CN111693765A - 一种基于改进谱聚类的非侵入式负荷监测的方法 - Google Patents

Abstract

本发明公开了一种基于改进谱聚类的非侵入式负荷监测的方法。本发明使用数据采集模块获取目标家庭总线上的历史有功功率信号、无功功率信号、电流、电压，并对数据进行预处理确定家庭负荷特征库；选定一组有功功率信号，取差分信号构建图信号，要求带有该家庭所有负荷的动作事件；利用谱聚类方法获取目标家庭的投切阈值；使用5G通讯模块将数据采集模块获取的实时负荷特征发送至云服务器，构建图信号模型，使用已得家庭阈值进行投切事件谱聚类，并进行正负类簇配对；利用基于图信号的特征匹配法获取家庭负荷信息、报警信息，同步更新在用户端app。本发明有效处理数据量较大时的传输问题和样本特征较少时的模型训练问题。

Description

一种基于改进谱聚类的非侵入式负荷监测的方法

技术领域

本发明涉及非侵入式负荷监测领域，特别涉及一种基于改进谱聚类的非侵入式负荷监测的方法及系统。

背景技术

家电设备存在于每家每户，与每个人的生活息息相关，合理管理家电设备的耗电情况，检测家电设备的运行状态不仅有助于居民更好的了解自己的用电情况，还有助于减少用电事故的发生，增加家庭用电的安全性和稳定性。

非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)是通过检测家庭总线处的混合电信号，利用一系列识别算法分析内部各个电器的独立运行情况，最终得到电器运行信息的同时进行能耗分解。NILM不仅可以用于电能监测等能源领域，也可以用于大功率违禁电器的实时监测，能很好地识别超时运行和违规启动两种危险行为。相比于传统的侵入式监测，NILM可以减少硬件成本和简化监测结构，有益于向居民推广。虽然NILM技术已经日渐完善，但仍存在着一定的问题：

(1)对数据依赖性强，在数据量较小的情况下，监测算法的性能较差；

(2)受限于数据传输技术，基于高频特征的监测算法的实现成本较高，而基于低频特征的监测算法精度较低；

(3)对多档电器如洗碗机、洗衣机等识别效果较差；

发明内容

针对上述现有技术存在的问题，本发明的目的是提供一种基于改进谱聚类的非侵入式负荷监测的方法及系统。

本发明中的非侵入式负荷监测的技术方案是：

一种基于改进谱聚类的非侵入式负荷监测的方法，其特征在于，所述方法包括：

S1、获取目标家庭总线上的历史数据，并对历史数据进行预处理确定家庭负荷特征库；

所述的历史数据包括有功功率信号、无功功率信号、电流和电压；

S2、选定一组有功功率信号，取差分信号构建图信号，要求带有该目标家庭所有负荷的动作事件；

S3、利用谱聚类方法获取目标家庭的自适应投切阈值；

S4、获取实时有功功率信号并构建图信号模型；

S5、使用已得自适应投切阈值进行投切事件谱聚类，并进行正负类簇配对；

S6、利用基于图信号的特征匹配法与特征库有功功率信息匹配，获取家庭负荷类别与启停信息，实现对实时负荷的辨识，输出负荷信息与报警信息；

所述步骤S1中预处理为：除去异常值、填充缺失值、对不同的有功功率信号标注所运行电器，对发生有功功率变化的时段标注负荷投切事件，在特征库中划分训练集与测试集，其中训练集中包含该目标家庭中所有可能发生的负荷投切事件。

所述特征库标注了各类电器的常规运行时间，并根据经验对电器进行了划分，将不同类别的电器分为违禁电器、大功率电器和普通电器，来对应不同的电气安全隐患级别。

进一步的，所述步骤S2中，选定一组有功功率信号，信号要求为：在房间内所有待监测负荷的种类M已知，多状态负荷的不同状态视作不同负荷；所有负荷均发生至少一次动作，且初始和结束状态无负荷运行，构建信号具体步骤包括：

S21、建立差分信号为：

Δp_i＝p_i+1-p_i(1)

其中，p_i+1和p_i分别为第i+1个有功功率值与第i个有功功率值；

S22、构建图信号，图信号构建为：

G＝(V,A)(2)

其中，V为节点集合，有v_i∈V，v_i代表一个元素的索引值，索引值指向差分信号集的第i个值，A为邻接矩阵，A_ij为邻接矩阵第i行第j列元素，值为：

其中，ρ为缩放因子由经验设置，x_i和x_j为选定的有功功率序列中的第i个和第j个元素，dist(x_i,x_j)为两者的欧氏距离；即：x_i和x_j为选定的有功功率序列中的第i个有功功率信号和第j个有功功率信号

S23、构造该图信号的拉普拉斯矩阵：

L＝D-A(4)

其中D为对角矩阵，对角线元素满足：

其中，N为选定的有功功率信号序列的长度。进一步的，所述步骤S3中，具体包括：

S31、谱聚类的总类簇数设为总负荷数的两倍，设定初始阈值T₀，进行初始差分信号过滤，生成初始事件集Y₀：

Y₀＝{Δp_i∈(-∞,-T₀)∪(T₀,+∞),i＝1,2,3,...,N}；(6)

S32、将满足Y₀要求的Δp_i作为图的节点，初始阈值T₀设定在50w以内；

S33、构建用于聚类的邻接矩阵A，采用Nomarlized cut方法进行谱聚类，通过邻接矩阵A求取拉普拉斯矩阵L，并对拉普拉斯矩阵进行标准化，得到标准化后的拉普拉斯矩阵L_n1：

L_n1＝D^-1/2LD^-1/2；(7)

S34、第一次聚类时，计算初始事件集Y₀对应的标准化后的拉普拉斯矩阵L_n1，通过特征分解求取L_n1的特征值以及对应的特征向量，根据特征向量进行K-Means聚类，得到K个类簇；

S35、在第一次聚类后，将相对标准偏差作为评价参数，第i簇的聚类质量评价参数为R_1i＝|σ_1i/μ_1i|；

其中，σ_1i和μ_1i分别表示第一次聚类后第i簇的方差和均值；

S36、将评价参数最高的Δp_i＞0的正类簇和Δp_i＜0的负类簇对应的μ_N和μ_F，分别记作T_N和T_F，完成一次聚类；

S37、在下一次聚类前,利用上一次得到的T_N与T_F更新事件集Y₁：

Y₁＝{Δp_i∈(-∞,T_F)∪(T_N,+∞),i＝1,2,3,...,N}(8)

S38、将邻接矩阵A的比例因子减半。重复步骤S33-步骤S37，直到所有类簇的质量评价参数均大于所设定期望值为，算法运行结束时，所得正类簇和负类簇数目相等，此时的阈值T_F和T_N即为该目标家庭的投切阈值。

进一步的，所述步骤S5中正类簇为功率上升类簇，负类簇为功率下降类簇，分别按每个类簇的绝对平均值从小到大排列，每个正类簇与对应排列位置的负类簇配对。

5.如权利要求1所述的基于改进谱聚类的非侵入式负荷监测的方法，其特征在于所述步骤S6中具体匹配步骤包括：

S61、在配对后的类簇组中，对每个类簇的差分信号按时间先后排列，且若设第一个负类簇的第i个差分信号为C_1Fi，第一个正类簇的第i个差分信号为C_1Ni，C_1Fi一定发生在C_1Ni和C_1N(i+1)之间；

S62、将C_1Fi中发生在C_1Ni之后和C_1N(i+1)之前的所有节点放于集合

中，表示有可能与C_1Ni相匹配的集合。分别用

表示

中所有节点数值与C_1Ni的欧氏距离集合；

表示

中所有节点数值与C_1Ni的时间间隔集合；

S63、在集合

中增加一个节点

表示

中所有节点的平均值，用新构成的集合

构建图G_M＝{V_M,A_M}，对图信号s_M，令

令s_Mj＝0，j＞1；同时另在集合

中增加一个节点

表示

中所有节点的中位数，用新构成的集合

构建图G_T＝{V_T,A_T}，对图信号s_T，令

令s_Tj＝0，j＞1，设

和

的向量长度为N+1,图信号的平滑度s_Gs用图转移算子来衡量：

其中，s是图信号；

S64、通过矩阵的分块计算，分别求取使图G_M和G_T满足优化公式的图信号最优解序列

和

优化公式为：

S65、分别用

和

表示最优解序列

和

中第i个元素，求解最优化公式：

式中α和β均为实数，且满足α+β＝1，由经验确定，求解即可得到

与C_1Ni匹配的序号，设为j，对应匹配的负类簇节点即为C_1Fj，计算匹配节点C_1Ni和C_1Fj的时间差值作为运行时长；

S66、将S65中得到的匹配节点对应的负荷特征和已有的负荷特征库进行匹配，所用的负荷特征包括有功功率信号、无功功率信号、电流和电压，所用匹配方法为动态时间规划法，得到对应的电器类别；

所述的匹配是指：将得到的电器类别与负荷特征库中的电器类别进行比较，并输出对应的电气安全隐患级别，将得到的运行时长与负荷特征库中的对应电器类别的常规运行时长进行比较，并输出时间对比结果；

S67、对匹配结果进行分析，当出现大功率电器运行时长时间运行和违禁电器运行的情况时，判断有严重电气安全隐患，输出报警信息。

本发明还提供一种基于改进谱聚类的非侵入式负荷监测的系统，其中所述基于改进谱聚类的非侵入式负荷监测的系统分为电表端、远程云服务器、网络通讯模块以及用户APP端，电表端由数据采集模块，5G通信模块，人机交互模块，报警模块，存储模块，微处理器构成，其中微处理器与数据采集模块、存储模块、5G通信模块、人机交互模块和报警模块分别相连接，电表端的微处理器通过5G通信模块与远程云服务器通讯连接，用户APP端与远程云服务器通过网络通讯模块连接。

本发明还提供一种基于改进谱聚类的非侵入式负荷监测的系统，其中所述基于改进谱聚类的非侵入式负荷监测的系统通过电表端微处理器控制数据采集模块采集总线上的负荷特征，对电流和电压的采样频率10KHZ，同时满足每隔1min采样一次有功功率和无功功率，通过电表端微处理器控制电表端的人机交互模块显示总耗电量，起到能源监测的作用，通过电表端微处理器控制电表端的5G通信模块将数据传输至远程云服务器，利用远程云服务器的谱聚类模型进行负荷监测，从而能够很好地监控大功率危险设备和违禁电器。

本发明的另一个目的在于提供一种基于改进谱聚类的非侵入式负荷监测的系统，其中所述基于改进谱聚类的非侵入式负荷监测的系统在数据量较大的情况下，通过电表端微处理器控制电表端的存储模块存放10S家庭负荷特征，每隔10S通过电表端微处理器控制电表端的5G模块打包发送一次数据到远程云服务器，同时清零存储模块内的数据，从而利用5G的数据传输功能，在数据量较大的情况下也能很好的满足系统的正常运行。

本发明的另一个目的在于提供一种基于改进谱聚类的非侵入式负荷监测的系统，其中所述基于改进谱聚类的非侵入式负荷监测的系统可以通过网络通讯，利用远程云服务器通过网络通讯模块将电器运行情况实时显示在手机APP上，当易发生电气火灾的电器运行时间超标或违禁电器启动时可以及时在手机APP上提示警告，并通过电表端的5G通信模块传输指令至电表端的微处理器，控制电表端的报警模块进行声光报警。

本发明有益效果如下：

本发明的有益效果如下：

1、较传统非侵入式负荷监测方法在电器识别和有功功率信号分解的准确率上有显著提升；

2、对数据的依赖程度较低，能够在数据量较小的情况下保证算法的准确率；

3、对多档电器的识别准确率较高；

4、通过5G模块对高频特征数据进行传输，提高了家电设备的高频数据质量；

5、将非侵入式负荷监测方法应用于电气火灾的安全隐患识别上，可以有效保障居民用电安全。

附图说明

图1是根据本发明所述的一种基于改进谱聚类的非侵入式负荷监测的方法的流程示意图；

图2是根据本发明所述的谱聚类流程示意图；

图3是根据本发明所述的特征匹配的流程示意图

图4是根据本发明所述的一种基于改进谱聚类的非侵入式负荷监测的系统示意图；

图5是根据本发明所述的电表端结构示意图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

如图1所示的一种基于改进谱聚类的非侵入式负荷监测的方法，应用于电表端，所述电表端包括数据采集模块，5G通信模块，人机交互模块，报警模块，存储模块，微处理器，具体步骤包括：

S1、利用采集模块获取总线上的负荷特征，包括但不限于电流、电压、有功功率和无功功率，将获得的负荷特征组成特征库，并对所述特征库中的负荷特征进行预处理，特征库中包含该家庭中所有待监控设备的负荷特征，将包含所有待监控设备负荷特征的一段数据，作为训练集的阈值识别数据，且该段数据的起始状态与结束状态均无负荷运行；

具体的，对负荷特征的预处理方式包括但不限于，填补缺失值和除去异常值，其中填补缺失值使用最近距离决定填补法，探测异常值所用方法为3σ法，除去异常值时由于负荷时间序列特殊性，将其填补为NULL，后续按填补缺失值处理；

S2、在云服务器上构建谱聚类模型，利用预处理后的负荷特征库训练构建的谱聚类模型，输出特征匹配所需的投切阈值；

优选地，本发明设计的谱聚类模型以Nomarlized cut方法为基础，通过重复聚类的方式，输出负荷投切阈值，流程如图2所示；

进一步地，谱聚类模型训练具体步骤包括：

S21、建立差分信号为：

Δp_i＝p_i+1-p_i(1)

其中，p_i+1和p_i分别为第i+1个有功功率值与第i个有功功率值；

S22、构建图信号，图信号构建为：

G＝(V,A)(2)

其中，V为节点集合，有v_i∈V，v_i代表一个元素的索引值，索引值指向差分信号集的第i个值，A为邻接矩阵，A_ij为邻接矩阵第i行第j列元素，值为：

其中，ρ为缩放因子由经验设置，x_i和x_j为选定的有功功率序列中的第i个和第j个元素，dist(x_i,x_j)为两者的欧氏距离；即：x_i和x_j为选定的有功功率序列中的第i个有功功率信号和第j个有功功率信号

S23、构造该图信号的拉普拉斯矩阵：

L＝D-A(4)

其中D为对角矩阵，对角线元素满足：

其中，N为选定的有功功率信号序列的长度。

S24、谱聚类的总类簇数设为总负荷数的两倍，设定初始阈值T₀，进行初始差分信号过滤，生成初始事件集Y₀：

Y₀＝{Δp_i∈(-∞,-T₀)∪(T₀,+∞),i＝1,2,3,...,N}；(6)

S25、将满足Y₀要求的Δp_i作为图的节点，初始阈值T₀设定在50w以内；

S26、构建用于聚类的邻接矩阵A，采用Nomarlized cut方法进行谱聚类，通过邻接矩阵A求取拉普拉斯矩阵L，并对拉普拉斯矩阵进行标准化，得到标准化后的拉普拉斯矩阵L_n1：

L_n1＝D^-1/2LD^-1/2；(7)

S27、第一次聚类时，计算初始事件集Y₀对应的标准化后的拉普拉斯矩阵L_n1，通过特征分解求取L_n1的特征值以及对应的特征向量，根据特征向量进行K-Means聚类，得到K个类簇；

S28、在第一次聚类后，将相对标准偏差作为评价参数，第i簇的聚类质量评价参数为R_1i＝|σ_1i/μ_1i|；

其中，σ_1i和μ_1i分别表示第一次聚类后第i簇的方差和均值；

S29、将评价参数最高的Δp_i＞0的正类簇和Δp_i＜0的负类簇对应的μ_N和μ_F，分别记作T_N和T_F，完成一次聚类；

S30、在下一次聚类前,利用上一次得到的T_N与T_F更新事件集Y₁：

Y₁＝{Δp_i∈(-∞,T_F)∪(T_N,+∞),i＝1,2,3,...,N}(8)

S31、将邻接矩阵A的比例因子减半。重复步骤S26-步骤S30，直到所有类簇的质量评价参数均大于所设定期望值为，算法运行结束时，所得正类簇和负类簇数目相等，此时的阈值T_F和T_N即为该目标家庭的投切阈值。

S3、使用已得家庭的投切阈值进行投切事件谱聚类，并进行正负类簇配对，其中正类簇为功率上升类簇，负类簇为功率下降类簇，分别按每个类簇的绝对平均值从小到大排列，每个正类簇与对应排列位置的负类簇配对。

S4、利用基于图信号的特征匹配法与特征库有功功率信息匹配，获取家庭负荷类别与启停信息，实现对实时负荷的辨识，输出负荷信息与报警信息流程如图3所示；

进一步地；特征匹配具体步骤包括：

S41、在配对后的类簇组中，对每个类簇的差分信号按时间特征从小到大排列，且若设第一个负类簇的第i个差分信号为C_1Fi，第一个正类簇的第i个差分信号为C_1Ni，C_1Fi一定发生在C_1Ni和C_1Ni+1之间；

S42、将C_1Fi中发生在C_1Ni之后和C_1N(i+1)之前的所有节点放于集合

中，表示有可能与C_1Ni相匹配的集合。分别用

表示

中所有节点数值与C_1Ni的欧氏距离集合；

表示

中所有节点数值与C_1Ni的时间间隔集合；

S43、在

中增加一个节点

表示

中所有节点的平均值，用新构成的

构建图G_M＝{V_M,A_M}，对图信号s_M，令

令s_Mj＝0，j＞1，同时另在

中增加一个节点

表示

中所有节点的中位数，用新构成的

构建图G_T＝{V_T,A_T}，对图信号s_T，令

令s_Tj＝0，j＞1，设

和

的向量长度为N+1,图信号的平滑度用图转移算子来衡量：

其中，s是图信号；

S44、通过矩阵的分块计算，分别求取使图G_M和G_T满足优化公式的图信号最优解序列

和

优化公式为：

S45、分别用

和

表示最优解序列

和

中第i个元素，求解最优化公式：

式中α和β均为实数，且满足α+β＝1，由经验确定，求解即可得到

与C_1Ni匹配的序号，设为j，对应匹配的负类簇节点即为C_1Fj，计算匹配节点C_1Ni和C_1Fj的时间差值作为运行时长；

S46、将得到的匹配节点对应的负荷特征和已有的负荷特征库进行匹配，所用的负荷特征包括有功功率信号、无功功率信号、电流和电压，所用匹配方法为动态时间规划法，得到对应的电器类别；

所述的匹配是指：将得到的电器类别与负荷特征库中的电器类别进行比较，并输出对应的电气安全隐患级别，将得到的运行时长与负荷特征库中的对应电器类别的常规运行时长进行比较，并输出时间对比结果；

对匹配结果进行分析，当出现大功率电器运行时长时间运行和违禁电器运行的情况时，判断有严重电气安全隐患，输出报警信息。

S5、云服务器将输出信息通过5G通信模块传输至电表端，并在APP上实时更新信息，当发送报警信息时，电表端报警模块进行报警动作，APP提示报警信息。

如图4至图5联合所示的一种基于改进谱聚类的非侵入式负荷监测的系统,电表端、远程云服务器、网络通讯模块以及用户APP端，电表端由数据采集模块，5G通信模块，人机交互模块，报警模块，存储模块，微处理器构成，其中微处理器与数据采集模块、存储模块、5G通信模块、人机交互模块和报警模块分别相连接，电表端的微处理器通过5G通信模块与远程云服务器通讯连接，用户APP端与远程云服务器通过网络通讯模块连接。

具体的，所述电表端微处理器与电表端的采集模块、存储模块相接，控制电表端的采集模块，将采集的负荷特征首先存在存储模块上，时长10S，电表端微处理器与5G模块相接，通过5G通信模块与远程云服务器通讯连接，控制电表端的存储模块与5G通信模块，每10S通过所述电表端的5G通信模块将存储模块中的数据传输至所述云服务器，所述云服务器搭建有步骤S2和S3所述的谱聚类模型和特征匹配算法，所述用户APP端通过网络通讯模块与远程云服务器通讯连接，获取云服务器中的数据，可以显示家庭负荷信息和报警信息，同时可以通过APP端，对与APP端网络通讯连接的云服务器内的数据进行操作，当易发生电气火灾的电器运行时间超标或违禁电器启动时可以及时在手机APP上提示警告，云服务器通过电表端的5G通信模块传输指令至电表端的微处理器，控制电表端的报警模块进行声光报警，控制电表端的人机交互模块显示报警信息。

进一步地，电表端微处理器控制电表端的数据采集模块采集总线上的负荷特征，对电流和电压的采样频率为10KHZ，同时满足每隔1min采样一次有功功率和无功功率，所述电表端的微处理器可通过控制5G通信模块获取远程云服务器发送的总耗电量和报警信息，通过控制所述电表端人机交互模块显示总耗电量，起到能源监测的作用。

本领域技术人员应知，所述报警模块可以为任意具有警示作用的器件，例如也可以为蜂鸣器,警示灯或者显示器，本发明的所述非侵入式负荷监测的系统在这方面不受限制。

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (5)

1.一种基于改进谱聚类的非侵入式负荷监测的方法，其特征在于，所述方法包括：

S1、获取目标家庭总线上的历史数据，并对历史数据进行预处理确定家庭负荷特征库；

所述的历史数据包括有功功率信号、无功功率信号、电流和电压；

S2、选定一组有功功率信号，取差分信号构建图信号，要求带有该目标家庭所有负荷的动作事件；

S3、利用谱聚类方法获取目标家庭的自适应投切阈值；

S4、获取实时有功功率信号并构建图信号模型；

S5、使用已得自适应投切阈值进行投切事件谱聚类，并进行正负类簇配对；

S6、利用基于图信号的特征匹配法与特征库有功功率信息匹配，获取家庭负荷类别与启停信息，实现对实时负荷的辨识，输出负荷信息与报警信息；

所述步骤S1中预处理为：除去异常值、填充缺失值、对不同的有功功率信号标注所运行电器，对发生有功功率变化的时段标注负荷投切事件，在特征库中划分训练集与测试集，其中训练集中包含该目标家庭中所有可能发生的负荷投切事件。

所述特征库标注了各类电器的常规运行时间，并根据经验对电器进行了划分，将不同类别的电器分为违禁电器、大功率电器和普通电器，来对应不同的电气安全隐患级别。

2.如权利要求1所述的一种基于改进谱聚类的非侵入式负荷监测的方法，其特征在于所述步骤S2中，选定一组有功功率信号，信号要求为：在房间内所有待监测负荷的种类M已知，多状态负荷的不同状态视作不同负荷；所有负荷均发生至少一次动作，且初始和结束状态无负荷运行，构建信号具体步骤包括：

S21、建立差分信号为：

Δp_i＝p_i+1-p_i (1)

其中，p_i+1和p_i分别为第i+1个有功功率值与第i个有功功率值；

S22、构建图信号，图信号构建为：

G＝(V,A) (2)

其中，V为节点集合，有v_i∈V，v_i代表一个元素的索引值，索引值指向差分信号集的第i个值，A为邻接矩阵，A_ij为邻接矩阵第i行第j列元素，值为：

其中，ρ为缩放因子由经验设置，x_i和x_j为选定的有功功率序列中的第i个和第j个元素，dist(x_i,x_j)为两者的欧氏距离；即：x_i和x_j为选定的有功功率序列中的第i个有功功率信号和第j个有功功率信号

S23、构造该图信号的拉普拉斯矩阵：

L＝D-A (4)

其中D为对角矩阵，对角线元素满足：

其中，N为选定的有功功率信号序列的长度。

3.如权利要求1所述的基于改进谱聚类的非侵入式负荷监测的方法，其特征在于所述步骤S3中，具体包括：

S31、谱聚类的总类簇数设为总负荷数的两倍，设定初始阈值T₀，进行初始差分信号过滤，生成初始事件集Y₀：

Y₀＝{Δp_i∈(-∞,-T₀)∪(T₀,+∞),i＝1,2,3,...,N}； (6)

S32、将满足Y₀要求的Δp_i作为图的节点，初始阈值T₀设定在50w以内；

S33、构建用于聚类的邻接矩阵A，采用Nomarlized cut方法进行谱聚类，通过邻接矩阵A求取拉普拉斯矩阵L，并对拉普拉斯矩阵进行标准化，得到标准化后的拉普拉斯矩阵L_n1：

L_n1＝D^-1/2LD^-1/2； (7)

S34、第一次聚类时，计算初始事件集Y₀对应的标准化后的拉普拉斯矩阵L_n1，通过特征分解求取L_n1的特征值以及对应的特征向量，根据特征向量进行K-Means聚类，得到K个类簇；

S35、在第一次聚类后，将相对标准偏差作为评价参数，第i簇的聚类质量评价参数为R_1i＝|σ_1i/μ_1i|；

其中，σ_1i和μ_1i分别表示第一次聚类后第i簇的方差和均值；

S36、将评价参数最高的Δp_i＞0的正类簇和Δp_i＜0的负类簇对应的μ_N和μ_F，分别记作T_N和T_F，完成一次聚类；

S37、在下一次聚类前,利用上一次得到的T_N与T_F更新事件集Y₁：

Y₁＝{Δp_i∈(-∞,T_F)∪(T_N,+∞),i＝1,2,3,...,N} (8)

S38、将邻接矩阵A的比例因子减半。重复步骤S33-步骤S37，直到所有类簇的质量评价参数均大于所设定期望值为，算法运行结束时，所得正类簇和负类簇数目相等，此时的阈值T_F和T_N即为该目标家庭的投切阈值。

4.如权利要求1所述的一种基于改进谱聚类的非侵入式负荷监测的方法，其特征在于所述步骤S5中正类簇为功率上升类簇，负类簇为功率下降类簇，分别按每个类簇的绝对平均值从小到大排列，每个正类簇与对应排列位置的负类簇配对。

5.如权利要求1所述的基于改进谱聚类的非侵入式负荷监测的方法，其特征在于所述步骤S6中具体匹配步骤包括：

S61、在配对后的类簇组中，对每个类簇的差分信号按时间先后排列，且若设第一个负类簇的第i个差分信号为C_1Fi，第一个正类簇的第i个差分信号为C_1Ni，C_1Fi一定发生在C_1Ni和C_1N(i+1)之间；

S62、将C_1Fi中发生在C_1Ni之后和C_1N(i+1)之前的所有节点放于集合

中，表示有可能与C_1Ni相匹配的集合。分别用

表示

中所有节点数值与C_1Ni的欧氏距离集合；

表示

中所有节点数值与C_1Ni的时间间隔集合；

S63、在集合

中增加一个节点

表示

中所有节点的平均值，用新构成的集合

构建图G_M＝{V_M,A_M}，对图信号s_M，令

令s_Mj＝0，j＞1；同时另在集合

中增加一个节点

表示

中所有节点的中位数，用新构成的集合

构建图G_T＝{V_T,A_T}，对图信号s_T，令

令s_Tj＝0，j＞1，设

和

的向量长度为N+1,图信号的平滑度s_Gs用图转移算子来衡量：

其中，s是图信号；

S64、通过矩阵的分块计算，分别求取使图G_M和G_T满足优化公式的图信号最优解序列

和

优化公式为：

S65、分别用

和

表示最优解序列

和

中第i个元素，求解最优化公式：

式中α和β均为实数，且满足α+β＝1，由经验确定，求解即可得到

与C_1Ni匹配的序号，设为j，对应匹配的负类簇节点即为C_1Fj，计算匹配节点C_1Ni和C_1Fj的时间差值作为运行时长；

S66、将S65中得到的匹配节点对应的负荷特征和已有的负荷特征库进行匹配，所用的负荷特征包括有功功率信号、无功功率信号、电流和电压，所用匹配方法为动态时间规划法，得到对应的电器类别；

所述的匹配是指：将得到的电器类别与负荷特征库中的电器类别进行比较，并输出对应的电气安全隐患级别，将得到的运行时长与负荷特征库中的对应电器类别的常规运行时长进行比较，并输出时间对比结果；

S67、对匹配结果进行分析，当出现大功率电器运行时长时间运行和违禁电器运行的情况时，判断有严重电气安全隐患，输出报警信息。

Images