CN110954744A - 一种基于事件检测的非侵入式负荷监测方法 - Google Patents

Abstract

一种基于事件检测的非侵入式负荷监测方法，选取公开REDD数据集中原始测量功率信号进行去噪处理，针对处理后的数据使用广义似然比检测法进行事件检测，通过检测负荷的有功或无功功率序列来实现对负荷开关、状态改变的时间节点的识别。对检测到的用电设备投切事件，提取投切前后稳态电流，进行快速傅里叶变换提取电流谐波特征，并结合有功功率，通过近邻传播聚类算法建立负荷特征库,使用动态自适应离散粒子群算法将实际电器数据特征与负荷特征集进行拟合，确定家庭电器的运行状态。该发明便于用户进行家庭节能管理与电网制定需求响应措施，实现智能电网的实时双向互动，有效提高资产利用率和能源使用效率。

Description

一种基于事件检测的非侵入式负荷监测方法

技术领域

本发明涉及一种基于事件检测的非侵入式负荷监测方法。

背景技术

近年来，全球变暖和能源短缺已成为当今时代的两大问题，同时社会发展和电力需求持续增长，节约能源成为至关重要的问题之一。如今我国电力作为终端消费能源替代传统化石燃料所占的比重日益增长，且电能作为运送方便、使用广泛、清洁高效的二次能源，在未来终端能源的占比还会持续增长，因此，节约能源，促进电能高效利用具有重要的意义。智能电网是未来全球电网的发展方向，具有灵活、清洁、安全、经济、友好等性能。而智能用电作为智能电网的研究热点，其关键技术高级量测体系的重要功能是实现负荷监测。

负荷监测能够了解居民用户用电设备的具体运行情况和能耗，在此基础上可以实现用户侧能量管理、智能用电双向互动等多种功能。研究表明，提供家庭电器用电量的综合信息，可以促进潜在节约能源20％以上。此外，电力消耗信息的可用性为电力系统的运行调度和电网规划提供了重要的益处。因此，它可以提高资产利用率和能源使用效率。获取和分析用户能耗信息的一种重要方法是非侵入式负荷监测(non-intrusive load monitoring，NILM)，它根据在单个测量点获得的功耗聚合数据推断家庭设备的运行功耗。基于NILM技术的个性化能源效率服务可使家庭用电量减少约14％，因此，NILM被认为是一种新的、经济有效的监测负载功耗细节的技术。

综上所述，考虑到传统的侵入式负荷监测方法是在用户内部各电器设备中安装数据采集装置，具有经济成本高，实施难度大，涉及用户隐私等问题。因此，只通过采集用户整体用电总能耗信息，利用各用电设备工作特征和状态数据，实现总用电负荷分解为单个用电设备负荷的非侵入式负荷监测技术应是未来深入研究的重点方向。

发明内容

为了克服现有技术的不足，为了实现对居民用户家庭各电器设备能源消耗的监测，本发明提供一种基于事件检测的非侵入式负荷监测方法，基于广义似然比检测，引入投票窗口建立事件检测器模型，通过事件检测度量指标确定相关参数并获取最佳事件检测器，对电器投切进行检测；使用快速傅里叶变换提取总线电流信号中的谐波特征，结合有功功率，采用近邻传播聚类算法对历史电器数据进行聚类，建立负荷数据特征库；并构建动态自适应粒子群算法对负荷分解，在保证用户隐私的前提下，显著提高家用负荷识别准确性，便于用户进行家庭节能管理与电网制定需求响应措施，实现智能电网的实时双向互动。

为了实现上述目的，本发明的技术方案为：

一种基于事件检测的非侵入式负荷监测方法,包括以下步骤：

S1：数据预处理，对选取的REDD数据集中原始测量功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测；

S2：针对处理后的数据使用广义似然比检测法进行事件检测，通过检测负荷的有功或无功功率序列来实现对负荷开关、状态改变的时间节点的识别；

S3：引入真阳性率、真阳性百分比作为度量事件监测器性能的度量指标，以获取最佳事件监测器；

S4：对于检测到的用电设备投切事件，提取投切前后稳态电流，采用电流差值进行快速傅里叶变换提取电流谐波特征，并结合有功功率，通过近邻传播聚类算法建立负荷特征库；

S5：对给定的用电设备负荷特征库，使用动态自适应离散粒子群算法对用户内部电器设备工作状态进行识别。

本发明中，所述的非侵入式负荷监测仅仅需要在电力供给的入口处安装智能传感器，来测量电压、电流和功率等信息，再通过采集的总电流、功率等信号中可以反映各个电器开关状态的特征，根据这些特有的特征将电器种类进行区分，判断系统内部电器的开关状态。非侵入式负荷监测系统框架如图1所示。

进一步，所述步骤S1中，数据预处理包括以下过程：

S1-1.数据集的选取：选择REDD公开数据集进行测试，REDD数据集包含六个家庭三个礼拜左右的数据，同时提供15kHz的高频数据和1Hz的秒级低频数据，而设备级的电器采样频率为3s；

S1-2.功率信号的去噪处理：由于外界和内部等诸多因素，通过原始测量直接获得的数据集的功率信号往往存在噪声，而后续的事件检测易将噪声信号误识别为电器设备发生事件变化，故需要提前对功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测；选择中值滤波方法进行去噪，保证在滤去噪声的同时保护信号边缘，不对后续的事件检测产生干扰；

假设存在一个数字信号序列x_j(-∞＜j＜+∞)，对其进行滤波处理时，首先定义一个长度为奇数L的窗口，L＝2N+1，N为正整数，在某一时刻，假设窗口中的信号样本为x(i-N),…,x(i),…,x(i+N)，其中x(i)是位于窗口中心的信号样本值，这个信号按从小到大的顺序排列后，其中值便定义为中值滤波器的输出值，即：

Y(i)＝medfilt(x(i-N),…,x(i),…,x(i+N)) (1)。

进一步，所述步骤S2中，NILM的事件检测的过程如下：

事件检测一般是通过检测负荷的有功或者无功功率序列来实现对负荷开关、状态改变时间节点的识别，使用广义似然比检测法进行事件检测，通过计算两个相邻窗口中概率密度函数比率的自然对数，得到统计决策量，可直接用于判断两个相邻窗口中是否发生事件，广义似然比方法的基本原理如下：

其中，P[n]为输入的功率序列信号，N是正态分布，μ_0,n,

μ_1,n,

分别是采样序列前窗和后窗的均值和方差，表达式如下：

其中，ω₀，ω₁分别为前窗和后窗长度；

对于n＜ω₀+1和n＞n-ω₁的情况下无法计算均值和方差，故定义这一部分的S[n]为0；

负荷的开关节点前后往往有功率差，故定义改进的对数似然比l[n]，即把前后窗均值差小于阈值θ_p的S[n]设为0；

由于期望阈值对于不同的有功序列往往大小相差较大，故采用投票窗口的方案改进对数似然比事件检测器，引入一个参数θ_v，认为当投票数超过阈值θ_v时产生一个事件，表示为：

e＝{n∈{1,2,…,N},V[n]≥θ_v} (9)

式中，V[n]包含第n个采样点总共获得的投票数。

进一步，在所述步骤S3中，事件检测度量指标包括以下内容：

由上述基本原理可知，改进的对数似然比事件检测器有前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v五个可变参数。固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，为了度量事件检测器的性能，引入真阳性率、真阳性百分比度量指标；

S3-1.真阳性率：评估事件检测器的一个指标是其受试者工作特性(ROC)，该指标找出在其真阳性率(TPR)和假阳性率(FPR)之间具有最佳权衡的检测器，定义如下：

其中，TP为真阳性数；FP为假阳性数；TN、FN分别是真阴性数、假阴性数或漏检数；

完美探测器的TPR为1，FPR为0。对于特定的ROC曲线，最好的检测器为

在住宅电力数据中，这些事件的分布很稀疏，对于一个性能合理的事件检测器，实际事件的稀疏性意味着真阴性的数量将远远高于假阳性的数量，即TN＞＞FP，在这种情况下，

因此，由(12)得：

f(TPR)＝TPR²-2·TPR+1 (14)

S3-2.真阳性百分比：将正确检测到的事件百分比与假阳性事件和实际事件总数的比率进行比较，将每个事件除以数据集中的事件总数E，并定义真阳性百分比(TPP)和假阳性百分比(FPP)：

完美检测器的TPP为1，FPP为0。因此，最佳检测器是

最接近点(0,1)的检测器；

进一步，在所述步骤S4中，负荷特征库的建立包括以下步骤：

负荷特征的选取:负荷特征一般可以分为两大类：稳态特征和暂态特征，稳态特征主要有有功功率和无功功率、稳态基波分量和谐波分量、稳态电流波形等；暂态特征主要是电器设备在切换或改变状态瞬间电压和电流的相应瞬态波形和谐波能量。最常见的是采用有功功率，无功功率，电流等作为负荷特征，为区分特征相似度较高的电器，加入谐波特征进一步提升分类效果；

S4-1.傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加，故可以根据傅里叶变换提取REDD数据集电源电流信号中各个谐波的频率、振幅和相位信息用于后续的负荷分类，由于REDD数据集是离散的并且计算机只能处理离散的数值信号，因此需用到离散傅立叶变换DFT，离散傅里叶变换公式为：

其中，X(k)为频域序列值；x(n)为时域采样序列值；n为时域序列索引号；k为频域值序列索引号；N为进行DFT变换的采样点数量；

S4-2.采用近邻传播聚类算法根据电器历史运行数据提取的功率、谐波特征将电器划分为若干类，并将每类的聚类中心点作为各类电器的特征建立负荷特征数据库；

近邻传播聚类算法的基本思想是将全部数据样本点看作网络的节点，通过网络中各条边不断在节点间传递两种信息(吸引度responsibility，归属度availability)计算出各个样本的聚类中心。算法将所有数据点都视为潜在的初始聚类中心，聚类目标就是数据点与其所在的聚类中心之间的距离最小化，聚类过程中不断迭代更新每一个点的吸引度和归属度，直到目标函数最小化时产生若干个高质量的聚类中心；

对于样本空间X＝{x₁,x₂,x₃,…,x_n}，定义r(i,k)表示点k对点i的吸引度，代表点k适合作为点i聚类中心的适合程度；a(i,k)表示i对i的归属度，代表点i对于点i成为聚类中心的支持度，其公式如下：

当信息传播结束时，X_i的聚类中心为X_k，k满足：

式中，

表示函数取得最大值时所有自变量的集合。

近邻传播聚类算法的基本步骤如下：

4-2-1)对已知数据集X＝{x₁,x₂,x₃,…,x_n}，选用欧氏距离构建相似度矩阵S_n×n并确定对应的对角线偏向参数p；

4-2-2)将初始r与a的值设为0，通过迭代计算各个节点的吸引度和归属度；

为了抑制迭代过程产生的振荡现象，引入阻尼系数λ∈(0,1)调节算法的稳定性和收敛速度；

r_t+1(i,k)＝λ·r_t(i,k)+(1-λ)·r_t+1(i,k) (22)

a_t+1(i,k)＝λ·a_t(i,k)+(1-λ)·a_t+1(i,k) (23)

4-2-3)循环进行步骤4-2-2)，直至迭代筛选出若干个高质量的聚类中心，并据此划分聚类结果。

进一步，在所述步骤S5中，基于动态自适应离散粒子群算法负荷分类包括以下步骤：

基本离散粒子群算法有早熟收敛、易陷入局部极值等缺点，因此，提出一种动态自适应惯性权重调整策略对各个粒子特性动态调整惯性权重；粒子群算法中，每个粒子都有初始速度和位置，并根据目标函数计算适应度值，通过计算粒子个体极值z_i和全局极值g_i更新各个粒子的速度和位置，最后经过迭代搜索全局最优解，其更新后的粒子速度与位置的数学模型如下：

其中，

分别为第i个粒子在l次迭代时的速度和位置；c₁、c₂为加速度系数；rand₁、rand₂为在[0,1]内的随机数；

为在第l迭代中粒子的全局极值；

为在第l迭代中粒子的个体极值；ω为惯性权重，代表此刻粒子继承先前粒子速度的能力，是对算法收敛具有重要作用的参数。

动态自适应惯性权重调整策略如下步骤：

5-1)根据第l次迭代后粒子群的平均适应度

选择个体粒子适应度小于平均适应度的粒子，再计算选出较优粒子的平均适应度

其中，

是最优粒子的适应度，由Δ代表较优粒子与最优粒子的差异，表示为

5-2)若f_i ^l大于

根据目标函数最小化求解，该粒子整体性能较差，应增大惯性权重值ω，提高全局寻优能力，扩大范围搜索以最快速度靠近最优解区域。

其中，ω₁、ω₂是惯性权重阈值上下限，H₁、H₂为常数值，H₁影响着惯性权重的上限，H₂反映惯性权重的调节能力；

5-3)若f_i ^l大于

且小于

表明该粒子整体性能一般，此时兼顾粒子的全局搜索能力和局部搜索能力来确定惯性权重，惯性权重表达式如下所示。

其中，ω₃是一般粒子惯性权重阈值下限，T为最大迭代次数；

5-4)若f_i ^l小于

表明该粒子整体性能优良，应降低惯性权重值ω，降低全局寻优能力，提高局部寻优能力，实现小范围内精确的搜索以寻找最优解，通过

与Δ比较，体现当前粒子与最优粒子的贴近程度，惯性权重表达式如下所示。。

其中，ω₄是优良惯性权重阈值下限；

定义n种家用电器，随机生成N个初始群体粒子{C₁,C₂,…,C_N}，每个粒子为D维0-1向量{c₁,c₂,…,c_n}，c_n＝0表示第n种电器为关闭状态，c_n＝1表示第n种电器为开启状态，采用功率特征P＝{p₁,p₂,…,p_n}，谐波特征K＝{K₁,K₂,…,K_m,…,K_M}，其中，M为谐波总次数，K_m＝{k₁,k₂,…,k_n}，不考虑偶次谐波，目标函数表达式为：

其中，α为权重因子；P(t)^*为归一化后t时刻的采集到的有功功率；

为电器负荷特征数据集中归一化后的有功功率特征；K_j(t)^*为t时刻的采集到的第j次电流谐波归一化的数值；

为负荷特征数据集中第i个电器归一化后第j次电流谐波特征；

当目标函数收敛时，达到最优解，即最优粒子拟合负荷状态向量与实际最接近，确定某时刻家庭电器的运行状态。

本发明的有益效果是：

1.实现智能电表能自动读取用电数据，深入分析用户内部各用电设备能耗，完善用电信息采集系统，支撑智能用电双向互动运行服务。

2.采用事件检测在线监测用户用电行为，使电力公司更加准确的了解电力系统的负荷组成情况，定合理的动态电价，达到削峰填谷的目的；有利于用户在了解各个设备的运行状态和功耗的情况下，根据动态电价合理安排家庭能源设备。

3.将近邻传播聚类算法与有功功率和谐波为特征的负荷特征库结合，提高负荷分类结果的准确性和稳定性，避免出现功率相近电器重叠现象。

4.所用的非侵入式负荷监测与分解系统，保障用户隐私问题，有效提高用户接受程度；对电网公司制定需求侧响应措施产生指导性作用；合理调配弹性负荷使得电网运行更加平稳可靠，电力规划更加科学经济。

附图说明

图1是非侵入式负荷监测系统物理架构图。

图2是非侵入式负荷监测系统基本流程图。

图3是真阳性率指标下的ROC曲线。

图4是真阳性百分比指标下的ROC曲线。

图5是基于A相功率曲线的事件检测示意图。

图6是改进对数似然比的投票窗口序列示意图。

图7是电器设备开启前后的稳定状态功率。

图8是电器频域谐波含量特征值。

图9是各电器的近邻传播聚类结果。

图10是待分解负荷曲线与算法求解曲线对比。

具体实施方法

下面结合附图对本发明做进一步说明。

参照图1～图10，一种基于事件检测的非侵入式负荷监测方法,包括以下步骤：

S1：数据预处理，对选取的REDD数据集中原始测量功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测；

S2：针对处理后的数据使用广义似然比检测法进行事件检测，通过检测负荷的有功或无功功率序列来实现对负荷开关、状态改变的时间节点的识别；

S3：引入真阳性率、真阳性百分比作为度量事件监测器性能的度量指标，以获取最佳事件监测器；

S4：对于检测到的用电设备投切事件，提取投切前后稳态电流，采用电流差值进行快速傅里叶变换提取电流谐波特征，并结合有功功率，通过近邻传播聚类算法建立负荷特征库；

S5：对给定的用电设备负荷特征库，使用动态自适应离散粒子群算法对用户内部电器设备工作状态进行识别。

本发明中，所述的非侵入式负荷监测仅仅需要在电力供给的入口处安装智能传感器，来测量电压、电流和功率等信息，再通过采集的总电流、功率等信号中可以反映各个电器开关状态的特征，根据这些特有的特征将电器种类进行区分，判断系统内部电器的开关状态。非侵入式负荷监测系统框架如图1所示。

进一步，所述步骤S1中，数据预处理包括以下过程：

S1-1.数据集的选取：选择REDD公开数据集进行测试，REDD数据集包含六个家庭三个礼拜左右的数据，同时提供15kHz的高频数据和1Hz的秒级低频数据，而设备级的电器采样频率为3s；

S1-2.功率信号的去噪处理：由于外界和内部等诸多因素，通过原始测量直接获得的数据集的功率信号往往存在噪声，而后续的事件检测易将噪声信号误识别为电器设备发生事件变化，故需要提前对功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测。选择中值滤波方法进行去噪，保证在滤去噪声的同时保护信号边缘，不对后续的事件检测产生干扰；

假设存在一个数字信号序列x_j(-∞＜j＜+∞)，对其进行滤波处理时，首先定义一个长度为奇数L的窗口，L＝2N+1，N为正整数，在某一时刻，假设窗口中的信号样本为x(i-N),…,x(i),…,x(i+N)，其中x(i)是位于窗口中心的信号样本值，这个信号按从小到大的顺序排列后，其中值便定义为中值滤波器的输出值，即：

Y(i)＝medfilt(x(i-N),…,x(i),…,x(i+N)) (1)。

进一步，所述步骤S2中，NILM的事件检测的过程如下：

事件检测一般是通过检测负荷的有功或者无功功率序列来实现对负荷开关、状态改变时间节点的识别，使用广义似然比检测法进行事件检测，通过计算两个相邻窗口中概率密度函数比率的自然对数，得到统计决策量，可直接用于判断两个相邻窗口中是否发生事件，广义似然比方法的基本原理如下：

其中，P[n]为输入的功率序列信号，N是正态分布，μ_0,n,

μ_1,n,

分别是采样序列前窗和后窗的均值和方差，表达式如下：

其中，ω₀，ω₁分别为前窗和后窗长度；

对于n＜ω₀+1和n＞n-ω₁的情况下无法计算均值和方差，故定义这一部分的S[n]为0；

负荷的开关节点前后往往有功率差，故定义改进的对数似然比l[n]，即把前后窗均值差小于阈值θ_p的S[n]设为0。

由于期望阈值对于不同的有功序列往往大小相差较大，故采用投票窗口的方案改进对数似然比事件检测器，引入一个参数θ_v，认为当投票数超过阈值θ_v时产生一个事件，表示为：

e＝{n∈{1,2,…,N},V[n]≥θ_v} (9)

式中，V[n]包含第n个采样点总共获得的投票数。

进一步，在所述步骤S3中，事件检测度量指标包括以下过程：

由上述基本原理可知，改进的对数似然比事件检测器有前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v五个可变参数。固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，为了度量事件检测器的性能，引入真阳性率、真阳性百分比度量指标；

S3-1.真阳性率：评估事件检测器的一个指标是其受试者工作特性(ROC)，该指标找出在其真阳性率(TPR)和假阳性率(FPR)之间具有最佳权衡的检测器，定义如下：

其中，TP为真阳性数；FP为假阳性数；TN、FN分别是真阴性数、假阴性数或漏检数；

完美探测器的TPR为1，FPR为0。对于特定的ROC曲线，最好的检测器为

在住宅电力数据中，这些事件的分布很稀疏，对于一个性能合理的事件检测器，实际事件的稀疏性意味着真阴性的数量将远远高于假阳性的数量，即TN＞＞FP，在这种情况下，

因此，由(12)得：

f(TPR)＝TPR²-2·TPR+1 (14)

S3-2.真阳性百分比：将正确检测到的事件百分比与假阳性事件和实际事件总数的比率进行比较，将每个事件除以数据集中的事件总数E，并定义真阳性百分比(TPP)和假阳性百分比(FPP)：

完美检测器的TPP为1，FPP为0，因此，最佳检测器是

最接近点(0,1)的检测器；

进一步，在所述步骤S4中，负荷特征库的建立包括以下步骤：

负荷特征的选取:负荷特征一般可以分为两大类：稳态特征和暂态特征，稳态特征主要有有功功率和无功功率、稳态基波分量和谐波分量、稳态电流波形等；暂态特征主要是电器设备在切换或改变状态瞬间电压和电流的相应瞬态波形和谐波能量，最常见的是采用有功功率，无功功率，电流等作为负荷特征；为区分特征相似度较高的电器，加入谐波特征进一步提升分类效果；

S4-1.傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加，故可以根据傅里叶变换提取REDD数据集电源电流信号中各个谐波的频率、振幅和相位信息用于后续的负荷分类，由于REDD数据集是离散的并且计算机只能处理离散的数值信号，因此需用到离散傅立叶变换(DFT)，离散傅里叶变换公式为：

其中，X(k)为频域序列值；x(n)为时域采样序列值；n为时域序列索引号；k为频域值序列索引号；N为进行DFT变换的采样点数量；

S4-2.采用近邻传播聚类算法根据电器历史运行数据提取的功率、谐波特征将电器划分为若干类，并将每类的聚类中心点作为各类电器的特征建立负荷特征数据库；

近邻传播聚类算法的基本思想是将全部数据样本点看作网络的节点，通过网络中各条边不断在节点间传递两种信息(吸引度responsibility，归属度availability)计算出各个样本的聚类中心。算法将所有数据点都视为潜在的初始聚类中心，聚类目标就是数据点与其所在的聚类中心之间的距离最小化；聚类过程中不断迭代更新每一个点的吸引度和归属度，直到目标函数最小化时产生若干个高质量的聚类中心；

对于样本空间X＝{x₁,x₂,x₃,…,x_n}，定义r(i,k)表示点k对点i的吸引度，代表点k适合作为点i聚类中心的适合程度；a(i,k)表示i对i的归属度，代表点i对于点i成为聚类中心的支持度，其公式如下：

当信息传播结束时，X_i的聚类中心为X_k，k满足：

式中，

表示函数取得最大值时所有自变量的集合；

近邻传播聚类算法的基本步骤如下：

1)对已知数据集X＝{x₁,x₂,x₃,…,x_n}，选用欧氏距离构建相似度矩阵S_n×n并确定对应的对角线偏向参数p；

2)将初始r与a的值设为0，通过迭代计算各个节点的吸引度和归属度；

为了抑制迭代过程产生的振荡现象，引入阻尼系数λ∈(0,1)调节算法的稳定性和收敛速度；

r_t+1(i,k)＝λ·r_t(i,k)+(1-λ)·r_t+1(i,k) (22)

a_t+1(i,k)＝λ·a_t(i,k)+(1-λ)·a_t+1(i,k) (23)

3)循环进行步骤2)，直至迭代筛选出若干个高质量的聚类中心，并据此划分聚类结果。

进一步，在所述步骤S5中，基于动态自适应离散粒子群算法负荷分类包括以下步骤：

基本离散粒子群算法有早熟收敛、易陷入局部极值等缺点，因此，本发明提出一种动态自适应惯性权重调整策略对各个粒子特性动态调整惯性权重，粒子群算法中，每个粒子都有初始速度和位置，并根据目标函数计算适应度值，通过计算粒子个体极值z_i和全局极值g_i更新各个粒子的速度和位置，最后经过迭代搜索全局最优解，其更新后的粒子速度与位置的数学模型如下：

其中，

分别为第i个粒子在l次迭代时的速度和位置；c₁、c₂为加速度系数；rand₁、rand₂为在[0,1]内的随机数；

为在第l迭代中粒子的全局极值；

为在第l迭代中粒子的个体极值；ω为惯性权重，代表此刻粒子继承先前粒子速度的能力，是对算法收敛具有重要作用的参数；

动态自适应惯性权重调整策略如下步骤：

1)根据第l次迭代后粒子群的平均适应度

选择个体粒子适应度小于平均适应度的粒子，再计算选出较优粒子的平均适应度

其中，

是最优粒子的适应度，由Δ代表较优粒子与最优粒子的差异，表示为

2)若f_i ^l大于

根据目标函数最小化求解，该粒子整体性能较差，应增大惯性权重值ω，提高全局寻优能力，扩大范围搜索以最快速度靠近最优解区域；

其中，ω₁、ω₂是惯性权重阈值上下限，H₁、H₂为常数值，H₁影响着惯性权重的上限，H₂反映惯性权重的调节能力；

3)若f_i ^l大于

且小于

表明该粒子整体性能一般，此时兼顾粒子的全局搜索能力和局部搜索能力来确定惯性权重，惯性权重表达式如下所示：

其中，ω₃是一般粒子惯性权重阈值下限，T为最大迭代次数；

4)若f_i ^l小于

表明该粒子整体性能优良，应降低惯性权重值ω，降低全局寻优能力，提高局部寻优能力，实现小范围内精确的搜索以寻找最优解，通过

与Δ比较，体现当前粒子与最优粒子的贴近程度，惯性权重表达式如下所示：

其中，ω₄是优良惯性权重阈值下限；

定义n种家用电器，随机生成N个初始群体粒子{C₁,C₂,…,C_N}，每个粒子为D维0-1向量{c₁,c₂,…,c_n}，c_n＝0表示第n种电器为关闭状态，c_n＝1表示第n种电器为开启状态；采用功率特征P＝{p₁,p₂,…,p_n}，谐波特征K＝{K₁,K₂,…,K_m,…,K_M}，其中，M为谐波总次数，K_m＝{k₁,k₂,…,k_n}，不考虑偶次谐波，目标函数表达式为：

其中，α为权重因子；P(t)^*为归一化后t时刻的采集到的有功功率；

为电器负荷特征数据集中归一化后的有功功率特征；K_j(t)^*为t时刻的采集到的第j次电流谐波归一化的数值；

为负荷特征数据集中第i个电器归一化后第j次电流谐波特征；

当目标函数收敛时，达到最优解，即最优粒子拟合负荷状态向量与实际最接近，确定某时刻家庭电器的运行状态。

为使本领域技术人员更好地理解本发明的效益，申请人通过Matlab编程，使用REDD数据集对本发明所采用的事件检测方法检测投切事件、近邻传播聚类算法建立负荷特征数据库与动态自适应离散粒子群算法进行负荷分类等进行实验仿真及分析，验证算法的有效性，负荷分类的精确性。本发明对REDD数据集家庭3中的冰箱、洗碗机、电炉、灯、烘干机、微波炉和浴室GFI这7类电器的非侵入式负荷数据进行测试。

通过真阳性百分比和假阳性百分比事件检测度量指标确定事件检测器最佳参数。其中保证票数阈值θ_v始终小于等于投票窗口长度ω_v。各参数的取值范围如表1所示。

名称	参数	取值范围
			前窗长度，后窗长度	ω<sub>0</sub>，ω<sub>1</sub>	3,5,7,9,11,
功率差阈值	θ<sub>p</sub>	30,70,110,150,190
			投票窗口长度	ω<sub>v</sub>	3,5,7,9
票数阈值	θ<sub>v</sub>	2,3,4,5,6,7,8

表1

用400种不同的参数组合构成的事件检测器分别去检测家庭3具有事件标定的一段功率序列。已知此段功率序列中真实的事件数为214个，再以真阳性率、真阳性百分比作为指标绘制ROC曲线，如图3、图4获得各自最佳事件探测器，具体事件检测器参数如表2所示。

表2

在NILM算法中，假阳性数和漏检数对最终分解结果产生巨大影响，所以两者都尽可能减少。而

事件检测器虽然没有漏检数，但明显假阳性的数量相对较多，易产生较多的事件开关节点的误报，不利于后续的负荷分类。故选择假阳性数和漏检数都相对较少的

事件检测器作为最终的事件检测器，其各参数设置为前后窗长度ω₀＝ω₁＝5，投票窗口长度ω_v＝7，票数阈值θ_v＝6，功率差阈值θ_p＝190。本发明使用该事件检测器对家庭3的A相电源在2011年4月18日20:58:39至21:17:03事件段内进行事件检测，图3与图4为事件检测结果、投票数序列V[n]的值，其中红色虚线表示投票阈值θ_v＝6，可见所有事件触发点获得的投票数为7。

结合图5与图6，本发明选择各电器设备开启前后稳态工作时有功功率与电流谐波分量差值作为负荷特征(即对事件检测中提取到的负荷电流谐波样本进行傅里叶级数展开)，由于偶次谐波的幅值基本接近于0，故只考虑以幅值较大的前10次谐波中奇次谐波电流幅值作为负荷特征。为保证负荷数据库中的特征具有典型电器特征的一般性，采用近邻传播聚类算法将实测采样数据离散化处理得到负荷特征数据库。

提取事件检测到的电器投切点稳定状态下的功率差值与谐波特征，通过动态自适应离散粒子群算法与负荷特征库中电器特征拟合进行电器识别，并加入高斯白噪声模拟实际场景，负荷辨识准确性如表3所示(单位％)。

表3

由表3可知，只以有功功率作为特征进行负荷分类效果并不理想，其中，浴室GFI、冰箱与其他电器开启功率接近，只靠有功功率这单一特征难以区别功率相近电器设备，因此辨识准确率低，加入谐波特征后，辨识准确率大幅提高，效果得到明显的改善。谐波特征反映电器的元器件构造情况，所以加入谐波幅值作为特征,有助于区分功率接近的电器类别，保证较高的识别精度。同时，无论在无噪声还是加入噪声情况下，动态自适应离散粒子群算法对7种典型电器的实测数据辨识准确率基本处于较高水平，算法的分类效果明显，实现居民用电细节监测，对用户节约能源合理用电，电力公司优化电网规划运行具有重要意义。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的方法列举，对本发明的示意性表述并不是必须针对相同的实施例或示例,本领域的技术人员可以将本说明书中描述的方法与不同实施例或示例进行结合。此外，本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.一种基于事件检测的非侵入式负荷监测方法，其特征在于，所述方法包括以下步骤：

S1：数据预处理，对选取的REDD数据集中原始测量功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测；

S2：针对处理后的数据使用广义似然比检测法进行事件检测，通过检测负荷的有功或无功功率序列来实现对负荷开关、状态改变时间节点的识别；

S3：引入真阳性率、真阳性百分比作为度量事件监测器性能的度量指标，以获取最佳事件监测器；

S4：对于检测到的用电设备投切事件，提取投切前后稳态电流，采用电流差值进行快速傅里叶变换提取电流谐波特征，并结合有功功率，通过近邻传播聚类算法建立负荷特征库；

S5：对给定的用电设备负荷特征库，使用动态自适应离散粒子群算法对用户内部电器设备工作状态进行识别。

2.如权利要求1所述的一种基于事件检测的非侵入式负荷监测方法，其特征在于，所述步骤S1中，数据预处理包括以下过程：

S1-1.数据集的选取：选择REDD公开数据集进行测试，REDD数据集包含六个家庭三个礼拜左右的数据，同时提供15kHz的高频数据和1Hz的秒级低频数据，而设备级的电器采样频率为3s；

S1-2.功率信号的去噪处理：由于外界和内部等诸多因素，通过原始测量直接获得的数据集的功率信号往往存在噪声，而后续的事件检测易将噪声信号误识别为电器设备发生事件变化，故需要提前对功率信号进行去噪处理，消除孤立的噪声点以减少事件的误检测，选择中值滤波方法进行去噪，保证在滤去噪声的同时保护信号边缘，不对后续的事件检测产生干扰；

假设存在一个数字信号序列x_j(-∞＜j＜+∞)，对其进行滤波处理时，首先定义一个长度为奇数L的窗口，L＝2N+1，N为正整数，在某一时刻，假设窗口中的信号样本为x(i-N),…,x(i),…,x(i+N)，其中x(i)是位于窗口中心的信号样本值，这个信号按从小到大的顺序排列后，其中值便定义为中值滤波器的输出值，即：

Y(i)＝medfilt(x(i-N),…,x(i),…,x(i+N)) (1)。

3.如权利要求2所述的一种基于事件检测的非侵入式负荷监测方法，其特征在于，所述步骤S2中，NILM的事件检测过程如下：

事件检测一般是通过检测负荷的有功或者无功功率序列来实现对负荷开关、状态改变时间节点的识别，使用广义似然比检测法进行事件检测，通过计算两个相邻窗口中概率密度函数比率的自然对数，得到统计决策量，可直接用于判断两个相邻窗口中是否发生事件，广义似然比方法的基本原理如下：

其中，P[n]为输入的功率序列信号，N是正态分布，μ_0,n,

μ_1,n,

分别是采样序列前窗和后窗的均值和方差，表达式如下：

其中，ω₀，ω₁分别为前窗和后窗长度；

对于n＜ω₀+1和n＞n-ω₁的情况下无法计算均值和方差，故定义这一部分的S[n]为0；

负荷的开关节点前后往往有功率差，故定义改进的对数似然比l[n]，即把前后窗均值差小于阈值θ_p的S[n]设为0；

由于期望阈值对于不同的有功序列往往大小相差较大，故采用投票窗口的方案改进对数似然比事件检测器，引入一个参数θ_v，认为当投票数超过阈值θ_v时产生一个事件，表示为：

e＝{n∈{1,2,…,N},V[n]≥θ_v} (9)

其中，V[n]包含第n个采样点总共获得的投票数。

4.如权利要求3所述的一种基于事件检测的非侵入式负荷监测方法，其特征在于，在所述步骤S3中，事件检测度量指标包括以下过程：

改进的对数似然比事件检测器有前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v五个可变参数，固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，为了度量事件检测器的性能，引入真阳性率、真阳性百分比度量指标；

S3-1.真阳性率：评估事件检测器的一个指标是其受试者工作特性ROC，该指标找出在其真阳性率TPR和假阳性率FPR之间具有最佳权衡的检测器，定义如下：

其中，TP为真阳性数；FP为假阳性数；TN、FN分别是真阴性数、假阴性数或漏检数；

完美探测器的TPR为1，FPR为0，对于特定的ROC曲线，最好的检测器为

在住宅电力数据中，这些事件的分布很稀疏，对于一个性能合理的事件检测器，实际事件的稀疏性意味着真阴性的数量将远远高于假阳性的数量，即TN＞＞FP，在这种情况下，

因此，由(12)得：

f(TPR)＝TPR²-2·TPR+1 (14)

S3-2.真阳性百分比：将正确检测到的事件百分比与假阳性事件和实际事件总数的比率进行比较，将每个事件除以数据集中的事件总数E，并定义真阳性百分比TPP和假阳性百分比FPP：

完美检测器的TPP为1，FPP为0，因此，最佳检测器是

最接近点(0,1)的检测器；

5.如权利要求4所述的一种基于事件检测的非侵入式负荷监测方法，其特征在于，在所述步骤S4中，负荷特征库的建立包括以下步骤：

负荷特征的选取:负荷特征分为两大类：稳态特征和暂态特征，稳态特征包括有功功率和无功功率、稳态基波分量和谐波分量、稳态电流波形；暂态特征是电器设备在切换或改变状态瞬间电压和电流的相应瞬态波形和谐波能量，采用有功功率、无功功率和电流作为负荷特征，为区分特征相似度较高的电器，加入谐波特征进一步提升分类效果；

S4-1.傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加，故可以根据傅里叶变换提取REDD数据集电源电流信号中各个谐波的频率、振幅和相位信息用于后续的负荷分类，由于REDD数据集是离散的并且计算机只能处理离散的数值信号，因此需用到离散傅立叶变换DFT，离散傅里叶变换公式为：

其中，X(k)为频域序列值；x(n)为时域采样序列值；n为时域序列索引号；k为频域值序列索引号；N为进行DFT变换的采样点数量；

S4-2.采用近邻传播聚类算法根据电器历史运行数据提取的功率、谐波特征将电器划分为若干类，并将每类的聚类中心点作为各类电器的特征建立负荷特征数据库；

近邻传播聚类算法的基本思想是将全部数据样本点看作网络的节点，通过网络中各条边不断在节点间传递两种信息计算出各个样本的聚类中心，两种信息包括吸引度responsibility和归属度availability，算法将所有数据点都视为潜在的初始聚类中心，聚类目标就是数据点与其所在的聚类中心之间的距离最小化，聚类过程中不断迭代更新每一个点的吸引度和归属度，直到目标函数最小化时产生若干个高质量的聚类中心；

对于样本空间X＝{x₁,x₂,x₃,…,x_n}，定义r(i,k)表示点k对点i的吸引度，代表点k适合作为点i聚类中心的适合程度；a(i,k)表示i对i的归属度，代表点i对于点i成为聚类中心的支持度，其公式如下：

当信息传播结束时，X_i的聚类中心为X_k，k满足：

式中，

表示函数取得最大值时所有自变量的集合；

近邻传播聚类算法的基本步骤如下：

4-2-1)对已知数据集X＝{x₁,x₂,x₃,…,x_n}，选用欧氏距离构建相似度矩阵S_n×n并确定对应的对角线偏向参数p；

4-2-2)将初始r与a的值设为0，通过迭代计算各个节点的吸引度和归属度；

为了抑制迭代过程产生的振荡现象，引入阻尼系数λ∈(0,1)调节算法的稳定性和收敛速度；

r_t+1(i,k)＝λ·r_t(i,k)+(1-λ)·r_t+1(i,k) (22)

a_t+1(i,k)＝λ·a_t(i,k)+(1-λ)·a_t+1(i,k) (23)

4-2-3)循环进行步骤4-2-2)，直至迭代筛选出若干个高质量的聚类中心，并据此划分聚类结果。

6.如权利要求5所述的一种基于事件检测的非侵入式负荷监测方法，其特征在于，在所述步骤S5中，基于动态自适应离散粒子群算法负荷分类包括以下步骤：

提出一种动态自适应惯性权重调整策略对各个粒子特性动态调整惯性权重，粒子群算法中，每个粒子都有初始速度和位置，并根据目标函数计算适应度值，通过计算粒子个体极值z_i和全局极值g_i更新各个粒子的速度和位置，最后经过迭代搜索全局最优解，其更新后的粒子速度与位置的数学模型如下：

其中，

分别为第i个粒子在l次迭代时的速度和位置；c₁、c₂为加速度系数；rand₁、rand₂为在[0,1]内的随机数；

为在第l迭代中粒子的全局极值；

为在第l迭代中粒子的个体极值；ω为惯性权重，代表此刻粒子继承先前粒子速度的能力，是对算法收敛具有重要作用的参数；

动态自适应惯性权重调整策略如下步骤：

5-1)根据第l次迭代后粒子群的平均适应度

选择个体粒子适应度小于平均适应度的粒子，再计算选出较优粒子的平均适应度

其中，

是最优粒子的适应度，由Δ代表较优粒子与最优粒子的差异，表示为

5-2)若f_i ^l大于

根据目标函数最小化求解，该粒子整体性能较差，应增大惯性权重值ω，提高全局寻优能力，扩大范围搜索以最快速度靠近最优解区域；

其中，ω₁、ω₂是惯性权重阈值上下限，H₁、H₂为常数值，H₁影响着惯性权重的上限，H₂反映惯性权重的调节能力；

5-3)若f_i ^l大于

且小于

表明该粒子整体性能一般，此时兼顾粒子的全局搜索能力和局部搜索能力来确定惯性权重，惯性权重表达式如下所示：

其中，ω₃是一般粒子惯性权重阈值下限，T为最大迭代次数；

5-4)若f_i ^l小于

表明该粒子整体性能优良，应降低惯性权重值ω，降低全局寻优能力，提高局部寻优能力，实现小范围内精确的搜索以寻找最优解，通过

与Δ比较，体现当前粒子与最优粒子的贴近程度，惯性权重表达式如下所示：

其中，ω₄是优良惯性权重阈值下限；

定义n种家用电器，随机生成N个初始群体粒子{C₁,C₂,…,C_N}，每个粒子为D维0-1向量{c₁,c₂,…,c_n}，c_n＝0表示第n种电器为关闭状态，c_n＝1表示第n种电器为开启状态，采用功率特征P＝{p₁,p₂,…,p_n}，谐波特征K＝{K₁,K₂,…,K_m,…,K_M}，其中，M为谐波总次数，K_m＝{k₁,k₂,…,k_n}，不考虑偶次谐波，目标函数表达式为：

其中，α为权重因子；P(t)^*为归一化后t时刻的采集到的有功功率；

为电器负荷特征数据集中归一化后的有功功率特征；K_j(t)^*为t时刻的采集到的第j次电流谐波归一化的数值；

为负荷特征数据集中第i个电器归一化后第j次电流谐波特征；

当目标函数收敛时，达到最优解，即最优粒子拟合负荷状态向量与实际最接近，确定某时刻家庭电器的运行状态。

Images