CN113985121A - 基于功率主题发现的无监督非侵入式负荷识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于功率主题发现的无监督非侵入式负荷识别方法，包括：采集入户处的总量有功功率信号，形成负荷功率时间序列；对原始有功功率时间序列采用中值滤波预处理方法滤除非波动段的功率尖峰；检测负荷功率时间序列的关键点(重要极值点和重要趋势转折点)并在时间序列中标出；基于关键点将时间序列分割成多个不同长度的子序列；将后续提取的子序列存入子序列列表，通过模板匹配方式将提取的子序列与电器负荷印记模板库中的模板进行匹配，最终实现无监督的非侵入式负荷识别。本发明可以自主发现时间序列中频繁出现的、任意时长的子序列，不仅可以将与电器启停过程相对应的负荷事件检测出来，也能发现电器运行过程中复杂的功率变化模式。

Description

基于功率主题发现的无监督非侵入式负荷识别方法及系统

技术领域

本发明涉及非侵入式负荷识别领域，具体涉及一种基于功率主题发现的无监督非侵入式负荷识别方法及系统。

背景技术

非侵入式负荷识别仅通过采集和分析负荷总电流和端电压即可获取其内部每个或每类电器的工作状态、用电功率及累计电量等信息。它以软件算法代替侵入式负荷监测系统的传感器网络，具有简单、经济、可靠、数据完整性好和易于迅速推广应用等优势，有望成为智能电网高级量测体系(AMI)中新一代智能电表的核心技术，为智能配用电高级功能提供支撑。

无监督非侵入式负荷识别可在无人工干预或协助的情况下，依据少量关于电器运行特性的通用知识，对陌生场景的原始负荷功率时间序列进行自主分析，提取不同电器的负荷特征样本，形成负荷印记库，最终通过模板匹配等方式实现负荷分解。相对于有监督非侵入式负荷识别，它具有可大范围推广的潜力，越来越受到关注。用户通常具有一定的电器使用习惯，同一电器的用电功率模式及对应功率波形样本会在负荷功率数据中多次重复出现，因此可通过在负荷功率时间序列中寻找重复出现的子序列来实现负荷特征样本提取，这是无监督非侵入式负荷识别的核心。

在非侵入式负荷识别领域，提取负荷特征样本，如电器用电功率波形，通常依赖于负荷事件检测，而现有方法在检测负荷事件时多以固定时长的滑窗对负荷功率数据进行扫描，难以有效应对电器用电功率模式的时间多尺度特性。主题发现可以自主发现时间序列中频繁而重复出现的、任意时长的子序列。理论上，通过主题发现不仅可以将与电器开启和关闭过程相对应的负荷事件检测出来，也能够发现电器运行过程中(相对复杂的)功率变化模式。

近年来国内外关于主题发现的研究有很多，有些方法只能发现预设(固定)长度的主题，而有些方法则支持变长主题发现。计算不同子序列间的距离或相似度是主题发现的关键之一，为了保证准确性，可以直接计算原始时间序列之间的欧式距离或DTW距离，为了提高计算速度，可以对原始时间序列经SAX得到的降维表示结果进行处理。为了判定不同子序列是否属于同一主题，通常需要根据专家经验，事先设置合适的距离或相似度阈值。

目前国内外虽然有不少关于主题发现的研究，但鲜有将其与适用于无监督非侵入式负荷识别的电器用电功率模式挖掘方法相结合，由于电器用电功率模式具有时间多尺度特性，参考现有的变长主题发现方法，因此，可以考虑融合这两个领域的研究成果，设计一种适用于无监督非侵入式负荷识别的、基于主题发现的电器用电功率模式挖掘方法。

发明内容

考虑到现有技术存在的不足，为进一步促进电器功率模式挖掘在居民用户的推广应用，实现基于主题发现的电器用电功率模式检测与挖掘，本发明将主题发现与适用于无监督非侵入式负荷识别的电器用电功率模式挖掘方法相结合，融合这两个领域的研究成果，设计出了一种适用于无监督非侵入式负荷识别的、基于主题发现的电器用电功率模式挖掘方法，旨在解决现有事件检测方法难以有效应对电器用电功率模式的时间多尺度特性问题。本发明可以根据用户总口有功功率时间序列寻找重复出现的功率子序列，实现主题发现，并提取负荷特征样本，标记电器用电功率模式，为无监督非侵入式负荷识别中的电器建模、电器负荷印记库构建、负荷分解奠定基础。

为了解决上述技术问题，本发明提出的一种基于功率主题发现的无监督非侵入式负荷识别方法，包括以下步骤：

步骤1、采集用户入户处的总量有功功率信号，形成负荷功率时间序列；

步骤2、判断所述的负荷功率时间序列是否含有带尖峰的非波动段，若负荷功率时间序列不含有带尖峰的非波动段，则转至步骤4，否则进入步骤3；

步骤3、对所述的负荷功率时间序列采用中值滤波方法进行预处理，从而将非波动段的功率尖峰滤除；

步骤4、检测所述负荷功率时间序列的关键点，并将所述的关键点在负荷功率时间序列中标出，所述关键点包括重要极值点和重要趋势转折点，所述的重要极值点和重要趋势转折点的概念和检测方法如下：

4-1)针对重要极值点：对于给定的距离函数dist和压缩率r，若a_i是时间序列a₁,a₂...,a_n的一个重要极小值点或重要极大值点，若存在索引il和im，其中il＜i＜im，则应满足以下条件：a_i是序列a_il,...,a_im中的最小值，且dist(a_i,a_il)≥r，dist(a_i,a_im)≥r；

4-2)针对重要趋势转折点：对于给定的转折点误差阈值b，设a_j是时间序列a₁,a₂...,a_n在j处的一个转折点，1＜j＜n；对于任意的一个位置k有如下三个斜率值，k＞j：

对于

若S_c(k)＞min(S_u(k′))或S_c(k)＜max(S_l(k′))，则a_k是时间序列在k处的一个新的转折点；对于转折点a_i及其前后的关键点a_i-1、a_i+1和给定的重要转折点阈值t，当满足式(4)所示的条件，则转折点a_i为重要趋势转折点；

步骤5、由检测出的关键点将负荷功率时间序列分割成多个不同长度的负荷功率子序列，基于关键点提取这些子序列，并存入子序列列表；

步骤6、构建电器负荷印记模板库，步骤如下：

步骤6-1)计算子序列列表中每个子序列的标准差，若子序列的标准差小于预设值，则该子序列为平稳的子序列；若子序列中存在所述的平稳的子序列，则进入步骤6-2)，否则转至步骤6-3)；

步骤6-2)将平稳的子序列从子序列列表中去除；

步骤6-3)判断子序列包含的数据点数是否小于6，若子序列所包含的数据点数小于6，则进入步骤6-4)，否则进入步骤6-5)；

步骤6-4)计算第i和j个子序列的有功功率变化量之差，作为第i和j个子序列之间的距离，并将其存入距离矩阵D₁第i行、第j列；创建一个与距离矩阵D₁维数相同、初始元素全为0的邻接矩阵L₁，设置相似性阈值，将距离矩阵D₁中小于阈值的元素相对应的第m和n个子序列连接并将该邻接矩阵L₁中第m行、第n列的元素置1；进入步骤6-6)；

步骤6-5)计算第i和j个子序列之间的DTW距离，并将其存入距离矩阵D₂的第i行、第j列；创建一个与距离矩阵D₂维数相同、初始元素全为0的邻接矩阵L₂，设置相似性阈值，将距离矩阵D₂中DTW距离小于阈值的元素相对应的第m和n个子序列连接并将邻接矩阵L₂中第m行、第n列的元素置1；进入步骤6-6)；

步骤6-6)采用图论的方法实现该子序列主题发现：将所述的邻接矩阵L₁和邻接矩阵L₂中的连接结果转换为无向图，该无向图中的每个顶点代表一个子序列，每两顶点之间的边表示对应两个子序列之间的匹配关系，邻接矩阵L₁和邻接矩阵L₂中元素为1的位置对应的两个子序列在无向图中是相连的，最终通过在该无向图中寻找团来实现该子序列主题发现；

步骤6-7)将步骤6-6)发现的主题分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识库进行电器名称标记；将标记好的电器用电功率模式作为负荷模板，构建电器负荷印记模板库；

步骤7、重复顺序执行步骤1至步骤5，将后续提取的子序列存入子序列列表，通过模板匹配的方式将提取的子序列与电器负荷印记模板库中的模板进行匹配，最终实现无监督的非侵入式负荷识别。

进一步讲，本发明所述的基于功率主题发现的无监督非侵入式负荷识别方法，对于步骤6-4)和步骤6-5)，其中的子序列对应不同电器的用电功率模式或同一电器的不同用电功率模式，这些模式是与电器开启和关闭过程相对应的负荷事件或是电器运行过程中功率变化模式，从而将与电器开启和关闭过程相对应的负荷事件检测出来或是发现电器运行过程中功率变化模式。

同时，本发明还提出了用于实现上述方法的系统，该系统包括负荷总量功率信息采集与预处理模块、负荷功率时间序列关键点检测模块、负荷功率子序列提取模块、负荷功率子序列主题发现模块、电器用电功率模式标记模块、模板匹配与负荷识别模块、数据信息存储模块、对外交互功能模块；

1)所述负荷总量功率信息采集与预处理模块，根据系统设置，采集监测点处的有功功率信号；判断负荷有功功率信号中是否出现尖峰波形，若有功功率信号出现尖峰波形，则对采集到有功功率信号进行中值滤波数据预处理；

2)所述负荷功率时间序列关键点检测模块，检测负荷功率时间序列关键点，将关键点在时间序列中标出；

3)所述负荷功率子序列提取模块，将时间序列分割成多个不同长度的子序列存入至子序列列表，将该子序列列表中的平稳的子序列剔除；

4)所述负荷功率子序列主题发现模块，根据子序列持续时间的长度将子序列分为数据点数大于或等于6的子序列和数据点数小于6的子序列，采用不同的距离计算方法，以提高电器用电功率模式挖掘的准确性和计算效率，从而实现负荷功率子序列主题发现；

5)所述电器用电功率模式标记模块，发现负荷功率时间序列中的所有主题之后，其分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识进行电器名称标记，为无监督非侵入式负荷识别中的电器建模、电器负荷印记库构建、负荷分解奠定基础；

6)所述模板匹配与负荷识别模块，以电器用电功率模式标记模块中标记的电器用电功率模式为模板，构建电器负荷印记模板库，将后续提取的子序列与电器负荷印记模板库中的模板进行匹配，从而实现负荷识别；

7)所述数据信息存储模块，保存其他功能模块的数据分析与处理的结果，并为其他功能模块提供数据访问接口；

8)所述对外交互功能模块，实现基于功率主题发现的无监督非侵入式负荷识别方法的系统与外界进行必要的数据信息交互，包括但不限于负荷功率时间序列关键点检测结果、负荷功率子序列提取结果、主题发现结果和电器用电功率模式标记结果的展示与输出。

与现有技术相比，本发明的有益效果是：

本发明将主题发现方法应用于无监督非侵入式负荷监测，建立了一种基于功率主题发现的无监督非侵入式负荷识别方法，不仅可以将与电器开启和关闭过程相对应的负荷事件检测出来，也能够发现电器运行过程中(相对复杂的)功率变化模式。这一方法可在各个陌生场景中自主发现负荷功率时间序列中不同类型电器的简单、复杂的用电功率模式，适应了同种电器不同品牌用电模式的多样性和同一电器不同用电模式的差异性，而且能有效应对同一电器同种用电模式的不同负荷功率子序列长度不同的情况。同时证明了主题发现方法在无监督非侵入式负荷识别中应用的可行性和适用性，为建立和优化无监督非侵入式负荷识别方法提供了新思路。

附图说明

图1是本发明基于功率主题发现的无监督非侵入式负荷识别系统示意图；

图2是本发明基于功率主题发现的无监督非侵入式负荷识别流程图；

图3是重要极小值点示意图，其中：(a)严格极小值示意图、(b)左极小值和右极小值示意图，(c)平极小值示意图；

图4是转折点示意图；

图5是关键点检测及负荷功率子序列提取结果示意图；

图6是单一电器用电数据的主题发现实验结果示例图，其中：(a)电磁炉有功功率主题发现结果图，(b)调有功功率主题发现结果图，(c)空调与微波炉混叠运行有功功率主题发现结果图；

图7是多电器混叠的总量数据的主题发现实验结果示例图，其中：(a)BLUED数据集(A相)有功功率主题发现结果图，(b)REDD数据集(house 2)有功功率主题发现结果图，(c)实测场景1有功功率主题发现结果图，(d)实测场景1有功功率主题发现结果图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

实现本发明基于功率主题发现的无监督非侵入式负荷识别方法的系统，如图1所示，该系统主要包括以下7个功能模块，各功能模块的作用如下：

(1)负荷总量功率信息采集与预处理模块，用于根据系统设置，采集监测点处的有功功率信号，在冰箱、空调等电器的开启暂态过程中，有功功率通常会出现尖峰波形，然而由于暂态扰动在电压周期中的发生时刻具有随机性，功率尖峰波形的幅度一致性较差，为了提高电器启动暂态功率模式挖掘的准确性，需要对原始有功功率时间序列进行预处理，采用中值滤波方法将这些功率尖峰滤除，提高启动暂态功率波形的重复性；

(2)负荷功率时间序列关键点检测模块，用于检测负荷功率时间序列关键点(包括重要极值点和重要趋势转折点)，重要极小值点示意图如图3所示，其物理含义是：若a_i是时间序列某片段上的一个重要极小值，那么a_i与该段的两个端点值之差均应大于r。转折点示意图如图4所示，转折点在图中用○标出，三个斜率值S_c(k)、S_u(k)、S_l(k)在图中用虚线标出。所有关键点找到之后，将其在时间序列中标出，如图5所示，方形点□代表重要极值点，黑色圆点●代表重要趋势转折点；

(3)负荷功率子序列提取模块，基于负荷功率时间序列关键点检测模块，将时间序列分割成多个不同长度的子序列并将其提取出来形成子序列列表。由于较平稳的子序列(如冰箱的稳态段)包含的信息重要性不高，并不是我们所感兴趣的，因此将其从子序列列表中剔除；

(4)负荷功率子序列主题发现模块，根据子序列持续时间的长度将子序列分为长度较长子序列和长度较短子序列，对短序列和长序列分别采用不同的距离计算方法，以提高电器用电功率模式挖掘的准确性和计算效率，从而实现负荷功率子序列主题发现；具体地，

如图6所示，(a)中虚线和实线标记的子序列分别对应电磁炉的开启和关停暂态过程。(b)中A、B、C和D四种主题是空调处于保温模式下一个典型工作循环中存在的不同功率变化模式。(c)是微波炉和空调两种电器混叠运行的简单场景，其中A和B两种主题分别对应微波炉的开启和关停暂态过程，C和D两种主题是另一台空调处于保温模式下一个典型工作循环中存在的不同功率变化模式。

如图7所示，对于公开数据集，(a)展示了从BLUED数据集(A相)中挖掘到的空气压缩机(主题A、B和C)、电冰箱(主题D和E)和电吹风(主题F和G)的用电功率模式。(b)展示了从REDD数据集(house 2)中学习到的电冰箱(主题A、B和C)和电火炉(主题D和E)用电功率模式。对于私有数据集，如图7(c)(场景1)和7(d)(场景2)所示，本文方法发现了场景1中的电热水壶(主题A和B)、电磁炉(主题C和D)和电冰箱(主题E和F)，以及场景2中的空气压缩机(主题A、B和C)。

(5)电器用电功率模式标记模块，发现负荷功率时间序列中的所有主题之后，其分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识进行电器名称标记，为无监督非侵入式负荷识别中的电器建模、电器负荷印记库构建、负荷分解奠定基础；

(6)数据信息存储模块，根据需要，保存其他功能模块的数据分析与处理的结果，并为其他功能模块提供数据访问接口；具体地，

所述负荷总量功率信息采集与预处理模块、负荷功率时间序列关键点检测模块、负荷功率子序列提取模块、负荷功率子序列主题发现模块、电器用电功率模式标记模块的处理结果，及所述的对外交互功能模块的部分输出信息，可以存储在所述数据信息存储模块中，而且所述负荷功率时间序列关键点检测模块、负荷功率子序列提取模块、负荷功率子序列主题发现模块、电器用电功率模式标记模块及对外交互功能模块为实现定义功能，可以访问所述数据信息存储模块以从中获取所需数据。

(7)对外交互功能模块，实现基于功率主题发现的无监督非侵入式负荷识别方法的系统与外界进行必要的数据信息交互，包括但不限于负荷功率时间序列关键点检测结果、负荷功率子序列提取结果、主题发现结果和电器用电功率模式标记结果的展示与输出。

如图2所示，利用上述系统实现基于功率主题发现的无监督非侵入式负荷识别的步骤如下：

步骤1、采集用户入户处的总量有功功率信号，形成负荷功率时间序列；

步骤2、判断所述的负荷功率时间序列是否含有带尖峰的非波动段，若负荷功率时间序列不含有带尖峰的非波动段，则转至步骤4，否则进入步骤3；

步骤3、在冰箱、空调等电器的开启暂态过程中，有功功率通常会出现尖峰波形，然而由于暂态扰动在电压周期中的发生时刻具有随机性，功率尖峰波形的幅度一致性较差，为了提高电器启动暂态功率模式挖掘的准确性，本步骤对原始的所述的有功功率时间序列进行预处理，采用中值滤波方法进行预处理，从而将非波动段的功率尖峰滤除，提高启动暂态功率波形的重复性；

步骤4、检测所述负荷功率时间序列的关键点，并将所述的关键点在负荷功率时间序列中标出，所述关键点包括重要极值点和重要趋势转折点，所述的重要极值点和重要趋势转折点的概念和检测方法如下：

针对重要极值点：

对于给定的距离函数dist和压缩率r，若a_i是时间序列a₁,a₂...,a_n的一个重要极小值点或重要极大值点(重要极大值点定义与之类似)，若存在索引il和im，其中il＜i＜im，则应满足以下条件：

1)a_i是序列a_il,...,a_im中的最小值，且

2)dist(a_i,a_il)≥r，dist(a_i,a_im)≥r；

如图3所示，其物理含义是：若a_i是时间序列某片段上的一个重要极小值，那么该段的两个端点值应该都比a_i大得多。

针对重要趋势转折点：

对于给定的转折点误差阈值b，设a_j是时间序列a₁,a₂...,a_n在j处的一个转折点，1＜j＜n；对于任意的一个位置k有如下三个斜率值，k＞j：

对于

若S_c(k)＞min(S_u(k′))或S_c(k)＜max(S_l(k′))，则a_k是时间序列在k处的一个新的转折点。

对于转折点a_i及其前后的关键点a_i-1、a_i+1和给定的重要转折点阈值t，当满足以下条件

时，则转折点a_i为重要趋势转折点。

步骤5、步骤4中检测出的关键点将负荷功率时间序列分割成多个不同长度的负荷功率子序列，基于关键点提取这些子序列，并存入子序列列表；

步骤6、构建电器负荷印记模板库，步骤如下：

A)判断所提取的子序列中是否存在较平稳的子序列，即计算子序列列表中每个子序列的标准差，若子序列的标准差小于预设值，则该子序列为平稳的子序列；若子序列中存在所述的平稳的子序列，则进入步骤B)，否则转至步骤C)；

B)将平稳的子序列从子序列列表中去除，因为其包含的信息重要性不高；

C)判断子序列包含的数据点数是否小于6，若子序列所包含的数据点数小于6，则进入步骤D)，否则进入步骤E)；

D)对于长度较短的子序列，计算第i和j个子序列的有功功率变化量之差，作为第i和j个子序列之间的距离，并将其存入距离矩阵D₁第i行、第j列。创建一个与距离矩阵D₁维数相同、初始元素全为0的邻接矩阵L₁，设置相似性阈值，将距离矩阵D₁中小于阈值的元素相对应的第m和n个子序列连接并将该邻接矩阵L₁中第m行、第n列的元素置1。采用图论的方法实现该子序列主题发现，即：将所述的邻接矩阵L₁和邻接矩阵L₂中的连接结果转换为无向图，该无向图中的每个顶点代表一个子序列，每两顶点之间的边表示对应两个子序列之间的匹配关系。因此，邻接矩阵L₁和邻接矩阵L₂中元素为1的位置对应的两个子序列在无向图中是相连的，最终通过在该无向图中寻找团来实现该子序列主题发现。

E)对于长度较长的子序列，计算每两个子即第i和j个子序列之间的DTW距离，并将其存入距离矩阵D₂中相应位置，即D₂的第i行、第j列。创建一个与距离矩阵D₂维数相同、初始元素全为0的邻接矩阵L₂，设置相似性阈值，将距离矩阵D₂中DTW距离小于阈值的元素相对应的两个即第m和n个子序列连接并将邻接矩阵L₂中相应位置即第m行、第n列的元素置1。同理，采用图论的方法，L₂中元素为1的位置对应的两个子序列在无向图中是相连的，最终可以通过在无向图中寻找团来实现长子序列主题发现。

F)将步骤D)和E)发现的主题分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识库进行电器名称标记,为无监督非侵入式负荷识别中的电器建模、电器负荷印记库构建、负荷分解奠定基础,将标记好的电器用电功率模式作为负荷模板，构建电器负荷印记模板库。

步骤7、重复顺序执行步骤1至步骤5，将后续提取的子序列存入子序列列表，通过模板匹配的方式将提取的子序列与电器负荷印记模板库中的模板进行匹配，最终实现无监督的非侵入式负荷识别。

在非侵入式负荷识别领域，提取负荷特征样本，如电器用电功率波形，通常依赖于负荷事件检测，而现有方法在检测负荷事件时多以固定时长的滑窗对负荷功率数据进行扫描，难以有效应对电器用电功率模式的时间多尺度特性。本发明可以自主发现时间序列中频繁而重复出现的、任意时长的子序列。理论上，通过本发明不仅可以将与电器开启和关闭过程相对应的负荷事件检测出来，也能够发现电器运行过程中(相对复杂的)功率变化模式。

按照上述实施例，本发明通过分析居民用户用电入口处的有功功率数据，提取负荷功率子序列，基于子序列持续时间长度对其分类，对短序列和长序列分别采用不同的距离或相似度计算方法实现主题发现，将主题对应的不同电器的用电功率模式或同一电器的不同用电功率模式分别提取出来，并结合专家知识库进行电器名称标记，进而达到检测与挖掘电器用电功率模式的目的。显然，这种方案可提高电器用电功率模式挖掘的准确性和计算效率。因此，本发明能够实现电器用电功率模式检测与挖掘，可以自主发现时间序列中频繁而重复出现的、任意时长的子序列，不仅可以将与电器开启和关闭过程相对应的负荷事件检测出来，也能够发现电器运行过程中(相对复杂的)功率变化模式，证明了主题发现方法在无监督非侵入式负荷识别中应用的可行性和适用性，为建立和优化无监督非侵入式负荷识别方法提供了新思路。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (3)

1.一种基于功率主题发现的无监督非侵入式负荷识别方法，其特征在于，包括以下步骤：

步骤1、采集用户入户处的总量有功功率信号，形成负荷功率时间序列；

步骤2、判断所述的负荷功率时间序列是否含有带尖峰的非波动段，若负荷功率时间序列不含有带尖峰的非波动段，则转至步骤4，否则进入步骤3；

步骤3、对所述的负荷功率时间序列采用中值滤波方法进行预处理，从而将非波动段的功率尖峰滤除；

步骤4、检测所述负荷功率时间序列的关键点，并将所述的关键点在负荷功率时间序列中标出，所述关键点包括重要极值点和重要趋势转折点，所述的重要极值点和重要趋势转折点的概念和检测方法如下：

4-1)针对重要极值点：

对于给定的距离函数dist和压缩率r，若a_i是时间序列a₁,a₂...,a_n的一个重要极小值点或重要极大值点，若存在索引il和im，其中il＜i＜im，则应满足以下条件：

a_i是序列a_il,...,a_im中的最小值，且dist(a_i,a_il)≥r，dist(a_i,a_im)≥r；

4-2)针对重要趋势转折点：

对于给定的转折点误差阈值b，设a_j是时间序列a₁,a₂...,a_n在j处的一个转折点，1＜j＜n；对于任意的一个位置k有如下三个斜率值，k＞j：

对于

若S_c(k)＞min(S_u(k′))或S_c(k)＜max(S_l(k′))，则a_k是时间序列在k处的一个新的转折点；

对于转折点a_i及其前后的关键点a_i-1、a_i+1和给定的重要转折点阈值t，当满足式(4)所示的条件，则转折点a_i为重要趋势转折点；

步骤5、由检测出的关键点将负荷功率时间序列分割成多个不同长度的负荷功率子序列，基于关键点提取这些子序列，并存入子序列列表；

步骤6、构建电器负荷印记模板库，步骤如下：

步骤6-1)计算子序列列表中每个子序列的标准差，若子序列的标准差小于预设值，则该子序列为平稳的子序列；若子序列中存在所述的平稳的子序列，则进入步骤6-2)，否则转至步骤6-3)；

步骤6-2)将平稳的子序列从子序列列表中去除；

步骤6-3)判断子序列包含的数据点数是否小于6，若子序列所包含的数据点数小于6，则进入步骤6-4)，否则进入步骤6-5)；

步骤6-4)计算第i和j个子序列的有功功率变化量之差，作为第i和j个子序列之间的距离，并将其存入距离矩阵D₁第i行、第j列；创建一个与距离矩阵D₁维数相同、初始元素全为0的邻接矩阵L₁，设置相似性阈值，将距离矩阵D₁中小于阈值的元素相对应的第m和n个子序列连接并将该邻接矩阵L₁中第m行、第n列的元素置1；进入步骤6-6)；

步骤6-5)计算第i和j个子序列之间的DTW距离，并将其存入距离矩阵D₂的第i行、第j列；创建一个与距离矩阵D₂维数相同、初始元素全为0的邻接矩阵L₂，设置相似性阈值，将距离矩阵D₂中DTW距离小于阈值的元素相对应的第m和n个子序列连接并将邻接矩阵L₂中第m行、第n列的元素置1；进入步骤6-6)；

步骤6-6)采用图论的方法实现该子序列主题发现：将所述的邻接矩阵L₁和邻接矩阵L₂中的连接结果转换为无向图，该无向图中的每个顶点代表一个子序列，每两顶点之间的边表示对应两个子序列之间的匹配关系，邻接矩阵L₁和邻接矩阵L₂中元素为1的位置对应的两个子序列在无向图中是相连的，最终通过在该无向图中寻找团来实现该子序列主题发现；

步骤6-7)将步骤6-6)发现的主题分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识库进行电器名称标记；将标记好的电器用电功率模式作为负荷模板，构建电器负荷印记模板库；

步骤7、重复顺序执行步骤1至步骤5，将后续提取的子序列存入子序列列表，通过模板匹配的方式将提取的子序列与电器负荷印记模板库中的模板进行匹配，最终实现无监督的非侵入式负荷识别。

2.根据权利要求1所述的基于功率主题发现的无监督非侵入式负荷识别方法，其特征在于，对于步骤6-4)和步骤6-5)，其中的子序列对应不同电器的用电功率模式或同一电器的不同用电功率模式，这些模式是与电器开启和关闭过程相对应的负荷事件或是电器运行过程中功率变化模式，从而将与电器开启和关闭过程相对应的负荷事件检测出来或是发现电器运行过程中功率变化模式。

3.实现基于功率主题发现的无监督非侵入式负荷识别方法的系统，其特征在于，该系统包括负荷总量功率信息采集与预处理模块、负荷功率时间序列关键点检测模块、负荷功率子序列提取模块、负荷功率子序列主题发现模块、电器用电功率模式标记模块、模板匹配与负荷识别模块、数据信息存储模块、对外交互功能模块；

1)所述负荷总量功率信息采集与预处理模块，根据系统设置，采集监测点处的有功功率信号；判断负荷有功功率信号中是否出现尖峰波形，若有功功率信号出现尖峰波形，则对采集到有功功率信号进行中值滤波数据预处理；

2)所述负荷功率时间序列关键点检测模块，检测负荷功率时间序列关键点，将关键点在时间序列中标出；

3)所述负荷功率子序列提取模块，将时间序列分割成多个不同长度的子序列存入至子序列列表，将该子序列列表中的平稳的子序列剔除；

4)所述负荷功率子序列主题发现模块，根据子序列持续时间的长度将子序列分为数据点数大于或等于6的子序列和数据点数小于6的子序列，采用不同的距离计算方法，以提高电器用电功率模式挖掘的准确性和计算效率，从而实现负荷功率子序列主题发现；

5)所述电器用电功率模式标记模块，发现负荷功率时间序列中的所有主题之后，其分别对应不同电器的用电功率模式或同一电器的不同用电功率模式，将这些模式分别提取出来，并结合专家知识进行电器名称标记，为无监督非侵入式负荷识别中的电器建模、电器负荷印记库构建、负荷分解奠定基础；

6)所述模板匹配与负荷识别模块，以电器用电功率模式标记模块中标记的电器用电功率模式为模板，构建电器负荷印记模板库，将后续提取的子序列与电器负荷印记模板库中的模板进行匹配，从而实现负荷识别；

7)所述数据信息存储模块，保存其他功能模块的数据分析与处理的结果，并为其他功能模块提供数据访问接口；

8)所述对外交互功能模块，实现基于功率主题发现的无监督非侵入式负荷识别方法的系统与外界进行必要的数据信息交互，包括但不限于负荷功率时间序列关键点检测结果、负荷功率子序列提取结果、主题发现结果和电器用电功率模式标记结果的展示与输出。

Images