CN111597998A - 一种电流信号的分类算法 - Google Patents

Abstract

本发明公开了一种电流信号的分类算法，将电流信号波形根据其物理特征分割成互不相同的段，分别提取段的形状、统计和谐波特征，并计算分段对间的相似度。它包括以下步骤:对电流信号进行分段，分离出待机电流和过冲电流，只留下工作电流；提取工作电流段的形状分布特征；提取工作电流段的统计特征；提取工作电流段的谐波特征；计算分段对间的相似度；采用最大团搜索算法搜索分析出相似度图中的最大团集合，即为自动分出的类。本方法能将不同电器不同工作状态产生的电流信号快速准确的进行分类，以利于后续的处理。

Description

一种电流信号的分类算法

技术领域

本发明属于非侵入式负荷监测领域，涉及一种电流信号特征提取方法，具体 说是一种电流信号的分类算法。

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 学习算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 MonitoringUsing Semi-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 Monitoringby Novel Neuro-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类算法，通过提取电流信号区分能力 强的特征，从而能更准确的刻画不同电器状态下的电流信号，以利于后续处理。

本发明的目的通过以下技术方案实现：

一种电流信号的分类算法，其特征在于：通过提取电流信号区分能力强的特 征，从而能更准确的刻画不同电器状态下的电流信号，包括以下步骤：

1)对电流信号进行分段，分离出待机电流和过冲电流，只留下工作电流；

2)提取工作电流段的形状分布特征；

3)提取工作电流段的统计特征；

4)提取工作电流段的谐波特征；

5)计算分段对间的相似度。

6)采用最大团搜索算法搜索分析出相似度图中的最大团集合，即为自动分出的类。

本发明中，所述的对电流信号进行分段，分离出待机电流和过冲电流，只留 下工作电流步骤为：

步骤1采样得到所有的顶点：

设原始信号为S，长度为L_S，P表示采样后的点，每N_v个点采样得到一个顶 点V_k：

V_k＝max{P_i}-min{P_j}其中(k-1)*N_v+1≤i,j≤k*N_v，；k*N≤L_s

步骤2下采样得到的顶点满足条件C₁:

(V_k＞V_k-1and V_k＞V_k+1)or(V_k＜V_k-1and V_k＜V_k+1)时开始记录；

步骤3合并相邻分段：

相邻的两个分段符合C₂:

时将其合并

步骤4检测待机电流和过冲电流

第i段的电流满足以下条件时认为是处于待机状态：

当第i段Sec_i满足以下条件时认为其是过冲电流段：

所述的提取工作电流段的形状分布特征步骤为：

步骤1提取值分布类特征：

上式中#()表示括号集合中点的个数，k表示第k个有效分段

步骤2提取空间分布类特征：

上式中median(Sec_k)表示第k个有效分段Sec_k中所有点的值的中位数。

所述的提取工作电流段的统计特征步骤为：

步骤1：标记第k个有效分段Sec_k中所有的顶点

步骤2：计算所有顶点的值的平均值、中位数和标准差。

所述的提取工作电流段的谐波特征步骤为：

步骤1：对第k个有效分段Sec_k中所有的点进行谐波变换

步骤2：使用前16次谐波

上式中F(i)表示i次谐波的值。

所述的计算分段对间的相似度步骤为：

设两个分段分别为A和B

步骤1计算它们间的6个子相似度

步骤2计算综合相似度

所述的采用最大团搜索算法搜索分析出相似度图中的最大团集合，即 为自动分出的类步骤为：

设图G＝(V,E)，其中V是电流信号分段集合，E是相似度矩阵，为对称阵， 相似度阈值S_th，分类集C，c_i∈C,v_k∈c_i,k∈{1,2,....|V|}

步骤1：初始化c_i＝i，e_i,i＝0

步骤2：当分类集C有更新时：

将所有属于当前类的结点与当前类的相似度置为0

将E中所有属于当前类的结点间的相似度e_i,j置为0

计算所有结点与当前类中结点的相似度最小值min_simi_i,clique

取所有min_simi_i,clique的最大值max(min_simi_i,clique)

如max(min_simi_i,clique)＜S_th and max(E)＞S_th，则：

创建新类，初始成员为取值为max(E)对应的两个顶点，

分类标号为两个顶点的较小值

将两个顶点原所在类删除

如max(min_simi_i,clique)≥S_th，则：

将最大值对应结点加入当前类，将其原所在类删除

步骤3：重新编号分类标号，更新分类数。

本发明对电器电流信号进行分类，提取各分段的空间、时间、频率域特征， 并计算分段间的相似度，采用最大团搜索算法搜索分析出相似度图中的最大团集 合，即将不同电器不同工作状态产生的电流信号快速准确的进行分类，以便于后 续对电流的进一步处理。

附图说明

图1本发明中原始信号示意图。

图2本发明有效电流信号分段图。

图3本发明自动分类效果图。

具体实施方式

一种电流信号的分类算法，通过提取电流信号区分能力强的特征，从而能更 准确的刻画不同电器状态下的电流信号，包括以下步骤：

1)对电流信号进行分段，分离出待机电流和过冲电流，只留下工作电流；

2)提取工作电流段的形状分布特征；

3)提取工作电流段的统计特征；

4)提取工作电流段的谐波特征；

5)计算分段对间的相似度。

6)采用最大团搜索算法搜索分析出相似度图中的最大团集合，即为自动分出的类。

所述的对电流信号进行分段，分离出待机电流和过冲电流，只留下工作电流步 骤为：

步骤1采样得到所有的顶点：

设原始信号为S，长度为L_S，每N_v个点采样得到一个顶点V_k：

V_k＝max{P_i}-min{P_j}其中(k-1)*N_v+1≤i,j≤k*N_v，；k*N≤L_s

步骤2下采样得到的顶点满足条件C₁:

(V_k＞V_k-1and V_k＞V_k+1)or(V_k＜V_k-1and V_k＜V_k+1)时开始记录；

步骤3合并相邻分段：

相邻的两个分段符合C₂:

时将其合并，其中

表示第m段所有采样点平均值。

步骤4检测待机电流和过冲电流

第i段的电流满足以下条件时认为是处于待机状态：

当第i段Sec_i满足以下条件时认为其是过冲电流段：

所述的提取工作电流段的形状分布特征步骤为：

步骤1提取值分布类特征：

上式中#()表示括号集合中点的个数，k表示第k个有效分段

步骤2提取空间分布类特征：

上式中median(Sec_k)表示第k个有效分段Sec_k中所有点的值的中位数。

所述的提取工作电流段的统计特征步骤为：

步骤1：标记第k个有效分段Sec_k中所有的顶点

步骤2：计算所有顶点的值的平均值、中位数和标准差

所述的提取工作电流段的谐波特征步骤为：

步骤1：对第k个有效分段Sec_k中所有的点进行谐波变换

步骤2：使用前16次谐波

上式中F(i)表示i次谐波的值。

所述的计算分段对间的相似度步骤为：

设两个分段分别为A和B

步骤1计算它们间的6个子相似度

步骤2计算综合相似度

所述的采用最大团搜索算法搜索分析出相似度图中的最大团集合，即 为自动分出的类步骤为：

设图G＝(V,E)，其中V是电流信号分段集合，E是相似度矩阵，为对称阵， 相似度阈值S_th，分类集C，c_i∈C,v_k∈c_i,k∈{1,2,....|V|}

步骤1：初始化c_i＝i，e_i,i＝0

步骤2：当分类集C有更新时：

将所有属于当前类的结点与当前类的相似度置为0

将E中所有属于当前类的结点间的相似度e_i,j置为0

计算所有结点与当前类中结点的相似度最小值min_simi_i,clique

取所有min_simi_i,clique的最大值max(min_simi_i,clique)

如max(mins_imi_i,clique)＜S_th and max(E)＞S_th，则：

创建新类，初始成员为取值为max(E)对应的两个顶点，

分类标号为两个顶点的较小值

将两个顶点原所在类删除

如max(min_simi_i,clique)≥S_th，则：

将最大值对应结点加入当前类，将其原所在类删除

步骤3：重新编号分类标号，更新分类数。

本方法能将不同电器不同工作状态产生的电流信号快速准确的进行分类，以 利于后续的处理。

Claims (7)

1.一种电流信号的分类算法，其特征在于：通过提取电流信号区分能力强的特征，从而能更准确的刻画不同电器状态下的电流信号，包括以下步骤：

1)对电流信号进行分段，分离出待机电流和过冲电流，只留下工作电流；

2)提取工作电流段的形状分布特征；

3)提取工作电流段的统计特征；

4)提取工作电流段的谐波特征；

5)计算分段对间的相似度。

6)采用最大团搜索算法搜索分析出相似度图中的最大团集合，即为自动分出的类。

2.根据权利要求1所述的电流信号的分类算法，其特征在于：步骤1)具体为：

步骤1采样得到所有的顶点：

设原始信号为S，长度为L_S，P表示采样后的点，每N_v个点采样得到一个顶点V_k：

V_k＝max{P_i}-min{P_j}其中(k-1)*N_v+1≤i,j≤k*N_v，；k*N≤L_s

步骤2下采样得到的顶点满足条件C₁:

(V_k＞V_k-1 and V_k＞V_k+1)or(V_k＜V_k-1 and V_k＜V_k+1)时开始记录；

步骤3合并相邻分段：

相邻的两个分段符合C₂:

时将其合并，其中

表示第m段所有采样点平均值；

步骤4检测待机电流和过冲电流

第i段的电流满足以下条件时认为是处于待机状态：

当第i段Sec_i满足以下条件时认为其是过冲电流段：

3.根据权利要求1所述的电流信号的分类算法，其特征在于：所述的提取工作电流段的形状分布特征步骤为：

步骤1提取值分布类特征：

上式中#()表示括号集合中点的个数，k表示第k个有效分段

步骤2提取空间分布类特征：

上式中median(Sec_k)表示第k个有效分段Sec_k中所有点的值的中位数。

4.根据权利要求1所述的电流信号的分类算法，其特征在于：所述的提取工作电流段的统计特征步骤为：

步骤1：标记第k个有效分段Sec_k中所有的顶点

步骤2：计算所有顶点的值的平均值、中位数和标准差。

5.根据权利要求1所述的电流信号的分类算法，其特征在于：所述的提取工作电流段的谐波特征步骤为：

步骤1：对第k个有效分段Sec_k中所有的点进行谐波变换

步骤2：使用前16次谐波

上式中F(i)表示i次谐波的值。

6.根据权利要求1所述的电流信号的分类算法，其特征在于：所述的计算分段对间的相似度步骤为：

设两个分段分别为A和B

步骤1计算它们间的6个子相似度

步骤2计算综合相似度

7.根据权利要求1所述的电流信号的分类算法，其特征在于：所述的采用最大团搜索算法搜索分析出相似度图中的最大团集合，即为自动分出的类步骤为：

设图G＝(V,E)，其中V是电流信号分段集合，E是相似度矩阵，为对称阵，相似度阈值S_th，分类集C，c_i∈C,v_k∈c_i,k∈{1,2,....|V|}

步骤1：初始化c_i＝i，e_i,i＝0

步骤2：当分类集C有更新时：

将所有属于当前类的结点与当前类的相似度置为0

将E中所有属于当前类的结点间的相似度e_i,j置为0

计算所有结点与当前类中结点的相似度最小值min_simi_i,clique

取所有min_simi_i,clique的最大值max(min_simi_i,clique)

如max(mins_imi_i,clique)＜S_th and max(E)＞S_th，则：

创建新类，初始成员为取值为max(E)对应的两个顶点，分类标号为两个顶点的较小值

将两个顶点原所在类删除

如max(min_simi_i,clique)≥S_th，则：

将最大值对应结点加入当前类，将其原所在类删除步骤3：重新编号分类标号，更新分类数。

Images