CN111428755B - 非侵入式负荷监测方法 - Google Patents

非侵入式负荷监测方法 Download PDF

Info

Publication number
CN111428755B
CN111428755B CN202010132246.XA CN202010132246A CN111428755B CN 111428755 B CN111428755 B CN 111428755B CN 202010132246 A CN202010132246 A CN 202010132246A CN 111428755 B CN111428755 B CN 111428755B
Authority
CN
China
Prior art keywords
equipment
data
waveform data
event
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010132246.XA
Other languages
English (en)
Other versions
CN111428755A (zh
Inventor
王林钰
祁辉
周佳伟
丁一帆
殷俊平
郭亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Suzhou Urban Energy Research Institute Co ltd
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Suzhou Urban Energy Research Institute Co ltd
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Suzhou Urban Energy Research Institute Co ltd, Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Suzhou Urban Energy Research Institute Co ltd
Priority to CN202010132246.XA priority Critical patent/CN111428755B/zh
Publication of CN111428755A publication Critical patent/CN111428755A/zh
Application granted granted Critical
Publication of CN111428755B publication Critical patent/CN111428755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种非侵入式负荷监测方法。本发明非侵入式负荷监测方法包括：设备分类预测子流程、新设备识别子流程和分类器自我训练子流程。本发明具有如下的有益效果：本发明在传统非侵入式负荷监测框架的基础上，创新性地提出了一种新型非侵入式负荷检测框架体。在此框架下，首先对采集到的高频电流、电压数据进行有效地预处理，通过清洗、线性填补和插值，扩充了数据密度，保证了数据的完整性、精确性和利用性。通过挖掘设备特征，计算提取了能够表征用电设备运行印记的多维度特征值。考虑了不同分类器模型，最终建立了效果最好的随机森林分类器模型用于分类识别，且识别准确度高、模型鲁棒性强。

Description

非侵入式负荷监测方法
技术领域
本发明涉及负荷检测领域，具体涉及一种非侵入式负荷监测方法。
背景技术
近年来因传统的电力负荷监测方法成本高、效率低，在应用上受到很大制约，而非侵入式负荷检测系统(non-intrusive load monitoring,NILM)技术仅需在电网的用户入口处安装一个传感器，通过采集和分析电流、电压等用户用电特征来监测用户内部每个或每类用电设备的工作状态，得到广泛的研究。
传统的非侵入式研究的架构主要包括数据采集、数据预处理、特征提取、分类器预测，得到分类结果。这种系统架构通常需要事先建立设备库，对设备库中的设备进行数据采集、数据预处理、特征提取、模型训练等操作，得到能够用于预测的分类器模型，且只能识别出包括在设备库里的设备的使用情况。
但在实际应用中，传统的非侵入式负荷监测系统架构存在局限性，无法应对复杂的设备更换、变动等情况，对于识别到设备库之外的新设备，如何截取新设备运行数据，并更新设备库、重新训练，没有很好的应对方法。
发明内容
本发明要解决的技术问题是提供一种非侵入式负荷监测方法，该方法能够应对复杂的实际应用情况。当识别到设备库之外的新设备时，能够截取该新设备的数据加入设备库，实现能够准确识别出设备库已有设备，以及发现设备库之外的新设备时能够自动更新设备库的一整套完整的系统监测流程。
为了解决上述技术问题，本发明提供了一种非侵入式负荷监测方法，包括：
设备分类预测子流程：
第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；
第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；
第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；
第四步：根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；
第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；
新设备识别子流程：
第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；
第二步：根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；
第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；
第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；
分类器自我训练子流程：
第一步：
设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；
第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；
第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；
第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；
第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；
第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。
在其中一个实施例中，“第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；”中的特征，包括：
特征1：电流有效值
计算用电设备运行状态下的电流有效值，具体地：
其中，I表示电流有效值，T表示一个周期，i表示瞬时电流；
特征2：有功功率
计算用电设备运行状态下的有功功率，具体地：
其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差；
特征3：无功功率
无功功率是交流电路中由于电抗性元件的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率；通过提取无功功率特征，有效区分出电抗性用电设备；计算用电设备运行状态下的无功功率，具体地：
特征4：功率因数
计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用S表示，具体地：
根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：
特征5：U_I轨迹的面积
基于预处理后的电流、电压数据，以一个周期为单位，将电流作为X轴，将电压作为Y轴，画出图像得到U_I轨迹图，计算U_I轨迹所包围的面积。其中运用海伦公式求凸包及多边形面积的计算方法，具体地：
顺时针给定构成凸包的n个点坐标，可将多边形分割成多个三角形，利用海伦公式，求得多个三角形面积；海伦公式如下：
已知三角形各边a，b，c
其中，p为半周长：
将一个周期里的每一个采样点数对应的电流、电压数据，作为多边形的顶点，按逆时针方向依次可记为：(i0,u0),(i1,u1),(i2,u2),...,(in,un)，其中(in,un)＝(i0,u0)。
那么，U_I轨迹围成的多边形面积为：
特征6：U_I轨迹的斜率
计算U_I轨迹的斜率，具体地：
其中imax和imin为所选取周期的电流最大值和最小值；
特征7：U_I轨迹精细斜率的平均值
为了刻画基于电流、电压数据绘制的U_I轨迹的特征，考虑图形每一部分的形状变化，通过对U_I轨迹上所有相邻点进行斜率求解，并取平均值，得到精细斜率特征值，具体包括：
以一个周期为单位，将周期时序数据记为计算相邻采样点的斜率：
计算平均值：
特征8：U_I轨迹精细斜率的方差
根据上述得到的相邻采样点斜率，计算每个周期相邻采样点的精细斜率方差，具体地：
特征9:1到32次谐波
使用FFT分解得到用电设备的各次谐波的幅值特征，具体地：
设有周期信号f(t)，它的周期是T，角频率它可分解为：
将所述f(t)中同频率项合并，可写成如下形式：
A0＝a0
因此，上述式子中的An即为各次谐波的幅值，得到1到32次谐波谐波幅值特征。
在其中一个实施例中，“新设备识别子流程的第一步：”中，以有功功率作为研究对象，具体包括：
步骤一：首先，根据统计分析设定两个阈值s1和s2，s1为检测到有事件发生时前后两个时间段有功功率变化量的阈值，s2为事件的暂态过程发生时间和结束时间的有功功率变化量的阈值；
步骤二：设R为步长(R＝1S)，St代表在t秒时的有功功率，ΔSt＝St+1-St，代表的是有功功率变化量。当ΔSt＞s1时，检测到可能会有事件发生，则事件探测窗开始移动并计算ΔSt+1,ΔSt+2,ΔSt+3...，直到ΔSt+TR＜s1到此时则初步判断事件暂态过程已结束；
步骤三：判断是否是由于有功功率突变引起的对事件发生探测的误判。若St+TR-St＞s2，则表明在t～t+TR秒内确有事件发生，事件探测正确；若St+TR-St＜s2，则表明在t～t+TR秒是由于有功功率突变引起的对事件发生探测的误判，不算有事件发生；
步骤四：记录每一个暂态事件发生的时间点与结束的时间。
在其中一个实施例中，“对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；”具体包括：
计算所有获取到的用电数据中电流有效值的平均值与标准差：
对(μ-3σ，μ+3σ)区间外的用电数据进行剔除。进一步，对每个周期的采样点数进行线性插值填补和扩充；具体地:
在其中一个实施例中，相似度计算方法采用欧式距离求相似度：
平面空间内的坐标a(x1,y1)与坐标b(x2,y2)间的欧式距离：
三维空间里的欧式距离：
其中欧式距离越小，说明相似度越高，设备相似度就越高。
在其中一个实施例中，所述事件探测方法采用基于滑动双边窗的事件探测算法。
在其中一个实施例中，所述机器学习分类器模型是随机森林或者决策树或者支持向量机或者神经网络。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
本发明在传统非侵入式负荷监测框架的基础上，创新性地提出了一种新型非侵入式负荷检测框架体。在此框架下，首先对采集到的高频电流、电压数据进行有效地预处理，通过清洗、线性填补和插值，扩充了数据密度，保证了数据的完整性、精确性和利用性。通过挖掘设备特征，计算提取了能够表征用电设备运行印记的多维度特征值。考虑了不同分类器模型，最终建立了效果最好的随机森林分类器模型用于分类识别，且识别准确度高、模型鲁棒性强。
同时，对于用户在使用过程中可能出现的设备更换，本系统和方法能够对外来新设备进行识别捕捉，并分离出新设备稳态的波形，将新设备加入设备库中进行设备库更新，再重新训练模型，得到一个新的具有更多设备预测功能的分类器。该发明系统流程，充分考虑和能够应对实际应用中可能出现的复杂用电行为，并且能够分析用电设备的运行状态、能耗等用能信息。
本发明克服了传统非侵入式监测系统流程的局限性，有效提高了非侵入式负荷监测的可行性和实用性。
附图说明
图1是本发明非侵入式负荷监测方法中的流程示意图。
图2是本发明非侵入式负荷检测方法中的设备库组成示意图。
图3是本发明非侵入式负荷检测方法中的又一流程示意图。
图4是本发明非侵入式负荷检测方法中的使用事件探测方法效果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
提供了一种新型的非侵入式负荷监测方法，具体包括三大子流程：设备分类预测子流程、分类器自我训练子流程、新设备识别子流程。
设备分类预测子流程
具体步骤如下：
第一步：数据采集
通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础。本文中，所谓高频指的是一个交流电周期采样256个数据，当然也可以是其它数据。
第二步：数据预处理
对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理。具体地：
计算所有获取到的用电数据中电流有效值的平均值与标准差：
对(μ-3σ，μ+3σ)区间外的用电数据进行剔除。进一步，对每个周期的采样点数进行线性插值填补和扩充。具体地:
第三步：特征提取
基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征。
特征1：电流有效值
计算用电设备运行状态下的电流有效值，具体地：
其中，I表示电流有效值，T表示一个周期，i表示瞬时电流。
特征2：有功功率
计算用电设备运行状态下的有功功率，具体地：
其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差。
特征3：无功功率
无功功率是交流电路中由于电抗性元件(指纯电感或纯电容)的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率。通过提取无功功率特征，可以有效区分出电抗性用电设备。计算用电设备运行状态下的无功功率，具体地：
特征4：功率因数
计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用S表示，具体地：
根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：
特征5：U_I轨迹的面积
基于预处理后的电流、电压数据，以一个周期为单位，将电流作为X轴，将电压作为Y轴，画出图像得到U_I轨迹图，计算U_I轨迹所包围的面积。其中运用海伦公式求凸包及多边形面积的计算方法，具体地：
顺时针给定构成凸包的n个点坐标，可将多边形分割成多个三角形，利用海伦公式，求得多个三角形面积。海伦公式如下：
已知三角形各边a，b，c
其中，p为半周长：
将一个周期里的每一个采样点数对应的电流、电压数据，作为多边形的顶点，按逆时针方向依次可记为：(i0,u0),(i1,u1),(i2,u2),...,(in,un)，其中(in,un)＝(i0,u0)。
那么，U_I轨迹围成的多边形面积为：
特征6：U_I轨迹的斜率
计算U_I轨迹的斜率，具体地：
其中imax和imin为所选取周期的电流最大值和最小值。
特征7：U_I轨迹精细斜率的平均值
为了刻画基于电流、电压数据绘制的U_I轨迹的特征，考虑图形每一部分的形状变化，通过对U_I轨迹上所有相邻点进行斜率求解，并取平均值，得到精细斜率特征值，具体包括：
以一个周期为单位，将周期时序数据记为计算相邻采样点的斜率：
计算平均值：
特征8：U_I轨迹精细斜率的方差
根据上述得到的相邻采样点斜率，计算每个周期相邻采样点的精细斜率方差，具体地：
特征9:1到32次谐波
使用FFT分解得到用电设备的各次谐波的幅值特征，具体地：
设有周期信号f(t)，它的周期是T，角频率它可分解为：
将所述f(t)中同频率项合并，可写成如下形式：
A0＝a0
因此，上述式子中的An即为各次谐波的幅值，得到1到32次谐波谐波幅值特征。
第四步：调用分类器模型进行预测
根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，得到的模型输出对应相应的设备类别编号。
第五步：模型分类结果分析
对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的运行状态、能耗等用能信息，达到非侵入式负荷监测系统实际应用的用途。
新设备识别子流程
具体步骤如下：
第一步：判断设备波形稳定段
在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，如基于滑动双边窗的事件探测算法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点。以有功功率作为研究对象，具体地：
步骤一：首先，根据统计分析设定两个阈值s1和s2，s1为检测到有事件发生时前后两个时间段有功功率变化量的阈值，s2为事件的暂态过程发生时间和结束时间的有功功率变化量的阈值。
步骤二：设R为步长(R＝1S)，St代表在t秒时的有功功率，ΔSt＝St+1-St，代表的是有功功率变化量。当ΔSt＞s1时，检测到可能会有事件发生，则事件探测窗开始移动并计算ΔSt+1,ΔSt+2,ΔSt+3...，直到ΔSt+TR＜s1到此时则初步判断事件暂态过程已结束。
步骤三：判断是否是由于有功功率突变引起的对事件发生探测的误判。若St+TR-St＞s2，则表明在t～t+TR秒内确有事件发生，事件探测正确；若St+TR-St＜s2，则表明在t～t+TR秒是由于有功功率突变引起的对事件发生探测的误判，不算有事件发生。
步骤四：记录每一个暂态事件发生的时间点与结束的时间。
第二步：截取设备稳定段波形数据，并进行特征提取
根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录。通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据。
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取。计算得到电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差、1到32次谐波等不同设备稳定段的各个特征。
第三步：进行特征比较分析
在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备。常见的相似度计算方法有欧式距离求相似度，具体地：
平面空间内的坐标a(x1,y1)与坐标b(x2,y2)间的欧式距离：
三维空间里的欧式距离：
其中欧式距离越小，说明相似度越高，设备相似度就越高。
第四步：判断是否有新设备出现
若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征较相似，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度极低，则判别该时间段有新设备生成。将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库。
分类器自我训练子流程
具体步骤如下：
第一步：设备库
所述设备库，需要事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型。在所述设备库中，包括每个设备的设备名称，设备编号，稳态波形数据与暂态波形数据。
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型。
第二步：计算排列组合
所述的计算排列组合，用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合，并输入给综合态波形数据生成方法。
第三步：生成综合态波形数据
根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据。
第四步：特征提取
与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征。
第五步：划分训练集和测试集
根据得到的特征数据，我们自助采样法来划分训练集与测试集，将数据划分为70％的训练集和30％的测试集，并将训练集特征数据输出到模型进行训练。
第六步：模型建立与训练
对于负荷预测任务而言，需要根据历史数据来对目标时刻的负荷进行预测。为了，我们将第五步随机取样得到70％特征数据作为训练集进行训练，将剩下的30％特征数据作为测试集使用。经典的机器学习分类器模型有：随机森林、决策树、支持向量机、神经网络等。我们采用了随机森林来对训练集进行训练，将训练集特征数据输入随机森林模型中进行训练，得到具有预测功能的分类器模型，并把它输出到设备分类预测子流程的分类器分类模型中，供预测调用。
与现有技术相比，本发明具有如下的有益效果：
本发明在传统非侵入式负荷监测框架的基础上，创新性地提出了一种新型非侵入式负荷检测框架体。在此框架下，首先对采集到的高频电流、电压数据进行有效地预处理，通过清洗、线性填补和插值，扩充了数据密度，保证了数据的完整性、精确性和利用性。通过挖掘设备特征，计算提取了能够表征用电设备运行印记的多维度特征值。考虑了不同分类器模型，最终建立了效果最好的随机森林分类器模型用于分类识别，且识别准确度高、模型鲁棒性强。
同时，对于用户在使用过程中可能出现的设备更换，本系统和方法能够对外来新设备进行识别捕捉，并分离出新设备稳态的波形，将新设备加入设备库中进行设备库更新，再重新训练模型，得到一个新的具有更多设备预测功能的分类器。该发明系统流程，充分考虑和能够应对实际应用中可能出现的复杂用电行为，并且能够分析用电设备的运行状态、能耗等用能信息。
本发明克服了传统非侵入式监测系统流程的局限性，有效提高了非侵入式负荷监测的可行性和实用性。
下面介绍本发明的一个具体应用场景：
本发明为一种新型非侵入式监测方法，如图1所示，按照如下详细步骤进行处理：
设备分类预测
具体步骤如下：
第一步：数据采集
通过安装在家庭入口处的数据采集终端，采集时间长度为Time内多种设备的高频电流、高频电压数据，采集汇总后的数据样表如表1所示。
第二步：数据预处理
对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理。具体地：
第三步：特征提取
基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征。各个特征列表如：电流有效值、无功功率、功率因数、U_I轨迹的面积、U_I轨迹的斜率、U_I轨迹精细斜率的平均值、U_I轨迹精细斜率的方差和1到32次谐波谐波。
第四步：调用分类器模型进行预测
根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，得到的模型输出对应相应的设备类别编号。
第五步：模型分类结果分析
对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的运行状态、能耗等用能信息，达到非侵入式负荷监测系统实际应用的用途。
2、新设备识别流程
具体步骤如下：
第一步：判断设备波形稳定段
在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，如基于滑动双边窗的事件探测算法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点。以有功功率作为研究对象，使用事件探测方法得到效果如图4：
其中黑色圆点表示事件发生过程的起点位置，叉×表示事件发生过程的结束位置。
第二步：截取设备稳定段波形数据，并进行特征提取
根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录。通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据。
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取。计算得到电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差、1到32次谐波等不同设备稳定段的各个特征。
第三步：进行特征比较分析
在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备。常见的相似度计算方法有欧式距离求相似度，具体地：
平面空间内的坐标a(x1,y1)与坐标b(x2,y2)间的欧式距离：
三维空间里的欧式距离：
其中欧式距离越小，说明相似度越高，设备相似度就越高。
第四步：判断是否有新设备出现
若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征较相似，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度极低，则判别该时间段有新设备生成。将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库。
3、分类器自我训练子流程
具体步骤如下：
第一步：设备库
所述设备库，需要事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型。在所述设备库中，包括每个设备的设备名称，设备编号，稳态波形数据与暂态波形数据。
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型。
第二步：计算排列组合
所述的计算排列组合，用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合，并输入给综合态波形数据生成方法。
第三步：生成综合态波形数据
根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据。
第四步：特征提取
与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征。
第五步：划分训练集和测试集
根据得到的特征数据，我们自助采样法来划分训练集与测试集，将数据划分为70％的训练集和30％的测试集，并将训练集特征数据输出到模型进行训练。
第六步：模型建立与训练
对于负荷预测任务而言，需要根据历史数据来对目标时刻的负荷进行预测。为了，我们将第五步随机取样得到70％特征数据作为训练集进行训练，将剩下的30％特征数据作为测试集使用。经典的机器学习分类器模型有：随机森林、决策树、支持向量机、神经网络等。我们采用了随机森林来对训练集进行训练，将训练集特征数据输入随机森林模型中进行训练，得到具有预测功能的分类器模型，并把它输出到设备分类预测子流程的分类器分类模型中，供预测调用。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种非侵入式负荷监测方法，其特征在于，包括：
设备分类预测子流程：
第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；
第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；
第三步：基于清洗过的用电数据，提取能够体现用电设备运行状态的特征；
第四步：根据提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；
第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；
新设备识别子流程：
第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；
第二步：根据记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；
第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；
第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将新设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；
分类器自我训练子流程：
第一步：
设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；
第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；
第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；
第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；
第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；
第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。
2.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；”中的特征，包括：
特征1：电流有效值
计算用电设备运行状态下的电流有效值，具体地：
其中，I表示电流有效值，T表示一个周期，i表示瞬时电流；
特征2：有功功率
计算用电设备运行状态下的有功功率，具体地：
其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差；
特征3：无功功率
无功功率是交流电路中由于电抗性元件的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率；通过提取无功功率特征，有效区分出电抗性用电设备；计算用电设备运行状态下的无功功率，具体地：
特征4：功率因数
计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用S表示，具体地：
根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：
特征5：U_I轨迹的面积
基于预处理后的电流、电压数据，以一个周期为单位，将电流作为X轴，将电压作为Y轴，画出图像得到U_I轨迹图，计算U_I轨迹所包围的面积；其中运用海伦公式求凸包及多边形面积的计算方法，具体地：
顺时针给定构成凸包的n个点坐标，可将多边形分割成多个三角形，利用海伦公式，求得多个三角形面积；海伦公式如下：
已知三角形各边a，b，c
其中，p为半周长：
将一个周期里的每一个采样点数对应的电流、电压数据，作为多边形的顶点，按逆时针方向依次可记为：(i0,u0),(i1,u1),(i2,u2),...,(in,un)，其中(in,un)＝(i0,u0)；
那么，U_I轨迹围成的多边形面积为：
特征6：U_I轨迹的斜率
计算U_I轨迹的斜率，具体地：
其中imax和imin为所选取周期的电流最大值和最小值；
特征7：U_I轨迹精细斜率的平均值
为了刻画基于电流、电压数据绘制的U_I轨迹的特征，考虑图形每一部分的形状变化，通过对U_I轨迹上所有相邻点进行斜率求解，并取平均值，得到精细斜率特征值，具体包括：
以一个周期为单位，将周期时序数据记为计算相邻采样点的斜率：
计算平均值：
特征8：U_I轨迹精细斜率的方差
根据上述得到的相邻采样点斜率，计算每个周期相邻采样点的精细斜率方差，具体地：
特征9:1到32次谐波
使用FFT分解得到用电设备的各次谐波的幅值特征，具体地：
设有周期信号f(t)，它的周期是T，角频率它可分解为：
将所述f(t)中同频率项合并，可写成如下形式：
A0＝a0
因此，上述式子中的An即为各次谐波的幅值，得到1到32次谐波谐波幅值特征。
3.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“新设备识别子流程的第一步：”中，以有功功率作为研究对象，具体包括：
步骤一：首先，根据统计分析设定两个阈值s1和s2，s1为检测到有事件发生时前后两个时间段有功功率变化量的阈值，s2为事件的暂态过程发生时间和结束时间的有功功率变化量的阈值；
步骤二：设R为步长(R＝1S)，St代表在t秒时的有功功率，ΔSt＝St+1-St，代表的是有功功率变化量；当ΔSt＞s1时，检测到可能会有事件发生，则事件探测窗开始移动并计算ΔSt+1,ΔSt+2,ΔSt+3...，直到ΔSt+TR＜s1到此时则初步判断事件暂态过程已结束；
步骤三：判断是否是由于有功功率突变引起的对事件发生探测的误判；若St+TR-St＞s2，则表明在t～t+TR秒内确有事件发生，事件探测正确；若St+TR-St＜s2，则表明在t～t+TR秒是由于有功功率突变引起的对事件发生探测的误判，不算有事件发生；
步骤四：记录每一个暂态事件发生的时间点与结束的时间。
4.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；”具体包括：
计算所有获取到的用电数据中电流有效值的平均值与标准差：
对(μ-3σ，μ+3σ)区间外的用电数据进行剔除，进一步，对每个周期的采样点数进行线性插值填补和扩充；具体地:
。
5.如权利要求1所述的非侵入式负荷监测方法，其特征在于，相似度计算方法采用欧式距离求相似度：
平面空间内的坐标a(x1,y1)与坐标b(x2,y2)间的欧式距离：
三维空间里的欧式距离：
其中欧式距离越小，说明相似度越高，设备相似度就越高。
6.如权利要求1所述的非侵入式负荷监测方法，其特征在于，所述事件探测方法采用基于滑动双边窗的事件探测算法。
7.如权利要求1所述的非侵入式负荷监测方法，其特征在于，所述机器学习分类器模型是随机森林或者决策树或者支持向量机或者神经网络。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN202010132246.XA 2020-02-29 2020-02-29 非侵入式负荷监测方法 Active CN111428755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010132246.XA CN111428755B (zh) 2020-02-29 2020-02-29 非侵入式负荷监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010132246.XA CN111428755B (zh) 2020-02-29 2020-02-29 非侵入式负荷监测方法

Publications (2)

Publication Number Publication Date
CN111428755A CN111428755A (zh) 2020-07-17
CN111428755B true CN111428755B (zh) 2023-09-08

Family

ID=71547345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010132246.XA Active CN111428755B (zh) 2020-02-29 2020-02-29 非侵入式负荷监测方法

Country Status (1)

Country Link
CN (1) CN111428755B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679156A (zh) * 2020-07-31 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 一种基于正弦电压信号斜率的电压故障时间估计方法
CN112039059B (zh) * 2020-08-20 2022-02-18 国网湖南省电力有限公司 基于功率阶跃连续性判别的长暂态负荷事件检测方法
CN112149510B (zh) * 2020-08-27 2022-05-10 广东工业大学 一种非侵入式负荷检测方法
CN112365090A (zh) * 2020-11-26 2021-02-12 南方电网能源发展研究院有限责任公司 一种基于深度学习的非入侵式用电负荷识别方法及装置
CN112736907A (zh) * 2020-12-28 2021-04-30 国网电子商务有限公司 一种非侵入式家庭电力负荷分解特征选择方法及装置
CN113191418A (zh) * 2021-04-27 2021-07-30 华中科技大学 基于室外气象参数的非侵入式建筑分项冷负荷监测方法
CN113554076B (zh) * 2021-07-12 2022-11-01 国网湖北省电力有限公司电力科学研究院 基于小波分解的非侵入式建筑系统能耗监测方法
CN113899944B (zh) * 2021-09-30 2023-11-10 广东电网有限责任公司 一种电力负荷投切点的检测方法及装置
CN113947159B (zh) * 2021-10-26 2023-09-05 山东工商学院 一种用电负荷实时在线监测与识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273920A (zh) * 2017-05-27 2017-10-20 西安交通大学 一种基于随机森林的非侵入式家用电器识别方法
CN109145949A (zh) * 2018-07-19 2019-01-04 山东师范大学 基于集成学习的非侵入式电力负荷监测与分解方法及系统
CN109492667A (zh) * 2018-10-08 2019-03-19 国网天津市电力公司电力科学研究院 一种用于非侵入式电力负荷监测的特征选择辨识方法
CN110533089A (zh) * 2019-08-19 2019-12-03 三峡大学 基于随机森林的自适应非侵入式负荷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273920A (zh) * 2017-05-27 2017-10-20 西安交通大学 一种基于随机森林的非侵入式家用电器识别方法
CN109145949A (zh) * 2018-07-19 2019-01-04 山东师范大学 基于集成学习的非侵入式电力负荷监测与分解方法及系统
CN109492667A (zh) * 2018-10-08 2019-03-19 国网天津市电力公司电力科学研究院 一种用于非侵入式电力负荷监测的特征选择辨识方法
CN110533089A (zh) * 2019-08-19 2019-12-03 三峡大学 基于随机森林的自适应非侵入式负荷识别方法

Also Published As

Publication number Publication date
CN111428755A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111428755B (zh) 非侵入式负荷监测方法
CN112149510B (zh) 一种非侵入式负荷检测方法
Saini et al. Classification of power quality events–a review
US20220050130A1 (en) Condition Monitoring Via Energy Consumption Audit in Electrical Devices and Electrical Waveform Audit in Power Networks
Jimenez et al. Feature extraction for nonintrusive load monitoring based on S-Transform
Zhang et al. Intelligent systems for power system dynamic security assessment: Review and classification
Chen et al. Significant correlation pattern mining in smart homes
CN113887912A (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
Hu et al. Robust feature extraction and ensemble classification against cyber-physical attacks in the smart grid
Jain et al. Current peak based device classification in NILM on a low-cost embedded platform using extra-trees
CN111898694B (zh) 一种基于随机树分类的非入侵式负荷识别方法及装置
Bhuiyan et al. A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems
CN106356994B (zh) 一种基于电网pmu大数据的电网稳定性判别方法
CN113076354A (zh) 一种基于非侵入式负荷监测的用户用电数据分析方法和装置
Wei et al. Glad: A method of microgrid anomaly detection based on esd in smart power grid
CN112595918A (zh) 一种低压集抄故障的检测方法及装置
CN113094931B (zh) 一种非侵入式负荷分解方法、装置及设备
Gorjani et al. Application of optimized deterministic methods in long-term power quality
CN110889465B (zh) 基于自适应谐振网络的电力需求侧设备辨识方法和系统
CN114036319A (zh) 一种电力知识抽取方法、系统、装置及存储介质
CN114764599A (zh) 一种配电网单相接地故障灵敏度分析方法和系统
Li et al. Energy usage behavior modeling in energy disaggregation via marked hawkes process
Sima et al. A framework for automatically cleansing overvoltage data measured from transmission and distribution systems
Godoy et al. Multiple signal processing techniques based power quality disturbance detection, classification, and diagnostic software
Shi et al. Non-intrusive Monitoring of Edge-level Cryptocurrency Mining in Power Distribution Grids

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant