CN111597998B - 一种电流信号的分类方法 - Google Patents
一种电流信号的分类方法 Download PDFInfo
- Publication number
- CN111597998B CN111597998B CN202010417871.9A CN202010417871A CN111597998B CN 111597998 B CN111597998 B CN 111597998B CN 202010417871 A CN202010417871 A CN 202010417871A CN 111597998 B CN111597998 B CN 111597998B
- Authority
- CN
- China
- Prior art keywords
- current
- similarity
- extracting
- class
- segment
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
-
- 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
Abstract
本发明公开了一种电流信号的分类方法,将电流信号波形根据其物理特征分割成互不相同的段,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
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方法。
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 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类方法,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方法,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LS,P表示采样后的点,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,;k*N≤Ls
步骤2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3合并相邻分段:
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Seci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(Seck)表示第k个有效分段Seck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Seck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Seck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Sth,分类集C,ci∈C,vk∈ci,k∈{1,2,....|V|}
步骤1:初始化ci=i,ei,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ei,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_simii,clique
取所有min_simii,clique的最大值max(min_simii,clique)
如max(min_simii,clique)<Sthand max(E)>Sth,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_simii,clique)≥Sth,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方法,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LS,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,;k*N≤Ls
步骤2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3合并相邻分段:
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Seci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(Seck)表示第k个有效分段Seck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Seck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Seck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Sth,分类集C,ci∈C,vk∈ci,k∈{1,2,....|V|}
步骤1:初始化ci=i,ei,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ei,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_simii,clique
取所有min_simii,clique的最大值max(min_simii,clique)
如max(min_simii,clique)<Sth and max(E)>Sth,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_simii,clique)≥Sth,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 (5)
1.一种电流信号的分类方法,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方法,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LS,P表示采样后的点,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,;k*N≤Ls
步骤2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3合并相邻分段:
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Seci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方法,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(Seck)表示第k个有效分段Seck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Seck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Seck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。
5.根据权利要求1所述的电流信号的分类方法,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Sth,分类集C,ci∈C,k∈{1,2,....|V|};
步骤1:初始化ci=i,ei,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ei,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_simii,clique;
取所有min_simii,clique的最大值max(min_simii,clique);
如max(mins_imii,clique)<Sth and max(E)>Sth,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_simii,clique)≥Sth,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。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417871.9A CN111597998B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分类方法 |
US17/764,997 US20220413021A1 (en) | 2020-05-18 | 2020-06-28 | Current signal segmentation algorithm |
PCT/CN2020/098506 WO2021232540A1 (zh) | 2020-05-18 | 2020-06-28 | 一种电流信号的分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417871.9A CN111597998B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597998A CN111597998A (zh) | 2020-08-28 |
CN111597998B true CN111597998B (zh) | 2021-08-31 |
Family
ID=72189847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417871.9A Active CN111597998B (zh) | 2020-05-18 | 2020-05-18 | 一种电流信号的分类方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220413021A1 (zh) |
CN (1) | CN111597998B (zh) |
WO (1) | WO2021232540A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595488B (zh) * | 2023-07-19 | 2023-11-14 | 青岛鼎信通讯股份有限公司 | 一种基于智能电表的非侵入式负荷识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067867A (zh) * | 2015-08-17 | 2015-11-18 | 新疆希望电子有限公司 | 一种高分辨率电流分段检测电路及其信号处理方法 |
CN109241118A (zh) * | 2018-08-08 | 2019-01-18 | 河海大学 | 基于子序列全连接和最大团的时间序列模体发现方法 |
CN110018369A (zh) * | 2019-03-05 | 2019-07-16 | 天津工业大学 | 一种基于非侵入式负荷分解的家电智能识别与监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5356527B2 (ja) * | 2009-09-19 | 2013-12-04 | 株式会社東芝 | 信号分類装置 |
US20130060788A1 (en) * | 2011-09-01 | 2013-03-07 | Jezekiel Ben-Arie | Methods for recognition of multidimensiional patterns cross-reference to related applications |
CN103001230B (zh) * | 2012-11-16 | 2014-10-15 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
KR20180050947A (ko) * | 2016-11-07 | 2018-05-16 | 삼성전자주식회사 | 대표 파형 제공 장치 및 방법 |
CN108646149A (zh) * | 2018-04-28 | 2018-10-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于电流特征提取的故障电弧识别方法 |
CN110119545B (zh) * | 2019-04-24 | 2022-11-04 | 西安理工大学 | 一种基于栈式自编码器的非侵入式电力负荷识别方法 |
-
2020
- 2020-05-18 CN CN202010417871.9A patent/CN111597998B/zh active Active
- 2020-06-28 WO PCT/CN2020/098506 patent/WO2021232540A1/zh active Application Filing
- 2020-06-28 US US17/764,997 patent/US20220413021A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067867A (zh) * | 2015-08-17 | 2015-11-18 | 新疆希望电子有限公司 | 一种高分辨率电流分段检测电路及其信号处理方法 |
CN109241118A (zh) * | 2018-08-08 | 2019-01-18 | 河海大学 | 基于子序列全连接和最大团的时间序列模体发现方法 |
CN110018369A (zh) * | 2019-03-05 | 2019-07-16 | 天津工业大学 | 一种基于非侵入式负荷分解的家电智能识别与监测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220413021A1 (en) | 2022-12-29 |
CN111597998A (zh) | 2020-08-28 |
WO2021232540A1 (zh) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108596362B (zh) | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 | |
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 | |
CN111751714A (zh) | 一种基于svm和hmm的射频模拟电路故障诊断方法 | |
CN114755745A (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
Himeur et al. | Appliance identification using a histogram post-processing of 2d local binary patterns for smart grid applications | |
CN104850859A (zh) | 一种基于多尺度分析的图像特征包构建方法 | |
CN111597998B (zh) | 一种电流信号的分类方法 | |
CN111553186A (zh) | 一种基于深度长短时记忆网络的电磁信号识别方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
Yuvaraj et al. | Shape, Color and Texture Based CBIR System Using Fuzzy Logic Classifier. | |
CN112132806A (zh) | 一种基于模糊空间马尔科夫随机场的变化区域提取方法 | |
Yuan et al. | A novel current signal feature and its application in noninvasive load monitoring | |
CN108052867B (zh) | 一种基于词袋模型的单样本人脸识别方法 | |
CN111898694A (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN113988205B (zh) | 一种电除尘工况的判定方法及系统 | |
CN111461081B (zh) | 一种电流信号的分割方法 | |
CN111970305B (zh) | 基于半监督降维和Tri-LightGBM的异常流量检测方法 | |
Feng et al. | An efficient pixel-wise method for moving object detection in complex scenes | |
CN112614539A (zh) | 基于teo-mic算法的运动想象检测方法 | |
CN115169383A (zh) | 一种低频信号非侵入式负荷开关状态辨识算法 | |
Zheng et al. | Development status and prospect of multimedia image segmentation | |
Liu et al. | Bimodal codebooks based adult video detection | |
CN113537330B (zh) | 一种非侵入式负荷识别方法 |
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 |