内容
本发明所要解决的技术问题是，提供一种能够利用数据总端所采集的数据，对用电器进行识别与监测的基于非侵入式负荷分解的家电智能识别与监测方法。
本发明所采用的技术方案是：一种基于非侵入式负荷分解的家电智能识别与监测方法，包括如下步骤：
1)利用互感装置分别采集不同家用电器不同工作状态的电气参数；
2)根据每个家用电器不同工作状态的电气参数提取该家用电器不同工作状态的波形特征、 P-Q特征、瞬时功率特征、周波特征和谐波特征，并建立负荷特征数据集；
3)利用互感装置采集家用电器供电总线上的电气参数；
4)对步骤3)得到的电气参数小波分解，获取单个家用电器的电气参数；
5)提取步骤4)得到的单个家用电器的电气参数的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征；
6)将单个家用电器的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征与步骤 2)所述的负荷特征数据集中的特征参数进行匹配，得到对应的家用电器的工作状态。
步骤1)所述的电气参数包括有：电压、电流、有功功率、无功功率、功率因数和视在功率。
步骤2)所述的负荷特征数据集中，每一个家用电器对应一组所述的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征。
步骤2)和步骤5)中的：
(1)波形特征的提取是采用如下公式获得：
电流信号平均值：
Figure GDA0002785610950000021
电流信号均方根：
Figure GDA0002785610950000022
电流信号最大值：I(MAX)ij＝max Iij(t),t＝1,...,N
电流信号超调量：
Figure GDA0002785610950000023
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；N为时间总长度；AVG为平均值简称；RMS为均方根简称；MAX为最大值简称。
(2)P-Q特征的提取是采用如下公式获得：
有功功率平均值：
Figure GDA0002785610950000024
无功功率平均值：
Figure GDA0002785610950000025
功率因数平均值：
Figure GDA0002785610950000026
有功功率标准差：
Figure GDA0002785610950000027
无功功率标准差：
Figure GDA0002785610950000028
功率因数标准差：
Figure GDA0002785610950000029
其中，Pij(t)为第i个设备中第j个状态t时刻的有功功率；Qij(t)为第i个设备中第j个状态 t时刻的无功功率；Fij(t)为第i个设备中第j个状态t时刻的功率因数；N为时间总长度； SD为标准差简称。
(3)瞬时功率特征的提取是采用如下公式获得：
Pij(t)＝Uij(t)Iij(t)
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；Uij(t)为第i个设备中第j个状态 t时刻的电压信号；
(4)经过小波变换后电流、电压信号周波特征的提取是采用如下公式获得：
电流跨度ΔIij：
Figure GDA00027856109500000210
电压跨度ΔUij：
Figure GDA00027856109500000211
其中，
Figure GDA00027856109500000212
为第i个设备第j个状态电流信号周波中第l次周波；
Figure GDA00027856109500000213
为第i个设备第j个状态电压信号周波中第l次周波；N为时间总长度。
(5)经过小波变换后电流信号谐波特征的提取：
因为电流互感器采集的经过小波变换后电流信号是三角函数的线性组合，所以其电流信号I(t)可以用傅里叶级数表示为：
Figure GDA0002785610950000031
Figure GDA0002785610950000032
其中，
Figure GDA0002785610950000033
f 为电流信号频率；I(t)为电流互感器采集到的经过小波变换后电流信号；an为傅里叶级数中第n次奇次谐波分量的系数；bn为傅里叶级数中第n次偶次谐波分量的系数；i0/2为傅里叶级数中电流函数的直流分量；cn为第n次谐波的幅值。
(5.1)根据用傅里叶级数表示的电流信号I(t)公式提取电流信号波形的谐波数据；
(5.2)计算每个时刻点的电流信号谐波数据的均值
Figure GDA0002785610950000034
其中，T表示时间总长度；
Figure GDA0002785610950000035
第i个设备第j个工作状态中第l次谐波；
(5.3)利用主成分分析方法对电流信号谐波数据的均值进行分析
首先计算电流信号谐波数据的均值协方差矩阵，
Figure GDA0002785610950000036
其中，M表示数据维度，然后，计算电流信号谐波数据的均值协方差矩阵的特征值λ和特征向量ξ，在主成分分析计算特征向量之后，利用Mean-Shift算法对主成分特征向量进行浓缩，所述的Mean-Shift算法包括：
(5.3.1)在主成分中随机选择一个向量作为中心向量center；
(5.3.2)找出距离中心向量center在随机范围之内的所有向量，记做集合H，认为这些向量属于簇C；
(5.3.3)计算从中心向量center开始到集合H中每个向量的距离向量，将这些距离向量相加，得到向量shift；
(5.3.4)center＝center+shift，即center沿着shift的方向移动，移动距离是||shift||；
(5.3.5)重复第(5.3.2)～(5.3.4)步，直到shift的值很小，即迭代到收敛，此时集合M 中所有元素即归为一类主成分，使得主成分得以浓缩。
步骤4)所述的对步骤3)得到的多种用电器的电气参数进行小波分解，包括：
对于电流互感器采集到的未经过傅里叶级数展开的电流信号I(t)经小波变换为下式：
WT(a,b)＝∫I(t)ψa,b(t)dt
其中，I(t)为电流互感器采集到的电流信号；WT(a,b)为衡量电流信号I(t)与小波基ψa,b(t)相似性的系数；a、b分别为小波的平移因子和伸缩因子，且有
Figure GDA0002785610950000041
在离散的电流信号中，使得
Figure GDA0002785610950000042
则经小波变换后的电流信号I(t)用离散化表示形式DT解释为
Figure GDA0002785610950000043
根据小波分解定义可知，采样频率为fs的电流信号In(t)经过小波变换，视为次级电流信号In-1(t)与电流小波分量wn-1(t)的叠加，用如下公式表达：
In(t)＝In-1(t)+wn-1(t)
且次级电流信号In-1(t)的频段
Figure GDA0002785610950000044
与电流小波分量wn-1(t)的频段
Figure GDA0002785610950000045
的范围为
Figure GDA0002785610950000046
依据处于两种不同工作频率的用电器在频域展现不同的状态，即分解出来，对于各次级电流信号In-1(t)、In-2(t)利用小波分解继续分解下去，即有如下表达式
In(t)≈In-1(t)+wn-1(t)＝I0(t)+w0(t)+w1(t)+...+ wn-1(t)
其中，第i级电流小波分量wn-i(t)的频段范围为
Figure GDA0002785610950000047
所以处于不同工作频率的用电器即分解出来。这样总端电流信号就可以视为家用电器1电流信号、家用电器2电流信号、家用电器3电流信号和家用电器4电流信号的叠加。
本发明的一种基于非侵入式负荷分解的家电智能识别与监测方法，具有如下优点：
1、在特征提取方面，构建了电力负荷特征数据集，仅需采集电压、电流、有功功率、无功功率、功率因数角等基本电气特征，即可构建不同用电器在不同工作状态的特征印记，计算速度快，灵活度高，降低了总体和个体负荷的误判率和漏检率。
2、在负载识别方面，为消除各用电器电气特征间的相互影响，将各用电器的电压、电流稳态特征映射到特征空间，同时基于有功功率和无功功率的特征，利用小波分解算法，提高了算法的简便性，利于广泛应用。
3、在实际应用方面，非侵入式负荷分解的家电智能识别与监测方法替代了传统的侵入式检测电表，减少了安装与维修的人力与物力。
附图说明
图1是小波分解得到的不同家用电器的工作波形；
图2是提取谐波特征得到的不同家用电器的工作频率；
图3是本发明中Mean-Shift算法示意图。
具体实施方式
下面结合实施例和附图对本发明的一种基于非侵入式负荷分解的家电智能识别与监测方法做出详细说明。
本发明是利用非侵入式电力负荷与分解(Non-Intrusive Load Monitoring andDecomposition, NILMD)，其仅需要在用户入口安装一个传感器，通过采集和分析用户的用电总功率或电力监测每个或每类用电设备的功率及工作状态。为此，NILMD技术的分项计量技术具有更加简单、经济、可靠等优势，更适用于全面推广与应用。
本发明的一种基于非侵入式负荷分解的家电智能识别与监测方法，包括如下步骤：
1)利用互感装置分别采集不同家用电器不同工作状态的电气参数；
所述的电气参数包括有：电压、电流、有功功率、无功功率、功率因数和视在功率。
2)根据每个家用电器不同工作状态的电气参数提取该家用电器不同工作状态的波形特征、 P-Q特征、瞬时功率特征、周波特征和谐波特征，并建立负荷特征数据集；
所述的负荷特征数据集中，每一个家用电器对应一组所述的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征。
3)利用互感装置采集家用电器供电总线上的电气参数；所述的电气参数包括有：电压、电流、有功功率、无功功率、功率因数和视在功率。
4)对步骤3)得到的电气参数小波分解，获取单个家用电器的电气参数；包括：
对于电流互感器采集到的未经过傅里叶级数展开的电流信号I(t)经小波变换为下式：
WT(a,b)＝∫I(t)ψa,b(t)dt
其中，I(t)为电流互感器采集到的电流信号；WT(a,b)为衡量电流信号I(t)与小波基ψa,b(t)相似性的系数；a、b分别为小波的平移因子和伸缩因子，且有
Figure GDA0002785610950000051
在离散的电流信号中，使得
Figure GDA0002785610950000052
则经小波变换后的电流信号I(t)用离散化表示形式DT解释为
Figure GDA0002785610950000053
根据小波分解定义可知，采样频率为fs的电流信号In(t)经过小波变换，视为次级电流信号In-1(t)与电流小波分量wn-1(t)的叠加，用如下公式表达：
In(t)＝In-1(t)+wn-1(t)
且次级电流信号In-1(t)的频段
Figure GDA0002785610950000061
与电流小波分量wn-1(t)的频段
Figure GDA0002785610950000062
的范围为
Figure GDA0002785610950000063
依据处于两种不同工作频率的用电器在频域展现不同的状态，即分解出来，对于各次级电流信号In-1(t)、In-2(t)利用小波分解继续分解下去，即有如下表达式
In(t)≈In-1(t)+wn-1(t)＝I0(t)+w0(t)+w1(t)+...+ wn-1(t)
其中，第i级电流小波分量wn-i(t)的频段范围为
Figure GDA0002785610950000064
所以处于多不同工作频率的用电器即分解出来。这样总端电流信号就可以视为用电器1电流信号、用电器2电流信号、用电器3电流信号和用电器4电流信号的叠加。处于多不同工作频率的用电器图像如附图说明图1所示。
5)提取步骤4)得到的单个家用电器的电气参数的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征；
6)将单个家用电器的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征与步骤 2)所述的负荷特征数据集中的特征参数进行匹配，得到对应的家用电器的工作状态。
步骤2)和步骤5)中的：
(1)波形特征的提取是采用如下公式获得：
电流信号平均值：
Figure GDA0002785610950000065
电流信号均方根：
Figure GDA0002785610950000066
电流信号最大值：I(MAX)ij＝max Iij(t),t＝1,...,N
电流信号超调量：
Figure GDA0002785610950000067
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；N为时间总长度；AVG为平均值简称；RMS为均方根简称；MAX为最大值简称。
(2)P-Q特征的提取是采用如下公式获得：
有功功率平均值：
Figure GDA0002785610950000068
无功功率平均值：
Figure GDA0002785610950000069
功率因数平均值：
Figure GDA00027856109500000610
有功功率标准差：
Figure GDA0002785610950000071
无功功率标准差：
Figure GDA0002785610950000072
功率因数标准差：
Figure GDA0002785610950000073
其中，Pij(t)为第i个设备中第j个状态t时刻的有功功率；Qij(t)为第i个设备中第j个状态 t时刻的无功功率；Fij(t)为第i个设备中第j个状态t时刻的功率因数；N为时间总长度； SD为标准差简称。
(3)瞬时功率特征的提取是采用如下公式获得：
Pij(t)＝Uij(t)Iij(t)
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；Uij(t)为第i个设备中第j个状态t时刻的电压信号；
(4)经过小波变换后电流、电压信号周波特征的提取是采用如下公式获得：
电流跨度ΔIij：
Figure GDA0002785610950000074
电压跨度ΔUij：
Figure GDA0002785610950000075
其中，
Figure GDA0002785610950000076
为第i个设备第j个状态电流信号周波中第l次周波；
Figure GDA0002785610950000077
为第i个设备第j个状态电压信号周波中第l次周波；N为时间总长度。
(6)经过小波变换后电流信号谐波特征的提取：
因为电流互感器采集的经过小波变换后电流信号是三角函数的线性组合，所以其电流信号I(t)可以用傅里叶级数表示为：
Figure GDA0002785610950000078
Figure GDA0002785610950000079
其中，
Figure GDA00027856109500000710
f 为电流信号频率；I(t)为电流互感器采集到的经过小波变换后电流信号；an为傅里叶级数中第n次奇次谐波分量的系数；bn为傅里叶级数中第n次偶次谐波分量的系数；i0/2为傅里叶级数中电流函数的直流分量；cn为第n次谐波的幅值。
(5.1)根据用傅里叶级数表示的电流信号I(t)公式提取电流信号波形的谐波数据；
(5.2)计算每个时刻点的电流信号谐波数据的均值
Figure GDA00027856109500000711
其中，T表示时间总长度；
Figure GDA0002785610950000081
第i个设备第j个工作状态中第l次谐波；
(5.3)利用主成分分析方法对电流信号谐波数据的均值进行分析
首先计算电流信号谐波数据的均值协方差矩阵，
Figure GDA0002785610950000082
其中，M表示数据维度，然后，计算电流信号谐波数据的均值协方差矩阵的特征值λ和特征向量ξ，在主成分分析计算特征向量之后，我们利用Mean-Shift算法对主成分特征向量进行浓缩，Mean-Shift算法包括：
(5.3.1)在主成分中随机选择一个向量作为中心向量center；
(5.3.2)找出距离中心向量center在随机范围之内的所有向量，记做集合H，认为这些向量属于簇C；
(5.3.3)计算从中心向量center开始到集合H中每个向量的距离向量，将这些距离向量相加，得到向量shift；
(5.3.4)center＝center+shift，即center沿着shift的方向移动，移动距离是||shift||；
(5.3.5)重复第(5.3.2)～(5.3.4)步，直到shift的值很小，即迭代到收敛，此时集合M 中所有元素即归为一类主成分，使得主成分得以浓缩。
若把一个特征向量看作一个点，Mean-Shift算法如图3所示。利用Mean-Shift算法对主成分特征向量进行浓缩后，将电流信号谐波数据的均值协方差矩阵的特征向量按特征值从小到大进行排序，取得累计贡献率超过80％前3个向量构成特征向量矩阵，然后将电流信号谐波数据的均值数据投影到选取的特征向量上得到主成分分析降维后的结果。

Claims (4)

1.一种基于非侵入式负荷分解的家电智能识别与监测方法，其特征在于，包括如下步骤：
1)利用互感装置分别采集不同家用电器不同工作状态的电气参数；
2)根据每个家用电器不同工作状态的电气参数提取该家用电器不同工作状态的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征，并建立负荷特征数据集；
3)利用互感装置采集家用电器供电总线上的电气参数；
4)对步骤3)得到的电气参数小波分解，获取单个家用电器的电气参数；
5)提取步骤4)得到的单个家用电器的电气参数的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征；
6)将单个家用电器的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征与步骤2)所述的负荷特征数据集中的特征参数进行匹配，得到对应的家用电器的工作状态；
步骤2)和步骤5)中的：
(1)波形特征的提取是采用如下公式获得：
电流信号平均值：
Figure FDA0002785610940000011
电流信号均方根：
Figure FDA0002785610940000012
电流信号最大值：I(MAX)ij＝max Iij(t),t＝1,...,N
电流信号超调量：
Figure FDA0002785610940000013
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；N为时间总长度；AVG为平均值简称；RMS为均方根简称；MAX为最大值简称；
(2)P-Q特征的提取是采用如下公式获得：
有功功率平均值：
Figure FDA0002785610940000014
无功功率平均值：
Figure FDA0002785610940000015
功率因数平均值：
Figure FDA0002785610940000016
有功功率标准差：
Figure FDA0002785610940000017
无功功率标准差：
Figure FDA0002785610940000018
功率因数标准差：
Figure FDA0002785610940000021
其中，Pij(t)为第i个设备中第j个状态t时刻的有功功率；Qij(t)为第i个设备中第j个状态t时刻的无功功率；Fij(t)为第i个设备中第j个状态t时刻的功率因数；N为时间总长度；SD为标准差简称；
(3)瞬时功率特征的提取是采用如下公式获得：
Pij(t)＝Uij(t)Iij(t)
其中，Iij(t)为第i个设备中第j个状态t时刻的电流信号；Uij(t)为第i个设备中第j个状态t时刻的电压信号；
(4)经过小波变换后电流、电压信号周波特征的提取是采用如下公式获得：
电流跨度ΔIij：
Figure FDA0002785610940000022
电压跨度ΔUij：
Figure FDA0002785610940000023
其中，
Figure FDA0002785610940000024
为第i个设备第j个状态电流信号周波中第l次周波；
Figure FDA0002785610940000025
为第i个设备第j个状态电压信号周波中第l次周波；N为时间总长度；
(5)经过小波变换后电流信号谐波特征的提取：
因为电流互感器采集的经过小波变换后电流信号是三角函数的线性组合，所以其电流信号I(t)可以用傅里叶级数表示为：
Figure FDA0002785610940000026
Figure FDA0002785610940000027
其中，
Figure FDA0002785610940000028
f为电流信号频率；I(t)为电流互感器采集到的经过小波变换后电流信号；an为傅里叶级数中第n次奇次谐波分量的系数；bn为傅里叶级数中第n次偶次谐波分量的系数；i0/2为傅里叶级数中电流函数的直流分量；cn为第n次谐波的幅值；
(5.1)根据用傅里叶级数表示的电流信号I(t)公式提取电流信号波形的谐波数据；
(5.2)计算每个时刻点的电流信号谐波数据的均值
Figure FDA0002785610940000029
其中，T表示时间总长度；
Figure FDA00027856109400000210
第i个设备第j个工作状态中第l次谐波；
(5.3)利用主成分分析方法对电流信号谐波数据的均值进行分析
首先计算电流信号谐波数据的均值协方差矩阵，
Figure FDA0002785610940000031
其中，M表示数据维度，然后，计算电流信号谐波数据的均值协方差矩阵的特征值λ和特征向量ξ，在主成分分析计算特征向量之后，利用Mean-Shift算法对主成分特征向量进行浓缩，所述的Mean-Shift算法包括：
(5.3.1)在主成分中随机选择一个向量作为中心向量center；
(5.3.2)找出距离中心向量center在随机范围之内的所有向量，记做集合H，认为这些向量属于簇C；
(5.3.3)计算从中心向量center开始到集合H中每个向量的距离向量，将这些距离向量相加，得到向量shift；
(5.3.4)center＝center+shift，即center沿着shift的方向移动，移动距离是||shift||；
(5.3.5)重复第(5.3.2)～(5.3.4)步，直到shift的值很小，即迭代到收敛，此时集合M中所有元素即归为一类主成分，使得主成分得以浓缩。
2.根据权利要求1所述的一种基于非侵入式负荷分解的家电智能识别与监测方法，其特征在于，步骤1)所述的电气参数包括有：电压、电流、有功功率、无功功率、功率因数和视在功率。
3.根据权利要求1所述的一种基于非侵入式负荷分解的家电智能识别与监测方法，其特征在于，步骤2)所述的负荷特征数据集中，每一个家用电器对应一组所述的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征。
4.根据权利要求1所述的一种基于非侵入式负荷分解的家电智能识别与监测方法，其征在于，步骤4)所述的对步骤3)得到的多种用电器的电气参数进行小波分解，包括：
对于电流互感器采集到的未经过傅里叶级数展开的电流信号I(t)经小波变换为下式：
WT(a,b)＝∫I(t)ψa,b(t)dt
其中，I(t)为电流互感器采集到的电流信号；WT(a,b)为衡量电流信号I(t)与小波基ψa,b(t)相似性的系数；a、b分别为小波的平移因子和伸缩因子，且有
Figure FDA0002785610940000032
在离散的电流信号中，使得
Figure FDA0002785610940000033
则经小波变换后的电流信号I(t)用离散化表示形式DT解释为
Figure FDA0002785610940000034
根据小波分解定义可知，采样频率为fs的电流信号In(t)经过小波变换，视为次级电流信号In-1(t)与电流小波分量wn-1(t)的叠加，用如下公式表达：
In(t)＝In-1(t)+wn-1(t)
且次级电流信号In-1(t)的频段
Figure FDA0002785610940000041
与电流小波分量wn-1(t)的频段
Figure FDA0002785610940000042
的范围为
Figure FDA0002785610940000043
依据处于两种不同工作频率的用电器在频域展现不同的状态，即分解出来，对于各次级电流信号In-1(t)、In-2(t)利用小波分解继续分解下去，即有如下表达式
In(t)≈In-1(t)+wn-1(t)＝I0(t)+w0(t)+w1(t)+...+ wn-1(t)
其中，第i级电流小波分量wn-i(t)的频段范围为
Figure FDA0002785610940000044
所以处于不同工作频率的用电器即分解出来，这样总端电流信号就视为家用电器1电流信号、家用电器2电流信号、家用电器3电流信号和家用电器4电流信号的叠加。
CN201910169683.6A 2019-03-05 2019-03-05 一种基于非侵入式负荷分解的家电智能识别与监测方法 Expired - Fee Related CN110018369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910169683.6A CN110018369B (zh) 2019-03-05 2019-03-05 一种基于非侵入式负荷分解的家电智能识别与监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910169683.6A CN110018369B (zh) 2019-03-05 2019-03-05 一种基于非侵入式负荷分解的家电智能识别与监测方法

Publications (2)

Publication Number Publication Date
CN110018369A CN110018369A (zh) 2019-07-16
CN110018369B true CN110018369B (zh) 2021-01-26

Family

ID=67189319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910169683.6A Expired - Fee Related CN110018369B (zh) 2019-03-05 2019-03-05 一种基于非侵入式负荷分解的家电智能识别与监测方法

Country Status (1)

Country Link
CN (1) CN110018369B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361619B (zh) * 2019-08-16 2020-07-31 佳源科技有限公司 一种非侵入式用电能效监测模块
CN110901446A (zh) * 2019-10-14 2020-03-24 广东浩迪创新科技有限公司 一种基于智能电表的电动车充电识别方法及装置
CN110726870A (zh) * 2019-10-20 2020-01-24 广东石油化工学院 一种基于数据纯度的负荷开关事件检测方法和系统
CN110907762B (zh) * 2019-12-10 2022-05-31 深圳供电局有限公司 一种非侵入式负荷匹配辨识方法
CN111597998B (zh) * 2020-05-18 2021-08-31 江苏电力信息技术有限公司 一种电流信号的分类方法
CN111815152B (zh) * 2020-07-06 2023-02-28 安徽建筑大学 基于用电行为规律和电器电流最小状态的细粒度用电负荷建模方法
CN111948446A (zh) * 2020-07-20 2020-11-17 江阴长仪集团有限公司 一种自适应的负荷识别方法以及智能电能表
CN112241925A (zh) * 2020-10-19 2021-01-19 广州拾米科技有限公司 非侵入式负荷分解方法和系统
CN112260275B (zh) * 2020-10-19 2023-08-18 文志芬 基于区块链技术的非侵入式负荷分解方法和系统
CN112821380B (zh) * 2020-12-31 2022-10-04 广东电网有限责任公司 一种基于多通道填充矩阵的非侵入式负荷识别方法和系统
CN112924790B (zh) * 2021-01-29 2022-04-08 上海逐鲨智能科技有限公司 采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法
CN113466593B (zh) * 2021-07-08 2023-11-07 国网浙江省电力有限公司营销服务中心 一种非侵入式负荷监测安全防护方法及样本库建立方法
CN113408210B (zh) * 2021-07-12 2023-08-01 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN115407157A (zh) * 2022-10-31 2022-11-29 南昌工程学院 一种复杂多态电器负荷事件判别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675378A (zh) * 2013-09-23 2014-03-26 东北电力大学 一种非侵入式家庭用电负荷分解方法及装置
WO2014075581A1 (zh) * 2012-11-16 2014-05-22 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
CN105186693A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN105404784A (zh) * 2015-12-07 2016-03-16 河南许继仪表有限公司 一种非侵入式电力负荷分解方法
CN105652118A (zh) * 2015-12-29 2016-06-08 国家电网公司 一种基于负荷瞬时能量特征的电网电能负荷监测方法
CN109239494A (zh) * 2018-09-21 2019-01-18 无锡风繁伟业科技有限公司 一种非侵入式电力负荷报警监测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5876874B2 (ja) * 2010-06-04 2016-03-02 センサス ユーエスエー インク．Ｓｅｎｓｕｓ Ｕｓａ Ｉｎｃ． 非侵入型負荷監視及び処理方法並びにシステム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014075581A1 (zh) * 2012-11-16 2014-05-22 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
CN103675378A (zh) * 2013-09-23 2014-03-26 东北电力大学 一种非侵入式家庭用电负荷分解方法及装置
CN105186693A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN105404784A (zh) * 2015-12-07 2016-03-16 河南许继仪表有限公司 一种非侵入式电力负荷分解方法
CN105652118A (zh) * 2015-12-29 2016-06-08 国家电网公司 一种基于负荷瞬时能量特征的电网电能负荷监测方法
CN109239494A (zh) * 2018-09-21 2019-01-18 无锡风繁伟业科技有限公司 一种非侵入式电力负荷报警监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Home electrical signal disaggregation for non-intrusive load monitoring(NILM) systems;Marisa Figueiredo等;《Neurocomputing》;20120511;66-73 *
非侵入式负荷分解方法综述;李自文等;《价值工程》;20181231;第37卷(第18期);233-235 *

Also Published As

Publication number Publication date
CN110018369A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN110018369B (zh) 一种基于非侵入式负荷分解的家电智能识别与监测方法
Wang et al. A new methodology for identifying arc fault by sparse representation and neural network
CN105429135B (zh) 一种非侵入式电力负荷分解的辨识决策方法及系统
Gaouda et al. Pattern recognition applications for power system disturbance classification
US20230160942A1 (en) Fault arc signal detection method using convolutional neural network
Zhang et al. A real-time classification method of power quality disturbances
Das et al. Diagnosis of power quality events based on detrended fluctuation analysis
Zaro et al. Power quality detection and classification using S-transform and rule-based decision tree
Singh et al. Robust detection of real-time power quality disturbances under noisy condition using FTDD features
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
CN109975673A (zh) 一种光伏微电网直流侧故障电弧识别方法
Chang et al. Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints
CN110703078A (zh) 基于频谱能量分析与自组织竞争算法的gis故障诊断方法
CN105974223B (zh) 一种用于在线检测用电设备工作状态的方法及系统
Liao et al. Recognition of partial discharge patterns
CN106680621A (zh) 一种基于电流信号分离的居民负荷用电识别方法
CN116089857A (zh) 一种基于ceemdan-dbn的变压器故障识别方法
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
CN113659564B (zh) 基于电压波动特征聚类的低压配电网拓扑识别方法及系统
Patel Condition monitoring of induction motor for broken rotor bar using discrete wavelet transform & K-nearest neighbor
Petladwala et al. Canonical correlation based feature extraction with application to anomaly detection in electric appliances
CN116681186A (zh) 一种基于智能终端的用电质量分析方法及装置
CN116577612A (zh) 一种基于vmd希尔伯特边际谱多特征融合的串联故障电弧检测方法
CN114530847A (zh) 非活性电流谐波结合XGBoost的非侵入式负荷辨识方法
Eisenmann et al. PQ classification by way of parallel computing-A sensitivity analysis for a real-time LSTM approach using waveform and RMS data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190716

Assignee: AVIC TIANJIN AVIATION ELECTRO-MECHANICAL Co.,Ltd.

Assignor: TIANJIN POLYTECHNIC University

Contract record no.: X2021990000514

Denomination of invention: An intelligent identification and monitoring method of household appliances based on non-invasive load decomposition

Granted publication date: 20210126

License type: Common License

Record date: 20210820

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210126