CN111461081B - 一种电流信号的分割方法 - Google Patents
一种电流信号的分割方法 Download PDFInfo
- Publication number
- CN111461081B CN111461081B CN202010417633.8A CN202010417633A CN111461081B CN 111461081 B CN111461081 B CN 111461081B CN 202010417633 A CN202010417633 A CN 202010417633A CN 111461081 B CN111461081 B CN 111461081B
- Authority
- CN
- China
- Prior art keywords
- segment
- sec
- current
- point
- value
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明公开了一种电流信号的分割方法,将电流信号波形根据其物理特征分割成互不相同的段,它包括以下步骤:对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点;根据顶点拐点检测出元段起始点,得到初始元段;分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的分段;对分段边界点进行调整,得到更准确的边界点;去掉检测出待机电流和过冲电流,留下工作电流。本方法能更快速准确的将电流信号分割成物理特征不同的分段,以利于后续的信号处理。
Description
技术领域
本发明属于非侵入式负荷监测领域,具体是对电器电流信号进行精准分割,将电器不同工作状态的电流序列区分分割,以便于后续对电流的进一步处理。
背景技术
近些年来,随着智能电网的不断发展,电信号的精益化和智能化分析已经吸引越来越多的注意。例如,非侵入式负荷监测(NILM)技术采用特征提取和机器学习方法分析汇合电压和电流并在不需要安装子电表的情况下监测电器的使用情况。已经有很多特征提取方法被提出用于非侵入式负荷监测,例如小波特征、电压-电流轨迹、电流谐波、有功/无功功率以及自动学习出的深度特征等等。在文献[Non-Intrusive Load Monitoring UsingSemi-Supervised Machine Learning and Wavelet Design]中,通过使用小波设计和procrustes分析匹配一组新的小波到负载类型来提取信号特征。但在他们的方法中,按照负载类别的不同使用的小波需要从大量的小波中选择,从而使其在未知电器场景下的使用受到一定的限制。V-I轨迹类特征从Voltage-Current(V-I)的轨迹图中抽取不同的特征来描述不同电器的工作状态。已提出的V-I轨迹类特征有环方向、封闭面积、平均曲线非线性、自相交次数、中分割倾斜度、左右分割面积等等。然而,噪声信号对V-I轨迹的影响较大,容易导致V-I轨迹各种特征的突变。电流谐波特征从高频电流谐波中提取模、模比率等特征来区分的电器。然而,要想得到较好的效果,一般要求信号的采样频率达到1MHZ及以上,这给电流谐波特征的应用带来巨大的障碍。文献[Non-Intrusive Load Monitoring by NovelNeuro-Fuzzy Classification Considering Uncertainties]对多种家用电器的有功和无功数据进行聚类分析,将各类中心作为每种电器的功率负荷特征,以此进行训练和识别。有功/无功功率特征很难区分功率差不多的电器。深度学习方法需要大量标注数据进行有监督或半监督学习,而标注数据在实际场景中往往是昂贵和稀少的,这极大的限制了它们发展。虽然很多工作都使用功率特征,然而在NILM问题中电流比功率特征更为有效。
发明内容
本发明的目的是提供一种电流信号的分割方法,能更快速准确的将电流信号分割成物理特征不同的分段,以利于后续处理,提升准确率和查全率。
本发明的方法通过以下步骤实现:
1)对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点;
2)根据顶点拐点检测出元段起始点,得到初始元段;
3)分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的段;
4)对分段边界点进行调整,得到更准确的边界点;
5)去掉检测出待机电流和过冲电流,留下工作电流。
所述的对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点的步骤为:
步骤1保留采样区间最大值和最小值:
设原始信号为S,长度为LS,下采样比例为Rds=1/Nds,即Nds个点采样一
个点,按下述方法进行下采样:
P2i+1=max{Sj},j∈[Nds·i+1,Nds·(i+1)],i∈[0,<Ls/Nds>]
P2i+2=min{Sj},j∈[Nds·i+1,Nds·(i+1)],i∈[0,<Ls/Nds>]
P表示采样后的点,而S表示采样前的原始信号点,<>表示向下取整。
步骤2在顶点处进行取值:
在前述下采样得到的点中,每Nv个点采样得到一个顶点Vk:
Vk=max{Pi}-min{Pj}其中(k-1)*Nv+1≤i,j≤k*Nv;
所述的根据顶点拐点检测出元段起始点,得到初始元段步骤为:
步骤1下采样得到的顶点满足条件C1:
(Vk>Vk-1and Vk>Vk+1)or(Vk<Vk-1and Vk<Vk+1)时开始记录;
步骤2记录其起始位置、均值等属性;
所述的分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的分段步骤为:
步骤1相邻的两个分段符合C2:
T1=min((P95{Vk}-P5{Vk})/100,P5{Vk},P10{Vk}/2)条件时进行普通合并,其中表示第m段所有采样点平均值,P5{Vk}表示集合V中所有值的5百分位数,而P95{}表示95百分位数,P10表示10百分位数。
步骤2当某一段与其相邻段的一部分相似,即相似度大于0.9时,则将这段与相邻段合并。设第i段长度小于第i+1段,定义它们间的自相似度如下式所示:
而S(Seci,Secj)=Seci·Secj/(|Seci|·|Secj|)
其中Seci,Secj的长度相同,Secj是Seci+1的一部分。
步骤3相邻的两个分段符合
CS(Seci,Seci+1)=argmaxSS(Seci∪Seci+1,Secj),j≠i,i+1条件时进行联合相似段合并,其中,第i段Seci与第i+1段Seci+1的联合相似度定义为这两段合并成一段后与其它段的相似度的最大值。当其联合相似度大于0.9时即将这两段合并;
所述的对分段边界点进行调整,得到更准确的边界点步骤为:
步骤1计算第i段平均值与第i+1段平均值的几何平均值
找到第i段中值大于g的最后一个点的位置j
否则:
找到第i+1段中值大于g的第一个点的位置j
去掉检测出的待机电流和过冲电流,留下工作电流步骤为:
步骤1检测待机电流
第i段的电流满足以下条件时认为是处于待机状态:
其中T2=min(P5{Vk}+1,P95{Vk})
上式中median()表示中位数。
步骤2检测过冲电流
当第i段Seci满足以下条件时认为其是过冲电流段:
本发明能更快速准确的将电流信号分割成物理特征不同的分段,以利于后续的信号处理,提升准确率和查全率。
附图说明
图1本发明部分分段步骤示例图,其中,(a)原始信号、(b)下采样结果、(c)顶点提取、(d)元段提取、(e)普通合并、(f)自相似合并。
图2本发明中分段边界精调示例图,其中,(a)原始信号、(b)精调前边界、(c)精调后边界。
图3本发明中待机与过冲电流检测示例图。其中,(a)冰箱、(b)洗衣机。
图4本发明中有效电流信号分段图。其中,(a)冰箱、(b)洗衣机。
具体实施方式
一种电流信号的分割方法,其特征在于包括以下步骤:
1)对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点;
2)根据顶点拐点检测出元段起始点,得到初始元段;
3)分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的段;
4)对分段边界点进行调整,得到更准确的边界点;
5)去掉检测出待机电流和过冲电流,留下工作电流。
所述的对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点的步骤为:
步骤1保留采样区间最大值和最小值:
设原始信号为S,长度为LS,下采样比例为Rds=1/Nds,即Nds个点采样一
个点,按下述方法进行下采样:
P2i+1=max{Sj},j∈[Nds·i+1,Nds·(i+1)],i∈[0,<Ls/Nds>]
P2i+2=min{Sj},j∈[Nds·i+1,Nds·(i+1)],i∈[0,<Ls/Nds>]
P表示采样后的点,而S表示采样前的原始信号点,<>表示向下取整。
步骤2在顶点处进行取值:
在前述下采样得到的点中,每Nv个点采样得到一个顶点Vk:
Vk=max{Pi}-min{Pj}其中(k-1)*Nv+1≤i,j≤k*Nv;
所述的根据顶点拐点检测出元段起始点,得到初始元段步骤为:
步骤1下采样得到的顶点满足条件C1:
(Vk>Vk-1and Vk>Vk+1)or(Vk<Vk-1and Vk<Vk+1)时开始记录;
步骤2记录其起始位置、均值等属性;
所述的分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的分段步骤为:
步骤1相邻的两个分段符合C2:
T1=min((P95{Vk}-P5{Vk})/100,P5{Vk},P10{Vk}/2)条件时进行普通合并。其中表示第m段所有采样点平均值,P5{Vk}表示集合V中所有值的5百分位数,而P95{}表示95百分位数,P10表示10百分位数。
步骤2当某一段与其相邻段的一部分相似,即相似度大于0.9时,则将这段与相邻段合并。设第i段长度小于第i+1段,定义它们间的自相似度如下式所示:
而S(Seci,Secj)=Seci·Secj/(|Seci|·|Secj|)
其中Seci,Secj的长度相同,Secj是Seci+1的一部分。
步骤3相邻的两个分段符合
CS(Seci,Seci+1)=argmaxSS(Seci∪Seci+1,Secj),j≠i,i+1条件时进行联合相似段合并,其中,第i段Seci与第i+1段Seci+1的联合相似度定义为这两段合并成一段后与其它段的相似度的最大值。当其联合相似度大于0.9时即将这两段合并;
所述的对分段边界点进行调整,得到更准确的边界点步骤为:
步骤1计算第i段平均值与第i+1段平均值的几何平均值
找到第i段中值大于g的最后一个点的位置j
否则:
找到第i+1段中值大于g的第一个点的位置j
去掉检测出的待机电流和过冲电流,留下工作电流步骤为:
步骤1检测待机电流
第i段的电流满足以下条件时认为是处于待机状态:
其中T2=min(P5{Vk}+1,P95{Vk})
上式中median()表示中位数。
步骤2检测过冲电流
当第i段Seci满足以下条件时认为其是过冲电流段:
图3中横轴上的灰色部分为检测出的待机电流,垂直于横轴的灰色部分为检测出的过冲电流,而黑色部分为检测出的正常工作电流。可以看出,本文方法正确检测出了这三种电流。
另外,再去掉一些宽度和高度都较小意义不大的电流,如上右图中最前面的工作电流,即为剩下的需要进一步处理的正常工作电流段。
图4为经所有分段处理后还原到初始信号频率的冰箱和洗衣机有效电流信号图。
Claims (4)
1.一种电流信号的分割方法,其特征在于包括以下步骤:
1)对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点;
2)根据顶点拐点检测出元段起始点,得到初始元段;
3)分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的分段;
4)对分段边界点进行调整,得到更准确的边界点;
5)去掉检测出的待机电流和过冲电流,留下工作电流;
步骤1)具体为:
步骤1保留采样区间最大值和最小值:
设原始信号为S,长度为LS,下采样比例为Rds=1/Nds,即Nds个点采样一个点,按下述方法进行下采样:
P2p+1=max{Sq},q∈[Nds·p+1,Nds·(p+1)],p∈[0,<Ls/Nds>]
P2p+2=min{Sq},q∈[Nds·p+1,Nds·(p+1)],p∈[0,<Ls/Nds>]
P表示采样后的点,而S表示采样前的原始信号点,<>表示向下取整;
步骤2在顶点处进行取值:
在前述下采样得到的点中,每Nv个点采样得到一个顶点Vk:
Vk=max{Pi}-min{Pj}其中(k-1)*Nv+1≤i,j≤k*Nv;
步骤5)具体为:
步骤1检测待机电流;
第i段的电流满足以下条件时认为是处于待机状态:
其中T2=min(P5{Vk}+1,P95{Vk});
上式中median()表示中位数;
步骤2检测过冲电流;
当第i段Seci满足以下条件时认为其是过冲电流段:
2.根据权利要求1所述的电流信号的分割方法,其特征在于:步骤2)具体为:
步骤1下采样得到的顶点满足条件C1:
(Vk>Vk-1and Vk>Vk+1)or(Vk<Vk-1and Vk<Vk+1)时开始记录;
步骤2记录其起始位置、均值属性。
3.根据权利要求1所述的电流信号的分割方法,其特征在于:步骤3)具体为:
步骤1相邻的两个分段符合C2:
T1=min((P95{Vk}-P5{Vk})/100,P5{Vk},P10{Vk}/2)条件时进行普通合并,其中表示第m段所有采样点平均值,P5{Vk}表示集合V中所有值的5百分位数,而P95{}表示95百分位数,P10表示10百分位数;
步骤2当某一段与其相邻段的一部分相似,即相似度大于0.9时,则将这段与相邻段合并;设第i段长度小于第i+1段,定义它们间的自相似度如下式所示:
而S(Seci,Secj)=Seci·Secj/(|Seci|·|Secj|);
其中Seci,Secj的长度相同,Secj是Seci+1的一部分;
步骤3相邻的两个分段符合;
CS(Seci,Seci+1)=argmaxSS(Seci∪Seci+1,Secj),j≠i,i+1条件时进行联合相似段合并,其中,第i段Seci与第i+1段Seci+1的联合相似度定义为这两段合并成一段后与其它段的相似度的最大值;当其联合相似度大于0.9时即将这两段合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417633.8A CN111461081B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417633.8A CN111461081B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461081A CN111461081A (zh) | 2020-07-28 |
CN111461081B true CN111461081B (zh) | 2022-01-18 |
Family
ID=71685405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417633.8A Active CN111461081B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461081B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
US10198659B1 (en) * | 2016-02-04 | 2019-02-05 | Glenn SPAULDING | Diagnostics and imaging |
CN109507541A (zh) * | 2018-12-26 | 2019-03-22 | 国网江苏省电力有限公司 | 一种基于历史数据分析的输电线路状态判定方法 |
CN109934100A (zh) * | 2019-01-24 | 2019-06-25 | 西安交通大学 | 一种基于滑动窗口的幅频时变工艺信号分割方法 |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015123304A1 (en) * | 2014-02-12 | 2015-08-20 | Bloom Energy Corporation | Structure and method for fuel cell system where multiple fuel cells and power electronics feed loads in parallel allowing for integrated electrochemical impedance spectroscopy ("eis") |
US20170083766A1 (en) * | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
CN105741188B (zh) * | 2016-01-26 | 2019-09-27 | 重庆大学 | 双馈风力发电机群电磁暂态同调分群方法 |
CN110680313B (zh) * | 2019-09-30 | 2022-07-15 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
-
2020
- 2020-05-18 CN CN202010417633.8A patent/CN111461081B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198659B1 (en) * | 2016-02-04 | 2019-02-05 | Glenn SPAULDING | Diagnostics and imaging |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN109507541A (zh) * | 2018-12-26 | 2019-03-22 | 国网江苏省电力有限公司 | 一种基于历史数据分析的输电线路状态判定方法 |
CN109934100A (zh) * | 2019-01-24 | 2019-06-25 | 西安交通大学 | 一种基于滑动窗口的幅频时变工艺信号分割方法 |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
Non-Patent Citations (2)
Title |
---|
Practical Approach for High Current Radome Testing;Christian Karch 等;《2018 34th International Conference on Lightning Protection (ICLP)》;20181025;全文 * |
加窗插值FFT与ESPRIT结合方法的动态负荷电能计量;陈文礼 等;《电力系统及其自动化学报》;20190228;第31卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461081A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
CN111766462A (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN113687164B (zh) | 一种非侵入式负荷事件两阶段自适应检测方法 | |
CN111949707B (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
CN111461081B (zh) | 一种电流信号的分割方法 | |
CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN114139820A (zh) | 一种用于非侵入式电能负荷预测的改进模态分解方法 | |
CN111597998B (zh) | 一种电流信号的分类方法 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
CN115146709A (zh) | 一种面向表端的非侵入式负荷识别方法 | |
CN114970630A (zh) | 一种时序数据多尺度分段的模型训练方法 | |
CN110490297B (zh) | 一种铁路道岔动作功率曲线智能分段方法 | |
CN110135516B (zh) | 一种基于包络线及内积的高频数据模式识别方法 | |
Chee et al. | Intelligent identification of manufacturing operations using in-situ energy measurement in industrial injection moulding machines | |
CN112614539A (zh) | 基于teo-mic算法的运动想象检测方法 | |
CN113642421A (zh) | 周期性多状态电器的事件检测方法及系统、设备、存储介质 | |
CN112256766A (zh) | 用于能源采集终端的用电行为分析方法 | |
CN112711613B (zh) | 基于智能判断用电行为的电器偏好分析方法 | |
CN115277322B (zh) | 基于图及持续性熵特征的cr信号调制识别方法及系统 | |
CN113917364B (zh) | 一种配电网高阻接地识别方法和装置 |
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 |