CN113422432A - 一种基于非入侵式负荷监测的电气火灾防控系统 - Google Patents

Abstract

本发明公开了一种基于非入侵式负荷监测的电气火灾防控系统，以智能插座作为硬件实现端，得到电器的有功功率值、电流有效值和漏电电流值，作为电气火灾判定的特征值，其中有功功率值用于判定不同时刻正在运行的电器，电流有效值和漏电电流值用于判定漏电与电流过载发生与否。本发明的电气火灾系统主要针对用电行为不当造成的电气火灾隐患判别。

Description

一种基于非入侵式负荷监测的电气火灾防控系统

技术领域

本发明涉及火灾防控系统技术领域，具体涉及一种基于非入侵式负荷监测的电气火灾防控系统。

背景技术

近年来，电气火灾频发，造成电气火灾的原因主要有用电设备操作不当和线路故障，其中用电设备操作问题可近似看作用户用电行为问题。非入侵式负荷监测技术(NILM)最早由Hart提出，常用于家庭能源监测和用户用电安全感知，其主要优势在于不需要对家电设备进行分别监测，只需要在家庭总线处进行监测即可，可以节省大量的人力物力。但在用户用电安全感知，传统的NILM技术需要大量的故障信号数据对模型进行训练，而家庭电气火灾的设备故障数据难以获得，人为制成数据集不仅在真实性上有所欠缺，同时还会加大实验的风险性，在应用上具有较大难度，另外现有NILM技术也存在着一些不足。

电信号的选择在负载分配的准确性中至关重要。NILM领域的常见特征包括有功和无功功率、谐波、启动时的瞬态模式和V-I关系曲线。主流的NILM模型大体上可以分为两类：基于事件模式和基于非事件模式。基于事件模式是指监测何时发生设备切换，该设备识别从每个设备提取的不同电子签名以标记状态更改事件。但其缺点在于需要较高的采样频率，采样频率约为KHz或MHz，这对采集设备的要求较高，会加大应用难度。基于非事件模式则是将汇总的功耗分成单独的功耗，并估计在低频条件下处于工作状态下的家电设备组合，可以近似看作为组合最优问题，这种方法可以依托于采样频率极低的智能电表来实现，应用的可能性较高，这一特点也使基于非事件模式的算法成为NILM的主流方向。

国内外许多学者对基于非事件模式的算法进行了研究，学者们发现对不同类型的电器，算法的效果也会有差异。常见的家用电器可以分为开关型电器和多状态型电器，其中开关型电器是指只有启动和关断两种状态的电器，多状态型电器是指具有多种档位的电器。《基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析》提出了一种基于因子隐马尔可夫模型(Factorial Hidden Markov Model，FHMM)的监测算法，并使用分段约束二次规划进行优化；《Improving non-intrusive load monitoring efficiency via ahybridprograming method》提出了一种基于隐马尔可夫模型(Hidden Markov Model，HMM)的监测方法，利用迭代K-Medoids算法对模型进行了优化，对Ⅰ型负荷进行有效监测，但对Ⅱ型负荷的监测准确率较低；《Godaliyadda.Residential appliance iden-tificationbased on spectral information oflow frequency smart meter measurements》提出了一种基于谱分解的监测方法，可以在样本很少的情况下对Ⅰ型负荷进行有效监测，但在存在未知设备的情况下，准确率会大大降低。

电气火灾监控和能源监控领域也存在着一定差异。能源监控需要对所有电器设备进行监控，主要目标在于对不同的电器都能有较好的监测效果；而电气火灾监控则是要重点对存在火灾隐患的电器设备进行监控，要求对特定电器有精准的监控效果，这种电器多为开关型电器，少数为多状态型电器。电气火灾监测领域较为关注的电气火灾成因有漏电电流和电流过载。

发明内容

本发明针对NILM和电气火灾监控领域的特点，提出了一种基于非入侵式负荷监测的电器火灾防控系统，所述系统采用智能插座作为硬件方案，这是由于一方面，智能电表所监控的负荷数过多，不适用于电气火灾监控，另一方面，过多的负荷数会影响算法性能，而智能插座可以有效约束监测的负荷数，平衡算法性能和硬件成本，对电气火灾监控领域的针对性更强。

本发明采用如下技术方案：

一种基于非入侵式负荷监测的电气火灾防控系统，电气火灾防控系统主要包括若干个信号连接的智能插座端、云端和APP端，所述智能插座端与电器电性连接，智能插座端主要包括电性连接的电源模块、计量模块、WiFi通信模块和MCU模块，所述电源模块由交直流转换电路和直流降压电路构成，所述计量模块由功率测量模块和漏电电流采集模块组成。

进一步地，所述交直流转换电路的控制芯片采用ME8321芯片，所述直流降压电路的控制芯片采用AMS1117-3.3V电源芯片。

进一步地，所述功率测量模块的主控芯片采用HLW8012芯片，所述漏电电流采集模块的主控芯片采用AD637芯片。

进一步地，所述WiFi通信模块采用TYWE3S模块，所述TYWE3S模块由一个无线射频芯片ESP8266和若干外围器件构成，TYWE3S模块内置有WiFi网络协议栈和库函数。

进一步地，所述MCU模块的主控芯片采用STM32FC8T6芯片，所述STM32FC8T6芯片采用ARM Cortex-M3架构。

一种基于非入侵式负荷监测的电气火灾防控系统的电气火灾监控算法，主要包括以下步骤：

步骤一，负荷分解问题描述：将接入总线的待测电器的种类数记为N，在t时刻的总线的聚合特征记为y(t)，t时刻的第i类电器的特征记为y_i(t)，其中i＝{1,2,...,N}，可得出计算式：

式(1)中e(t)表示建模误差，负荷分解的目的是通过总线的聚合特征式(1)得到各个电器的能耗，并使e(t)最小，选取有功功率P作为负荷特征，则负荷的聚合特征可以被表示为总功耗序列P＝{p₁,p₂,...,p_i,...,p_F}，其中F为总功耗序列P的长度，负荷分解的主要任务是求出在总功耗序列P中，第i个电器的单个功率值P_i(t)，最终使分解所得的各个电器功耗之和

与总功耗序列P之间的差值最小；

步骤二，负荷建模：将电器状态的转变看作线性时不变系统，用K_i表示第i个电器的不同状态，K_i是一个自然数，用s_i(t)来表示电器i在t时刻的状态集，即

s_i(t)∈{1，2,...,K_i}，则电器功率值表示为：

式(2)中，X_i(t)和

分别表示特征值和模型参数，e_i(t)表示建模误差，采用动态跳跃模型进行建模，并选用特征量y_i(t)作为功率值P_i(t)，则动态跳跃模型可表示为：

式(3)中

用于表示电器i在时刻t处于不同状态s_i(t)下的功耗，

为由时刻t之前的特征量y_i(t)组成，

计算式为：

式(4)中n表示电器的切换顺序，

式(3)中θ_i表示电器i的功耗，其通过最小化误差函数求取，θ_i的计算式为：

式(5)中

是由给定的模拟输出而得，

的计算式为：

式(6)的优化算法选用粒子群算法，其中s_i(t)表示在动态跳跃模型的估计下，电器i于时刻t所处的电器状态，由于动态跳跃模型中的s_i(t)未知，通过静态跳跃模型计算求出动态跳跃模型中的s_i(t)，静态跳跃模型的建模计算式为：

式(7)中

表示建模时所代入的电器i在s_i(t)状态时的功耗，静态跳跃模型的损失函数为：

其中静态跳跃模型输出值和实际测量值之间的误差有关，选用均方误差来衡量，则式(8)中：

式(8)中，λ_i(s_i(t))g(s_i(t+1)≠s_i(t))是约束条件，假设所监测的电器不会频繁发生电器切换，g(s_i(t+1)≠s_i(t))是一个指示函数，g(s_i(t+1)≠s_i(t))的计算式为：

步骤三，负荷分解：由步骤二的动态跳跃模型进行负荷分解，通过总线的功率值y(t)获取不同的电器运行状态，用s(t)表示此时t时刻的所有电器的状态，则s(t)∈{s₁(t),s₂(t),...,s_N(t)}，用S表示所有的电器状态组合可能性，用|S|表示电器状态的组合数，则

为规避极小概率事件，假设在同一时刻，至多只有一种电器切换电器状态，用C_i(t)来表示t时刻电器i的变化情况，则C_i(t)的计算式为：

C_i(t)＝g(s_i(t+1)≠s_i(t)) (11)

式(11)所述限定条件表示为：

分解时动态跳跃模型的损失函数定义为：

与式(9)类似，式(14)是均方误差，则：

式(13)中，τ表示2个单位到t个单位时刻的不同时刻，式(13)的动态模型，定义了t时刻的J(t,s(t))与之前每个单位时刻的l(y(τ),s(τ))的函数关系，即式(13)中是累加的形式，τ从2累加到t，用d来代表s(τ-1)，表示处于τ-1时刻下的电器状态，可简写为λ(d)，d是可调参数，λ(d)与连续两个时刻都保持状态d的经验概率成反比，假设电器彼此独立的情况下，λ(d)的计算式为：

式(15)中，w是可调参数，λ_i(d_i)是经验概率，则：

式(16)中，i＝1,2,...,N，j＝1,2,...,K_i。

进一步地，一种基于非入侵式负荷监测的电气火灾防控系统，所述电气火灾监控算法的动态跳跃模型通过迭代与求解最优化函数

的方式，得到θ_i和s_i ^*的值，其中θ_i表示模型参数，s_i ^*表示最终求得的电器i的状态，其中h表示迭代轮次，主要包括以下步骤：

(1)输入：训练数据集

(其中Mi表示训练集中的真实功耗集)，K_i，初始模型序列

参数λ_i(j)，j＝1，2,...,K_i；

(2)迭代h＝1,...

求解

得到静态跳跃模型的θ'_i ^h，θ'_i ^h即电器i在轮次h的估计功耗；

通过代入θ'_i ^h，求解

得到s_i ^h，s_i ^h表示电器i在轮次h的电器状态；

(3)直到s_i ^h＝s_i ^h-1，求得s_i ^*＝s_i ^k，其中s_i ^*为最终求得的电器i的状态，s_i ^k表示第k轮得到的电器i的状态；

(4)通过粒子群算法求解

得到θ_i；

(5)输出θ_i和s_i ^*。

进一步地，一种基于非入侵式负荷监测的电气火灾防控系统，所述电气火灾监控算法基于动态跳跃模型的分解算法使用求解最优函数的方式，最优函数为l(y(t),h)+min_d∈SJ^*((t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合可能性，求解出最优值即完成了功耗的分解，包括以下步骤：

(a)输入：总线功率值读数，模型参数θ_i，参数λ(d)，其中用d来代表s(t-1)，表示处于t-1时刻下的电器状态，可简写为λ(d)，d是可调参数；

(b)通过计算l(y(1),h)，h∈S，求得J^*(1,h)，S表示所有的电器状态组合可能性；

(c)通过计算argmin_h∈S J^*(1,h)，求得s^*(1)；

(d)对于t＝2,...，在条件

下进行迭代，

计算l(y(t),h)+min_d∈SJ^*(t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合，即计算argmin_h∈SJ^*(t,h)，求得s^*(t)，

当时C_i(t)＝1，将上一次C_i(t)＝1的时刻记为t_il，记下此时时刻t_in，则电器不同状态的运行时间为t_id；

(e)输出：估计得到的电器状态s^*(t)，电器不同状态的运行时间t_id。

本发明的有益效果是：

(1)将NILM技术与电气火灾的监控结合在一起，可以有效排查电器设备处发生电气火灾的隐患，防止火灾的发生；

(2)提出了一种基于跳跃模型的NILM技术，能够精确地对易发生电气火灾的电器设备进行监控；

(3)通过智能插座实时采集电器设备的电功率，并将数据上发至云端，由云端进行数据的处理。

附图说明

图1为本发明电气火灾防控系统实施方案示意图；

图2为本发明智能插座组成简图。

图中符号说明：

具体实施方式

现在结合附图对发明行进一步详细说明。

如图1和图2所示，一种基于非入侵式负荷监测的电气火灾防控系统，电气火灾防控系统主要包括若干个信号连接的智能插座端、云端和APP端，所述智能插座端与电器电性连接，智能插座端主要包括电性连接的电源模块、计量模块、WiFi通信模块和MCU模块，所述电源模块由交直流转换电路和直流降压电路构成，所述计量模块由功率测量模块和漏电电流采集模块组成。

进一步地，所述交直流转换电路的控制芯片采用ME8321芯片，这是一款低功耗的交直流转换电源控制芯片，直流电通过所述直流降压电路的控制芯片采用AMS1117-3.3V电源芯片，具体地，该交直流转换电路将220V市电转换为5V直流电，用于为计量模块供电，将得到的5V通过直流降压电路转换为3.3V对MCU模块和WiFi通信模块进行供电。

进一步地，所述功率测量模块的主控芯片采用HLW8012芯片，所述HLW8012芯片用于测量有功功率、电量、电压有效值和电流有效值，广泛应用于智能家电采集终端，计量模块通过互感器岁火线处流入的电流处理，将缩小后的电流接入HLW8012芯片中，同理，通过分压电路将分压后的单相电压输入HLW8012芯片，即可输出代表有功功率值和电流有效值的电压信号。所述漏电电流采集模块的主控芯片采用AD637芯片，将三相线电流通过互感器转换后的交流信号接入AD637芯片中，即可输出得到电压信号。将所得的两种电压信号接入MCU模块中，通过MCU模块计算便得到有功功率值、电流有效值和漏电电流值。

进一步地，所述WiFi通信模块采用TYWE3S模块，是一款低功耗嵌入式WiFi模块，TYWE3S模块由一个高集成度的无线射频芯片ESP8266和若干外围器件(如电阻、电容、晶体管、发光二极管等元器件)构成，TYWE3S模块内置有WiFi网络协议栈和库函数，是一个RTOS平台，集成了所有WiFi MAC及TCP/IP协议的库函数，内嵌低功耗的32位CPU，1Mbyte闪存，50KB SRAM和丰富的外设资源。

进一步地，所述MCU模块的主控芯片采用STM32FC8T6芯片，所述STM32FC8T6芯片采用ARM Cortex-M3架构，可满足信号采集、处理与上发的基本功能。

一种基于非入侵式负荷监测的电气火灾防控系统的电气火灾监控算法，主要包括以下步骤：

步骤一，负荷分解问题描述：将接入总线的待测电器的种类数记为N，在t时刻的总线的聚合特征记为y(t)，t时刻的第i类电器的特征记为y_i(t)，其中i＝{1,2,...,N}，可得出计算式：

式(1)中e(t)表示建模误差，这种误差通常是由于电网扰动带来的噪声造成的，负荷分解的目的是通过总线的聚合特征式(1)得到各个电器的能耗，并使e(t)最小，本发明选取有功功率P作为负荷特征，则负荷的聚合特征可以被表示为总功耗序列P＝{p₁,p₂,...,p_i,...,p_F}，其中F总功耗序列P的长度，负荷分解的主要任务是求出在总功耗序列P中，第i个电器的单个功率值P_i(t)，最终使分解所得的各个电器功耗之和

与总功耗序列P之间的差值最小；

步骤二，负荷建模：将电器状态的转变看作线性时不变系统，用K_i表示第i个电器的不同状态(如常见的电吹风有关闭、冷强风、温弱风和热弱风4种不同的状态)，K_i是一个自然数，用s_i(t)来表示电器i在t时刻的状态集，即

s_i(t)∈{1，2,...,K_i}，则电器功率值表示为：

式(2)中，X_i(t)和

分别表示特征值和模型参数，e_i(t)表示建模误差，本发明采用动态跳跃模型进行建模，并选用特征量y_i(t)作为功率值P_i(t)，则动态跳跃模型可表示为：

式(3)中

用于表示电器i在时刻t处于不同状态s_i(t)下的功耗，即与s_i(t)有关，

由时刻t之前的特征量y_i(t)组成，

计算式为：

式(4)中n表示电器的切换顺序，

式(3)θ_i表示电器i的功耗，其通过最小化误差函数求取，θ_i的计算式为：

式(5)中

是由给定的模拟输出而得，

的计算式为：

式(6)的优化算法选用粒子群算法进行，其中s_i(t)表示在动态跳跃模型的估计下，电器i于时刻t所处的电器状态，由于动态跳跃模型中的s_i(t)未知，通过静态跳跃模型辅助计算求出动态跳跃模型中的s_i(t)，静态跳跃模型的建模计算式为：

式(7)中

表示建模时所代入的电器i在s_i(t)状态时的功耗，静态跳跃模型的损失函数为：

其中静态跳跃模型的模型输出值和实际测量值之间的误差有关，选用均方误差来衡量，则式(8)中：

式(8)中，λ_i(s_i(t))g(s_i(t+1)≠s_i(t))是考虑到的约束条件，假设所监测的电器不会频繁发生电器切换，g(s_i(t+1)≠s_i(t))是一个指示函数，g(s_i(t+1)≠s_i(t))的计算式为：

步骤三，负荷分解：由步骤二的动态跳跃模型进行负荷分解，通过总线功率值y(t)获取不同的电器运行状态，用s(t)表示此时t时刻的所有电器的状态，则s(t)∈{s₁(t),s₂(t),...,s_N(t)}，用S表示所有状态的组合可能性，用|S|表示电器状态的组合数，则

常见的能量分解算法是以优化损失函数的形式完成分解任务的，本发明的不同之处在于考虑了分解时的限定条件，提高了整体算法的分解精度。

即为规避极小概率事件，作出如下限定条件，假设在同一时刻，至多只有一种电器切换电器状态，这样即可提高算法分解的精度，用C_i(t)来表示t时刻电器i的变化情况，则C_i(t)的计算式为：

C_i(t)＝g(s_i(t+1)≠s_i(t)) (11)

式(11)所述限定条件表示为：

分解时动态跳跃模型的损失函数定义为：

与式(9)类似，式(14)是均方误差，则：

式(13)中，τ表示2个单位到t个单位时刻的不同时刻，式(13)的动态模型，定义了t时刻的J(t,s(t))与之前每个单位时刻的l(y(τ),s(τ))的函数关系，即式(13)中是累加的形式，τ从2累加到t，用d来代表s(τ-1)，表示处于τ-1时刻下的电器状态，可简写为λ(d)，d是可调参数，λ(d)与连续两个时刻都保持状态d的经验概率成反比，假设电器彼此独立的情况下，λ(d)的计算式为：

式(15)中，w是可调参数，λ_i(d_i)是经验概率，则：

式(16)中，i＝1,2,...,N，j＝1,2,...,K_i。

进一步地，一种基于非入侵式负荷监测的电气火灾防控系统，所述电气火灾监控算法的动态跳跃模型的学习算法，即通过迭代与求解最优化函数

的方式，得到θ_i和s_i ^*的值，其中θ_i表示模型参数，s_i ^*表示最终求得的电器i的状态，其中h表示迭代轮次，主要包括以下步骤：

(1)输入：训练数据集

(其中Mi表示训练集中的真实功耗集)，K_i，初始模型序列

参数λ_i(j)，j＝1，2,...,K_i；

(2)迭代h＝1,...

求解

得到静态跳跃模型的θ'_i ^h，θ'_i ^h即电器i在轮次h的估计功耗，

通过代入θ'_i ^h，求解

得到s_i ^h，s_i ^h表示电器i在轮次h的电器状态；

(3)直到s_i ^h＝s_i ^h-1，求得s_i ^*＝s_i ^k，其中s_i ^*为最终求得的电器i的状态，s_i ^k表示第k轮得到的电器i的状态；

(4)通过粒子群算法求解

得到θ_i；

(5)输出θ_i和s_i ^*。

分解算法的核心思想是在约束条件下进行损失函数最小化求解，在电气火灾监测中，电器不同档位的运行时间也是重要的特征，因此，本发明的监测算法不仅需要输出不同的状态，还要输出电器不同状态的运行时间。本发明基于动态跳跃模型的分解算法具体如下。

进一步地，一种基于非入侵式负荷监测的电气火灾防控系统，所述电气火灾监控算法基于动态跳跃模型的分解算法使用求解最优函数的方式，最优函数为l(y(t),h)+min_d∈SJ^*((t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合可能性，求解出最优值即完成了功耗的分解，包括以下步骤：

(a)输入：总线功率值读数，模型参数θ_i，参数λ(d)，其中其中用d来代表s(t-1)，表示处于t-1时刻下的电器状态，可简写为λ(d)，d是可调参数；

(b)通过计算l(y(1),h)，h∈S，求得J^*(1,h)，S表示所有的电器状态组合可能性；

(c)通过计算argmin_h∈S J^*(1,h)，求得s^*(1)；

(d)对于t＝2,...，在条件

下进行迭代，

计算l(y(t),h)+min_d∈SJ^*(t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合，即计算argmin_h∈SJ^*(t,h)，求得s^*(t)，

当时C_i(t)＝1，将上一次C_i(t)＝1的时刻记为t_il，记下此时时刻t_in，则电器不同状态的运行时间为t_id；

(e)输出：估计得到的电器状态s^*(t)，电器不同状态的运行时间t_id。

本发明所提出的基于非入侵式复合监测的电气火灾防控系统的电气火灾监控算法，以智能插座作为硬件实现端，得到的电器有功功率值、电流有效值和漏电电流值，作为电气火灾判定的特征值，其中有功功率值用于判定不同时刻正在运行的电器，电流有效值和漏电电流值用于判定漏电与电流过载发生与否。其优点在于以非入侵式复合监测算法为主体，在掌握家庭用电行为的同时，将电流过载与漏电这两种常见的电气火灾因素与用电设备状态切换结合在一起，从而能有效判别由不良用电行为造成的电气火灾隐患，本发明在跳跃模型的基础上，增加了更符合家用电器特征的约束条件，从而提高了分解准确率。

最后应说明的是：这些实施方式仅用于说明本发明而不限制本发明的范围。此外，对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (8)

1.一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：电气火灾防控系统主要包括若干个信号连接的智能插座端、云端和APP端，所述智能插座端与电器电性连接，智能插座端主要包括电性连接的电源模块、计量模块、WiFi通信模块和MCU模块，所述电源模块由交直流转换电路和直流降压电路构成，所述计量模块由功率测量模块和漏电电流采集模块组成。

2.根据权利要求1所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述交直流转换电路的控制芯片采用ME8321芯片，所述直流降压电路的控制芯片采用AMS1117-3.3V电源芯片。

3.根据权利要求1所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述功率测量模块的主控芯片采用HLW8012芯片，所述漏电电流采集模块的主控芯片采用AD637芯片。

4.根据权利要求1所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述WiFi通信模块采用TYWE3S模块，所述TYWE3S模块由一个无线射频芯片ESP8266和若干外围器件构成，TYWE3S模块内置有WiFi网络协议栈和库函数。

5.根据权利要求1所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述MCU模块的主控芯片采用STM32FC8T6芯片，所述STM32FC8T6芯片采用ARMCortex-M3架构。

6.根据权利要求1所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述电气火灾防控系统的电气火灾监控算法，主要包括以下步骤：

步骤一，负荷分解问题描述：将接入总线的待测电器的种类数记为N，在t时刻的总线的聚合特征记为y(t)，t时刻的第i类电器的特征记为y_i(t)，其中i＝{1,2,...,N}，可得出计算式：

式(1)中e(t)表示建模误差，负荷分解的目的是通过总线的聚合特征式(1)得到各个电器的能耗，并使e(t)最小，选取有功功率P作为负荷特征，则负荷的聚合特征可以被表示为总功耗序列P＝{p₁,p₂,...,p_i,...,p_F}，其中F为总功耗序列P的长度，负荷分解的主要任务是求出在总功耗序列P中，第i个电器的单个功率值P_i(t)，最终使分解所得的各个电器功耗之和

与总功耗序列P之间的差值最小；

步骤二，负荷建模：将电器状态的转变看作线性时不变系统，用K_i表示第i个电器的不同状态，K_i是一个自然数，用s_i(t)来表示电器i在t时刻的状态集，即

s_i(t)∈{1，2,...,K_i}，则电器功率值表示为：

式(2)中，X_i(t)和

分别表示特征值和模型参数，e_i(t)表示建模误差，采用动态跳跃模型进行建模，并选用特征量y_i(t)作为功率值P_i(t)，则动态跳跃模型可表示为：

式(3)中

用于表示电器i在时刻t处于不同状态s_i(t)下的功耗，

由时刻t之前的特征量y_i(t)组成，

计算式为：

式(4)中n表示电器的切换顺序，

式(3)中θ_i表示电器i的功耗，其通过最小化误差函数求取，θ_i的计算式为：

式(5)中

是由给定的模拟输出而得，

的计算式为：

式(6)的优化算法选用粒子群算法，其中s_i(t)表示在动态跳跃模型的估计下，电器i于时刻t所处的电器状态，由于动态跳跃模型中的s_i(t)未知，通过静态跳跃模型计算求出动态跳跃模型中的s_i(t)，静态跳跃模型的建模计算式为：

式(7)中

表示建模时所代入的电器i在s_i(t)状态时的功耗，静态跳跃模型的损失函数为：

其中静态跳跃模型输出值和实际测量值之间的误差有关，选用均方误差来衡量，则式(8)中：

式(8)中，λ_i(s_i(t))g(s_i(t+1)≠s_i(t))是约束条件，假设所监测的电器不会频繁发生电器切换，g(s_i(t+1)≠s_i(t))是一个指示函数，g(s_i(t+1)≠s_i(t))的计算式为：

步骤三，负荷分解：由步骤二的动态跳跃模型进行负荷分解，通过总线的功率值y(t)获取不同的电器运行状态，用s(t)表示此时t时刻的所有电器的状态，则s(t)∈{s₁(t),s₂(t),...,s_N(t)}，用S表示所有的电器状态组合可能性，用|S|表示电器状态的组合数，则

为规避极小概率事件，假设在同一时刻，至多只有一种电器切换电器状态，用C_i(t)来表示t时刻电器i的变化情况，则C_i(t)的计算式为：

C_i(t)＝g(s_i(t+1)≠s_i(t)) (11)

式(11)所述限定条件表示为：

分解时的动态跳跃模型的损失函数定义为：

与式(9)类似，式(14)是均方误差，则：

式(13)中，τ表示2个单位到t个单位时刻的不同时刻，式(13)的动态模型，定义了t时刻的J(t,s(t))与之前每个单位时刻的l(y(τ),s(τ))的函数关系，即式(13)中是累加的形式，τ从2累加到t，用d来代表s(τ-1)，表示处于τ-1时刻下的电器状态，可简写为λ(d)，d是可调参数，λ(d)与连续2个时刻都保持状态d的经验概率成反比，假设电器彼此独立的情况下，λ(d)的计算式为：

式(15)中，w是可调参数，λ_i(d_i)是经验概率，则：

式(16)中，i＝1,2,...,N，j＝1,2,...,K_i。

7.根据权利要求6所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述电气火灾监控算法的动态跳跃模型通过迭代与求解最优化函数

的方式，得到θ_i和s_i ^*的值，其中θ_i表示模型参数，s_i ^*表示最终求得的电器i的状态，其中h表示迭代轮次，主要包括以下步骤：

(1)输入：训练数据集

其中Mi表示训练集中的真实功耗集，K_i，初始模型序列

参数λ_i(j)，j＝1，2,...,K_i；

(2)迭代h＝1,...

求解

得到静态跳跃模型的θ'_i ^h，θ'_i ^h即电器i在轮次h的估计功耗；

通过代入θ'_i ^h，求解argmin_siJ(θ'_i,s_i)，得到s_i ^h，s_i ^h表示电器i在轮次h的电器状态；

(3)直到s_i ^h＝s_i ^h-1，求得s_i ^*＝s_i ^k，其中s_i ^*为最终求得的电器i的状态，s_i ^k表示第k轮得到的电器i的状态；

(4)通过粒子群算法求解

得到θ_i；

(5)输出θ_i和s_i ^*。

8.根据权利要求6所述的一种基于非入侵式负荷监测的电气火灾防控系统，其特征在于：所述电气火灾监控算法基于动态跳跃模型的分解算法使用求解最优函数的方式，最优函数为l(y(t),h)+min_d∈SJ^*((t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合可能性，求解出最优值即完成了功耗的分解，包括以下步骤：

(a)输入：总线功率值读数，模型参数θ_i，参数λ(d)，其中用d来代表s(t-1)，表示处于t-1时刻下的电器状态，可简写为λ(d)，d是可调参数；

(b)通过计算l(y(1),h)，h∈S，求得J^*(1,h)，S表示所有的电器状态组合可能性；

(c)通过计算argmin_h∈SJ^*(1,h)，求得s^*(1)；

(d)对于t＝2,...，在条件

下进行迭代，

计算l(y(t),h)+min_d∈SJ^*((t-1),d)λ(d)g(h≠d),h∈S，S表示所有的电器状态组合，即计算argmin_h∈SJ^*(t,h)，求得s^*(t)，

当时C_i(t)＝1，将上一次C_i(t)＝1的时刻记为t_il，记下此时时刻t_in，则电器不同状态的运行时间为t_id；

(e)输出：估计得到的电器s^*(t)，电器不同状态的运行时间t_id。

Images