CN110244150A - 一种基于均方根和标准差的非侵入式电器识别方法 - Google Patents

Abstract

本发明公开了一种基于均方根和标准差的非侵入式电器识别方法，通过对不同周期采集的数据进行了相似性判断，只针对不同的数据进行识别，相同的数据则不再重复识别，减少了算法的开销，减少了网络数据上传的流量，同时也可减小后续云端大量数据识别造成的服务器压力，通过不同周期数据的标准差结合电流有效值对电器进行了识别，仅使用了电器的暂态信号，对采集设备要求不是很高，同时算法简单，中利用功率大的电器对波形影响大的特点计算了电器解各电器的电流占比，并重组该解的电流幅值数据，计算得到了其标准差；再按标准差和均方根的分数找出了最优解，能很好地提升识别率准确率。

Description

一种基于均方根和标准差的非侵入式电器识别方法

技术领域

本发明涉及非侵入式检测系统下电器识别技术领域，具体的说，是一种基于均方根和标准差的非侵入式电器识别方法。

背景技术

20世纪70年代，美国和一些欧洲国家为了提高家庭用电效率，实现节能减排，开始了对家庭能耗进行研究。近年来，随着传感技术、信息通信技术、控制技术的发展，特别是智能电网的兴起，家庭能源管理系统的任务也在增加，而实现这一任务的前提就是对各种电器进行有效的监测。电力负荷监测对家庭和电力公司等都具有重大的意义，对于家庭而言：可以清楚了解每类电器的用电情况，并据此调整用电习惯以达到节能的目的；对电力公司而言：可以了解各地区的用电，并据此制定不同的套餐，实现电力的合理配置，达到资源的最大化利用，目前电力负荷监测可以分为两种：

传统的侵入式检测,通过给各类电器增加相应传感器分路实现计量，进而实现的总电器的功耗监测，其投入较大，容易对电器的正常运转造成干扰，过多的线路接入使得用户接受程度也不是很好。

早期非侵入式检测功耗，基于电器类别单元电流，只能对类别进行分解，不能细化到具体电器。而且大多依赖于电器的暂态特征数据，对硬件要求高，成本也就相应的提高了，对不利于产品的推广；而且其中的一些算法过于复杂不方便集成到硬件设备中，训练数据过多前期需要花费大量的人力成本。

虽已有申请号为CN201811343028.X的专利文献《一种基于Fréchet distance 的非侵入式电器识别方法》，公开了一种基于Fréchet distance的非侵入式电器识别方法，解决了传统的功耗监测方法成本高、部署困难及早期非侵入式监测对硬件及算法的不足的问题，但其依然存在识别率以及算法运行效率低的问题。

发明内容

本发明的目的在于提供一种基于均方根和标准差的非侵入式电器识别方法，用于解决现有技术中早期非侵入式监测识别率以及算法运行效率低的问题。

本发明通过下述技术方案解决上述问题：

一种基于均方根和标准差的非侵入式电器识别方法，包括如下步骤：

步骤1：选取常用家庭用电负荷作为研究对象，分别采集每种电器n个周期的电流电压幅值数据和基波电流有效值；计算每种电器的电流幅值最大值和最小值以及差值s1、电流有效值的最大值和最小值等数据；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据；

步骤2：配置算法的参数：每种电器取值大小；

步骤3：算法运行，获取实测数据n个周期的电流电压幅值数据和基波电流有效值；计算电流幅值最大值和最小值以及差值s2；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据，计算m周期电流幅值数据的标准差std1，执行步骤4进行数据相似性判断；

步骤4：计上次实测电流m周期的标准差为laststd，电流有效值为lastirms，本次电流有效值为irms，laststd与本次电流标准差std1之差的绝对值与标准差阈值Tstd进行对比，小于Tstd标记数据状态Status为False，反之标记状态Status 为True；计电流波动阈值为Tirms；如果irms在区间[lastirms*(1-Tirms)， lastirms*(1+Tirms)]之外，且状态Status为False，则修改Status为True；如果Status 为True，认为数据发生了变化，修正lastirms＝irms，laststd＝std1，进入步骤5； Status为False认为数据未发生变化，返回步骤3。

步骤5：算法根据电器取值大小生成解空间，电器数量解对应电器的名称，顺序固定；

步骤6：遍历解空间变换得到的电器数量，计算该电器数量解下电器电流幅值的最大值与最小值等参数数据，并从步骤1中找到对应电器的电流有效值，计算总的电流有效值并得到各电器的电流占比；根据电流占比得到m周期内各点新的电流幅值数据,计算m周期电流幅值数据的标准差std2；

步骤7：根据步骤3得到的参数数据与步骤6的参数数据进行对比，计算步骤6得到的电器数量解是否可行，若可行则行执行步骤8；不可行则返回一个固定值标记该解无效，继续遍历执行步骤6，如果所有解均无效则执行步骤9；

步骤8：根据实测获取电流幅值数据与电器解计算得到的电流幅值数据，并对2组数据分别进行归一化处理，计算2组数据对应点之差绝对值并保存到列表Lt1，计算Lt1数据的均方根作为适应度f1，将该解的适应度及对应的解保存到列表L；

步骤9：判断步骤7的列表L是否为空列表，若为空则给出界面提示并重新返回步骤3，否则执行步骤4；

步骤10：对最终获取的电器适应度列表L按适应度f1排序，标记分数，f1 越小，比分越高，计为Pf，按步长size1增减；遍历列表L，计算各适应度对应解的标准差std2与实测数据标准差std1之差的绝对值a1；再次对列表L按a1 从小到大排序，标记分数，a1越小，比分越高，计为Pa，按步长size2增减，并计算各解总分Pt；再次对列表L按f1与a1之积fa1进行排序，排序后比较前 2项的总分Pt是否一样，一样则取f1更小的一项为最优解，Pt不一样则取第一项为最优解，完成对电器的识别。

通过本方法，步骤4对不同周期采集的数据进行了相似性判断，只针对不同的数据进行识别，相同的数据则不再重复识别，减少了算法的开销，减少了网络数据上传的流量，同时也可减小后续云端大量数据识别造成的服务器压力；同时通过不同周期数据的标准差结合电流有效值对电器进行了识别，仅使用了电器的暂态信号，对采集设备要求不是很高，同时算法简单，步骤6中利用功率大的电器对波形影响大的特点计算了电器解各电器的电流占比，并重组该解的电流幅值数据，计算得到了其标准差；步骤10中再按标准差和均方根的分数找出了最优解，能很好地提升识别率准确率。

优选地，所述步骤9中的解总分Pt为L按适应度f1排序的标记分数Pf与L 按各适应度对应解的标准差std2与实测数据标准差std1之差的绝对值a1排序的标记分数Pa之和。

优选地，所述步骤10中步长size2为步长size1的2倍。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明通过步骤4对不同周期采集的数据进行了相似性判断，只针对不同的数据进行识别，相同的数据则不再重复识别，减少了算法的开销，减少了网络数据上传的流量，同时也可减小后续云端大量数据识别造成的服务器压力。

(2)本发明通过不同周期数据的标准差结合电流有效值对电器进行了识别，仅使用了电器的暂态信号，对采集设备要求不是很高，同时算法简单，步骤6中利用功率大的电器对波形影响大的特点计算了电器解各电器的电流占比，并重组该解的电流幅值数据，计算得到了其标准差；步骤10中再按标准差和均方根的分数找出了最优解，能很好地提升识别率准确率。

附图说明

图1为本发明的数据相似性判断流程示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1：

结合附图1所示，一种基于均方根和标准差的非侵入式电器识别方法，

首先选取研究对象，对每类电器按n周期进行电流电压的采集，并计算得到电流有效值；

计算每类研究对象n周期内负荷电流幅值的最大值maxValue、最小值minValue、差值s1,以及最大电流有效值、最小电流有效值、均值；

对每类研究对象n周期负荷电压相位对齐，找到电流起点point,根据point 点位置截取m周期的电流幅值数据,m<n；

配置算法的参数：每种电器取值大小并启动算法，根据电器取值大小生成解空间，电器数量解对应电器的名称，顺序固定；

获取实测数据，类似步骤2,3获取实测数据幅值最大值、最小值、差值s2 及阈值t2；计算本次实测m周期电流幅值数据的标准差std1，本次电流有效值为irms；设上次实测电流m周期的标准差为laststd,上次电流有效值为lastirms 默认为0，默认数据状态Status为True(即默认本次和上次2组数据不一致)，设标准差阈值Tstd，范围在(0,1)之间，电流波动阈值Tirms,范围在(0,1)之间；当lastirms非0时，laststd与本次电流标准差std1之差的绝对值与标准差阈值Tstd进行对比，小于Tstd标记数据状态Status为False,反之标记状态Status 为True,如果irms在区间[lastirms*(1-Tirms),lastirms*(1+Tirms)]之外，且状态 Status为False,则修改Status为True；如果Status为True,认为数据发生了变化，修正lastirms＝irms，laststd＝std1,继续执行下一步，Status为False,认为数据未发生变化，重复执行本步骤；

对算法的每个解判断是否有效，判断方法需要符合3个条件：首先找到解下面所有电器负荷电流幅值最大值max和最小值min；实测负荷最大电流幅值大于max的百分之x倍且实测负荷最小电流幅值小于等于min,则该解符合条件 1；该解下s1加权求和值与s2差值的绝对值小于等于阈值t2，则该解符合条件2；实测负荷电流有效值大于等于算法解最小电流有效值加权和值，并且小于等于算法解最大电流有效值加权和值，则该解符合条件3；同时满足条件1,2，3 则该解有效，否则返回无效标记；

对有效解计算各电器的电流占比，计算方法为：得到解下面各电器电流有效值均值与数量之积v,对v进行加权求和total，计算v与total的比值即为电流占比。按电流占比计算到m周期内各点幅值，计算方法为：解下面各电器幅值与其电流占比之积进行加权求和，这样得到各点新的电流幅值I，如图1所示：新的电流幅值I与实测电流幅值按照对应点之差绝对值计算适应度，计算该2 组数据对应点之差绝对值并列表Lt1保存，计算该列表Lt1数据的方差作为适应度，列表L保存该解的适应度及对应的解；

对最终获取的电器适应度列表L按适应度f1排序，标记分数，f1越小，比分越高,计为Pf,按步长size1增减；遍历列表L，计算各适应度对应解的标准差 std2与实测数据标准差std1之差的绝对值a1；再次对列表L按a1大小排序，标记分数，a1越小，比分越高，计为Pa,按步长size2增减,并计算各解总分Pt(Pt 为Pf与Pa之和)；再次对列表L按f1与a1之积fa1进行排序,排序规则为从小到大，排序后比较前2项的总分Pt是否一样，一样则取f1更小的一项为最优解， Pt不一样则取第一项为最优解，完成对电器的识别

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (3)

1.一种基于均方根和标准差的非侵入式电器识别方法，包括如下步骤：

步骤1：选取常用家庭用电负荷作为研究对象，分别采集每种电器n个周期的电流电压幅值数据和基波电流有效值；计算每种电器的电流幅值最大值和最小值以及差值s1、电流有效值的最大值和最小值等数据；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据；

步骤2：配置算法的参数：每种电器取值大小；

其特征在于，还包括以下步骤：

步骤3：算法运行，获取实测数据n个周期的电流电压幅值数据和基波电流有效值；计算电流幅值最大值和最小值以及差值s2；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据，计算m周期电流幅值数据的标准差std1，执行步骤4进行数据相似性判断；

步骤4：计上次实测电流m周期的标准差为laststd，电流有效值为lastirms，本次电流有效值为irms，laststd与本次电流标准差std1之差的绝对值与标准差阈值Tstd进行对比，小于Tstd标记数据状态Status为False，反之标记状态Status为True；计电流波动阈值为Tirms；如果irms在区间[lastirms*(1-Tirms)，lastirms*(1+Tirms)]之外，且状态Status为False，则修改Status为True；如果Status为True，认为数据发生了变化，修正lastirms＝irms，laststd＝std1，进入步骤5；Status为False认为数据未发生变化，返回步骤3；

步骤5：算法根据电器取值大小生成解空间，电器数量解对应电器的名称，顺序固定；

步骤6：遍历解空间变换得到的电器数量，计算该电器数量解下电器电流幅值的最大值与最小值等参数数据，并从步骤1中找到对应电器的电流有效值，计算总的电流有效值并得到各电器的电流占比；根据电流占比得到m周期内各点新的电流幅值数据,计算m周期电流幅值数据的标准差std2；

步骤7：根据步骤3得到的参数数据与步骤6的参数数据进行对比，计算步骤6得到的电器数量解是否可行，若可行则行执行步骤8；不可行则返回一个固定值标记该解无效，继续遍历执行步骤6，如果所有解均无效则执行步骤9；

步骤8：根据实测获取电流幅值数据与电器解计算得到的电流幅值数据，并对2组数据分别进行归一化处理，计算2组数据对应点之差绝对值并保存到列表Lt1，计算Lt1数据的均方根作为适应度f1，将该解的适应度及对应的解保存到列表L；

步骤9：判断步骤7的列表L是否为空列表，若为空则给出界面提示并重新返回步骤3，否则执行步骤4；

步骤10：对最终获取的电器适应度列表L按适应度f1排序，标记分数，f1越小，比分越高，计为Pf，按步长size1增减；遍历列表L，计算各适应度对应解的标准差std2与实测数据标准差std1之差的绝对值a1；再次对列表L按a1从小到大排序，标记分数，a1越小，比分越高，计为Pa，按步长size2增减，并计算各解总分Pt；再次对列表L按f1与a1之积fa1进行排序，排序后比较前2项的总分Pt是否一样，一样则取f1更小的一项为最优解，Pt不一样则取第一项为最优解，完成对电器的识别。

2.根据权利要求1所述的基于均方根和标准差的非侵入式电器识别方法，其特征在于：所述步骤9中的解总分Pt为L按适应度f1排序的标记分数Pf与L按各适应度对应解的标准差std2与实测数据标准差std1之差的绝对值a1排序的标记分数Pa之和。

3.根据权利要求1所述的基于均方根和标准差的非侵入式电器识别方法，其特征在于：所述步骤10中步长size2为步长size1的2倍。