CN113193654A - 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 - Google Patents

Abstract

本发明公开了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测(NILM)方法，应用于智能电网技术领域，所述的方法包括：1)利用电流均方值的跳变量实现电器投切事件的检测；2)利用电流的可加性实现电器事件信号与叠加信号的分离；3)从事件电流中以电流基本周期(0.02s)为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P‑Q‑THD)；4)训练随机森林模型以预测事件样本从属于不同电器类型的概率，同时对不同设备类别单独训练权重自适应的k近邻(k‑NN)模型；5)预测时，采用随机森林模型预测事件样本从属于不同电器类型的概率排序，根据排序结果依次输入到对应的二分类模型进行分类。本发明所设计的NILM方案能够在>1Hz的不同量级的电信号采样频率下保持高效电器事件识别性。

Description

一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷 监测方法

技术领域

本发明属于智能电网领域，特别涉及一种事件驱动的非侵入式电力负荷监测方法。

背景技术

人类对化石能源的大量消耗不但引发了能源危机的问题，更导致气候变化成为当今世界面临的另一大难题。可再生能源(例如太阳能，风能，地热能等)和提高能源利用效率是两种主要的提高能源的可持续性的方法。可再生能源的产生仍然十分有限且不是很稳定，因此对能源使用进行有效管理以提高能源效率是至关重要。作为智能电网的重要组成部分，负载监控(LM)正成为减少电网损耗和降低能耗的有效途径。从家庭消费者的角度来看，了解日常用电的详细信息、提供汇总和分解级别的能源账单可以通过引导用户的行为改变来减少能源消耗。从供电侧的角度看，通过构建消费者的行为分类模型，有助于他们结合消费者的需求以及电网负荷状况，通过“削峰填谷”的方式来平衡供需来维持电网的稳定。

LM分为以硬件为中心的侵入式负载监控(ILM)和以软件为中心的非侵入式负载监控(NILM)两种类型。传统的ILM相对较容易获取单个设备的消耗信息，但是其安装成本高且涉嫌侵犯用户隐私。相反，NILM仅需要通过智能计量设备在用户住宅电力入口处进行监控，安装和维护成本较低，具有高度可扩展性。有关于NILM的研究主要围绕着两个方面展开，分别是：(1)设备用电数据的获取以及设备负荷特征提取；(2)负荷识别与分解的模型的建立。在特征方面，现有大多数研究都只是基于暂态或基于稳态提取特征，而单一的使用暂态或者稳态特征都存在片面性，且都没有考虑时间维度。即使使用了暂稳态组合特征，也很难对多维度的组合特征进行联合地建模和挖掘。模型方面，无论是基于事件的还是非基于事件的NILM模型都存在一个共性：它们都在试图用一个通用模型去实现设备的分解与识别，而不具备有针对性，用所有类型的数据训练得到的通用模型实际上是对所有设备类型的一种折中，其目的是为了得到一种所有类型识别效果的全局最优，对单个类别来说往往不是最优的。不同类型设备具有不同的电气特性，例如加热器是一种纯电阻设备，而白炽灯与电风扇同属于线性设备。过去的研究很少有关于设备特征依赖性的研究。

基于以上问题，本发明提出了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方案。将基于事件的NILM多分类问题转化为多个二分类问题，采用随机森林模型预测事件样本从属于不同电器类型的概率，根据排序结果依次输入到对应的二分类模型进行分类，对不同设备类别单独训练独立二分类模型，得到各个设备类型识别的最优解。采用了一种可训练权重的k-NN模型，能够针对不同的设备类型自适应学习最优的特征权重，充分挖掘设备负载的个性化。

发明内容

为了解决上述不足，本发明提出了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法。

为解决上述技术问题，本发明提供的技术方案主要包括以下步骤：

S1，利用电流均方值的跳变量实现电器投切事件的检测；

S2，利用电流的可加性实现电器事件信号与叠加信号的分离；

S3，从事件电流中以电流基本周期为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P-Q-THD)；

S4，训练随机森林模型预测事件样本从属于不同电器类型的概率，同时对不同设备类别单独训练独立二分类模型，二分类模型采用了一种可训练权重的k-NN模型。

S5，预测时，首先将待预测的样本输入随机森林模型，根据随机森林排序结果依次输入到前H个类别对应的二分类模型进行分类，输出最终结果。

作为本发明的优选方案之一，步骤S1具体为：

对于采集到的入口处电信号，通过过零检测法寻找电压信号的过零点作为一个基础周期的开始，在每一个基础频率周期内求解平均电流信号的均方根(rms)，同时也求解平均电压信号的均方根值。假设一个基础周期内有n个采样点，在第t个周期内电压的均方根求解如下：

其中v_t,j是第t个周期的第j个采样值。利用电压的均方根值对电流的均方根值进行归一化，以去除标准电压幅度变化引起的电流波动，选取的标准电压为V_norm，计算第t个周期内的归一化电流为：

将相邻周期的归一化电流均方差值做差，得到电流均方值的跳变量序列，通过平方处理扩大相邻周期的跳变量差异，得到跳变量平方序列P_t，以便于进行变点检测。这一过程的计算公式描述如下：

变点检测该算法需要两个参数：1)阈值θ，任何低于该阈值的跳变量都会被过滤掉；2)事件之间的最小时间间隔W。当第个t周期的跳变量平方值P_t大于给定的阈值θ，且距离上一个检测到的事件间隔大于给定值W时认为在当前周期内检测到电器投切事件。值得注意的是，阈值越小，时间间隔越小，事件的分辨率越高。

作为本发明的优选方案之一，步骤S2具体为：

家用电路中不同电器设备之间是并联的，NILM设备采集到的入口处电流为所有电器电流的加和。设采样频率为f，每个周期有n个采样值。将事件发生前的电流稳态信号作为分离的基准信号。将投切事件发生时刻及其后一段时间内的信号与基准信号做差以得到事件独立信号。以基本周期作为电流做差的基本单位，对于发生在第t周期的事件，我们选取第t-M₁-M₂周期到第t-M₁周期共M₂个完整周期的电流计算平均周期电流i_base，是不同周期电流采样序列对应位置取平均得到的。

是一个周期内的采样信号向量，维度为n。选定窗口长度L，提取事件发生后第t到t+L周期内的L个周期的窗口电流信号，{i₁,i₂,...,i_l,...,i_L}，L取值要满足可以覆盖事件发生后的暂态与部分稳态，利用窗口电流与基准电流分离事件独立电流I_e如下：

由于投切事件是与设备一一对应的，我们可以构建单一设备的负荷特征库，而不需要考虑不同设备之间的干扰。

作为本发明的优选方案之一，步骤S3具体为：

利用步骤S2中分离出的事件独立电流，进一步提取出不同的负荷特征，以便于后面关于负荷识别的进一步研究。提取特征时引入了时间这一维度，利用长度为L的特征提取窗口进行特征提取。特征的提取和计算都在单个电流基本周期内完成，从每个周期中提取N个特征，将得到L×N的特征矩阵。将所得的特征矩阵展开为一维的1×LN向量可以作为机器学习模型的输入特征向量。提取的特征包括两组，分别是电流波形多维度统计特征X_wave以及有功、无功功率和谐波含量(P-Q-THD)特征X_p。

1)电流波形多维度统计特征X_wave：

X_wave包括电流均值、电流绝对值的平均值(I_mean)、方差(I_var)、均方差(I_std)、有效值(I_rms)、峰峰值(I_pp)、偏度(I_skew)、峰度(I_kurt)等共8种统计特征，即X_wave＝[I_mean,I_var,I_std,I_rms,I_pp,I_skew,I_kurt]。其中峰峰值是一个周期内电流最高值和最低值之间的差，偏度是样本的三阶标准矩，峰度是四阶标准矩。变量I的偏度和峰度定义如下所示，其中k₂、k₃、k₄分别表示变量的二阶、三阶和四阶中心矩。

2)P-Q-THD特征X_p：

由于电路中非线性负载的存在，用电线路中的电流信号并非是标准正弦波，利用傅立叶分解可以将非正弦的电流信号分解为许多个频率为基准频率(50Hz)整数倍的标准正弦波的线性叠加，每个正弦波单独作用于负载，分别产生有功、无功功率。虽然电流不是标准正弦的，但电压是始终保持近似正弦的，所以计算有功、无功功率时，直流与高次谐波产生的功率可以忽略，只考虑基波，仅在计算谐波含量时考虑高次谐波。P、Q、THD的计算公式如下。其中，i表示第i次谐波，

为谐波电流与谐波电压的相位差，n为单周期采样序列长度。

计算第t个周期的功率时，用t,t+1,t+2,t+3共四个周期的信号计算平均功率，从而平滑掉噪声的干扰，得到X_p＝[P,Q,THD]。

作为本发明的优选方案之一，步骤S4具体为：

1)随机森林：利用随机森林模型的进行多分类输出各类别预测概率，输入的样本特征是步骤S3提取得到的电流波形多维度统计特征X_wave。训练的样本可以表示为X_wave,y，y属于候选设备类型集T₀,T₁，...,T_s-1。随机森林模型具体使用详见文献Breiman L.Randomforests[J].Machine learning,2001,45(1):5-32.

2)二分类模型：为每个设备类型单独训练的二分类模型是一种权重自适应的K近邻(KNN)模型，P-Q-THD特征X_p将被用于本部分的模型训练。对于特定的设备类型T_i，训练的样本由X_p,y转化为X_p,y′，y属于T₀,T₁，...,T_S-1，y′为1或0。当y等于T_i时，y′等于1，否则y′等于0。改进的权重自适应KNN模型在特征矢量空间中的距离度量方法是加权欧式距离，第i对样本

之间的加权欧式距离

计算方式如下：

G_w(X)＝WX

其中，W是将原始特征向量X映射到新特征空间中的映射矩阵，我们采用对角阵作为映射矩阵，其中m是特征向量X的维度：

G_w(X)还可以表示成各特征加权的形式：

G_w(X)＝w₁x₁,w₂x₂,…,w_mx_m ^T

映射矩阵W反映了对应维度特征的重要性，因此我们通过损失函数，将W看作是模型参数进行训练。当训练属于设备类型T_i的模型时，所有训练样本的标签被转化为属于和不属于该设备两种。类型为T_i的事件样本为正样本，其他类型的事件样本为负样本。

使用Contrastive Loss作为损失函数。Contrastive Loss的具体形式如下：

其中，Y_i是第i个样本对的标签，一对样本同时输入模型用Contrastive Loss为目标函数进行训练，当样本对的两个样本是两个正样本时，这个样本对的标签为1，当两样本为一正一负时样本对的标签为0；margin是人为设定的。训练的优化算法采用ADAM(Adaptive Moment Estimation)算法，训练后得到最优解为W*，如下：

预测时，利用训练好的W*计算待预测样本X₁与训练数据集样本X₂之间的欧氏距离D_w X₁,X₂。基于此，利用K近邻(KNN)模型对新样本是否属于当前设备类别进行预测。K近邻模型详见参考资料：Peterson L E.K-nearest neighbor[J].Scholarpedia,2009,4(2):1883.

作为本发明的优选方案之一，步骤S5具体为：

对于待分类样本，首先将样本的波形统计特征向量X_wave输入到步骤S4中训练的随机森林模型Model_RF中，模型的输出为样本属于不同设备类别的概率大小排序列表Ω。然后将待预测样本的P-Q-THD组合特征向量X_p分别输入到列表Ω中概率排序前H个类别所对应的二分类模型

中进行预测。若有多个二分类模型的预测结果为1，那么选择在Ω排序最靠前的且结果为1的设备类别的作为正确类别返回；若H个模型的预测结果都为0则返回中Ω排序第一位的类别(T₀)作为正确类别返回。H为排序列表的截断候选类别数，其值是人为设定的，应小于等于总设备类型数S。同时，H的取值范围需要满足一定的要求，H取值过小无法保证正确的类别被召回，H取值过大则会增加额外的开销。

附图说明

图1为本发明的基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法的具体流程图。

图2为本发明中的待预测样本提取特征后进行实际预测过程的流程图。

图3为本发明中的样本数据通过映射矩阵W映射前后在特征空间中的相对位置关系示意图。

图4展示了从300Hz到30000Hz的不同采样频率下所提方法、combined-rFores(详见文献Gao J,Kara E C,Giri S,et al.A feasibility study of automated plug-loadidentification from high-frequency measurements[C]//2015IEEE GlobalConference on Signal and Information Processing(GlobalSIP).IEEE,2015:220-224.)以及PQD-PCA(详见文献AlcaláJ,

J,Hernández

et al.Event-based energydisaggregation algorithm for activity monitoring from a single-point sensor[J].IEEE Transactions on Instrumentation and Measurement,2017,66(10):2615-2626.)的识别准确率(ACC)的对比仿真图。

具体实施方式

下面通过结合附图，对本发明具体实施例的技术方案进行清楚、完整的描述。该实施例是基于本发明方法的其中一部分实施例。

结合图1和图2，本发明提供的技术方案主要包括以下步骤：

S1，利用电流均方值的跳变量实现电器投切事件的检测；

S2，利用电流的可加性实现电器事件信号与叠加信号的分离；

S3，从事件电流中以电流基本周期为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P-Q-THD)；

S4，训练随机森林模型预测事件样本从属于不同电器类型的概率，同时对不同设备类别单独训练独立二分类模型，二分类模型采用了一种可训练权重的k-NN模型。

S5，预测时，首先将待预测的样本输入随机森林模型，根据随机森林排序结果依次输入到前H个类别对应的二分类模型进行分类，输出最终结果。

作为本发明的优选方案之一，步骤S1具体为：

对于采集到的入口处电信号，通过过零检测法寻找电压信号的过零点作为一个基础周期的开始，在每一个基础频率周期内求解平均电流信号的均方根(rms)，同时也求解平均电压信号的均方根值。假设一个基础周期内有n个采样点，在第t个周期内电压的均方根求解如下：

其中v_t,j是第t个周期的第j个采样值。利用电压的均方根值对电流的均方根值进行归一化，以去除标准电压幅度变化引起的电流波动，选取的标准电压为V_norm，计算第t个周期内的归一化电流为：

将相邻周期的归一化电流均方差值做差，得到电流均方值的跳变量序列，通过平方处理扩大相邻周期的跳变量差异，得到跳变量平方序列P_t，以便于进行变点检测。这一过程的计算公式描述如下：

变点检测该算法需要两个参数：1)阈值θ，任何低于该阈值的跳变量都会被过滤掉；2)事件之间的最小时间间隔W。当第个t周期的跳变量平方值P_t大于给定的阈值θ，且距离上一个检测到的事件间隔大于给定值W时认为在当前周期内检测到电器投切事件。值得注意的是，阈值越小，时间间隔越小，事件的分辨率越高。

作为本发明的优选方案之一，步骤S2具体为：

家用电路中不同电器设备之间是并联的，NILM设备采集到的入口处电信号为所有电器电流的加和。设采样频率为f，每个周期有n个采样值。将事件发生前的电流稳态信号作为分离的基准信号。将投切事件发生时刻及其后一段时间内的信号与基准信号做差以得到事件独立信号。以基本周期作为电流做差的基本单位，对于发生在第t周期的事件，我们选取第t-M₁-M₂周期到第t-M₁周期共M₂个完整周期的电流计算平均周期电流i_base，是不同周期电流采样序列对应位置取平均得到的。

是一个周期内的采样信号向量，维度为n。选定窗口长度L，提取事件发生后第t到t+L周期内的L个周期的窗口电流信号，{i₁,i₂,...,i_l,...,i_L}，L取值要满足可以覆盖事件发生后的暂态与部分稳态，利用窗口电流与基准电流分离事件独立电流I_e如下：

由于投切事件是与设备一一对应的，我们可以构建单一设备的负荷特征库，而不需要考虑不同设备之间的干扰。

作为本发明的优选方案之一，步骤S3具体为：

利用步骤S2中分离出的事件独立电流，进一步提取出不同的负荷特征，以便于后面关于负荷识别的进一步研究。提取特征时引入了时间这一维度，利用长度为L的特征提取窗口进行特征提取。特征的提取和计算都在单个电流基本周期内完成，从每个周期中提取N个特征，将得到L×N的特征矩阵。将所得的特征矩阵展开为一维的1×LN向量可以作为机器学习模型的输入特征向量。提取的特征包括两组，分别是电流波形多维度统计特征X_wave以及有功、无功功率和谐波含量(P-Q-THD)特征X_p。

1)电流波形多维度统计特征X_wave：

X_wave包括电流均值、电流绝对值的平均值(I_mean)、方差(I_var)、均方差(I_std)、有效值(I_rms)、峰峰值(I_pp)、偏度(I_skew)、峰度(I_kurt)等共8种统计特征，即X_wave＝[I_mean,I_var,I_std,I_rms,I_pp,I_skew,I_kurt]。其中峰峰值是一个周期内电流最高值和最低值之间的差，偏度是样本的三阶标准矩，峰度是四阶标准矩。变量I的偏度和峰度定义如下所示，其中k₂、k₃、k₄分别表示变量的二阶、三阶和四阶中心矩。

2)P-Q-THD特征X_p：

由于电路中非线性负载的存在，用电线路中的电流信号并非是标准正弦波，利用傅立叶分解可以将非正弦的电流信号分解为许多个频率为基准频率(50Hz)整数倍的标准正弦波的线性叠加，每个正弦波单独作用于负载，分别产生有功、无功功率。虽然电流不是标准正弦的，但电压是始终保持近似正弦的，所以计算有功、无功功率时，直流与高次谐波产生的功率可以忽略，只考虑基波，仅在计算谐波含量时考虑高次谐波。P、Q、THD的计算公式如下。其中，i表示第i次谐波，

为谐波电流与谐波电压的相位差，n为单周期采样序列长度。

计算第t个周期的功率时，用t,t+1,t+2,t+3共四个周期的信号计算平均功率，从而平滑掉噪声的干扰，得到X_p＝[P,Q,THD]。

作为本发明的优选方案之一，步骤S4具体为：

1)随机森林：利用随机森林模型的进行多分类输出各类别预测概率，输入的样本特征是步骤S3提取得到的电流波形多维度统计特征X_wave。训练的样本可以表示为X_wave,y，y属于候选设备类型集T₀,T₁，...,T_S-1。随机森林模型具体使用详见文献Breiman L.Randomforests[J].Machine learning,2001,45(1):5-32.

2)二分类模型：为每个设备类型单独训练的二分类模型是一种权重自适应的K近邻(KNN)模型，P-Q-THD特征X_p将被用于本部分的模型训练。对于特定的设备类型T_i，训练的样本由X_p,y转化为X_p,y′，y属于T₀,T₁，...,T_S-1，y′为1或0。当y等于T_i时，y′等于1，否则y′等于0。改进的权重自适应KNN模型在特征矢量空间中的距离度量方法是加权欧式距离，第i对样本

之间的加权欧式距离

计算方式如下：

G_w(X)＝WX

其中，W是将原始特征向量X映射到新特征空间中的映射矩阵，我们采用对角阵作为映射矩阵，其中m是特征向量X的维度：

G_w(X)还可以表示成各特征加权的形式：

G_w(X)＝w₁x₁,w₂x₂,…,w_mx_m ^T

映射矩阵W反映了对应维度特征的重要性，因此我们通过损失函数，将W看作是模型参数进行训练。当训练属于设备类型T_i的模型时，所有训练样本的标签被转化为属于和不属于该设备两种。类型为T_i的事件样本为正样本，其他类型的事件样本为负样本。

使用Contrastive Loss作为损失函数。Contrastive Loss的具体形式如下：

其中，Y_i是第i个样本对的标签，一对样本同时输入模型用Contrastive Loss为目标函数进行训练，当样本对的两个样本是两个正样本时，这个样本对的标签为1，当两样本为一正一负时样本对的标签为0；margin是人为设定的。训练的优化算法采用ADAM(Adaptive Moment Estimation)算法，训练后得到最优解为W*，如下：

预测时，利用训练好的W^*计算待预测样本X₁与训练数据集样本X₂之间的欧氏距离D_w X₁,X₂。基于此，利用K近邻(KNN)模型对新样本是否属于当前设备类别进行预测。K近邻模型详见参考资料：Peterson L E.K-nearest neighbor[J].Scholarpedia,2009,4(2):1883.

作为本发明的优选方案之一，步骤S5具体为：

对于待分类样本，首先将样本的波形统计特征向量X_wave输入到步骤S4中训练的随机森林模型Model_RF中，模型的输出为样本属于不同设备类别的概率大小排序列表Ω。然后将待预测样本的P-Q-THD组合特征向量X_p分别输入到列表Ω中概率排序前H个类别所对应的二分类模型

中进行预测。若有多个二分类模型的预测结果为1，那么选择在Ω排序最靠前的且结果为1的设备类别的作为正确类别返回；若H个模型的预测结果都为0则返回中Ω排序第一位的类别(T₀)作为正确类别返回。H为排序列表的截断候选类别数，其值是人为设定的，应小于等于总设备类型数S。同时，H的取值范围需要满足一定的要求，H取值过小无法保证正确的类别被召回，H取值过大则会增加额外的开销。

Claims (6)

1.一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，包括：

步骤S1，利用电流均方值的跳变量实现电器投切事件的检测；

步骤S2，利用电流的可加性实现电器事件信号与叠加信号的分离；

步骤S3，从事件电流中以电流基本周期(0.02s)为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P-Q-THD)；

步骤S4，训练随机森林模型以预测事件样本从属于不同电器类型的概率，同时对不同设备类别单独训练独立二分类模型，二分类模型采用了一种可训练权重的k-NN模型。

步骤S5，预测时，首先将待预测的样本输入随机森林模型，根据随机森林排序结果依次输入到前H个类别对应的二分类模型进行分类，输出最终结果。

2.根据权利要求1所述的一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，所述步骤S1中投切事件检测的具体方法为：

对于采集到的入口处电信号，通过过零检测法寻找电压信号的过零点作为一个基础周期的开始，在每一个基础频率周期内求解平均电流信号的均方根(rms)，同时也求解平均电压信号的均方根值。假设一个基础周期内有n个采样点，在第t个周期内电压的均方根求解如下：

其中v_t,j是第t个周期的第j个采样值。利用电压的均方根值对电流的均方根值进行归一化，以去除标准电压幅度变化引起的电流波动，选取的标准电压为V_norm，计算第t个周期内的归一化电流为：

将相邻周期的归一化电流均方差值做差，得到电流均方值的跳变量序列，通过平方处理扩大相邻周期的跳变量差异，得到跳变量平方序列P_t，以便于进行变点检测。这一过程的计算公式描述如下：

变点检测该算法需要两个参数：1)阈值θ，任何低于该阈值的跳变量都会被过滤掉；2)事件之间的最小时间间隔W。当第个t周期的跳变量平方值P_t大于给定的阈值θ，且距离上一个检测到的事件间隔大于给定值W时认为在当前周期内检测到电器投切事件。值得注意的是，阈值越小，时间间隔越小，事件的分辨率越高。

3.根据权利要求1所述的一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，所述步骤S2中利用电流的可加性实现电器事件信号与叠加信号的分离的具体方法为：

家用电路中不同电器设备之间是并联的，NILM设备采集到的入口处电流为所有电器电流的加和。设采样频率为f，每个周期有n个采样值。将事件发生前的电流稳态信号作为分离的基准信号。将投切事件发生时刻及其后一段时间内的信号与基准信号做差以得到事件独立信号。以基本周期作为电流做差的基本单位，对于发生在第t周期的事件，我们选取第t-M₁-M₂周期到第t-M₁周期共M₂个完整周期的电流计算平均周期电流i_base，是不同周期电流采样序列对应位置取平均得到的。

是一个周期内的采样信号向量，维度为n。选定窗口长度L，提取事件发生后第t到t+L周期内的L个周期的窗口电流信号，{i₁,i₂,...,i_l,...,i_L}，L取值要满足可以覆盖事件发生后的暂态与部分稳态，利用窗口电流与基准电流分离事件独立电流I_e如下：

由于投切事件是与设备一一对应的，我们可以构建单一设备的负荷特征库，而不需要考虑不同设备之间的干扰。

4.根据权利要求1所述的一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，所述步骤S3中从事件电流中提取两组电流轨迹特征的具体方法为：

利用权利要求3中分离出的事件独立电流，进一步提取出不同的负荷特征，以便于后面关于负荷识别的进一步研究。提取特征时引入了时间这一维度，利用长度为L的特征提取窗口进行特征提取。特征的提取和计算都在单个电流基本周期内完成，从每个周期中提取N个特征，将得到L×N的特征矩阵。将所得的特征矩阵展开为一维的1×LN向量可以作为机器学习模型的输入特征向量。提取的特征包括两组，分别是电流波形多维度统计特征X_wave以及有功、无功功率和谐波含量(P-Q-THD)特征X_p。

1)电流波形多维度统计特征X_wave：

X_wave包括电流均值、电流绝对值的平均值(I_mean)、方差(I_var)、均方差(I_std)、有效值(I_rms)、峰峰值(I_pp)、偏度(I_skew)、峰度(I_kurt)等共8种统计特征，即X_wave＝I_mean,I_var,I_std,I_rms,I_pp,I_skew,I_kurt]。其中峰峰值是一个周期内电流最高值和最低值之间的差，偏度是样本的三阶标准矩，峰度是四阶标准矩。变量I的偏度和峰度定义如下所示，其中k₂、k₃、k₄分别表示变量的二阶、三阶和四阶中心矩。

2)P-Q-THD特征X_p：

由于电路中非线性负载的存在，用电线路中的电流信号并非是标准正弦波，利用傅立叶分解可以将非正弦的电流信号分解为许多个频率为基准频率(50Hz)整数倍的标准正弦波的线性叠加，每个正弦波单独作用于负载，分别产生有功、无功功率。虽然电流不是标准正弦的，但电压是始终保持近似正弦的，所以计算有功、无功功率时，直流与高次谐波产生的功率可以忽略，只考虑基波，仅在计算谐波含量时考虑高次谐波。P、Q、THD的计算公式如下。其中，i表示第i次谐波，

为谐波电流与谐波电压的相位差，n为单周期采样序列长度。

计算第t个周期的功率时，用t,t+1,t+2,t+3共四个周期的信号计算平均功率，从而平滑掉噪声的干扰，得到X_p＝[P,Q,THD]。

5.根据权利要求1所述的一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，所述步骤S4中所说的随机森林模型和二分类模型具体为：

1)随机森林：利用随机森林模型的进行多分类输出各类别预测概率，输入的样本特征是步骤S3提取得到的电流波形多维度统计特征X_wave。训练的样本可以表示为X_wave,y，y属于候选设备类型集T₀,T₁，...,T_S-1。

2)二分类模型：为每个设备类型单独训练的二分类模型是一种权重自适应的K近邻(KNN)模型，P-Q-THD特征X_p将被用于本部分的模型训练。对于特定的设备类型T_i，训练的样本由X_p,y转化为X_p,y′，y属于T₀,T₁，...,T_S-1，y′为1或0。当y等于T_i时，y′等于1，否则y′等于0。改进的权重自适应KNN模型在特征矢量空间中的距离度量方法是加权欧式距离，第i对样本

之间的加权欧式距离

计算方式如下：

G_w(X)＝WX

其中，W是将原始特征向量X映射到新特征空间中的映射矩阵，我们采用对角阵作为映射矩阵，其中m是特征向量X的维度：

G_w(X)还可以表示成各特征加权的形式：

G_w(X)＝w₁x₁,w₂x₂,…,w_mx_m ^T

映射矩阵W反映了对应维度特征的重要性，因此我们通过损失函数，将W看作是模型参数进行训练。当训练属于设备类型T_i的模型时，所有训练样本的标签被转化为属于和不属于该设备两种。类型为T_i的事件样本为正样本，其他类型的事件样本为负样本。

使用Contrastive Loss作为损失函数。Contrastive Loss的具体形式如下：

其中，Y_i是第i个样本对的标签，一对样本同时输入模型用Contrastive Loss为目标函数进行训练，当样本对的两个样本是两个正样本时，这个样本对的标签为1，当两样本为一正一负时样本对的标签为0；margin是人为设定的。训练的优化算法采用ADAM(AdaptiveMoment Estimation)算法，训练后得到最优解为W^*，如下：

预测时，利用训练好的W^*计算待预测样本X₁与训练数据集样本X₂之间的欧氏距离D_wX₁,X₂。基于此，利用K近邻(KNN)模型对新样本是否属于当前设备类别进行预测。

6.根据权利要求1所述的一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法，其特征在于，所述步骤S5中待分类样本预测过程具体方法为：

对于待分类样本，首先将样本的波形统计特征向量X_wave输入到步骤S4中训练的随机森林模型Model_RF中，模型的输出为样本属于不同设备类别的概率大小排序列表Ω。然后将待预测样本的P-Q-THD组合特征向量X_p分别输入到列表Ω中概率排序前H个类别所对应的二分类模型

中进行预测。若有多个二分类模型的预测结果为1，那么选择在Ω排序最靠前的且结果为1的设备类别的作为正确类别返回；若H个模型的预测结果都为0则返回中Ω排序第一位的类别(T₀)作为正确类别返回。H为排序列表的截断候选类别数，其值是人为设定的，应小于等于总设备类型数S。同时，H的取值范围需要满足一定的要求，H取值过小无法保证正确的类别被召回，H取值过大则会增加额外的开销。

Images