CN110133393A - 一种基于非侵入式监测技术的用电监测系统及方法 - Google Patents

Abstract

本发明公开了一种基于非侵入式监测技术的用电监测系统及方法，该系统包括数据采集装置、后台分析主站以及在用户侧客户端。数据采集装置负责采集、预处理和传输用户侧电流数据；后台分析主站存储了各用电设备正常工作时的谐波分析结果以及各用户的设备开关状态，通过所存储的设备谐波分析数据以及历史设备工作状态数据，采用云遗传算法对所接收的总线电流波形信息进行设备开关状态识别，并将结果发送至客户端。本发明能够根据在电力用户总进线处采集电气数据就能实现用户设备开关状态的识别，无需侵入用户内部装设大量传感器，对用户生产、生活造成的影响小，经济成本低、实用性强，广泛适用于商业、居民与工业用户。

Description

一种基于非侵入式监测技术的用电监测系统及方法

技术领域

本发明涉及配用电系统监测与管理，具体涉及一种基于非侵入式监测技术的用电监测系统及方法。

背景技术

智能电网作为电力系统的发展方向，是指以特高压电网为骨干网架，各级电网协调发展的坚强电网为基础，以通信信息平台为支撑，具有信息化、自动化、互动化特征，实现“电力流、信息流、业务流”的高度一体化融合的现代电网，能够很好地消纳分布式的清洁能源，通过需求侧管理提高电能的利用率，实现节能减排的目标。而数据分析技术是智能电网实现高度信息化、自动化的必要条件，利用数据挖掘方法对用户负荷大数据进行处理，能够从中提取出有用信息，从而能够对电力负荷有更系统和深入的理解进而改善负荷管理水平及系统运行的安全性与经济性，其中负荷检测技术是大数据挖掘在电力系统中应用的重要领域。

当前的负荷监测技术分为侵入式负荷监测技术和非侵入式负荷监测技术。传统的负荷监测采取侵入式(ILM)的方法，即在用户的各用电设备上都安装传感器记录其使用情况。该方法优点在于监测数据准确可靠，缺点是实际可操作性差、实施成本高、用户接受程度较低。非侵入式负荷监测(NILMD)由Hart于20世纪80年代提出。顾名思义，在NILMD中取消了用户内部的各用电器传感器，只监测用户最外部的总线上的用电信息，把家庭中所有设备消耗的总的电力数据分解成各个设备所消耗的数据。综合考虑监测性能、成本、可靠性等方面，NILMD具有更大的优势。NILMD的使用对电力公司和电力用户都有重要的意义。

传统的非侵入式用电监测装置多采用基于大量学习样本的神经网络算法、遗传和粒子群等进化算法，或是神经算法与进化算法的组合，但在实际使用过程中用户往往缺乏足够的学习样本，而只使用一般的进化算法常常会得不到全局最优导致负荷识别准确率低，且收敛速度可能过慢，不能实时反映负荷投切状态变换情况。同时，考虑到进行负荷识别需要处理的数据量大，对服务器的存储与计算性能要求高，这也直接导致了传统的非侵入式数据采集装置的成本高昂。

发明内容

本发明旨在提供一种基于非侵入式监测技术的用电监测系统及方法以解决传统非侵入式电气数据采集技术的不足。

本发明的目的通过如下技术方案实现。

本发明提出一种基于非侵入式监测技术的用电监测系统，包括数据采集装置、后台分析主站、远程控制模块、RS485 IO模块以及客户端；所述数据采集装置设有顺次连接的低频电流采样模块、模拟信号处理模块、数据采集主控模块、高频电流采样模块、录波模块和通信模块；后台分析主站包括数据处理分析服务器与数据库，所述数据处理分析服务器通过无线网络分别与数据采集装置的通信模块以及所述的客户端连接；所述模拟信号处理模块分别与电流互感器、电压互感器、红外探头和RS485接口连接；数据采集装置的通信模块向远程控制模块发送投切负荷的指令，远程控制模块通过RS485 IO模块对用户侧设备进行遥控；所述后台分析主站通过无线网络分别与数据采集装置的通信模块以及所述的客户端连接。所述远程控制模块输出端通过RS485 IO模块与用户侧负荷连接。

进一步的，上述的录波模块包括DSP处理器与录波器，DSP处理器与录波器和延时开关连接，在监测到投切事件发生时启动录波器进行录波，延时接通与通信模块的通讯链路。

进一步的，后台分析主站包括数据库与数据处理分析服务器，数据库记录有：(1)各类电气负荷单独运行时的稳态电流波形快速傅里叶分析(fast Fourier transform，简称FFT)数据，用于建立负荷识别求解模型；(2)负荷识别的历史结果，用于简化负荷识别模型；所述数据处理分析服务器装载有基于云遗传算法的开关状态识别算法以及基于历史开关状态识别结果的求解模型简化程序；(3)各类电气负荷单独运行时的有功功率、无功功率、功率因素、谐波畸变率、三相不平衡度，用于进一步分析各类电气负荷的用电情况及其对电能质量的影响。所述数据处理分析服务器装载有基于云遗传算法的负荷识别算法。

其中，数据库记录的各类负荷稳态电流波形数据保存为如下矩阵形式：

其中I_k为第k类负荷的FFT数据，包括基波及各次谐波的幅值a_kn，以及各次谐波与基波之间的相角差。

本发明还提出了一种基于非侵入式监测技术的电气数据采集装置的负荷识别方法，包括如下步骤：

步骤一：系统运行之前通过收集可能投入运行的电气负荷种类及数量，上报至后台分析主站，后台分析主站数据处理分析服务器根据考察结果读取数据库中相应的负荷稳态电流波形FFT分析数据，建立负荷识别模型；数据采集模块通过模拟信号处理模块从多个传感器中实时获取负荷的电力基础数据，数据采集主控模块对模拟信号处理模块输出的信号进行低通滤波处理，并将低频的稳态基本电能信息，包括总线的功率与电能质量信息，通过通信模块发送到后台分析主站。即系统运行前先要求用户分别单独运行每一类设备中的1台，随后数据采集装置对总线电流数据进行采样并通过录波模块生成波形数据，通过通信模块发送到后台分析主站，数据处理分析服务器对电流波形进行FFT分析后将结果存储到数据库中，得到每一类设备基波与各次谐波的幅值与相角如式(1)所示：

i_Ln＝{a_n1∠θ_n1,a_n2∠θ_n2,...,a_nk∠θ_nk} (1)

其中，a_nk、θ_nk分别表示第n类设备第k次谐波的幅值和相角；

步骤二：要求用户同时运行每一类设备中的1台，后台分析主站利用基于云遗传算法的开关状态识别算法对各设备的基波相位角进行求解，第n类设备的基波相位角为θ_Cn；

步骤三：录波模块中的DSP处理器对模拟信号处理器输出的相邻周期的有功功率进行差分计算，当相邻周期有功功率差值的绝对值超过新增单个负荷可能增加的最小功率值时，，判断有负荷的投切事件发生，当相邻周期有功功率差值为正时，判断有负荷投入事件发生，当功率差值为负时，判断有负荷切除时间发生；

步骤四：DSP处理器继续进行功率差分计算，当相邻周期有功功率差值绝对值小于总线功率波动产生的最大差分功率值时，判断经过投切事件后，总线负荷达到新的稳态，控制录波器打开，录波模块与通信模块之间的线路接通，延时开关进入延时，取延时时间为1秒，即取50个周期的总线稳态电流波形数据发送到后台分析主站，延时结束后线路关闭；

步骤五：后台分析主站数据处理分析服务器根据总线稳态电流波形以及建立的负荷识别模型，使用云遗传算法求解，完成负荷识别；

步骤六：数据处理分析服务器将负荷识别结果写入数据库，以当前时刻的负荷识别结果简化负荷识别模型，准备下一次的负荷识别计算；

步骤七：后台分析主站通过无线网络将负荷识别的结果发送给用户，同时发送总线稳态功率与电能质量数据、当前正在运行的各类负荷的稳态功率与电能质量信息给用户，用户可以知道当前总用电功率大小和电能质量情况，同时可以对照正在运行负荷的功率与电能质量信息，得知各个负荷具体的用电情况，以及各个负荷对电能质量的影响情况；

步骤八：后台分析主站根据用户需求，通过数据采集装置的通信模块向远程控制模块发送投切负荷的指令，远程控制模块通过RS485IO模块对用户侧设备进行遥控。

进一步的，上述步骤一中，负荷识别模型为：

i_l＝β₁i₁+β₂i₂+…+β_ni_n

其中，i_l为总线负荷电流，i_n为第n类负荷的单元电流，β为各类负荷的权重系数，即相应负荷的开关状态，为0-1相量。进一步地，i_l可表示为：

i_l＝a₁·sin(ωt+θ₁)+a₂·sin(2·ωt+θ₂)+…+a_k·sin(k·ωt+θ_k)

上式中，第一项为基波，其余的项为各次谐波。其中a为基波或各次谐波的幅值，ω为基波角频率，工频时为2π·50，θ为基波或各次谐波在此次测量中的初相角，同理，各类负荷的单元电流也可表示为基波与各次谐波相加的形式，用矩阵表示有：

简记为I_l＝H_a·β。

上式中，a_lk和θ_lk分别为总线电流i_l经过FFT分析得到的第k次谐波的幅值和相位，a_kn为第n类负荷第k次谐波的幅值，Δθ_kn和θ_Cn分别为第n类负荷的第k次谐波位置角和基波相位角，β为权重系数。a_lk和θ_lk为可直接从总线电流波形在后台分析主站通过FFT分析得到，a_kn和Δθ_kn可以直接从后台主站数据库中读取，模型需要求解的量为表征负荷开关情况的权重系数β_n，以及负荷投入时的基波相位角θ_Cn，表示为一个维数为2n的向量：

[β₁,β₂,...,β_n,θ_C1,θ_C2,...,θ_Cn]

由于上式是一个带约束的不相容方程组，因此选用优化算法对其求解，目标函数如下：

式中，║·║表示L₂范数，即为解空间中I_l与H_a·β的欧式距离。我们要求得最优解，使得这两者在解空间内的欧氏距离最小。

进一步的，步骤六中，简化模型的方法为：根据当前的负荷识别结果，建立两个简化的负荷识别模型，分别适用于用户投入新的负荷和用户切除现有负荷：

针对用户投入新的负荷，将现有正在运行的负荷的权重系数β_i设为1，基波相位角θ_Ci不变，作为已知量处理，设现有正在运行的负荷m个，则需要求解的向量从2n维缩减至2n-2m维；

针对用户切除现有负荷，将现在未投入运行的负荷的权重系数β_i设为0，作为已知量处理，因为负荷未投入运行，所以其基波相位角也是没有意义的，设为0，设现有未投入运行的负荷m个，则需要求解的向量从2n维缩减至2n-2m维。

与现有技术相比，本发明具有如下优点和技术效果：首先通过功率的差值检测负荷投切事件的发生，然后采集投切事件发生后总线电流达到新稳态时的电流波形信息，仅利用投切事件发生后的电流信息进行计算，降低了服务器的负担和通信成本，且本发明的负荷识别模型会根据当前的负荷识别结果简化负荷识别模型，能够减少未知量数量，减少计算量。本发明采用云遗传算法对电流波形进行负荷识别，与遗传算法相比，能够根据适应值调整种群的交叉、变异方向，提高收敛速度，同时有利于找到全局最优解。

附图说明

下面将结合附图中的具体实施例对本发明作进一步详细说明，但不构成对本发明的任何限制。

图1为本发明用电监测系统的整体结构示意图；

图2为非侵入式电气数据采集装置(NILMD装置)应用场景示意图；

图3为本发明负荷识别方法流程图；

图4为云遗传算法流程图；

具体实施方式

以下结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此。需指出的是，以下若有未特别详细说明之过程，均是本领域技术人员可参照现有技术理解或实现的。

本实施例提出的用电监测系统整体结构以及各个模块的连接情况如图1所示。其中数据采集装置负责电能信息的采集与传输，后台分析主站负责数据的保存及负荷识别的计算。后台分析主站的数据库记录有：用户各种用电负荷单独运行时的稳态电流波形FFT分析数据，包括各类用电器基波与各次谐波的幅值和相角；负荷识别的历史结果，用作简化负荷识别模型；各种用电器单独运行时的有功功率、无功功率、功率因素、谐波畸变率、三相不平衡度，用作观察各类运行负荷的用电情况及其对电能质量的影响。数据处理分析服务器装载有负荷识别算法，通过云遗传算法进行负荷识别。

本发明广泛适用于商业、工业、居民用户的负荷识别，本数据采集装置(NILMD装置)在配用电系统中的应用场景如图2所示，装置安装在总进线上，能够在不侵入用户内部的前提下获取用户的电能信息，做到对用户的生活和工作的影响最小化，且与侵入式负荷监测装置相比节省了监测的硬件成本，提高监测可靠性，具有很高的泛用性。

本实施例的负荷识别方法的流程图如图3所示。

首先本用电监测系统的运营方会派遣技术人员考察用户的负荷信息，假设经过考察，发现用户有5个可能投入运行的用电器，数据分析处理服务器会从数据库中查找相应用电器的电流FFT分析数据，建立负荷识别模型：

i_l＝β₁i₁+β₂i₂+…+β₅i₅

其中，i_l为总线负荷电流，i_n为第n类负荷的单元电流，β为各类负荷的权重系数，即相应负荷的开关状态，为0-1相量。进一步地，i_l可表示为：

i_l＝a₁·sin(ωt+θ₁)+a₂·sin(2·ωt+θ₂)+…+a_k·sin(k·ωt+θ_k)

上式中，第一项为基波，其余的项为各次谐波。其中a为基波或各次谐波的幅值，ω为基波角频率，工频时为2π·50，θ为基波或各次谐波在此次测量中的初相角，同理，各类负荷的单元电流也可表示为基波与各次谐波相加的形式，用矩阵表示有：

简记为I_l＝H_a·β。

上式中，a_lk和θ_lk分别为总线电流i_l经过FFT分析得到的第k次谐波的幅值和相位，a_kn为第n类负荷第k次谐波的幅值，Δθ_kn和θ_Cn分别为第n类负荷的第k次谐波位置角和基波相位角，β为权重系数。a_lk和θ_lk为可直接从总线电流波形在后台分析主站通过FFT分析得到，a_kn与Δθ_kn可以直接从后台主站数据库中读取，模型需要求解的量为表征负荷开关情况的权重系数β_n，以及负荷投入时的基波相位角θ_Cn，表示为一个维数为10的向量：

[β₁,β₂,...,β₅,θ_C1,θ_C2,...,θ_C5]

由于上式是一个带约束的不相容方程组，因此选用优化算法对其求解，目标函数如下：

式中，║·║表示L₂范数，即为解空间中I_l与H_a·β的欧式距离。我们要求得最优解，使得这两者在解空间内的欧氏距离最小。

建立模型后，数据采集装置中的录波模块的DSP处理器会根据模拟信号处理模块输出的有功功率信息，检测是否有负荷的投切事件发生，具体过程为：录波模块中的DSP处理器对模拟信号处理器输出的相邻周期的有功功率进行差分计算，当相邻周期有功功率差值的绝对值超过新增单个负荷可能增加的最小功率值时，判断有负荷的投切事件发生，当相邻周期有功功率差值为正时，判断有负荷投入事件发生，当功率差值为负时，判断有负荷切除时间发生。

在检测到有投切事件发生后，DSP处理器继续进行功率差分计算，当功率变化幅度足够小时，判断总线负荷达到新的稳态，控制录波器打开，录波模块与通信模块之间的线路接通，录波模块将电流波形数据上传到通信模块，通信模块将波形数据发送到后台分析主站，延时开关进入延时，延时1秒后，线路关闭，录波模块不再上传信息给通信模块。

此后，数据处理分析服务器使用云遗传算法求解上述负荷识别模型。

云遗传算法的流程如图4所示。

步骤1：确定目标函数：

式中，║·║表示L₂范数，即为解空间中I_l与H_a·β的欧式距离。我们要求得最优解，使得这两者在解空间内的欧氏距离最小。

步骤2：初始化种群，即遗传算法中的编码。随机产生N个初始串结构数据，每个串结构数据称为一个个体。N个个体构成一个群体。遗传算法以这N个初始串结构数据作为初始点开始迭代。

步骤3：以初始化的种群的个体作为输入量，代入适应度函数中计算每个种群中每个个体的适应度；

步骤4：若适应度满足系统所设定的适应度值要求或者迭代次数要求，则系统跳转至步骤8，否则进行下一步；

步骤5：保存种群中适应度最高的个体，用于进行遗传算法中的交叉、变异等操作；

步骤6：利用云理论中的Y条件发生器生成子代种群，实现交叉操作。

正态云模型是一个遵循正态分布规律、具有稳定倾向的随机数集，用期望值Ex、熵En、超熵He三个数值来表征。期望值Ex：在数域空间最能够代表这个定性概念的点，反映了云的重心位置。熵En：一方面反映了在数域空间可被语言值接受的范围；另一方面还反映了在数域空间的点能够代表这个语言值的概率，表示定性概念的云滴出现的随机性。它揭示了模糊性和随机性的关联性。超熵He：是熵的不确定度量，反映了在数域空间代表该语言值的所有点的不确定的凝聚性。

交叉操作：

(1)随机生成或人为制定确定度μ；

(2)

(3)En＝变量搜索范围/c1，c1取3*p，p为种群大小；

(4)He＝En/c2，c2取5～15之间的值；

(5)由Y条件发生器产生子代种群；

式中：x_f和x_m分别为交叉操作中的父个体和母个体；F_f和F_m则分别对应他们的适应度。

步骤7：利用基本正态云云发生器实现基因突变，即遗传算法中变异操作；

变异操作：

(1)Ex取原个体；

(2)En＝变量搜索范围/c3，c3取5；

(3)He＝En/c4，c4取5～15之间的值；

(4)执行基本正态云云发生器，生成随机数Temp，当μ>Temp时，更新种群中个体。

跳转至步骤4。

步骤8：获取最优解。

数据处理分析服务器在首次完成用户的负荷识别后，会建立简化的负荷识别模型，具体步骤为：

针对用户投入新的负荷，将现有正在运行的负荷的权重系数β_i设为1，基波相位角θ_Ci不变，作为已知量处理，设现有正在运行的负荷m个，则需要求解的向量从2n维缩减至2n-2m维；

针对用户切除现有负荷，将现在没有运行的负荷的权重系数β_i设为0，作为已知量处理，因为负荷没有运行，所以其基波相位角也是没有意义的，设为0，设现有没有运行的负荷m个，则需要求解的向量从2n维缩减至2n-2m维。

在此后的负荷识别工作中，数据分析处理服务器能够根据负荷是投入或是切除而分别选择针对用户投入负荷与针对用户切除负荷的简化模型进行求解，大大减少了计算量和求解的时间。

在完成负荷识别后，后台分析主站通过无线网络将负荷识别的结果发送给用户，同时发送总线稳态功率与电能质量数据、当前正在运行的各类负荷的稳态功率与电能质量信息给用户，用户可以知道当前总用电功率大小和电能质量情况，同时可以对照正在运行负荷的功率与电能质量信息，得知各个负荷具体的用电情况，以及各个负荷对电能质量的影响情况。最后，后台分析主站根据用户需求，通过数据采集装置的通信模块向远程控制模块发送投切负荷的指令，远程控制模块通过RS485IO模块对用户侧设备进行遥控。

综上所述，本发明已如说明书及图示内容，制成实际样品且经多次使用测试，从使用测试的效果看，可证明本发明能达到其所预期之目的，实用性价值乃无庸置疑。以上所举实施例仅用来方便举例说明本发明，并非对本发明作任何形式上的限制，如不局限于RS485中间继电器，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。

Claims (6)

1.一种基于非侵入式监测技术的用电监测系统，其特征在于：包括数据采集装置、后台分析主站、远程控制模块、RS485 IO模块以及客户端；所述数据采集装置设有顺次连接的低频电流采样模块、模拟信号处理模块、数据采集主控模块、高频电流采样模块、录波模块和通信模块；后台分析主站包括数据处理分析服务器与数据库，所述数据处理分析服务器通过无线网络分别与数据采集装置的通信模块以及所述的客户端连接；所述模拟信号处理模块分别与电流互感器、电压互感器、红外探头和RS485接口连接；所述远程控制模块输出端通过RS485 IO模块与用户侧负荷连接；数据采集装置的通信模块向远程控制模块发送投切负荷的指令，远程控制模块通过RS485 IO模块对用户侧设备进行遥控；所述后台分析主站通过无线网络分别与数据采集装置的通信模块以及所述的客户端连接。

2.根据权利要求1所述的基于非侵入式监测技术的用电监测系统，其特征在于：所述的录波模块包括DSP处理器与录波器，DSP处理器分别与录波器和延时开关连接，在监测到投切事件发生时启动录波器进行录波，延时接通与通信模块的通讯链路。

3.根据权利要求1所述的基于非侵入式监测技术的用电监测系统，其特征在于：所述数据库记录有：(1)各类设备单独运行时的稳态电流波形傅里叶分析数据，用于建立负荷识别求解模型；(2)负荷识别的历史结果，用于简化负荷识别模型；所述数据处理分析服务器装载有基于云遗传算法的开关状态识别算法以及基于历史开关状态识别结果的求解模型简化程序；(3)电气负荷单独运行时的有功功率、无功功率、功率因素、谐波畸变率、三相不平衡度，用于进一步分析各类电气负荷的用电情况及其对电能质量的影响；所述数据处理分析服务器装载有基于云遗传算法的负荷识别算法。

4.一种利用权利要求1所述的基于非侵入式监测技术的用电监测系统的用电监测方法，其特征在于包括如下步骤：

步骤一：用电监测系统投入运行之前先要求用户分别单独运行每一类设备中的1台，随后数据采集装置对总线电流数据进行采样并通过录波模块生成波形数据，通过通信模块发送到后台分析主站，数据处理分析服务器对电流波形进行快速傅里叶分析后将结果存储到数据库中，得到每一类设备基波与各次谐波的幅值与相角如式(1)所示：

i_Ln＝{a_n1∠θ_n1,a_n2∠θ_n2,...,a_nk∠θ_nk} (1)

其中，a_nk、θ_nk分别表示第n类设备第k次谐波的幅值和相角；

并要求用户同时运行每一类设备中的1台，后台分析主站利用基于云遗传算法的开关状态识别算法对各设备的基波相位角进行求解，第n类设备的基波相位角为θ_Cn；

步骤二：通过模拟信号处理模块从传感器中实时获取负荷的电力基础数据，数据采集主控模块对模拟信号处理模块输出的信号进行低通滤波处理，并将低频的稳态基本电能信息，包括总进线的功率与电能质量信息，通过通信模块发送到后台分析主站；

步骤三：录波模块中的DSP处理器对模拟信号处理器输出的相邻周期的有功功率进行差分计算，当相邻周期有功功率差值的绝对值超过新增单个负荷增加的最小功率值时，判断有负荷的投切事件发生，当相邻周期有功功率差值为正时，判断有负荷投入事件发生，当功率差值为负时，判断有负荷切除时间发生；

步骤四：DSP处理器继续进行功率差分计算，当相邻周期有功功率差值绝对值小于总线功率波动产生的最大差分功率值时，判断经过投切事件后，总线负荷达到新的稳态，控制录波器打开，录波模块与通信模块之间的线路接通，延时开关进入延时，取延时时间为1秒，即取50个周期的总进线稳态电流波形数据通过通信模块发送到后台分析主站，延时结束后线路关闭；

步骤五：后台分析主站数据处理分析服务器根据总进线稳态电流波形以及建立的负荷识别模型，使用云遗传算法求解，完成负荷识别；

步骤六：数据处理分析服务器将负荷识别结果录入数据库，以当前时刻的负荷识别结果简化负荷识别模型，准备下一次的负荷识别计算；

步骤七：后台分析主站通过无线网络将负荷识别的结果发送给用户，同时发送总线稳态功率与电能质量数据、当前正在运行的各类负荷的稳态功率与电能质量信息给用户，用户可以知道当前总用电功率大小和电能质量情况，同时可以对照正在运行负荷的功率与电能质量信息，得知各个负荷具体的用电情况，以及各个负荷对电能质量的影响情况；

步骤八：后台分析主站根据用户需求，通过数据采集装置的通信模块向远程控制模块发送投切负荷的指令，远程控制模块通过RS485IO模块对用户侧设备进行遥控。

5.根据权利要求4所述的基于非侵入式监测技术的用电监测方法，其特征在于：步骤五中，所述负荷识别模型为：

i_l＝β₁i₁+β₂i₂+…+β_ni_n

其中，i_l为总线负荷电流，i_n为第n类负荷的单元电流，β为各类负荷的权重系数，即相应负荷的开关状态，为0-1相量，进一步地，i_l可表示为：

i_l＝a₁·sin(ωt+θ₁)+a₂·sin(2·ωt+θ₂)+…+a_k·sin(k·ωt+θ_k)

上式中，第一项为基波，其余的项为各次谐波；其中a为基波或各次谐波的幅值，ω为基波角频率，工频时为2π·50，θ为基波或各次谐波在此次测量中的初相角，同理，各类负荷的单元电流也表示为基波与各次谐波相加的形式，从而所述负荷识别模型用矩阵表示有：

简记为I_l＝H_a·β；

上式中，a_lk和θ_lk分别为总线电流i_l经过快速傅里叶分析得到的第k次谐波的幅值和相位，a_kn为第n类负荷第k次谐波的幅值，Δθ_kn和θ_Cn分别为第n类负荷的第k次谐波位置角和基波相位角，β为权重系数，a_lk和θ_lk直接从总线电流波形在后台分析主站通过速傅里叶分析得到，a_kn和Δθ_kn可以直接从后台主站数据库中读取，模型需要求解的量为表征负荷开关情况的权重系数β_n，以及负荷投入时的基波相位角θ_Cn，表示为一个维数为2n的向量：

[β₁,β₂,...,β_n,θ_C1,θ_C2,...,θ_Cn]

由于上式是一个带约束的不相容方程组，因此选用优化算法对其求解，目标函数如下：

式中，║·║表示L₂范数，即为解空间中I_l与H_a·β的欧式距离，我们要求得最优解，使得这两者在解空间内的欧氏距离最小。

6.根据权利要求4所述的基于非侵入式监测技术的用电监测方法，其特征在于：步骤六中，简化模型的方法为：根据当前的负荷识别结果，建立两个简化的负荷识别模型，分别适用于用户投入新的负荷和用户切除现有负荷：

针对用户投入新的负荷，将现有正在运行的负荷的权重系数β_i设为1，基波相位角θ_Ci不变，即作为已知量处理，设现有正在运行的负荷m个，则需要求解的向量从2n维缩减至2n-2m维；

针对用户切除现有负荷，将现在未投入运行的负荷的权重系数β_i设为0，作为已知量处理，设现有未投入运行的负荷m个，由于未投入运行的负荷相位角无意义，将基波相位角θ_Ci取0，则需要求解的向量从2n维缩减至2n-2m维。