一种非侵入式负荷检测方法
技术领域
本发明的技术领域涉及非侵入式负荷检测领域。尤其涉及一种非侵入式负荷检测方法。
背景技术
目前国内电力行业所研究与使用的多数为侵入式负载监测系统,但侵入式负载监测系统存在应用成本高、部署难度大、适应系统变化能力弱的问题。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框架主要包括数据采集、数据预处理、特征提取、分类器分类、得到分类结果。这种系统框架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
针对现有技术的缺陷,本发明的目的是提供一种新的非侵入式负荷检测系统,当检测出设备库以外的设备时,能够截取该设备的数据并存入到设备库,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。
为达此目的,本发明采用以下技术方案:一种非侵入式负荷检测方法,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;
所述新设备识别子流程包括如下步骤:
第一步、对暂态事件结果进行大动态标记,用以检测是否存在周期性功率跃迁设备;
第二步、利用峰值滤波器方法判断是否存在周期性功率跃迁,从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件;
第三步、修正事件探测结果,修正稳定段的数据,从中得到可能含有的周期性功率跃迁设备,并重新对用电设备的预测进行修正;
第四步、截取设备运行稳定段波形数据,作为信息输入,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,计算出预定时间内用电设备运行平稳段的数量,即这段时间没有用电设备再开启的段数,以及标出起始时间及终止时间相应的段号并记录;
第五步、对各所述用电设备运行稳定段波形数据,进行特征提取;
第六步、利用特征相似度判别指标来识别未知设备是否为新设备;
第七步、将判断存在新设备的用电设备运行稳定段波形数据与前一段用电设备运行稳定段波形数据做减,从而分离出新设备的波形数据。
进一步的,在所述新设备识别子流程的所述第一步运作之前,启动所述设备分类预测子流程,所述设备分类子流程包括如下步骤:
第一步、采集用电设备的电流电压数据并进行预处理,通过安装好的数据采集终端,采集特定时间长度内多种用电设备的高频电流、高频电压数据;并对数据进行预处理,包括剔除异常值和插值处理;
第二步、事件探测,进行事件行为的检测,检测事件的发生,区分暂态事件和稳态事件;当事件探测区分为暂态事件时,则进入所述新设备识别子流程的第一步;
当事件探测区分为稳态事件时,则进入第三步、对预处理过的数据进行截取,获得稳定段波形数据,基于所述稳定段波形数据,进行特征提取,提取用电设备运行状态特征;
第四步、调用分类器模型进行预测,根据所述用电设备运行状态特征,以所述用电设备运行状态特征作为分类器模型输入,调用训练生成的分类器模型参数进行预测;
第五步、对分类器模型的分类结果进行分析,得到用电设备的用能信息;所述用能信息包括运行状态信息和能耗信息;
在所述新设备识别子流程的第七步分离出新设备的波形数据之后,进入到所述分类器自我训练子流程;
所述分类器自我训练子流程包括如下步骤:
第一步、加入并更新设备库:在所述设备库中,包括每个设备的设备名称、设备编号、以及稳态波形数据与暂态波形数据,对于识别到的新设备,程序会向用户发出输入设备名称的请求,最终将新设备的设备名称、设备编号、稳态波形数据与暂态波形数据信息自动加入到设备库中;
第二步、生成综合态波形数据:调用所述设备库中的所述设备编号,使用编号排列组合的计算方法,生成由不同编号组成的多种所述设备编号的排列组合;根据得到的排列组合和所述设备库中各设备的稳态波形数据,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;
第三步、对多个用电设备组合运行时的电流波形数据进行特征提取得到特征集数据,然后对得到的特征集数据进行划分,将特征集数据划分为训练集和测试集,之后,使用机器学习分类器模型进行参数训练,并进行用电设备行为的准确预测;
第四步、模型结果评价:统计每次截取到的设备稳定波段形数据时间段内,连续n个周期,每个周期各个用电设备的预测结果,来判断设备的开启、关闭的条件比例;
所述新设备识别子流程的第七步之前,还包括根据所述新设备识别子流程的第六步进行特征相似度对比,如果存在新设备,则进入到所述分类器自我训练子流程,完成模型训练后再执行所述设备分类预测子流程的第五步;如果不存在新设备,则直接进入到所述设备分类预测子流程中的第五步,分析出哪些设备正在运行,何时开启合适关闭,得到用电设备的用能信息。
进一步的,所述特征提取中的特征包括电流有效值、有功功率和无功功率;具体为:
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
计算用电设备运行状态下的无功功率,具体地:
进一步的,所述新设备识别子流程中的第一步、对暂态事件结果进行大动态标记,用以检测是否存在周期性功率跃迁设备,具体为:
针对上述功率序列(P1,P2,...,PN),用1标记探测到事件,用0表示没有事件发生,得到c点序列x[n],n∈{0,1,2,3...,N-1},表示为:
进一步的,所述新设备识别子流程中的第二步:利用峰值滤波器方法判断是否存在周期性功率跃迁,从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件;其中的峰值滤波器令对离散傅里叶变换 (Discrete Fourier Transform,DFT)得到的序列的非极大值点和极大值小于峰值θ的值等于0,得到峰值滤波效果,
具体的:
对于大动态标记序列x[n],进行离散傅里叶变换为:
对DFT得到的序列进行峰值滤波,滤波公式表示为:
其中
分离非周期性大动态事件的目的是得到真正是设备开启引起的事件,获得设备运行稳态取键,具体为:
分离后的序列表示为:
非周期性大动态事件满足条件:
η[n]>η[n]max。
进一步的,所述新设备识别子流程中的第七步分离出新设备的波形数据,具体为:
新设备的波形经过DFT变化后的数据可描述为:
对X[k]进行IDFT可得到新设备波形为:
式中,xj[n]表示第j段设备运行稳定段的波形数据。
进一步的,所述分类器自我训练子流程的第二步,
具体的:
设已知家用电器数据库有r种家用电器,每种电器每个周期的采样点数为c,则对于电器Aj:
Aj={Ij,1,Ij,2,…,Ij,c}
当采集到所有电器单独运行时的电流数据时,我们可以通过以下操作获得多个电器组合运行的电流数据,
对于电器波形数据Ij,经过DTFT分解后信号波形的模型可描述为:
多个电器同时运行时,其信号波形经过DTFT分解后信号波形的模型可描述为:
其中s表示同时组合运行的电器总数
对X[k]进行IDFT为:
其中I[n]表示多个电器组合运行时的电流波形数据。
进一步的,所述分类器自我训练子流程中的第四步,具体为:
统计每次截取到的设备稳定段波形数据时间段内,连续n个周期,每个周期各个设备的预测结果,设备状态评价方式如下:
对于某一次识别结果,我们对各个设备的行为标记如下:
统计各个设备n个连续周期的预测结果,则
故在这段时间内,各个设备的真实状态为:
其实Status等于1时表示这段时间内设备开启,等于None时表示这段时间内设备的状态未知,等于0表示这段时间内设备关闭,p1表示判定设备开启的条件比例,p2表示判定设备一定未开启的预测结果比例。
进一步的,所述分类器是神经网络或者K均值聚类算法或者支持向量机或者随机森林。
本发明的有益效果:本发明实施例的一种非侵入式负荷检测系统,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;通过这些方法流程的设置克服了现有技术对新设备识别准确度的不足,当检测出设备库以外的设备时,能够截取该设备的数据并存入到设备库,不仅可以实现准确识别出设备库已有设备的功能,而且当发现设备库之外的新设备时能够自动更新设备库。
具体的具备以下有益效果:
1)能应对复杂的实际应用情况,能够识别出周期性功率跃迁设备;
2)利用大动态标记,提高设备行为变化判断的准确度,能够正确判断设备的行为变化,从而可以更准确得截取新设备运行数据;
3)利用分离出设备稳定运行的数据,对其进行特征提取和相似度比较,将新设备的数据加入到设备库并对新的设备库进行重新训练;
4)提出一种利用峰值滤波器判断功率序列是否存在周期性跃变、进而判断是否存在周期性功率跃迁设备的方法,该方法能够正确判断设备的行为变化,从而可以更准确地截取新设备运行数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种非侵入式负荷检测系统的工作流程图;
图2为本发明实施例提供的一种非侵入式负荷检测系统设备库组成示意图;
图3为本发明实施例提供的一种非侵入式负荷检测系统的分离非周期性大动态时间的效果图。
具体实施方式
本发明实施例提供了一种非侵入式负荷检测系统,用于当发现设备库之外的新设备时能够自动更新设备库,在截取新设备运行数据时,提出一种利用峰值滤波器判断功率序列是否存在周期性跃变、进而判断是否存在周期性功率跃迁设备的方法,从而可以更准确地截取新设备运行数据。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
请参考图1,图1为本发明实施例的一种非侵入式负荷检测方法的工作流程图,一种非侵入式负荷检测方法,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;
所述新设备识别子流程包括如下步骤:
第一步、对暂态事件结果进行大动态标记,用以检测是否存在周期性功率跃迁设备;
第二步、利用峰值滤波器方法判断是否存在周期性功率跃迁,从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件;
第三步、修正事件探测结果,修正稳定段的数据,从中得到可能含有的周期性功率跃迁设备,并重新对用电设备的预测进行修正;
第四步、截取设备运行稳定段波形数据,作为信息输入,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,计算出预定时间内用电设备运行平稳段的数量,即这段时间没有用电设备再开启的段数,以及标出起始时间及终止时间相应的段号并记录;
第五步、对各所述用电设备运行稳定段波形数据,进行特征提取;
第六步、利用特征相似度判别指标来识别未知设备是否为新设备;
第七步、将判断存在新设备的用电设备运行稳定段波形数据与前一段用电设备运行稳定段波形数据做减,从而分离出新设备的波形数据。
进一步的,在所述新设备识别子流程的所述第一步运作之前,启动所述设备分类预测子流程,所述设备分类子流程包括如下步骤:
第一步、采集用电设备的电流电压数据并进行预处理,通过安装好的数据采集终端,采集特定时间长度内多种用电设备的高频电流、高频电压数据;并对数据进行预处理,包括剔除异常值和插值处理;
第二步、事件探测,进行事件行为的检测,检测事件的发生,区分暂态事件和稳态事件;当事件探测区分为暂态事件时,则进入所述新设备识别子流程的第一步;
当事件探测区分为稳态事件时,则进入第三步、对预处理过的数据进行截取,获得稳定段波形数据,基于所述稳定段波形数据,进行特征提取,提取用电设备运行状态特征;
第四步、调用分类器模型进行预测,根据所述用电设备运行状态特征,以所述用电设备运行状态特征作为分类器模型输入,调用训练生成的分类器模型参数进行预测;
第五步、对分类器模型的分类结果进行分析,得到用电设备的用能信息;所述用能信息包括运行状态信息和能耗信息;
在所述新设备识别子流程的第七步分离出新设备的波形数据之后,进入到所述分类器自我训练子流程;
所述分类器自我训练子流程包括如下步骤:
第一步、加入并更新设备库:在所述设备库中,包括每个设备的设备名称、设备编号、以及稳态波形数据与暂态波形数据,对于识别到的新设备,程序会向用户发出输入设备名称的请求,最终将新设备的设备名称、设备编号、稳态波形数据与暂态波形数据信息自动加入到设备库中;
第二步、生成综合态波形数据:调用所述设备库中的所述设备编号,使用编号排列组合的计算方法,生成由不同编号组成的多种所述设备编号的排列组合;根据得到的排列组合和所述设备库中各设备的稳态波形数据,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;
第三步、对多个用电设备组合运行时的电流波形数据进行特征提取得到特征集数据,然后对得到的特征集数据进行划分,将特征集数据划分为训练集和测试集,之后,使用机器学习分类器模型进行参数训练,并进行用电设备行为的准确预测;
第四步、模型结果评价:统计每次截取到的设备稳定波段形数据时间段内,连续n个周期,每个周期各个用电设备的预测结果,来判断设备的开启、关闭的条件比例;
所述新设备识别子流程的第七步之前,还包括根据所述新设备识别子流程的第六步进行特征相似度对比,如果存在新设备,则进入到所述分类器自我训练子流程,完成模型训练后再执行所述设备分类预测子流程的第五步;如果不存在新设备,则直接进入到所述设备分类预测子流程中的第五步,分析出哪些设备正在运行,何时开启合适关闭,得到用电设备的用能信息。
下面介绍本发明的一个具体应用场景:
如图1所示,按照具体步骤进行处理,所述设备分类预测子流程包括如下步骤:
第一步、采集电流电压数据并进行预处理,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;并对数据进行预处理,包括剔除异常值和插值处理,数据表如下:
第二步、事件探测,进行事件行为的检测,检测事件的发生,区分暂态事件和稳态事件;
第三步、对预处理过的数据进行截取,获得稳定段波形数据,基于所述稳定段波形数据,提取用电设备运行状态特征;
所述特征提取中的特征包括电流有效值、有功功率和无功功率;具体为: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
计算用电设备运行状态下的无功功率,具体地:
第四步、调用分类器模型进行预测,根据所述第三步中的所述提取所述用电设备运行状态特征,以所述用电设备运行状态特征作为分类器模型输入,调用训练生成的分类器模型参数进行预测;
第五步、对分类器的分类结果进行分析,分析出哪些设备正在运行,何时开启合适关闭,得到用电设备的运行状态、能耗用能信息;
所述新设备识别子流程包括如下步骤:
第一步、对设备预测子流程输入的暂态和稳态事件结果进行大动态标记,用以检测是否存在周期性功率跃迁设备;
在所述设备分类预测子流程的第二步中,进行事件行为的检测,检测事件的发生,如果区分为稳态事件,则进入到所述设备分类预测子流程的所述第三步中;如果区分为暂态事件,则进入到所述新设备识别子流程中的第一步大动态标记;
周期性功率跃迁设备是指在设备运行过程中,其功率会会进行周期性的突变,这种设备称为周期性功率跃迁设备,具体为:
针对上述功率序列(P1,P2,...,PN),用1标记探测到事件,用0表示没有事件发生,得到c点序列x[n],n∈{0,1,2,3...,N-1},表示为:
第二步、利用峰值滤波器方法判断是否存在周期性功率跃迁,从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件;
峰值滤波器令对离散傅里叶变换(Discrete Fourier Transform,DFT) 得到的序列的非极大值点和极大值小于峰值θ的值等于0,得到峰值滤波效果。分离非周期性大动态事件的目的是得到真正是设备开启引起的事件,获得设备运行稳态取键。具体的:
对于大动态标记序列x[n],进行离散傅里叶变换为:
对DFT得到的序列进行峰值滤波,滤波公式表示为:
其中
分离非周期性大动态事件的目的是得到真正是设备开启引起的事件,获得设备运行稳态取键。具体为:
分离后的序列表示为:
非周期性大动态事件满足条件:
η[n]>η[n]max
注:0.15为程序里一个阈值。
以有功功率作为研究对象,分离非周期性大动态时间的效果如图,
在识别效果子图中可以发现有几个明显的突出点,这些就是分离出来的非周期性大动态事件。然后将这些非周期性大动态事件结果与原先的暂态识别结果进行比较,就能够得出设备是否为周期性设备。若与暂态识别结果相吻合,则说明此非周期性大动态事件为现有设备的暂态过程;否则,我们可以认为该设备是一个非周期性设备。
第三步、修正事件探测结果,修正稳定段的数据,从中得到可能含有的周期性功率跃迁设备,并重新对设备的预测进行修正;
若不进行修正,则可能会导致周期性功率跃迁设备无法被识别出,造成模型预测的组合与实际的电器组合出现较大差别,最终造成训练出来的模型无效。在修正稳定段数据之后,此时的数据为所有设备都处于正常运行的状态,在这种情况下,排除了周期性功率跃迁设备在一段时间内没有通电导致电流波形变化的干扰,增强了预测的准确性。对每一个稳定段进行数据截取,得到的是每一个设备的稳定态波形。
第四步、截取设备运行稳定段波形数据,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,计算出一段时间内用电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。
第五步、对所述的各个设备运行稳定段波形数据,进行特征提取;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、无功功率等不同设备稳定段的各个特征。
第六步、利用特征相似度判别指标来识别未知设备是否为新设备;
第七步、将判断存在新设备的设备运行稳定段波形数据与前一段设备运行稳定段波形数据做减,从而分离出新设备的波形数据;具体为:
新设备的波形经过DFT变化后的数据可描述为:
对X[k]进行IDFT可得到新设备波形为:
式中,xj[n]表示第j段设备运行稳定段的波形数据。
所述分类器自我训练子流程包括如下步骤:
第一步、加入并更新设备库: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,对于识别到的新设备,程序会向用户发出输入设备名称的请求,最终将新设备的设备名称,设备编号,稳态波形数据与暂态波形数据等信息自动加入到设备库中,如图2所示,
第二步、生成综合态波形数据:调用所述设备库中的所述设备编号,使用编号排列组合的计算方法,生成由不同编号组成的多种所述设备编号的排列组合;根据得到的排列组合和所述设备库中各设备的稳态波形数据,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;
具体的:
设已知家用电器数据库有r种家用电器,每种电器每个周期的采样点数为c,则对于电器Aj:
Aj={Ij,1,Ij,2,…,Ij,c}
当采集到所有电器单独运行时的电流数据时,我们可以通过以下操作获得多个电器组合运行的电流数据。
1.对于电器波形数据Ij,经过DTFT分解后信号波形的模型可描述为:
2.多个电器同时运行时,其信号波形经过DTFT分解后信号波形的模型可描述为:
其中s表示同时组合运行的电器总数
3.对X[k]进行IDFT为:
其中I[n]表示多个电器组合运行时的电流波形数据。
第三步、对多个电器组合运行时的电流波形数据进行特征提取得到特征集数据,然后对得到的特征集数据进行划分,将数据划分为训练集和测试集,之后,使用机器学习分类器模型进行参数训练进行设备行为的准确预测;
第四步、模型结果评价:统计每次截取到的设备稳定波段形数据时间段内,连续N个周期,每个周期各个用电设备的预测结果,来判断设备的开启、关闭的条件比例;
对于某一次识别结果,我们对各个设备的行为标记如下:
统计各个设备n个连续周期的预测结果,则
故在这段时间内,各个设备的真实状态为:
其实Status等于1时表示这段时间内设备开启,等于None时表示这段时间内设备的状态未知,等于0表示这段时间内设备关闭,p1表示判定设备开启的条件比例,p2表示判定设备一定未开启的预测结果比例。
所述新设备识别子流程的第七步之前,还包括根据所述新设备识别子流程的第六步进行特征相似度对比,如果存在新设备,则进入到所述分类器自我训练子流程,完成模型训练后再执行所述设备分类预测子流程的第五步;如果不存在新设备,则直接进入到所述设备分类预测子流程中的第五步,分析出哪些设备正在运行,何时开启合适关闭,得到用电设备的运行状态、能耗等用能信息。
综上所述,本发明实施例的一种非侵入式负荷检测系统,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;通过这些方法流程的设置克服了现有技术对新设备识别准确度的不足,当检测出设备库以外的设备时,能够截取该设备的数据并存入到设备库,不仅可以实现准确识别出设备库已有设备的功能,而且当发现设备库之外的新设备时能够自动更新设备库;在截取新设备运行数据时,提出一种利用峰值滤波器判断功率序列是否存在周期性跃变、进而判断是否存在周期性功率跃迁设备的方法,该方法能够正确判断设备的行为变化,从而可以更准确地截取新设备运行数据。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。