CN113673480A - 一种非介入式负载识别方法及装置 - Google Patents
一种非介入式负载识别方法及装置 Download PDFInfo
- Publication number
- CN113673480A CN113673480A CN202111034241.4A CN202111034241A CN113673480A CN 113673480 A CN113673480 A CN 113673480A CN 202111034241 A CN202111034241 A CN 202111034241A CN 113673480 A CN113673480 A CN 113673480A
- Authority
- CN
- China
- Prior art keywords
- transient
- frequency domain
- identified
- time domain
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种非介入式负载识别方法及装置,应用于非介入式负荷感知领域,其中,非介入式负载识别方法包括:获取待检测用电回路对应的待识别用电信号数据;在待检测用电回路有新负载接入时,利用特征提取模型对待识别用电信号数据进行处理,得到对应提取结果;其中,提取结果包括时域典型集合、频域典型集合以及暂态典型集合;利用多维度自适应因子判定方法将提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据识别结果确定新负载的类型。在上述方案中,获取待识别用电信号数据在时域、频域、暂态上多维的识别结果,并结合多维度自适应因子判定方法以及样本库中的样本确定对应的负载类型,从而提高负载识别的精度。
Description
技术领域
本申请涉及非介入式负荷感知领域,具体而言,涉及一种非介入式负载识别方法及装置。
背景技术
提升用户用电安全、智慧用电水平,国家电网对智能物联电能表非介入式负荷感知模组提出具体要求:应具备用电设备类别的辨识功能,应辨识的用电设备类别包括空调、热水壶、电热水器、电饭煲、电烤箱、电暖气、电磁炉、微波炉、吹风机、电冰箱、电视机、洗衣机等;从而为用户提供电器级别的能源数据可视化服务,实现对用户用电信息的精细化分解。
同时,为了避免恶性负载的使用带来的安全事故,应对恶性负载进行识别和限制,在不影响正常用电设备的使用的情况下,满足管理部门对用电安全监管的要求,为用户安全用电、智慧用电提供数据支撑。
现有技术中对恶性负载进行识别主要采用以下方式:总功率限定法、瞬时功率增加法、功率因素判断法以及波形比较法。但是,上述对恶性负载进行识别的方式的识别精度较低,容易出现错判漏判的情况。
发明内容
本申请实施例的目的在于提供一种非介入式负载识别方法及装置,用以解决负载识别精度较低的技术问题。
为了实现上述目的,本申请实施例所提供的技术方案如下所示:
第一方面,本申请实施例提供一种非介入式负载识别方法,包括:获取待检测用电回路对应的待识别用电信号数据;在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型;所述利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型,包括:根据如下公式计算所述提取结果与所述样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离:
其中,Td表示时域,Pd表示频域,σ表示暂态;根据如下公式计算所述待识别用电信号数据对应的误差因子;其中,所述误差因子包括时域/频域属性对应的误差因子、斜率变化对应的误差因子以及暂态特征对应的误差因子:
EF=[λ1,λ2,λ3]T;
其中,λ1为所述时域/频域属性对应的误差因子,λ2为所述斜率变化对应的误差因子,λ3为所述暂态特征对应的误差因子;根据如下公式、所述时域上的相似度距离、所述频域上的相似度距离、所述暂态上的相似度距离以及所述多维甄别模型确定所述待识别用电信号数据与所述样本库中的样本的最终相似度距离:
其中,λ为所述多维甄别模型中的时域特征权重控制因子,β为所述多维甄别模型中的频域特征权重控制因子,γ为所述多维甄别模型中的暂态特征权重控制因子;在所述最终相似度距离不大于相似曲线判定设定值与所述待识别用电信号数据对应的误差因子的乘积时,判定所述提取结果与所述样本库中的样本为相似曲线,并确定所述新负载的类型与所述样本库中的样本类型相同。在上述方案中,在负载识别过程中,通过获取待识别用电信号数据在时域、频域、暂态上多维的识别结果,并结合多维度自适应因子判定方法以及样本库中的样本确定对应的负载类型,从而提高负载识别的精度。
在本申请的可选实施例中,所述特征提取模型包括:时域提取模块、频域提取模块以及暂态提取模块;所述利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果,包括:利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合;利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合;以及,利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合。
在本申请的可选实施例中,所述利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合,包括:对所述待识别用电信号数据进行幅值检测,得到检测后的检测数据;提取所述检测数据中,每个采样区间内的多个时域特征值;根据所述多个时域特征值确定多个采样区间对应的时间序列,并根据所述时间序列以及所述多个时域特征值,确定对应时域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述时域典型集合。在上述方案中,在提取时域典型集合的过程中,可以通过对数据进行幅值检测、相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
在本申请的可选实施例中,所述利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合,包括:对所述待识别用电信号数据进行傅里叶变换,得到对应频域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述频域典型集合。在上述方案中,在提取频域典型集合的过程中,可以通过对数据进行相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
在本申请的可选实施例中,所述利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合,包括:对所述待识别用电信号数据进行小波变换,得到对应的暂态特征数据;根据所述暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到所述暂态典型集合。在上述方案中,通过对待识别用电信号数据进行小波变换,确定对应的暂态事件类型、暂态事件持续时间以及暂态电压值,从而可以根据负载的暂态特征对负载进行识别。
在本申请的可选实施例中,所述利用相似性检测剔除所述特征曲线中重复的特征曲线,包括:计算两两特征曲线之间的相似性系数;判断所述相似性系数是否满足相似条件;若所述相似性系数满足所述相似条件,则判定两条特征曲线为相似曲线,剔除其中一条特征曲线;若所述相似性系数不满足所述相似条件,则判定两条特征曲线不为相似曲线,保留两条特征曲线。
在本申请的可选实施例中,所述对剔除后的特征曲线进行分级数据抽象处理,包括:确定分级处理后的数据序列的长度;取三个连续时刻的采样点,并计算三个采样点之间的斜率变化;判断三个斜率变化是否满足分级条件;若所述三个斜率变化满足所述分级条件,则剔除中间采样点;若所述三个斜率变化不满足所述分级条件,则保留中间采样点。
在本申请的可选实施例中,在所述获取待检测用电回路对应的待识别用电信号数据之前,所述方法还包括:获取负载所在用电回路对应的采样序列;根据所述采样序列以及所述特征提取模型确定所述负载对应的时域典型集合样本、频域典型集合样本以及暂态典型集合样本;根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本建立所述负载对应的多维甄别模型,以及根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本更新所述样本库。在上述方案中,在负载学习过程中,通过采样获取时域典型集合样本、频域典型集合样本以及暂态典型集合样本,并建立对应的多维甄别模型,从而可以更为精准的描述每个负载的不同工作状态。
在本申请的可选实施例中,在所述根据所述识别结果确定所述新负载的类型之后,所述方法还包括:根据所述新负载的类型判断所述新负载是否在黑名单中;若所述新负载在所述黑名单中,则控制所述待检测用电回路断电。在上述方案中,当识别到的新负载的类型在黑名单中,可以控制待检测用电回路断电,从而实现对整个用电回路的保护。
第二方面,本申请实施例提供一种非介入式负载识别装置,包括:第一获取模块,用于获取待检测用电回路对应的待识别用电信号数据;处理模块,用于在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;对比模块,用于利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型;所述对比模块具体用于:根据如下公式计算所述提取结果与所述样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离:
其中,Td表示时域,Pd表示频域,σ表示暂态;根据如下公式计算所述待识别用电信号数据对应的误差因子;其中,所述误差因子包括时域/频域属性对应的误差因子、斜率变化对应的误差因子以及暂态特征对应的误差因子:
EF=[λ1,λ2,λ3]T;
其中,λ1为所述时域/频域属性对应的误差因子,λ2为所述斜率变化对应的误差因子,λ3为所述暂态特征对应的误差因子;根据如下公式、所述时域上的相似度距离、所述频域上的相似度距离、所述暂态上的相似度距离以及所述多维甄别模型确定所述待识别用电信号数据与所述样本库中的样本的最终相似度距离:
其中,λ为所述多维甄别模型中的时域特征权重控制因子,β为所述多维甄别模型中的频域特征权重控制因子,γ为所述多维甄别模型中的暂态特征权重控制因子;在所述最终相似度距离不大于相似曲线判定设定值与所述待识别用电信号数据对应的误差因子的乘积时,判定所述提取结果与所述样本库中的样本为相似曲线,并确定所述新负载的类型与所述样本库中的样本类型相同。在上述方案中,在负载识别过程中,通过获取待识别用电信号数据在时域、频域、暂态上多维的识别结果,并结合多维度自适应因子判定方法以及样本库中的样本确定对应的负载类型,从而提高负载识别的精度。
在本申请的可选实施例中,所述特征提取模型包括:时域提取模块、频域提取模块以及暂态提取模块;所述处理模块具体用于:利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合;利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合;以及,利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合。
在本申请的可选实施例中,所述处理模块具体用于:对所述待识别用电信号数据进行幅值检测,得到检测后的检测数据;提取所述检测数据中,每个采样区间内的多个时域特征值;根据所述多个时域特征值确定多个采样区间对应的时间序列,并根据所述时间序列以及所述多个时域特征值,确定对应时域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述时域典型集合。在上述方案中,在提取时域典型集合的过程中,可以通过对数据进行幅值检测、相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
在本申请的可选实施例中,所述处理模块具体用于:对所述待识别用电信号数据进行傅里叶变换,得到对应频域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述频域典型集合。在上述方案中,在提取频域典型集合的过程中,可以通过对数据进行相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
在本申请的可选实施例中,所述处理模块具体用于:对所述待识别用电信号数据进行小波变换,得到对应的暂态特征数据;根据所述暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到所述暂态典型集合。在上述方案中,通过对待识别用电信号数据进行小波变换,确定对应的暂态事件类型、暂态事件持续时间以及暂态电压值,从而可以根据负载的暂态特征对负载进行识别。
在本申请的可选实施例中,所述处理模块具体用于:计算两两特征曲线之间的相似性系数;判断所述相似性系数是否满足相似条件;若所述相似性系数满足所述相似条件,则判定两条特征曲线为相似曲线,剔除其中一条特征曲线;若所述相似性系数不满足所述相似条件,则判定两条特征曲线不为相似曲线,保留两条特征曲线。
在本申请的可选实施例中,所述处理模块具体用于:确定分级处理后的数据序列的长度;取三个连续时刻的采样点,并计算三个采样点之间的斜率变化;判断三个斜率变化是否满足分级条件;若所述三个斜率变化满足所述分级条件,则剔除中间采样点;若所述三个斜率变化不满足所述分级条件,则保留中间采样点。
在本申请的可选实施例中,所述非介入式负载识别装置还包括:第二获取模块,用于获取负载所在用电回路对应的采样序列;确定模块,用于根据所述采样序列以及所述特征提取模型确定所述负载对应的时域典型集合样本、频域典型集合样本以及暂态典型集合样本;建立模块,用于根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本建立所述负载对应的多维甄别模型,以及根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本更新所述样本库。在上述方案中,在负载学习过程中,通过采样获取时域典型集合样本、频域典型集合样本以及暂态典型集合样本,并建立对应的多维甄别模型,从而可以更为精准的描述每个负载的不同工作状态。
在本申请的可选实施例中,所述非介入式负载识别装置还包括:判断模块,用于根据所述新负载的类型判断所述新负载是否在黑名单中;控制模块,用于若所述新负载在所述黑名单中,则控制所述待检测用电回路断电。在上述方案中,当识别到的新负载的类型在黑名单中,可以控制待检测用电回路断电,从而实现对整个用电回路的保护。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线;所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如第一方面中的非介入式负载识别方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如第一方面中的非介入式负载识别方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举本申请实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种负载学习方法的流程图;
图2为本申请实施例提供的确定时域典型集合的步骤的具体实施方式的流程图;
图3为本申请实施例提供的确定频域典型集合的步骤的具体实施方式的流程图;
图4为本申请实施例提供的确定暂态典型集合的步骤的具体实施方式的流程图;
图5为本申请实施例提供的一种负载学习方法的示意图;
图6为本申请实施例提供的一种非介入式负载识别方法的流程图;
图7为本申请实施例提供的步骤S603的具体实施方式的流程图;
图8为本申请实施例提供的一种非介入式负载识别方法的示意图;
图9为本申请实施例提供的一种非介入式负载识别装置的结构框图;
图10为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
恶性负载是指阶跃功率大于事先设定功率的负载设备。因此,在学校宿舍、企业宿舍等场景中,为了保证用电安全,需要识别出恶性负载以对恶性负载的使用进行限制。现有的识别恶性负载的方法包括:总功率限定法、瞬时功率增加法、波形比较法等。
总功率限定法,是通过计量芯片或算法对接入用电回路的总功率进行实时监测,判定功率是否超出设定门限值。当检测到接入用电回路的总功率超过门限值时,微控制单元(Microcontroller Unit,MCU)发出断电指令,初步实现恶性负载的识别功能,达到对宿舍的负荷进行强制管控的目的。
瞬时功率增加法,通过实时测量用电回路中的功率变化量来进行恶性负载识别。其基本原理是:检测当前电路中的功率并将功率值进行暂存,当检测到某一时刻的功率值增加很大时(集体宿舍中非恶性负载的功率一般都较小),则证明用电回路中启动了一个大功率负载设备(如热得快、电磁炉等)。
功率因素法,通过测量用电回路的功率因素的方法来判断接入用电设备的负载属性(如阻性负载、感性负载等),继而结合当前用电回路的功率,用于判断用电设备是否为需要管制的恶性负载。
波形比较法,也称为面积差值法,其基本原理为:通过硬件电路分别对负载启动前和启动后的电压和电流进行模数转换和采样,然后对负载启动前后的电流波形进行相减得到电流的差值波形,将差值波形乘上一个适当的比例因子,使其峰值与电压波形峰值相等,通过计算差值波形与电压波形围成的面积达到负载识别的目的。判断依据是:如果差值面积近似为零,则有恶性负载接入,否则无恶性负载接入。
上述四种负载识别的方法大都以用电回路中的电流、功率、功率因素等有效值数据(这类变量属于稳态性数据,而非周波数据)为基础,对用电回路中的恶性负载进行识别。其识别精度有限,难以满足实际要求,虽然能够在简单的用电环境中识别出一部分纯阻性的违规用电器,但在面对稍微复杂的用电环境时识别效果不尽理想,易出现错判漏判的情况(如将空调、洗衣机、电脑主机识别为恶性负载)。
基于上述分析,本申请实施例提供一种非介入式负载识别方法,该非介入式负载识别方法可以分为负载学习以及负载识别两个过程。通过分别建立时域、频域以及暂态上的样本库,借助机器学习算法,获取在时域、频域和暂态上多维度的识别结果,并结合多维甄别模型中的权重因子,采用多维度自适应因子判定方法匹配出样本库中的样本,根据该样本负载类型,获得最后的负载类型,从而提高负载识别的准确度。
下面依次对非介入式负载识别方法中的负载学习以及负载识别两个过程进行介绍。
首先,对负载学习过程进行介绍。
请参照图1,图1为本申请实施例提供的一种负载学习方法的流程图,该负载学习方法可以包括如下步骤:
步骤S101:获取负载所在用电回路对应的采样序列。
步骤S102:根据采样序列以及特征提取模型确定负载对应的时域典型集合样本、频域典型集合样本以及暂态典型集合样本。
步骤S103:根据时域典型集合样本、频域典型集合样本以及暂态典型集合样本建立负载对应的多维甄别模型,以及根据时域典型集合样本、频域典型集合样本以及暂态典型集合样本更新样本库。
具体的,高校或者企业宿舍中常见的恶性负载包括:取暖器、电煮锅、电磁炉、电热毯、烘鞋器、暖手宝、暖风机、电饭煲、电吹风、热得快、挂烫机、饮水机以及洗衣机等。其中,每种负载均存在多种不同的工作状态,例如:取暖器有低热、高热、低热+摇头、高热+摇头等工作状态;洗衣机有洗衣、漂洗、脱水、放水等工作状态。
针对一种类型的负载,可以将该负载接入用电回路中,然后获取该负载所在用电回路对应的采样序列。举例来说,可以采用如下步骤获取负载对应采样序列:
第一步,在监测T的时间段内,以Δt采样间隔进行周期采样,划分出N个采样区间,每个区间内采样时间t,即T=N×(t+Δt);
第二步,对每个采样区间的采样数据进行n次离散抽取,得到N个采样区间的电压、电流、相位和功率采样序列。
其中,N个采样区间的电压采样序列可以采用如下公式表示:
N个采样区间的电流采样序列可以采用如下公式表示:
N个采样区间的相位采样序列可以采用如下公式表示:
N个采样区间的功率采样序列可以采用如下公式表示:
其中,u_list为电压采样序列,ui为第i个采样点的电压值,tj为第j个采样区间,i_list为电流采样序列,ii为第i个采样点的电压值,p_list为电流采样序列,pi为第i个采样点的电压值。
在获取到负载所在用电回路对应的采样序列之后,可以根据采样序列以及特征提取模型确定负载对应的时域典型集合(即步骤S102中的时域典型集合样本)、频域典型集合(即步骤S102中的频域典型集合样本)以及暂态典型集合(即步骤S102中的暂态典型集合样本)。其中,特征提取模型可以包括时域提取模块、频域提取模块以及暂态提取模块。
首先对根据采样序列以及时域提取模块确定负载对应的时域典型集合的步骤进行详细的介绍。请参照图2,图2为本申请实施例提供的确定时域典型集合的步骤的具体实施方式的流程图,该确定时域典型集合的步骤具体可以包括如下步骤:
步骤S201:对采样序列进行幅值检测,得到检测后的序列。
步骤S202:提取检测后的序列中,每个采样区间内的多个时域特征值。
步骤S203:根据多个采样时间对应的时间序列以及多个时域特征值,确定对应时域上的特征曲线。
步骤S204:利用相似性检测剔除特征曲线中重复的特征曲线。
步骤S205:对剔除后的特征曲线进行分级数据抽象处理,得到时域典型集合。
具体的,幅值检测可以包括如下步骤:
第一步,根据采样序列,计算第j个采样区间的两个相邻采样点ti、ti+1(i、i+1∈{0,1,2...n})的幅值变化率系数;
第二步,判断幅值变化率系数是否满足以下条件:
其中,Δxij为幅值变化率系数,xij为采样点ti的幅值,xij+1为采样点ti+1的幅值,δ为设定阈值;
第三步,若幅值变化率系数满足上述条件,则保留采样点ti;若幅值变化率系数不满足上述条件,则去掉采样点ti;得到压缩后的采样序列。
在得到压缩后的采样序列之后,可以提取出压缩后的采样序列中每个采样区间(采样时间t)内的多个时域特征值。其中,时域特征值可以包括:电压的95%概率大值、平均值以及最小值,电流的95%概率大值、平均值以及最小值,相位的95%概率大值、平均值以及最小值,功率的95%概率大值、平均值以及最小值。
经过N个采样区间后,可以得到负载的:电压的95%概率大值、平均值、最小值序列集合,电流的95%概率大值、平均值、最小值序列集合,相位的95%概率大值、平均值、最小值序列集合,功率的95%概率大值、平均值、最小值序列集合。
其中,电压的95%概率大值、平均值、最小值序列集合可以采用如下公式表示:
其中,umax_list为电压的95%概率大值序列,uj max为第j个采样区间的电压的95%概率大值,为电压的平均值序列,为第j个采样区间的电压的平均值,umin_list为电压的最小值序列,uj min为第j个采样区间的电压的最小值。
电流的95%概率大值、平均值、最小值序列集合可以采用如下公式表示:
其中,imax_list为电流的95%概率大值序列,ij max为第j个采样区间的电流的95%概率大值,iavr_list为电流的平均值序列,ijavr为第j个采样区间的电流的平均值,imin_list为电流的最小值序列,ij min为第j个采样区间的电流的最小值。
相位的95%概率大值、平均值、最小值序列集合可以采用如下公式表示:
功率的95%概率大值、平均值、最小值序列集合可以采用如下公式表示:
其中,pmax_list为功率的95%概率大值序列,pj max为第j个采样区间的功率的95%概率大值,pavr_list为功率的平均值序列,pjavr为第j个采样区间的功率的平均值,pmin_list为功率的最小值序列,pj min为第j个采样区间的功率的最小值。
然后,每个负载在时域上的特征曲线均可由以上时间序列组成的集合表示,然后经过相似性检测剔除重复的特征曲线之后,再采用分级数据抽象处理,得到最终的时域提取结果。需要说明的是,将在后续实施例中对相似性检测以及分级数据抽象处理的具体实施方式进行详细的说明,此处暂不介绍。
其中,时域典型集合可以表示为如下公式:
其中,Td_list为时域典型集合。
在上述方案中,在提取时域典型集合的过程中,可以通过对数据进行幅值检测、相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
接下来对根据采样序列以及频域提取模块确定负载对应的频域典型集合的步骤进行详细的介绍。请参照图3,图3为本申请实施例提供的确定频域典型集合的步骤的具体实施方式的流程图,该确定频域典型集合的步骤具体可以包括如下步骤:
步骤S301:对采样序列进行傅里叶变换,得到对应频域上的特征曲线。
步骤S302:利用相似性检测剔除特征曲线中重复的特征曲线。
步骤S303:对剔除后的特征曲线进行分级数据抽象处理,得到频域典型集合。
具体的,可以对采样序列进行傅里叶变换,得到负载频域特征,负载频域特征构成频域上的特征曲线。举例来说,负载频域特征可以包括50次谐波电压和谐波电流,在N个区间的原始数据上,每个区间若取8s采样序列即8×50×256=102400个采样点数据。然后经过相似性检测剔除重复的特征曲线之后,再采用分级数据抽象处理,得到最终的频域提取结果。需要说明的是,将在后续实施例中对相似性检测以及分级数据抽象处理的具体实施方式进行详细的说明,此处暂不介绍。
在上述方案中,在提取频域典型集合的过程中,可以通过对数据进行相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
最后对根据采样序列以及暂态提取模块确定负载对应的暂态典型集合的步骤进行详细的介绍。请参照图4,图4为本申请实施例提供的确定暂态典型集合的步骤的具体实施方式的流程图,该确定暂态典型集合的步骤具体可以包括如下步骤:
步骤S401:对采样序列进行小波变换,得到对应的暂态特征数据。
步骤S402:根据暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到暂态典型集合。
具体的,负载暂态特征可以包括电压的骤升、骤降、中断等暂态。可以对采样序列进行小波变换,得到对应的暂态特征数据,然后若根据暂态特征数据判断发生了暂态事件,则可以记录暂态事件类型、事件持续时间和暂态电压值等数据,得到最终的暂态典型集合。需要说明的是,将在后续实施例中对相似性检测以及分级数据抽象处理的具体实施方式进行详细的说明,此处暂不介绍。
在上述方案中,通过对待识别用电信号数据进行小波变换,确定对应的暂态事件类型、暂态事件持续时间以及暂态电压值,从而可以根据负载的暂态特征对负载进行识别。
因此,在上述获取时域典型集合、频域典型集合以及暂态典型集合的过程中,为了简化数据处理量,可以在时域提取模块中加入幅值检测、相似性检测和分级数据抽象处理,在频域提取模块中加入相似性检测和分级数据抽象处理,从而在保留特征数据的同时,进一步减少数据存储量以及数据处理量。
下面对相似性检测的具体实施方式进行详细的介绍。
由于采样区间内若是存在负载的多个重复过程(例如:洗衣机在一个采样区间内,可能进行两次洗涤过程),那么重复过程对应的特征曲线会具有高度的相似性,占据大量的存储空间。因此,可以通过相似性检测去掉重复的特征曲线,从而获取到典型序列。相似性检测的过程具体可以包括如下步骤:
第一步,在特征曲线序列中,利用如下公式计算两两特征曲线之间的相似性系数:
其中,θk1,k2为k1以及k2两条特征曲线之间的相似性系数,xk1+i为k1上的第i个点,xk2+i为k2上的第i个点,k1,k2∈{1,2,···N};
第二步,判断相似性系数是否满足以下条件:
|θk1,k2-1|≤ε;
其中,ε为预设阈值;
第三步,若相似性系数满足上述条件,则判定两条特征曲线为相似曲线,取其中一条作为典型曲线;若相似性系数不满足上述条件,则判定两条特征曲线不为相似曲线,保留两条特征曲线。
下面对分级数据抽象处理的具体实施方式进行详细的介绍。
可以根据存储空间、MCU处理能力等对数据进行加工分级抽取。举例来说,假设电压、电流采样周期为每个周波256点,那么10分钟采样点数为10×60×50×256=7680000;通常采用周期的N倍进行分级处理,假设采用8个周期,则N为8×50×256=102400,也就是说,采样存储的数据序列由7680000的数据序列变为102400的数据序列,缩小75倍。分级数据抽象处理的过程具体可以包括如下步骤:
第一步,利用如下公式确定分级处理后的数据序列的长度:
其中,i为区间级数,Si为采样点落在第i个区间级数的取样数据,如不能整除,取最近区间级数的值,SH为采样时间内所有采样数据序列的95%大值取最大,SL为采样时间内所有采样数据序列的最小值中取最小,K为抽象系数;若上式不能整除,对整除之外的数据进行加工处理,区间级数加1。
第三步,判断上述三个斜率变化是否满足以下条件:
klow≤kmid≤khigh;
在确定负载对应的时域典型集合、频域典型集合以及暂态典型集合之后,可以根据时域典型集合、频域典型集合以及暂态典型集合建立负载对应的多维甄别模型,以及根据时域典型集合、时域典型集合以及时域典型集合更新样本库。
由于每个负载的不同工作状态均可由上述步骤中得到的时域典型集合、频域典型集合以及暂态典型集合组合表示,因此,可以加入时域特征权重控制因子、频域特征权重控制因子和暂态特征权重控制因子控制其权重,也就是说,可以将负载的工作状态表示如下:
W=λ∑Td_list+β∑Pd_list+γ∑σ_list;
其中,W为负载的工作状态,λ为时域特征权重控制因子,Td_list为时域典型集合,β为频域特征权重控制因子,Pd_list为时域典型集合,γ为暂态特征权重控制因子,σ_list为时域典型集合。
举例来说,当电吹风处于稳定工作状态时,γ可以取0,即无需考虑暂态特征,得到的公式可以为表示电吹风的状态模型,该负载的多个状态模型构成多维甄别模型。
在上述方案中,通过采样获取时域典型集合、频域典型集合以及暂态典型集合,并建立多维甄别模型,加入时域特征权重控制因子、频域特征权重控制因子以及暂态特征权重控制因子,从而更为精准的描述每个设备的不同工作状态,为获取负载可靠的识别能力作好基础数据建设。
此外,还可以根据负载对应的采样序列、时域典型集合、频域典型集合以及暂态典型集合建立样本库或者对样本库进行更新,从而可以通过与样本库中的样本进行对比,实现对负载的识别。
此外,用户还可以根据采样序列、时域典型集合、频域典型集合以及暂态典型集合对负载的黑名单以及白名单进行更新。其中,负载的黑名单中可以包括在当前场景中不允许使用的负载类型;负载的白名单可以包括在当前场景中允许使用的负载类型。因此,可以通过黑名单以及白名单限定负载的使用,且黑名单以及白名单可以根据用户的需要进行灵活的切换以及更改。
综上,本申请实施例提供了一种负载学习方法,在该负载学习方法中,根据采样序列以及特征提取模型确定负载对应的时域典型集合、频域典型集合以及暂态典型集合,然后基于上述时域典型集合、频域典型集合以及暂态典型集合建立多维甄别模型,更新样本库以及黑白名单,从而为后续的负载识别提供数据支持。
请参照图5,图5为本申请实施例提供的一种负载学习方法的示意图。在该负载学习方法中,首先可以进行周期采样,然后获取采样序列;将采样序列分别输入时域提取模块(幅值检测、相似性检测、分级数据抽象处理)、频域提取模块(傅里叶变换、相似性检测、分级数据抽象处理)、暂态提取模块(小波变换)得到对应的时域典型集合、频域典型集合以及暂态典型集合;根据时域典型集合、频域典型集合以及暂态典型集合建立多维甄别模型、样本库以及黑白名单,并对样本库中的样本进行样本类型标记;从而完成整个负载学习过程。
作为一种实施方式,在上述负载学习方法中,可以采用计量单元对数据进行采集,采集的数据包括有效值数据以及采样序列。其中,有效值数据属于时域数据,是经过计量芯片内部计算处理后输出的数据,包括电压、电流、功率、功率因素等,可以直接反映负载的时域特征;主控处理器可以每间隔一定周期都去一次有效值数据,且周期大小可以根据实际情况进行调整。而采样序列为电压电流通道的瞬时值数据,其周期在电网频率为50赫兹时可以为20微秒;主控处理器可以获取到采样序列后通过对其进行傅里叶变换获得负载的频域特征。
接下来,对负载识别过程进行介绍。
请参照图6,图6为本申请实施例提供的一种非介入式负载识别方法的流程图,该非介入式负载识别方法可以包括如下步骤:
步骤S601:获取待检测用电回路对应的待识别用电信号数据。
步骤S602:在待检测用电回路有新负载接入时,利用特征提取模型对待识别用电信号数据进行处理,得到对应提取结果;其中,提取结果包括时域典型集合、频域典型集合以及暂态典型集合。
步骤S603:利用多维度自适应因子判定方法将提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据识别结果确定新负载的类型。
具体的,首先可以获取待检测用电回路对应的待识别用电信号数据。然后,可以根据待识别用电信号数据判断待检测用电回路中是否有新负载接入。其中,新负载接入有以下几种情况:第一,仅有一个新负载接入,其他负载不发生变化;第二,有多个新负载接入,其他负载不发生变化;第三,有新负载接入,且有其他负载断开。可以理解的是,本领域技术人员可以结合本领域技术人员的惯用技术手段,判断是否存在上述三种情况之一。举例来说,可以将采样数据与上一周期的历史数据进行比较,根据采样数据的变化判断是否有新负载接入。
若待检测用电回路中没有新负载接入,则可以不执行后续步骤;若待检测用电回路中有新负载接入,则可以继续执行步骤S602。其中,上述步骤S602具体可以包括如下步骤:
第一步,利用时域提取模块对待识别用电信号数据进行处理,得到时域典型集合。
第二步,利用频域提取模块对待识别用电信号数据进行处理,得到频域典型集合。
第三步,利用暂态提取模块对待识别用电信号数据进行处理,得到暂态典型集合。
针对上述第一步,具体又可以包括如下步骤:
第一步,对待识别用电信号数据进行幅值检测,得到检测后的检测数据。
第二步,提取待识别用电信号数据中,每个采样时间内的多个时域特征值。
第三步,根据多个采样时间对应的时间序列以及多个时域特征值,确定对应时域上的特征曲线。
第四步,利用相似性检测剔除特征曲线中重复的特征曲线。
第五步,对剔除后的特征曲线进行分级数据抽象处理,得到时域典型集合。
在上述方案中,在提取时域典型集合的过程中,可以通过对数据进行幅值检测、相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
针对上述第二步,具体又可以包括如下步骤:
第一步,对待识别用电信号数据进行傅里叶变换,得到对应频域上的特征曲线。
第二步,利用相似性检测剔除特征曲线中重复的特征曲线。
第三步,对剔除后的特征曲线进行分级数据抽象处理,得到频域典型集合。
在上述方案中,在提取频域典型集合的过程中,可以通过对数据进行相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
针对上述第三步,具体又可以包括如下步骤:
第一步,对待识别用电信号数据进行小波变换,得到对应的暂态特征数据。
第二步,根据暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到暂态典型集合。
在上述方案中,通过对待识别用电信号数据进行小波变换,确定对应的暂态事件类型、暂态事件持续时间以及暂态电压值,从而可以根据负载的暂态特征对负载进行识别。
可以理解的是,上述步骤S602中,利用时域提取模块得到时域典型集合、利用频域提取模块得到频域典型集合以及利用暂态提取模块得到暂态典型集合的具体实施方式已经在上述负载学习的过程中进行了详细的介绍,此处不再赘述。
在利用特征提取模型得到对应的提取结果之后,可以利用多维度自适应因子判定方法将提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据识别结果确定新负载的类型。
请参照图7,图7为本申请实施例提供的步骤S603的具体实施方式的流程图,该步骤S603具体可以包括如下步骤:
步骤S701:计算提取结果与样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离。
步骤S702:计算待识别用电信号数据对应的误差因子。
步骤S703:根据时域上的相似度距离、频域上的相似度距离、暂态上的相似度距离以及多维甄别模型中的权重分布确定待识别用电信号数据与样本库中的样本的最终相似度距离。
步骤S704:根据误差因子以及最终相似度距离确定新负载的类型。
具体的,可以利用机器学习算法将提取结果与样本库中的样本进行比对,得到对应的识别结果。其中,可以采用:K最近邻算法、神经网络算法、支持向量机算法、Adaboost算法等机器学习算法实现上述过程,本申请实施例对此不作具体的限定。
举例来说,可以采用第一机器学习算法将时域典型集合与样本库中的时域曲线队列比对,得到第一识别结果,时域上的相似度距离;采用第二机器学习算法将频域典型集合与样本库中的频域曲线队列比对,得到第二识别结果,频域上的相似度距离;采用第三机器学习算法将暂态典型集合与样本库中的暂态曲线队列比对,得到第三识别结果,暂态上的相似度距离。然后,可以根据上述第一识别结果、第二识别结果以及第三识别结果,执行后续步骤。
再如,可以计算提取结果与样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离,步骤如下:
第一步,对于待测样本X={a1,a2,…,an}T,计算待测样本中ai与训练曲线簇中的某样本Yj={b1j,b2j,b3j,…,bnj}(0<j<N,N为训练集中样本队列个数)的距离|X|如下:
第二步,待测样本X与训练集Y的相似度距离表示为:
其中:
其中,dH为相似度距离表,dh(X,Y)为待测样本X中每个点到训练集Y的最小距离的平均值,dh(Y,X)为训练集Y中每个点到待测样本X的最小距离的平均值。
在上述方案中,可以采用机器学习算法根据样本库对负载进行识别,从而提高负载识别的精度和准确度。
在得到相似度距离之后,计算待识别用电信号数据对应的误差因子EF=[λ1,λ2,λ3]T。其中,λ1为时域/频域属性对应的误差因子,λ2为斜率变化对应的误差因子,λ3为暂态特征对应的误差因子,斜率变化表示为:
其中,ymax为频域提取结果的95%大值的最大值,ymin为频域提取结果的最小值的最小值,Δ1为设定的斜率变化阈值。
各误差因子的取值如下:
表1时域/频域属性对应的误差因子
表2斜率变化对应的误差因子
斜率变化 | 误差因子λ<sub>2</sub>对应值 |
Δ≤Δ<sub>1</sub> | λ<sub>2</sub><sup>1</sup> |
Δ>Δ<sub>1</sub> | λ<sub>2</sub><sup>2</sup> |
表3暂态特征对应的误差因子
暂态特征 | 误差因子λ<sub>3</sub>对应值 |
骤升 | λ<sub>3</sub><sup>1</sup> |
骤降 | λ<sub>3</sub><sup>2</sup> |
中断 | λ<sub>3</sub><sup>3</sup> |
在上述方案中,根据提取结果的暂态特征、相邻点斜率变化以及时域/频域属性来建立自适应误差因子,可以实现更为准确的匹配度。
在确定误差因子之后,可以根据误差因子以及负载学习过程中确定的多维甄别模型确定待识别用电信号数据与样本库中的样本的最终相似度距离:
最后,可以判断上述最终相似度距离是否满足以下条件:
SH≤Γ·EF;
其中,SH为最终相似度距离,Γ为相似曲线判定设定值。
若最终相似度距离满足上述条件,则可以判定提取结果对应的特征曲线与样本库中的样本对应的特征曲线为相似曲线,则可以确定提取结果对应的负载类型为样本库中的样本对应的负载类型。
在上述方案中,采用多维度自适应因子判定方法,其中的自适应误差因子EF可以随着设备的工作状态不同而不同,不再是单一的阈值设定值,因此使得得出的相似度更为可靠。
进一步的,在上述步骤S704之后,本申请实施例提供的非介入式负载识别方法还可以包括如下步骤:
第一步,根据新负载的类型判断新负载是否在黑名单中。
第二步,若新负载在黑名单中,则控制待检测用电回路断电。
可以理解的是,当新负载在白名单中时,可以不对待检测用电回路进行操作;当新负载即不在黑名单中也不在白名单中时,可以将新负载的数据主动上报至管理平台中,由用户进行处理。
在上述方案中,当识别到的新负载的类型在黑名单中,可以控制待检测用电回路断电,从而实现对整个用电回路的保护。对于不能识别的新型负载可以上报给用户,用户对新负载进行审核评估后进行负载学习,以扩充样本库以及黑白名单。
综上,本申请实施例提供了一种非介入式负载识别方法,在该非介入式负载识别方法中,获取待识别用电信号数据在时域、频域、暂态上多维的识别结果,并结合多维度自适应因子判定方法以及样本库中的样本确定对应的负载类型,从而提高负载识别的精度。
请参照图8,图8为本申请实施例提供的一种非介入式负载识别方法的示意图。在该非介入式负载识别方法中,首先可以进行周期采样,然后判断负载变化以确定是否有新负载接入电路中;若有新负载接入,则可以对采样信号进行抽象化(获取95%大值、最小值和平均值),然后分别输入时域提取模块、频域提取模块以及暂态提取模块中进行识别,得到对应的第一识别结果、第二识别结果以及第三识别结果;利用多维自适应因子判定方法根据第一识别结果、第二识别结果以及第三识别结果,判断负载是否在黑名单以及白名单中;若负载在黑名单中则执行断电;若负载既不在黑名单中也不在白名单中,则生成主动上报事件,以通知用户;从而完成整个负载识别过程。
请参照图9,图9为本申请实施例提供的一种非介入式负载识别装置的结构框图,该非介入式负载识别装置900可以包括:第一获取模块901,用于获取待检测用电回路对应的待识别用电信号数据;处理模块902,用于在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;对比模块903,用于利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型;所述对比模块903具体用于:根据如下公式计算所述提取结果与所述样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离:
其中,Td表示时域,Pd表示频域,σ表示暂态;根据如下公式计算所述待识别用电信号数据对应的误差因子;其中,所述误差因子包括时域/频域属性对应的误差因子、斜率变化对应的误差因子以及暂态特征对应的误差因子:
EF=[λ1,λ2,λ3]T;
其中,λ1为所述时域/频域属性对应的误差因子,λ2为所述斜率变化对应的误差因子,λ3为所述暂态特征对应的误差因子;根据如下公式、所述时域上的相似度距离、所述频域上的相似度距离、所述暂态上的相似度距离以及所述多维甄别模型确定所述待识别用电信号数据与所述样本库中的样本的最终相似度距离:
其中,λ为所述多维甄别模型中的时域特征权重控制因子,β为所述多维甄别模型中的频域特征权重控制因子,γ为所述多维甄别模型中的暂态特征权重控制因子;在所述最终相似度距离不大于相似曲线判定设定值与所述待识别用电信号数据对应的误差因子的乘积时,判定所述提取结果与所述样本库中的样本为相似曲线,并确定所述新负载的类型与所述样本库中的样本类型相同。
在本申请实施例中,在负载识别过程中,通过获取待识别用电信号数据在时域、频域、暂态上多维的识别结果,并结合多维度自适应因子判定方法以及样本库中的样本确定对应的负载类型,从而提高负载识别的精度。
进一步的,所述特征提取模型包括:时域提取模块、频域提取模块以及暂态提取模块;所述处理模块902具体用于:利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合;利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合;以及,利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合。
进一步的,所述处理模块902具体用于:对所述待识别用电信号数据进行幅值检测,得到检测后的检测数据;提取所述检测数据中,每个采样区间内的多个时域特征值;根据所述多个时域特征值确定多个采样区间对应的时间序列,并根据所述时间序列以及所述多个时域特征值,确定对应时域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述时域典型集合。
在本申请实施例中,在提取时域典型集合的过程中,可以通过对数据进行幅值检测、相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
进一步的,所述处理模块902具体用于:对所述待识别用电信号数据进行傅里叶变换,得到对应频域上的特征曲线;利用相似性检测剔除所述特征曲线中重复的特征曲线;对剔除后的特征曲线进行分级数据抽象处理,得到所述频域典型集合。
在本申请实施例中,在提取频域典型集合的过程中,可以通过对数据进行相似性检测以及分级数据抽象处理,从而在保留特征数据的基础上,减少数据的存储量。
进一步的,所述处理模块902具体用于:对所述待识别用电信号数据进行小波变换,得到对应的暂态特征数据;根据所述暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到所述暂态提取结果。
在本申请实施例中,通过对待识别用电信号数据进行小波变换,确定对应的暂态事件类型、暂态事件持续时间以及暂态电压值,从而可以根据负载的暂态特征对负载进行识别。
进一步的,所述处理模块902具体用于:计算两两特征曲线之间的相似性系数;判断所述相似性系数是否满足相似条件;若所述相似性系数满足所述相似条件,则判定两条特征曲线为相似曲线,剔除其中一条特征曲线;若所述相似性系数不满足所述相似条件,则判定两条特征曲线不为相似曲线,保留两条特征曲线。
进一步的,所述处理模块902具体用于:确定分级处理后的数据序列的长度;取三个连续时刻的采样点,并计算三个采样点之间的斜率变化;判断三个斜率变化是否满足分级条件;若所述三个斜率变化满足所述分级条件,则剔除中间采样点;若所述三个斜率变化不满足所述分级条件,则保留中间采样点。
进一步的,所述非介入式负载识别装置900还包括:第二获取模块,用于获取负载所在用电回路对应的采样序列;确定模块,用于根据所述采样序列以及所述特征提取模型确定所述负载对应的时域典型集合样本、频域典型集合样本以及暂态典型集合样本;建立模块,用于根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本建立所述负载对应的多维甄别模型,以及根据所述时域典型集合样本、所述频域典型集合样本以及所述暂态典型集合样本更新所述样本库。
在本申请实施例中,在负载学习过程中,通过采样获取时域典型集合样本、频域典型集合样本以及暂态典型集合样本,并建立对应的多维甄别模型,从而可以更为精准的描述每个负载的不同工作状态。
进一步的,所述非介入式负载识别装置900还包括:判断模块,用于根据所述新负载的类型判断所述新负载是否在黑名单中;控制模块,用于若所述新负载在所述黑名单中,则控制所述待检测用电回路断电。
在本申请实施例中,当识别到的新负载的类型在黑名单中,可以控制待检测用电回路断电,从而实现对整个用电回路的保护。
请参照图10,图10为本申请实施例提供的一种电子设备的结构框图,该电子设备1000包括:至少一个处理器1001,至少一个通信接口1002,至少一个存储器1003和至少一个通信总线1004。其中,通信总线1004用于实现这些组件直接的连接通信,通信接口1002用于与其他节点设备进行信令或数据的通信,存储器1003存储有处理器1001可执行的机器可读指令。当电子设备1000运行时,处理器1001与存储器1003之间通过通信总线1004通信,机器可读指令被处理器1001调用时执行上述非介入式负载识别方法。
例如,本申请实施例的处理器1001通过通信总线1004从存储器1003读取计算机程序并执行该计算机程序可以实现如下方法:步骤S101:获取负载所在用电回路对应的采样序列。步骤S102:根据采样序列以及特征提取模型确定负载对应的时域典型集合样本、频域典型集合样本以及暂态典型集合样本。步骤S103:根据时域典型集合样本、频域典型集合样本以及暂态典型集合样本建立负载对应的多维甄别模型,以及根据时域典型集合样本、频域典型集合样本以及暂态典型集合样本更新样本库。在一些示例中,处理器1001还可以执行如下步骤:步骤S601:获取待检测用电回路对应的待识别用电信号数据。步骤S602:在待检测用电回路有新负载接入时,利用特征提取模型对待识别用电信号数据进行处理,得到对应提取结果。步骤S603:利用多维度自适应因子判定方法将提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据识别结果确定新负载的类型。
处理器1001可以是一种集成电路芯片,具有信号处理能力。上述处理器1001可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1003可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
可以理解,图10所示的结构仅为示意,电子设备1000还可包括比图10中所示更多或者更少的组件,或者具有与图10所示不同的配置。图10中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,电子设备1000可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,电子设备1000也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。
本申请实施例还提供一种计算机程序产品,包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述实施例中非介入式负载识别方法的步骤,例如包括:获取待检测用电回路对应的待识别用电信号数据;在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种非介入式负载识别方法,其特征在于,包括:
获取待检测用电回路对应的待识别用电信号数据;
在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;
利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型;
所述利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型,包括:
根据如下公式计算所述提取结果与所述样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离:
其中,Td表示时域,Pd表示频域,σ表示暂态;
根据如下公式计算所述待识别用电信号数据对应的误差因子;其中,所述误差因子包括时域/频域属性对应的误差因子、斜率变化对应的误差因子以及暂态特征对应的误差因子:
EF=[λ1,λ2,λ3]T;
其中,λ1为所述时域/频域属性对应的误差因子,λ2为所述斜率变化对应的误差因子,λ3为所述暂态特征对应的误差因子;
根据如下公式、所述时域上的相似度距离、所述频域上的相似度距离、所述暂态上的相似度距离以及所述多维甄别模型确定所述待识别用电信号数据与所述样本库中的样本的最终相似度距离:
其中,λ为所述多维甄别模型中的时域特征权重控制因子,β为所述多维甄别模型中的频域特征权重控制因子,γ为所述多维甄别模型中的暂态特征权重控制因子;
在所述最终相似度距离不大于相似曲线判定设定值与所述待识别用电信号数据对应的误差因子的乘积时,判定所述提取结果与所述样本库中的样本为相似曲线,并确定所述新负载的类型与所述样本库中的样本类型相同。
2.根据权利要求1所述的非介入式负载识别方法,其特征在于,所述特征提取模型包括:时域提取模块、频域提取模块以及暂态提取模块;
所述利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果,包括:
利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合;
利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合;以及,
利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合。
3.根据权利要求2所述的非介入式负载识别方法,其特征在于,所述利用所述时域提取模块对所述待识别用电信号数据进行处理,得到所述时域典型集合,包括:
对所述待识别用电信号数据进行幅值检测,得到检测后的检测数据;
提取所述检测数据中,每个采样区间内的多个时域特征值;
根据所述多个时域特征值确定多个采样区间对应的时间序列,并根据所述时间序列以及所述多个时域特征值,确定对应时域上的特征曲线;
利用相似性检测剔除所述特征曲线中重复的特征曲线;
对剔除后的特征曲线进行分级数据抽象处理,得到所述时域典型集合。
4.根据权利要求2所述的非介入式负载识别方法,其特征在于,所述利用所述频域提取模块对所述待识别用电信号数据进行处理,得到所述频域典型集合,包括:
对所述待识别用电信号数据进行傅里叶变换,得到对应频域上的特征曲线;
利用相似性检测剔除所述特征曲线中重复的特征曲线;
对剔除后的特征曲线进行分级数据抽象处理,得到所述频域典型集合。
5.根据权利要求2所述的非介入式负载识别方法,其特征在于,所述利用所述暂态提取模块对所述待识别用电信号数据进行处理,得到所述暂态典型集合,包括:
对所述待识别用电信号数据进行小波变换,得到对应的暂态特征数据;
根据所述暂态特征数据确定暂态事件类型、暂态事件持续时间以及暂态电压值,得到所述暂态典型集合。
6.根据权利要求3或4所述的非介入式负载识别方法,其特征在于,所述利用相似性检测剔除所述特征曲线中重复的特征曲线,包括:
计算两两特征曲线之间的相似性系数;
判断所述相似性系数是否满足相似条件;
若所述相似性系数满足所述相似条件,则判定两条特征曲线为相似曲线,剔除其中一条特征曲线;
若所述相似性系数不满足所述相似条件,则判定两条特征曲线不为相似曲线,保留两条特征曲线。
7.根据权利要求3或4所述的非介入式负载识别方法,其特征在于,所述对剔除后的特征曲线进行分级数据抽象处理,包括:
确定分级处理后的数据序列的长度;
取三个连续时刻的采样点,并计算三个采样点之间的斜率变化;
判断三个斜率变化是否满足分级条件;
若所述三个斜率变化满足所述分级条件,则剔除中间采样点;
若所述三个斜率变化不满足所述分级条件,则保留中间采样点。
8.一种非介入式负载识别装置,其特征在于,包括:
第一获取模块,用于获取待检测用电回路对应的待识别用电信号数据;
处理模块,用于在所述待检测用电回路有新负载接入时,利用特征提取模型对所述待识别用电信号数据进行处理,得到对应提取结果;其中,所述提取结果包括时域典型集合、频域典型集合以及暂态典型集合;
对比模块,用于利用多维度自适应因子判定方法将所述提取结果与样本库中的样本进行对比,得到对应的识别结果,并根据所述识别结果确定所述新负载的类型;
所述对比模块具体用于:
根据如下公式计算所述提取结果与所述样本库中的样本分别在时域上的相似度距离、频域上的相似度距离以及暂态上的相似度距离:
其中,Td表示时域,Pd表示频域,σ表示暂态;
根据如下公式计算所述待识别用电信号数据对应的误差因子;其中,所述误差因子包括时域/频域属性对应的误差因子、斜率变化对应的误差因子以及暂态特征对应的误差因子:
EF=[λ1,λ2,λ3]T;
其中,λ1为所述时域/频域属性对应的误差因子,λ2为所述斜率变化对应的误差因子,λ3为所述暂态特征对应的误差因子;
根据如下公式、所述时域上的相似度距离、所述频域上的相似度距离、所述暂态上的相似度距离以及所述多维甄别模型确定所述待识别用电信号数据与所述样本库中的样本的最终相似度距离:
其中,λ为所述多维甄别模型中的时域特征权重控制因子,β为所述多维甄别模型中的频域特征权重控制因子,γ为所述多维甄别模型中的暂态特征权重控制因子;
在所述最终相似度距离不大于相似曲线判定设定值与所述待识别用电信号数据对应的误差因子的乘积时,判定所述提取结果与所述样本库中的样本为相似曲线,并确定所述新负载的类型与所述样本库中的样本类型相同。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线;
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的非介入式负载识别方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-7任一项所述的非介入式负载识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034241.4A CN113673480A (zh) | 2021-09-03 | 2021-09-03 | 一种非介入式负载识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034241.4A CN113673480A (zh) | 2021-09-03 | 2021-09-03 | 一种非介入式负载识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673480A true CN113673480A (zh) | 2021-11-19 |
Family
ID=78548372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111034241.4A Pending CN113673480A (zh) | 2021-09-03 | 2021-09-03 | 一种非介入式负载识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673480A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050613A (zh) * | 2021-11-29 | 2022-02-15 | 国网湖南省电力有限公司 | 一种电网电压暂态事件的在线识别与追溯方法及其系统 |
CN114280399A (zh) * | 2021-12-22 | 2022-04-05 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114337311A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市华思旭科技有限公司 | 供电电路、启动电源的输出方法及启动电源 |
CN115795323A (zh) * | 2023-02-03 | 2023-03-14 | 深圳市北电仪表有限公司 | 恶性负载识别方法、设备及存储介质 |
-
2021
- 2021-09-03 CN CN202111034241.4A patent/CN113673480A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050613A (zh) * | 2021-11-29 | 2022-02-15 | 国网湖南省电力有限公司 | 一种电网电压暂态事件的在线识别与追溯方法及其系统 |
CN114050613B (zh) * | 2021-11-29 | 2023-10-27 | 国网湖南省电力有限公司 | 一种电网电压暂态事件的在线识别与追溯方法及其系统 |
CN114280399A (zh) * | 2021-12-22 | 2022-04-05 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114280399B (zh) * | 2021-12-22 | 2024-03-12 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114337311A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市华思旭科技有限公司 | 供电电路、启动电源的输出方法及启动电源 |
CN115795323A (zh) * | 2023-02-03 | 2023-03-14 | 深圳市北电仪表有限公司 | 恶性负载识别方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673480A (zh) | 一种非介入式负载识别方法及装置 | |
Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
Bhotto et al. | Load disaggregation based on aided linear integer programming | |
CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
He et al. | Non-intrusive load disaggregation using graph signal processing | |
Lin et al. | Non-intrusive load monitoring by novel neuro-fuzzy classification considering uncertainties | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
CN110569877A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN105067966B (zh) | 基于特征模态分量能量分析的低压交流故障电弧检测方法 | |
CN109325545A (zh) | 低压配电网拓扑结构校验方法、装置、设备及存储介质 | |
US11002773B2 (en) | Monitoring apparatus, monitoring method, and storage medium | |
CN102955902B (zh) | 雷达模拟设备可信度的评估方法及评估系统 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN113933556B (zh) | 一种窃电行为的检测方法、装置、计算机设备和存储介质 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN109447473B (zh) | 一种电力负荷监测方法、装置、设备及可读存储介质 | |
CN111612074A (zh) | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 | |
CN111191671A (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN111178393A (zh) | 一种基于智能电表的用电器用电量分类计量方法及装置 | |
CN111126780B (zh) | 一种非侵入式负荷监测方法及存储介质 | |
CN114240041A (zh) | 配网台区精益化线损分析方法及系统 | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN113159106A (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
CN116780537A (zh) | 非侵入式负荷监测方法、装置、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |