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:
电流信号最大值:I(MAX)ij=max Iij(t),t=1,...,N
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:
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:
电压跨度ΔUij:
其中,
为第i个设备第j个状态电流信号周波中第l次周波;
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:
其中,
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;a
n为傅里叶级数中第n次奇次谐波分量的系数;b
n为傅里叶级数中第n次偶次谐波分量的系数;i
0/2为傅里叶级数中电流函数的直流分量;c
n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;
其中,T表示时间总长度;
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,
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
在离散的电流信号中,使得
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
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I
n-1(t)的频段
与电流小波分量w
n-1(t)的频段
的范围为
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w
n-i(t)的频段范围为
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
在离散的电流信号中,使得
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
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I
n-1(t)的频段
与电流小波分量w
n-1(t)的频段
的范围为
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w
n-i(t)的频段范围为
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:
电流信号最大值:I(MAX)ij=max Iij(t),t=1,...,N
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:
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:
电压跨度ΔUij:
其中,
为第i个设备第j个状态电流信号周波中第l次周波;
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:
其中,
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;a
n为傅里叶级数中第n次奇次谐波分量的系数;b
n为傅里叶级数中第n次偶次谐波分量的系数;i
0/2为傅里叶级数中电流函数的直流分量;c
n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;
其中,T表示时间总长度;
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,
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。