CN112924790B - 采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于傅里叶变换的非侵入式负荷识别装置及其方法，通过判断瞬时功率的变化，分析负载的投入和切除，并用负载的变化量计算负载的投入时的特征量提取，用负载切除后的瞬时功率计算负载切除后的特征量提取；本发明采用离散分数阶傅里叶变换算法提取负载特征向量，并明确了变换所需的关键参数，将负载特征向量与特征库的特征值进行幅值和相角两个方面匹配，当误差小于容差范围就反馈匹配；当特征库没有匹配时，该特征向量就会保存为一个新的负载特征，并发出通知；相比于传统的非侵入式负荷识别算法，该算法具有精度高、误差小的特点。

Description

采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负 荷识别方法

技术领域

本发明属于非侵入式负荷识别技术领域，尤其涉及一种可以实现负荷辨识的分项计量技术。

背景技术

负荷识别是实现智能电网和负荷与电网互动的关键技术。随着智能电网的快发展，负荷识别技术受到了非常高的关注。

负荷识别是实现分项计量、能源高效利用和灵活的能源管控系统的关键因素，特别是随着新能源、电动汽车的快速发展，如何实现能源的高效利用、灵活的能源管控体系已经成为了全球面临的关键问题。

电网中接入大量的新能源，特别是以光伏、风力为主的新能源电站，特别是分布式的新能源电站。这类新能源发电由于天气原因具有极大波动性和不确定性，因此为了平衡补偿由于新能源电站波动对电网频率波动造成的影响，要求电网同时匹配大量的可控电源。特别是分布式电源的大量接入电网，使原来只能消耗电能的用户，变成了即可用用电也可以发电的电源，加剧了电网的复杂性。

并且，近些年我国电气化的快速发展，用电负荷发生了极大的变化，出现了大量电力电子类负荷，功率变化范围也越来越大。特别是电动汽车的负荷，电动汽车已经逐渐成为了人们出行的主要方式，大量电动汽车充电桩负荷接入电网，并且功率也越来越大。因此，为了可以高效利用能源、提高电网的利用效率，提高负荷的辨识和控制成为了关键技术。

负荷识别也是智能电网的关键技术，智能电网是基于高速通信、物联网技术、先进的量测技术、大数据技术等基础上，实现电网的安全、可靠、经济、高效运行技术和友好使用的目的。伴随着电网电源的分布式、大容量负荷的变化，智能电网要承担更加复杂的潮流控制任务，要求智能电网不仅要关注能源的生产、传输，同样在能源使用的用户端也要投入足够的关注，否则就有可能面临电能质量波动，进而影响电网的安全稳定运行。

智能电网承担着越来越重的稳定电网和电能清洁应用的任务，也加剧了智能电网对高质量负荷辨识技术的需求。负荷辨识技术也是高级量测体系的总要组成部分，负载识别一般采用信号处理分析技术，通过监视各种负载的变化来识别用电负荷设备。监测装置测量的总的电流和电压波形，通过计算获得的随时间变化的功率信号，并解析出不同负载的特征量用于区分不同负荷。

用户负荷辨识和检测技术从数据的获取方式上分为：侵入式和非侵入式两种。侵入式识别是通过对每个负荷检测获取该负荷的信息，因此这种方式可以准确获取负荷的状态信息，但是该方式需要大量的量测设备、通讯、施工和维护费用，因此在实际应用中较少采用。非侵入式监测方法是通过在用户端口的位置上获取电气参数，并对这些数据进行分析处理而获取用户内部各个设备的运行状态，这种方法省去了大量的量测设备，安装简单，基本不对用户侧的生产造成影响。

现有的非侵入式识别技术，受到采集技术、智能算法、芯片计算能力的限制，很难准确的获取到负载的特征值。传统非侵入式负载识别技术大多采用低频的特征值提取技术，该技术具有简单、成本低的优点。但是随着负荷侧电气设备的变化，这种技术的识别精度和速度缺点也逐渐的体现出来。特别是针对一些电力电子负载类型的识别，由于电力电子设备会产生大量的谐波，因此识别精度会明显降低。近些年，高频非侵入式识别技术的研究越来越多，在高频分析条件下，可以根据不同电器设备之间的谐波特性的区别来分析。例如使用神经网络算法进行负荷分解，这种方法的基础条件是电气的电压是一致的。也有报道，采用反向神经网络监测电器设备的开启和关闭状态，进而识别不同的电气，类似也有为了分析有功功率和无功功率都十分接近或产生重叠的问题，增加了分析谐波、电压电流相位偏移等特征量，通过复功率平面上的位置来辨别电器的类型。并且随着芯片技术、采集技术、边缘计算技术快速发展，高频分析技术也逐渐的应用于实际工程，但是对于负荷分析，及要求实时性也要求快速性的条件下，就会面临着采样频率和辨识精度的权衡问题。如：

1、当采样频率较低，可提取的特征量就会相对较少，特别是对于暂态过程的数据就会有很大的可能性检测不到。特别是对于电器设备开关动作或者工作模式动作的过程的数据就很难捕捉，导致辨识的结论变得模糊，降低了辨识的准确度。

2、算法复杂程度的可控性，由于实施电器识别要求具有一定的实时性，所以要求算法的计算量与计算硬件和平台的要求机会较高。特别是对于特征量较少的情况下，又要求辨识的精度，这就导致检测算法需要从不同的维度进行评估。

对于非侵入是负荷检测的研究逐渐的深入，分别基于不同的负荷运行特征负荷的分解已经展开了大量的研究，但是单一的特征分析方法还不能满足实际应用的精度要求。

为此一般采用时频分析方法，借助二维(时域跟频域)的讯号分布，或者执行短时傅立叶变换获得设备的非平稳聚集功率信号的频谱分量。再利用事件检测器，拟合检验计算，结合变化检测估计瞬态信号的变化点。包括小波变换在内的这些方法在不同方面都有较大的局限。傅里叶变换将时域和频域联系起来，从整体上展示信号曾经出现过的频率成分，适于分析确定性信号和平稳信号。对频率成分随时间变化的非平稳信号一般采用时频分析方法，将一维的时域信号映射为二维的时频平面，全面反映信号随时间变化的频率分布特征。傅里叶变换是一种线性算子，在时频平面，若将其看作从时间轴逆时针旋转90到频率轴，则分数阶傅里叶变换算子就是可旋转任意角度的算子，分数阶傅里叶变换是傅里叶变换的一种推广。

现有技术常用傅里叶变换来分析频谱。然而，傅里叶变换基于扩展周期方法，不适合分析一个频率会随着时间改变的信号。传统傅里叶分析假设讯号在时域是无限长或是周期性出现的，然而在现实中许多讯号都只有短暂的存在，而且在讯号持续期间可能有相当大的变化。特别的，对于电网来说，其工作频率也不是一成不变的，都会随着时间的变化发生不同的变化。采用传统傅里叶变换，需要面对采样频率的选择问题。采样频率设定的较高，可以提高检测的精度和负荷辨识的数据样本。但是较高的采用频率造成的成本较高、对硬件依赖性较高，导致实际应用受限。反之，采样频率和窗函数设定的较低，就会导致在计算结果中漏掉很多有价值的信息。所以，如何设定窗函数，在采样频率、计算量和计算精度之间找到一个平衡点，就成了选择计算方法的一个关键问题。分数阶傅里叶变换从原理上将就是使一个信号的时频图发生旋转，而旋转就意味着时频带宽积发生变化，那么根据新的时频带宽积设计的最优窗函数就不同于原来时频带宽积下设计的窗函数，所以设计的窗函数可能更优。将分数阶傅里叶变换应用于负荷辨识会有精度更高，辨识准确度更高的优点。

发明内容

发明目的：本发明提供一种采用分数阶傅里叶变化的原理，用于负载的特征提取来实现负荷辨识的采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法。

技术方案：一种采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，包括电流和电压采样电路、采集模块、微处理器单元、数据存储单元、显示模块、通信模块和电源管理模块；电流和电压采样电路用于测量电流和电压强度，即测量端口处总的电流和电压数据；将测量的模拟量数据输入至电流电压采集模块；由存储单元和微处理器单元进行处理；再通过通讯单元和显示单元进行正常或异常数据的远程通讯和远端显示；电源管理模块为系统提供电能；所述微处理器单元通过计算获得的随时间变化的瞬时功率数据，并针对负荷投切的不同状态，采用用分数阶傅里叶变换解析瞬时功率的特征值，再分析解析出不同瞬时功率的特征量用于区分不同的负荷投切。

一种基于傅里叶变换的非侵入式负荷识别方法，具体步骤如下：

步骤1，初始化采样频率、设定缓冲区：将测量端口的电流和电压采样电路的模拟量数据，用电流电压采集模块将模拟数据转换为数字量，用于下一步计算并存储；并且设定的采样频率远高于负荷特征向量识别所需的截止频率，可提高负载类型的辨识精度；

步骤2，初始化分数阶扫描点数M：为了更加准确的挖掘出用户负载特征，使用M个分数阶傅里叶变换，用M个分量表示当前信号；

步骤3，瞬时功率计算、负载投切判断：利用步骤1采集并存储的数据样本，进行负载瞬时功率的计算；首先将检测的电流采样样本i(n)和电压采样样本u(n)，其中n是采样样本的序列标识；

i(n)n＝1,2,3,4,…N

u(n)n＝1,2,3,4,…N

对应的端口瞬时功率为：

p(n)＝i(n)*u(n) n＝1,2,3,4,…N

同时系统将电流、电压、功率样本存入缓存区，用于显示和通讯，并为下一步的计算做好准备；

负载的投切、工作模式变化、短暂的噪声干扰、量测误差等都会造成瞬时功率的剧烈变化，为了屏蔽由于噪声干扰和检测误差造成的误判断，设定40个点的矩形窗函数，进行滤波，

利用功率法计算功率变化，计算P(N)的变化：

当ΔP(N)＝P(N)-P(N-1)≥10％P(N)时，判断为负载投入；将负载工作模式切换导致功率的增加，视为负载投入；

当ΔP(N)＝P(N)-P(N-1)≤-100％P(N)时，判断为负载切除；将负载工作模式切除导致的功率减少，视为负载切除；

步骤4，负载投入、切除的瞬时功率计算：将负载切除和负载投入分为两个特征提取，分别用不同的序列进行特征值提取；通过步骤3，当判断系统为负载投入时，采用瞬时功率的变化值进行负载投入瞬时功率计算；当负载切除时，用负载切除后的瞬时功率进行负载切除瞬时功率计算；

具体计算方法为：当负载投入时，用当前时刻的瞬时功率值减去负载投入前的对电压周波位置的瞬时功率值，负载投入前的瞬时功率一般以1000或者2000个点为一个周期；当采样频率为fs，对应的采样周期为Ts；则对应的点数就是1秒或者2秒内的采样点数；当判断负载为切除状态时，可直接利用当前的瞬时功率进行计算，无需减去之前的瞬时功率。

更具体地，所述步骤1中设定的目标特征谐波提取次数为19或21次，采用的分数阶傅里叶变换，采样频率为1kHz，分析出特征对象的19或21次谐波量；采用频率越高，可以获取更多的特征量，负荷辨识的精度也会更高。

更具体地，所述步骤2中初始化分数阶扫阶的点数M，M设定为4的整数倍，即按照4、8、12…设定，并对应时频平面的0-2π之间的旋转角度；通过设定的M值，计算阶数变量α为：

α＝2π/M,M＝4、8、12、16…

当M＝4时，α＝0.5π；

当M＝8时，α＝0.25π，此时是计算量最小的分数阶傅里叶变换，计算分数阶傅里叶变换的次数，M越大计算次数越多。

更具体地，所述步骤4中负载投入、切除瞬时功率计算方法为采用离散型的分数阶傅里叶变换，离散性分数阶傅里叶变换的基础就是连续分数阶傅里叶变换，并进行适当的简化；

上式中对应的时域采样采样间隔为T，K的值为1000或者2000，式中的

由此计算得到瞬时功率的离散分数阶傅里叶变换；并由离散的数列P(k)做特征矢量提出来与数据库的负载特征矢量做特征对比分析；负载特征矢量计算方法为：将P(k)矢量序列的幅值进行由大到小的排序，并且取前幅值最大的K/2个序列，作为特征值，与特征库进行特征对比。

更具体地，所述负载特征库的建立方法：提前对典型负载进行特征向量的提取，先将典型负载接入端口，分别对负载投入、切除、工作模式切换，工作模式切换可以针对不同负载类型的多个模式进行切换识别；对于每种操作都重复步骤一至步骤三，然后将对应的特征向量存入特征库。

更具体地，将得到的特征向量与特征库中的负载特征进行对比，其中特征矢量对比由最大值和幅值的标准偏差组成；负载的特征向量与特征库中的特征向量进行匹配，为了提高匹配速度，每个向量的匹配方式采用特征向量幅值匹配和特征量相角匹配，当幅值相差误差在负载特征幅值的5％以内，就认为是匹配；当匹配误差大于5％就认为是不配；当特征幅值匹配后，再进行相角的再次匹配，当相角匹配误差小于5％时，就认为是匹配；当幅值和相角都匹配是，返回值为1，即认为是符合；若在特征库中没有找到匹配，反馈没有匹配，同时在特征库中建立未匹配特征库，通知补充负载信息。

原理：分数阶傅里叶变换简介：分数阶傅里叶变换最早是纳米亚(Namias)于1980年提出，其目的是用于求解量子力学中出现的线性时变偏微分方程。随后麦克布莱德(McBride)等对分数阶傅里叶变换理论从数学上以积分形式给出了严格定义。

傅里叶变换是一种线性算子，在时频平面，若将其看作从时间轴逆时针旋转90到频率轴，则分数阶傅里叶变换算子就是可旋转任意角度的算子，分数阶傅里叶变换是傅里叶变换的一种推广。分数阶傅里叶变换实际上是一种统一的时频变换，同时反映了信号在时域和频域上的信息，与传统的傅里叶变换相比，它适用于处理非平稳信号，尤其是线性调频信号。

有益效果：与现有技术相比，本发明的优点在于：采用离散分数阶傅里叶变换算法提取负载特征向量，并明确了变换所需的关键参数，将负载特征向量与特征库的特征值进行幅值和相角两个方面匹配，当误差小于容差范围就反馈匹配。当特征库没有匹配时，该特征向量就会保存为一个新的负载特征，并发出通知。相比于传统的非侵入式负荷识别算法，该方法精度高、误差小；保证了电网的安全稳定的运行；并且非侵入式监测方法省去了大量的量测设备，安装简单，基本不对用户侧的生产造成影响。

附图说明

图1是不同阶数在时频平面上不同角度的示意图；

图2是非侵入式负载特征识别装置的结构示意图；

图3是特征识别算法流程图。

具体实施方式

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，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

如图2所示，一种采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，包括电流和电压采样电路、采集模块、微处理器单元、数据存储单元、显示模块、通信模块和电源管理模块；电流和电压采样电路用于测量电流和电压强度，即测量端口处总的电流和电压数据；将测量的模拟量数据输入至电流电压采集模块；由存储单元和微处理器单元进行处理；再通过通讯单元和显示单元进行正常或异常数据的远程通讯和远端显示；电源管理模块为系统提供电能；所述微处理器单元通过计算获得的随时间变化的瞬时功率数据，并针对负荷投切的不同状态，采用用分数阶傅里叶变换解析瞬时功率的特征值，进一步分析解析出不同瞬时功率的特征量用于区分不同的负荷投切。

基于上述装置所述的一种基于傅里叶变换的非侵入式负荷识别方法，测量端口处总的电流和电压数据，通过计算获得的随时间变化的瞬时功率数据，并针对负荷投切的不同状态，采用用分数阶傅里叶变换解析瞬时功率的特征值，进一步分析解析出不同瞬时功率的特征量用于区分不同的负荷投切；

分数阶傅里叶变换(FRFT)可以用下面公示描述：

α次FRFT可表示为：

其中x(t)是变换前的瞬时功率，其中X_α(u)是变换后的α次分数阶傅里叶变换后的数列。

分数阶傅里叶变换的变换核K_α定义为

并设定预先作变换为：

如图1所示，分数阶傅里叶变换，介于时域和频域之间，不同的变换阶数，在时频平面上对应不同的角度。

本方法可以有效解决频率变化后的信号解析，相比于采用傅里叶变换来分析频谱，具有扩展周期的作用，对于分析一个频率会随着时间改变的信号具有非常高的准确率。并且传统傅里叶分析假设讯号在时域是无限长或是周期性出现的，对于一些只有短暂的发生的信号或者周期发生的信号就很难判断，而分数阶傅里叶变换可以解析出可能有的周期性频率变化。并且在一定的采样频率内，分数阶傅里叶变换的特征值辨析能力要高于传统的傅里叶变换和其他变换形式，特别是对于负载投切、工作模式切换的辨识，要明显优于其他负载辨识方法。

如图3所示，具体实现步骤如下：

步骤1：初始化采样频率、设定缓冲区

将端口的电流和电压采样电路的模拟量数据，用电流电压采样模块将模拟数据转换为数字量，用于下一步计算并存储；设定的采样频率远高于负荷特征向量识别所需的截止频率，为了提高负载类型的辨识精度，设定的目标特征谐波提取次数为19次；采用的分数阶傅里叶变换，理论上采样频率为1kHz，就可以分析出特征对象的19次谐波量；如果采用的硬件计算能力足够，也可以采用频率为2kHz，这样就可以获取更多的特征量，负荷辨识的精度也会更高。

步骤2：初始化分数阶扫描点数M

为了更加准确的挖掘出用户负载特征，本发明使用M个分数阶傅里叶变换，用M个分量表示当前信号；初始化分数阶扫阶的点数M，M设定为4的整数倍，也就是按照4、8、12…设定，并对应时频平面的0-2π之间的旋转角度；通过设定的M值，计算阶数变量α为

α＝2π/M,M＝4、8、12、16…

当M＝4时，α＝0.5π，此时该变换就是传统的傅里叶变换；

当M＝8时，α＝0.25π，此时是计算量最小的分数阶傅里叶变换；计算分数阶傅里叶变换的次数，M越大计算次数越多。

步骤3：瞬时功率计算、负载投切判断

在这个步骤中，利用第一步采集到的数据样本，进行负载瞬时功率的计算；首先将检测的电流采样样本i(n)和电压采样样本u(n)，其中n是采样样本的序列标识。

i(n)n＝1,2,3,4,…N

u(n)n＝1,2,3,4,…N

对应的端口瞬时功率为：

p(n)＝i(n)*u(n) n＝1,2,3,4,…N

同时系统将电流、电压、功率样本存入缓存区，用于显示和通讯，并为下一步的计算做好准备。

负载的投切、工作模式变化、短暂的噪声干扰、量测误差等都会造成瞬时功率的剧烈变化，为了屏蔽由于噪声干扰和检测误差造成的误判断，设定40个点的矩形窗函数，进行滤波，其中，采用40个点是因为负荷辨识算法时分析的波形对象是恒定的50Hz交流信号并且兼顾了精度以及对硬件计算能力的折衷需求；采用矩形窗函数在进行负荷辨识算法时，交流电流和电压信号还是周期性50Hz信号，其瞬时的变化量并不是太大，即使在负荷投切(开启或关断时对于50Hz周期来说也是一个较缓慢的过程)，基本上可以看作是周期信号，因此考虑到对计算能力的需求，采用矩形窗是最合适的。

利用功率法计算功率变化，计算P(N)的变化：

当ΔP(N)＝P(N)-P(N-1)≥100％P(N)时，判断为负载投入；在该专利中，将负载工作模式切换导致功率的增加，视为负载投入。

当ΔP(N)＝P(N)-P(N-1)≤-100％P(N)时，判断为负载切除；在该专利中，将负载工作模式切除导致的功率减少，视为负载切除。

步骤4：负载投入、切除瞬时功率计算

本发明的特点是将负载切除和负载投入分为两个特征提取，分别用不同的序列进行特征值提取。当判断系统为负载投入时，采用瞬时功率的变化值进行负载投入瞬时功率计算。当负载切除时，用负载切除后的瞬时功率进行负载切除瞬时功率计算；具体计算方法为：当负载投入时，用当前时刻的瞬时功率值减去负载投入前的对电压周波位置的瞬时功率值，负载投入前的瞬时功率一般以1000或者2000个点为一个周期。每个周波是20毫秒，每个周波采样点数可以从32，64，128，256中根据硬件的采样能力和CPU计算能力进行选取，因此每秒的采样点数是：1600，3200，6400，12800这四种中的一种；也就是，当采样频率如果为fs，对应的采样周期为Ts；则对应的点数就是1秒或者2秒内的采样点数。当判断负载为切除状态时，就直接利用当前的瞬时功率进行计算，无需减去之前的瞬时功率。

具体计算方法，采用离散型的分数阶傅里叶变换，离散性分数阶傅里叶变换的基础就是连续分数阶傅里叶变换，并进行适当的简化。

上式中对应的时域采样采样间隔为T，K的值为1000或者2000，式中的

由此计算得到瞬时功率的离散分数阶傅里叶变换；并由离散的数列P(k)做特征矢量提出来与数据库的负载特征矢量做特征对比分析。负载特征矢量计算方法为：将P(k)矢量序列的幅值进行由大到小的排序，并且取前幅值最大的K/2个序列，作为特征值，与特征库进行特征对比。

由第三步计算得到的特征向量与特征库中的负载特征进行对比，其中特征矢量对比由最大值和幅值的标准偏差组成。

负载特征库的建立方法：提前对典型负载进行特征向量的提取，先将典型负载接入端口，分别对负载投入、切除、工作模式切换，工作模式切换可以针对不同负载类型的多个模式进行切换识别。对于每种操作都重复步骤一至步骤三，然后将对应的特征向量存入特征库。

负载的特征向量与特征库中的特征向量进行匹配，为了提高匹配速度，每个向量的匹配方式采用特征向量幅值匹配和特征量相角匹配，当幅值相差误差在负载特征幅值的5％以内，就认为是匹配；当匹配误差大于5％就认为是不配。当特征幅值匹配后，再进行相角的再次匹配，当相角匹配误差小于5％时，就认为是匹配。当幅值和相角都匹配是，返回值为1，即认为是符合。如果在特征库中没有找到匹配，反馈没有匹配，同时在特征库中建立未匹配特征库，并通知补充负载信息。

该方法针对于配电网来说，配网中的负荷和电源频率波动会影响到配网中的工作频率，并且这些变化的频率有些是短暂出现的，有些频率变化会随着时间的变化发生不同的周期性变化。对于这类变化量一般采用时频分析方法，借助二维(时域跟频域)的讯号分布，或者执行短时傅立叶变换获得设备的非平稳聚集功率信号的频谱分量，再利用事件检测器分析出频谱分量中的特征量，结合变化检测估计瞬态信号的变化点。该方法对频率成分随时间变化的非平稳信号一般采用时频分析方法，将一维的时域信号映射为二维的时频平面，全面反映信号随时间变化的频率分布特征。因此该专利的方法相比于采用传统傅里叶变换方法进行负载辨识具有更高的精度，可以辨识的特征量更加丰富。降低了辨识算法对采样频率和电网频率波动的影响，提高了负载辨识算法的准确度。同时，该方法具有极高的鲁棒性，可以有效屏蔽各种扰动信号对结果输出的影响。

本实施例可应用于电动汽车充电桩的负荷识别，能够精准高效地识别配网系统节点的电流电压情况。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。

Claims (4)

1.一种采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，其特征在于：装置包括电流和电压采样电路、采集模块、微处理器单元、数据存储单元、显示模块、通信模块和电源管理模块；电流和电压采样电路用于测量电流和电压强度，即测量端口处总的电流和电压数据；将测量的模拟量数据输入至电流电压采集模块；由存储单元和微处理器单元进行处理；再通过通讯单元和显示单元进行正常或异常数据的远程通讯和远端显示；电源管理模块为系统提供电能；所述微处理器单元通过计算获得的随时间变化的瞬时功率数据，并针对负荷投切的不同状态，采用分数阶傅里叶变换解析瞬时功率的特征值，再分析解析出不同瞬时功率的特征量用于区分不同的负荷投切；

识别方法具体步骤如下：

步骤1，初始化采样频率、设定缓冲区：将测量端口的电流和电压采样电路的模拟量数据，用电流电压采集模块将模拟数据转换为数字量，用于下一步计算并存储；并且设定的采样频率远高于负荷特征向量识别所需的截止频率，可提高负载类型的辨识精度；

步骤2，初始化分数阶扫描点数M：为了更加准确的挖掘出用户负载特征，使用M个分数阶傅里叶变换，用M个分量表示当前信号；M设定为4的整数倍，即按照4、8、12…设定，并对应时频平面的0-2π之间的旋转角度；通过设定的M值，计算阶数变量α为：

α＝2π/M,M＝4、8、12、16…

当M＝4时，α＝0.5π；

当M＝8时，α＝0.25π，此时是计算量最小的分数阶傅里叶变换，计算分数阶傅里叶变换的次数，M越大计算次数越多；

步骤3，瞬时功率计算、负载投切判断：利用步骤1采集并存储的数据样本，进行负载瞬时功率的计算；首先将检测的电流采样样本i(n)和电压采样样本u(n)，其中n是采样样本的序列标识，N指的是最大的采样点数量，根据设备的硬件性能，N的值根据现场情况进行设定；

i(n)，n＝1,2,3,4,…N

u(n)，n＝1,2,3,4,…N

对应的端口瞬时功率为：

p(n)＝i(n)*u(n)，n＝1,2,3,4,…N

同时系统将电流、电压、功率样本存入缓存区，用于显示和通讯，并为下一步的计算做好准备；

负载的投切、工作模式变化、短暂的噪声干扰、量测误差都会造成瞬时功率的剧烈变化，为了屏蔽由于噪声干扰和检测误差造成的误判断，设定40个点的矩形窗函数，进行滤波，

利用功率法计算功率变化，计算P(N)的变化：

当ΔP(N)＝P(N)-P(N-1)≥10％P(N)时，判断为负载投入；将负载工作模式切换导致功率的增加，视为负载投入；

当ΔP(N)＝P(N)-P(N-1)≤-10％P(N)时，判断为负载切除；将负载工作模式切除导致的功率减少，视为负载切除；

步骤4，负载投入、切除的瞬时功率计算：将负载切除和负载投入分为两个特征提取，分别用不同的序列进行特征值提取；通过步骤3，当判断系统为负载投入时，采用瞬时功率的变化值进行负载投入的瞬时功率计算；当负载切除时，用负载切除后的瞬时功率进行负载切除瞬时功率计算；

具体计算方法为：当负载投入时，用当前时刻的瞬时功率值减去负载投入前的对电压周波位置的瞬时功率值，负载投入前的瞬时功率以1000或者2000个点为一个周期；当采样频率为fs，对应的采样周期为Ts；则对应的点数就是1秒或者2秒内的采样点数；当判断负载为切除状态时，可直接利用当前的瞬时功率进行计算，无需减去之前的瞬时功率；

负载投入、切除的瞬时功率计算方法为采用离散型的分数阶傅里叶变换，离散性分数阶傅里叶变换的基础就是连续分数阶傅里叶变换，并进行适当的简化；

上式中y(nT)表示第n个采样点对应的数据值，对应的时域采样采样间隔为T，K的值为1000或者2000，式中的

由此计算得到瞬时功率的离散分数阶傅里叶变换；并由离散的数列P(k)做特征矢量提出来与数据库的负载特征矢量做特征对比分析；负载特征矢量计算方法为：将P(k)矢量序列的幅值进行由大到小的排序，并且取前幅值最大的K/2个序列，作为特征值，与特征库进行特征对比。

2.根据权利要求1所述的采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，其特征在于：所述步骤1中设定的目标特征谐波提取次数为19或21次，采用的分数阶傅里叶变换，采样频率为1kHz，分析出特征对象的19或21次谐波量；采用频率越高，可以获取更多的特征量，负荷辨识的精度也会更高。

3.根据权利要求1所述的采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，其特征在于：所述负载特征库的建立方法：提前对典型负载进行特征向量的提取，先将典型负载接入端口，分别对负载投入、切除、工作模式切换，工作模式切换可以针对不同负载类型的多个模式进行切换识别；对于每种操作都重复步骤一至步骤三，然后将对应的特征向量存入特征库。

4.根据权利要求3所述的采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法，其特征在于：将得到的特征向量与特征库中的负载特征进行对比，其中特征矢量对比由最大值和幅值的标准偏差组成；负载的特征向量与特征库中的特征向量进行匹配，为了提高匹配速度，每个向量的匹配方式采用特征向量幅值匹配和特征量相角匹配，当幅值相差误差在负载特征幅值的5％以内，就认为是匹配；当匹配误差大于5％就认为是不配；当特征幅值匹配后，再进行相角的再次匹配，当相角匹配误差小于5％时，就认为是匹配；当幅值和相角都匹配是，返回值为1，即认为是符合；若在特征库中没有找到匹配，反馈没有匹配，同时在特征库中建立未匹配特征库，通知补充负载信息。

Images