CN111308185A - 一种非侵入式负荷识别方法 - Google Patents

Abstract

本发明涉及一种非侵入式负荷识别方法，所述方法包括S1、采集电力入口处总电压、电流并对采集的数据进行预处理；S2、对经预处理后的数据采用事件探测算法以判断是否有电器接入或退出电路；S3、当检测到有电器接入或退出电网时，缓冲暂态功率数据、暂态电流数据以及稳态电流数据，以进行特征提取；S4、将提取的特征与负荷识别模板库进行比较，识别电器种类。该方法提高了电器种类识别精度。

Description

一种非侵入式负荷识别方法

技术领域

本发明涉及电能计量技术领域，尤其涉及一种非侵入式负荷识别方法。

背景技术

非侵入式负荷识别方法种类繁多，目前主要借助模式匹配、深度学习及神经网络的思想进行负荷识别。现有的方法针对单个设备进行识别时，识别精度较高，但当多个用电设备叠加运行时，当前算法识别效果差；同时目前模式匹配类型的非侵入式负荷识别方法空间复杂度高，对存储空间要求较高，而深度学习、神经网络类型的非侵入式负荷识别方法则需要前期大量数据进行训练，对硬件要求较高。

发明内容

鉴于上述问题，本发明的目的在于提供有利于提高负荷识别精度和效率的非侵入式负荷识别方法。

为了实现上述目的，本发明的技术方案为：一种非侵入式负荷识别方法，其特征在于：所述方法包括，

S1、采集电力入口处总电压、电流并对采集的数据进行预处理；

S2、对经预处理后的数据采用事件探测算法以判断是否有电器接入或退出电路；

S3、当检测到有电器接入或退出电网时，缓冲暂态功率数据、暂态电流数据以及稳态电流数据，以进行特征提取；

S4、将提取的特征与负荷识别模板库进行比较，识别电器种类。

进一步的，所述S3中的特征提取，具体为，

提取暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据，以形成待识别电器的特征向量。

进一步的，所述方法在进行S1之前还包括建立负荷识别模板库。

进一步的，所述建立负荷识别模板库，具体包括，

S01、采集单个电器运行时的电流、电压、功率；

S02、在MATLAB中使用事件探测算法截取暂态功率数据、暂态电流数据以及稳态电流数据；

S03、提取单个电器的暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对提取的单个电器的稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据；

S04、对提取的单个电器的上述数据进行筛选，筛选出具有区别性的数据构成特征向量，并将每个电器的所述特征向量组成负荷识别模板库。

进一步的，所述峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子计算方式如下公式：

峰值因子：

裕度因子：

脉冲因子：

偏度因子：

峭度因子：

波形因子：

其中，x_peak代表暂态电流数据的峰值，x_rms代表暂态电流数据的有效值，x_r代表暂态电流数据的方根幅值，x_arv代表暂态电流数据的平均值，x代表暂态电流数据的平均值，n代表暂态电流数据个数，x_p代表第p个暂态电流数据采样值。

进一步的，所述S2中的事件探测算法采用改进型滑动双边CUSUM事件探测算法。

进一步的，所述改进型滑动双边CUSUM事件探测算法，具体为，

1)将通过事件探测算法获取的一定时间序列的功率集合

划分为用于均值计算的M窗口和用于事件暂态检测的D窗口，其中q(k)代表第k个功率点；

其中，M窗口的平均值Ma和D窗口的平均值Da分别为

其中，m’代表M窗口的长度，n’代表D窗口的长度，

2)定义

来度量电器事件是否进入或退出电网，具体为，

其中，b代表通过调试获取的功率波动水平经验值；

3)判断

是否达到阈值H，若

则判断电器接入电网，若

则判定电器退出电网。

进一步的，所述S4中识别电器种类时采用了DTW动态时间域模式匹配算法。

进一步的，所述DTW动态时间域模式匹配具体为，

a)令S3中提取的特征为集合长度为m的集合X，令S4中负荷识别模板库为长度为n的集合Y，以构造一个m*n阶的代价矩阵D，其中矩阵的第(i，j)元素代表，x_i与y_i的欧式距离；

b)构建代价矩阵R，利用公式

计算代价矩阵R中的最小距离量r(i，j)，其中，d(i，j)代表矩阵D中欧式距离，此时待识别电器种类即为i在负荷识别模板库中对应的电器种类的编号。

进一步的，所述方法还包括，在通过DTW动态时间域模式匹配完成匹配后，将匹配出的最小距离r(i，j)与事件探测算法获取的特征数据进行皮尔森相关性计算，并当皮尔森相关性低于阈值h时，认为待识别电器种类判断错误，而在皮尔森相关性超过阈值h时，认为待识别电器种类判断正确。

与现有技术相比，本发明的优点在于：

在负荷识别中，利用事件探测算法、特征提取以及特征提取与负荷识别模板库进行比较，有效提高了对单个电器乃至多设备叠加运行时的设备识别效果，提高了算法的识别精度和算法的运行效率。

附图说明

图1为本申请的整体流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示为本申请的流程图，由该流程图可知，本申请的一种非侵入式负荷识别方法包括事件探测、特征提取、识别设备等步骤。

该方法在进行负荷识别时，将用户所有电器的用电情况视为一个整体系统，先采集用户电表端的总电流、电压等数据。在采集了总电流、电压数据后，会计算当前系统的功率，通过功率突变情况来判断电器加入或退出电网，也即通过事件探测算法进行判断，在本申请中当功率突然减少时，认为电器退出电网，停止工作，反之，则认为电器加入电网中。经过事件探测算法的初步分析判断后，该方法会缓冲暂态电流、功率数据、稳态电流数据，以便特征提取；完成特征提取后，则与负荷模板库进行模式匹配来判断电器的种类。

也即，该非侵入式负荷识别方法包括，

S1、采集电力入口处总电压、电流并对采集的数据进行预处理；该预处理的主要目的是降低采样噪声对识别精度的影响。

S2、对经预处理后的数据采用事件探测算法以判断是否有电器接入或退出电路；

S3、当检测到有电器接入或退出电网时，缓冲暂态功率数据、暂态电流数据以及稳态电流数据，以进行特征提取；

S4、将提取的特征与负荷识别模板库进行比较，识别电器种类。

为了实现特征提取，在S3中该特征提取具体包括，

提取暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据，以形成待识别电器的特征向量。

在特征提取后，需要将形成的特征向量与负荷识别模板库进行比较，因而，该方法在进行S1之前还包括建立负荷识别模板库，具体为，

S01、采集单个电器运行时的电流、电压、功率；

S02、在MATLAB中使用事件探测算法截取暂态功率数据、暂态电流数据以及稳态电流数据；

S03、提取单个电器的暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对提取的单个电器的稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据；

S04、对提取的单个电器的上述数据进行筛选，筛选出具有区别性的数据构成特征向量，并将每个电器的所述特征向量组成负荷识别模板库。

该峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子计算方式如下公式：

峰值因子：

裕度因子：

脉冲因子：

偏度因子：

峭度因子：

波形因子：

其中，x_peak代表暂态电流数据的峰值，x_rms代表暂态电流数据的有效值，x_r代表暂态电流数据的方根幅值，x_arv代表暂态电流数据的平均值，

代表暂态电流数据的平均值，n代表暂态电流数据个数，x_p代表第p个暂态电流数据采样值。

本方法中的事件探测算法采用改进型滑动双边CUSUM事件探测算法，具体为，

1)将通过事件探测算法获取的一定时间序列的功率集合

划分为用于均值计算的M窗口和用于事件暂态检测的D窗口，其中q(k)代表第k个功率点；

其中，M窗口的平均值Ma和D窗口的平均值Da分别为

其中，m’代表M窗口的长度，n’代表D窗口的长度，这里取m’为3个数据点作为M窗口的长度，n’取2个数据点作为D窗口的长度，

2)定义

来度量电器事件是否进入或退出电网，具体为，

其中，b代表通过调试获取的功率波动水平经验值；

3)判断

是否达到阈值H，若

则判断电器接入电网，若

则判定电器退出电网。

本方法的S4中，识别电器种类时采用了DTW动态时间域模式匹配算法，具体为，

a)令S3中提取的特征为集合长度为m的集合X，令S4中负荷识别模板库为长度为n的集合Y，以构造一个m*n阶的代价矩阵D，其中矩阵的第(i，j)元素代表，x_i与y_i的欧式距离；

b)构建代价矩阵R，利用公式

计算代价矩阵R中的最小距离量r(i，j)，其中，d(i，j)代表矩阵D中欧式距离，此时待识别电器种类即为i在符合识别模板库中对应的电器种类的编号。

为了确保判断的正确性，本方法还在通过DTW动态时间域模式匹配完成匹配后，将匹配出的最小距离r(i，j)与事件探测算法获取的特征数据进行皮尔森相关性计算，并当皮尔森相关性低于阈值h时，认为待识别电器种类判断错误，而在皮尔森相关性超过阈值h时，认为待识别电器种类判断正确。

本发明所采用的方法有效提高了对单个电器乃至多设备叠加运行时的设备识别效果，提高了算法的识别精度和算法的运行效率。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种非侵入式负荷识别方法，其特征在于：所述方法包括，

S1、采集电力入口处总电压、电流并对采集的数据进行预处理；

S2、对经预处理后的数据采用事件探测算法以判断是否有电器接入或退出电路；

S3、当检测到有电器接入或退出电网时，缓冲暂态功率数据、暂态电流数据以及稳态电流数据，以进行特征提取；

S4、将提取的特征与负荷识别模板库进行比较，识别电器种类。

2.根据权利要求1所述的方法，其特征在于：所述S3中的特征提取具体为，

提取暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据，以形成待识别电器的特征向量。

3.根据权利要求1所述的方法，其特征在于：

所述方法在进行S1之前还包括建立负荷识别模板库。

4.根据权利要求3所述的方法，其特征在于：所述建立负荷识别模板库具体包括，

S01、采集单个电器运行时的电流、电压、功率；

S02、在MATLAB中使用事件探测算法截取暂态功率数据、暂态电流数据以及稳态电流数据；

S03、提取单个电器的暂态功率数据以及暂态电流数据的峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子，对提取的单个电器的稳态电流数据进行谐波分析，提取1次、3次、5次谐波幅值数据；

S04、对提取的单个电器的上述数据进行筛选，筛选出具有区别性的数据构成特征向量，并将每个电器的所述特征向量组成负荷识别模板库。

5.根据权利要求4所述的方法，其特征在于：所述峰值因子、峭度因子、偏度因子、脉冲因子、裕度因子、波形因子计算方式如下公式，

峰值因子：

裕度因子：

脉冲因子：

偏度因子：

峭度因子：

波形因子：

其中，x_peak代表暂态电流数据的峰值，x_rms代表暂态电流数据的有效值，x_r代表暂态电流数据的方根幅值，x_arv代表暂态电流数据的平均值，

代表暂态电流数据的平均值，n代表暂态电流数据个数，x_p代表第p个暂态电流数据采样值。

6.根据权利要求1所述的方法，其特征在于：

所述S2中的事件探测算法采用改进型滑动双边CUSUM事件探测算法。

7.根据权利要求6所述的方法，其特征在于：所述改进型滑动双边CUSUM事件探测算法具体为，

1)将通过事件探测算法获取的一定时间序列的功率集合

划分为用于均值计算的M窗口和用于事件暂态检测的D窗口，其中q(k)代表第k个功率点；

其中，M窗口的平均值Ma和D窗口的平均值Da分别为

其中，m’代表M窗口的长度，n’代表D窗口的长度，

2)定义

来度量电器事件是否进入或退出电网，具体为，

其中，b代表通过调试获取的功率波动水平经验值；

3)判断

是否达到阈值H，若

则判断电器接入电网，若

则判定电器退出电网。

8.根据权利要求1所述的方法，其特征在于：

所述S4中识别电器种类时采用了DTW动态时间域模式匹配算法。

9.根据权利要求8所述的方法，其特征在于：所述DTW动态时间域模式匹配具体为，

a)令S3中提取的特征为集合长度为m的集合X，令S4中负荷识别模板库为长度为n的集合Y，以构造一个m*n阶的代价矩阵D，其中矩阵的第(i，j)元素代表x_i与y_i的欧式距离；

b)构建代价矩阵R，利用公式

计算代价矩阵R中的最小距离量r(i，j)，其中，d(i，j)代表矩阵D中欧式距离，此时待识别电器种类即为i在负荷识别模板库中对应的电器种类的编号。

10.根据权利要求9所述的方法，其特征在于：

所述方法在通过DTW动态时间域模式匹配完成匹配后，还将匹配出的最小距离r(i，j)与事件探测算法获取的特征数据进行皮尔森相关性计算，并当皮尔森相关性低于阈值h时，认为待识别电器种类判断错误，而在皮尔森相关性超过阈值h时，认为待识别电器种类判断正确。

Images