CN114662576A - 基于有监督分类的非侵入式电瓶车充电检测方法及系统 - Google Patents

基于有监督分类的非侵入式电瓶车充电检测方法及系统 Download PDF

Info

Publication number
CN114662576A
CN114662576A CN202210240123.7A CN202210240123A CN114662576A CN 114662576 A CN114662576 A CN 114662576A CN 202210240123 A CN202210240123 A CN 202210240123A CN 114662576 A CN114662576 A CN 114662576A
Authority
CN
China
Prior art keywords
data
charging
battery car
class
dimensional
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
Application number
CN202210240123.7A
Other languages
English (en)
Inventor
周玉
邵雪松
穆卓文
李悦
崔高颖
高凡
王舒
蔡奇新
王黎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202210240123.7A priority Critical patent/CN114662576A/zh
Publication of CN114662576A publication Critical patent/CN114662576A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

基于有监督分类的非侵入式电瓶车充电检测方法及系统，方法包括：每天每分钟采集居民用电总数据并进行预处理；基于相关系数法计算不同类的预处理后用电总数据之间的相关性并进行特征量选择；从预处理后用电总数据中去除冗余特征量后得到用电数据；利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；建立使得Fisher分类准则函数达到极大值的线性分类器；将用电数据划分为训练集和测试集；利用训练集对线性分类器进行训练，利用测试集对训练好的线性分类器进行电瓶车充电行为的检测。本发明为基于非侵入式负荷监测方法辨识单一异常用电设备的相关研究应用提供支撑。

Description

基于有监督分类的非侵入式电瓶车充电检测方法及系统
技术领域
本发明属于电力负荷非侵入式监测技术领域，具体涉及基于有监督分类的非侵入式电瓶车充电检测方法及系统。
背景技术
非侵入式负荷监测与分解(non-intrusive load monitoring anddisaggregation， NILMD)由George Hart提出，其仅需在用户入户电线处进行信号量测与采集，通过负荷分解方法识别用电设备信息，获取用户用电规律和能耗情况等数据。现有技术1(CN111244954A)“一种非入侵式负荷辨识方法及装置”，根据电力供给入口处的电能数据提取暂态阶段的负荷辨识特征量，根据负荷辨识特征量和预置负荷库确定负荷类型，预置负荷库存有负荷辨识特征量与负荷类型的对应关系。现有技术2(CN109492667A)“一种用于非侵入式电力负荷监测的特征选择辨识方法”，通过特征选择提高为辨识负荷事件建立的机器学习分类模型的辨识性能。现有技术3(CN110321390A)“基于有监督和无监督算法结合的负荷曲线数据可视化方法”，解决了现有非侵入负荷识别的稳态特征有限、在实际工况复杂的情况下辨识准确度较低的技术问题。
综上，以现有技术1至3为代表的非侵入式负荷识别的关键步骤为事件检测、特征选择和负荷识别。在事件检测方面提出了一种基于滑动窗的双边累积和事件检测算法，可以有效、准确地检测到电气设备的投切时刻。在特征选择方面，利用谐波电流特征构建多层感知分类器进行电器负荷识别。在负荷识别方面，学者们提出一种基于模板滤波的居民负荷快速辨识算法，对采集电流进行滤波量化，使用阈值判决函数确定电器负荷状态。模式识别与机器学习是当下的研究热点，主要算法如聚类、神经网络、支持向量机、贝叶斯分类、隐式马尔可夫模型、深度学习等。然而，现有技术都存在对数据精度要求高，其中现有技术1需要ms 级暂态特征数据，现有技术2需要分离负荷启停时间需要秒级数据，现有技术3 主要针对稳态特征较明显的负荷，无法检测相似负荷。目前电瓶车充电检测方法均采用秒级及毫秒级数据，秒级及毫秒级数据可以捕捉到电瓶车充电的启停瞬间的电气量如电流功率的变化，从而采用滑动窗进行事件检测能够监测电瓶车充电状态，对于采集装置的动作频率和采集精度的要求都显著提升，加大了应用成本。目前尚无采用分钟级数据进行电瓶车充电检测，因为相对于秒级及毫秒级数据，分钟级数据丢失了很多信息，这其中就包括各类电器的启停事件，尤其是在实际过程中，居民用户电器种类繁多且参数差异较大，用电行为多样，各类电器的启停不具有规律性，且家用电器大多具有电气特征相似的特点(如电流、功率相近)，更难通过事件检测的方式区分各类电器。因此若通过滑动窗事件检测方法以分钟级数据对电瓶车充电进行检测的准确率非常低。
因此，需要针对居民用户电瓶车入户充电行为的现状，对含有电瓶车充电行为的用户用电数据进行特征分析，研究一种基于有监督分类的非侵入式电瓶车充电检测方法及系统。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供基于有监督分类的非侵入式电瓶车充电检测方法及系统，对居民用电数据进行特征分析，基于用电数据样本对Fisher分类器进行训练，利用Fisher分类器对测试样本数据进行辨识，筛选出存在电瓶车充电行为的用户，保证居民用户的用电安全，有效规避电瓶车入户充电引发火灾的风险，为基于非侵入式负荷监测方法辨识单一异常用电设备的相关研究应用提供支撑。
本发明采用如下的技术方案。
本发明一方面提出了基于有监督分类的非侵入式电瓶车充电检测方法，检测方法包括：
步骤1，每天每分钟采集居民用电总数据；并对用电总数据进行预处理；
步骤2，基于相关系数法计算不同类的预处理后用电总数据之间的相关性并进行特征量选择；从预处理后用电总数据中去除冗余特征量后得到用电数据；用电数据包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
步骤3，利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器；
步骤4，将用电数据划分为训练集和测试集；利用训练集对线性分类器进行训练，利用测试集对训练好的线性分类器进行电瓶车充电行为的检测。
优选地，步骤1包括：
步骤1.1，利用智能电表采集居民每天每分钟的有功功率、无功功率、电压和电流；
步骤1.2，对采集到的用电总数据进行异常值剔除，采取同类均值插补法补充数据中的缺失值。
优选地，步骤1.2的同类均值插补法，通过采用K-Means聚类模型预测缺失值的类型，再以同类型的均值进行插补。
优选地，步骤2包括：
步骤2.1，从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个不同类的参量之间的相关系数；其中，所提取的两个不同类的参量包括：有功功率和电流、无功功率和电流、有功功率和无功功率、有功功率和电压、无功功率和电压、电流和电压；
步骤2.2，比较计算所得的各相关系数的绝对值，以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量；除了特征量以外的用电总数据均为冗余特征量；
步骤2.3，从预处理后的用电总数据中去除冗余特征量，获得用电数据。
优选地，步骤3包括：
步骤3.1，用电数据集合Г包括N个d维特征量x1、x2、x3…xN，其中，N1个属于ω1类的d维特征量记为子集Γ1，N2个属于ω2类的d维特征量记为子集Γ2；ω1类对应包含电瓶车充电的用电数据，ω2类对应不包含电瓶车充电的用电数据；
各类中的d维特征量均值向量mi，满足如下关系式：
Figure BDA0003541025630000041
式中，x表示属于子集Γ1或子集Γ2的d维特征量；
各类内d维空间的离散度矩阵Si，满足如下关系式：
Figure BDA0003541025630000042
总类内d维空间的离散度矩阵Sw，满足如下关系式：
Sw＝S1+S2
式中，S1为ω1类内d维空间的离散度矩阵，S2为ω2类内d维空间的离散度矩阵；
各类间d维空间的离散度矩阵Sb，满足如下关系式：
Sb＝(m1-m2)(m1-m2)T
式中，m1为ω1类中的d维特征量均值向量，m2为ω2类中的d维特征量均值向量；
步骤3.2，对d维特征量x1、x2、x3…xN的分量做线性组合，得到N个一维标量，满足如下关系式：
yn＝wTxn，n＝1，2，3…N
式中，w为每个权重生成的权重向量，yn为第n个一维标量；
并且，N1个属于ω1类的一维标量记为子集Γ1′，N2个属于ω2类的一维标量记为子集Γ2′；
各类中的一维标量的均值
Figure BDA0003541025630000043
满足如下关系式：
Figure BDA0003541025630000044
其中，
Figure BDA0003541025630000045
y表示属于子集Γ1′或子集Γ2′的一维标量；
各类内一维空间的离散度矩阵
Figure BDA0003541025630000046
满足如下关系式：
Figure BDA0003541025630000047
总类内一维空间的离散度矩阵
Figure BDA0003541025630000048
满足如下关系式：
Figure BDA0003541025630000051
式中，
Figure BDA0003541025630000052
为ω1类内一维空间的离散度矩阵，
Figure BDA0003541025630000053
为ω2类内一维空间的离散度矩阵；
步骤3.3，基于Fisher分类器法，利用各类中的一维标量的均值
Figure BDA0003541025630000054
和总类内一维空间的离散度矩阵
Figure BDA0003541025630000055
计算Fisher分类准则函数JF(w)，满足如下关系式：
Figure BDA0003541025630000056
步骤3.4，建立线性分类器g(X)，满足如下关系式：
g(X)＝wTX+w0
式中，wT为垂直于超平面的法向量，w0为阈权值，X＝{x1、x2、x3…xN}；
步骤3.5，基于函数最优原理，采用拉格朗日乘数法求解JF(w)最大值对应的 w*，作为最佳变换向量；以最佳变换向量w*作为d维特征量的投影方向；其中，最佳变换向量w*满足如下关系式：
Figure BDA0003541025630000057
以最佳变换向量w*作为垂直于超平面的法向量wT。
优选地，步骤3.4中，根据先验概率和特征量数量，计算阈权值w0，满足如下关系式：
Figure BDA0003541025630000058
式中，p(w1)为样本隶属ω1类的先验概率，p(w2)为样本隶属ω2类的先验概率；
阈权值w0决定超平面在空间上的上下或者左右平移的位置。
优选地，若两个先验概率均未知，阈权值w0满足
Figure BDA0003541025630000059
优选地，步骤4中，将用电数据按照1∶1的比例，划分为训练集和测试集；其中，训练集包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
其中，包含电瓶车充电的用电数据包括：包含电瓶车充电行为的居民用户用电数据，各类不同的电器用电数据；定义包含电瓶车充电的用电数据为异常用电数据；
不包含电瓶车充电的用电数据仅包括各类电器用电数据；定义不包含电瓶车充电的用电数据为正常用电数据。
本发明另一方面提出了基于有监督分类的非侵入式电瓶车充电检测系统，系统包括：用电采集模块，样本分类模块，充电检测模块。
用电采集模块，用于每天每分钟采集居民用电总数据，并对用电总数据进行预处理和冗余特征量去除，得到包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
用电采集模块将包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据均输入至样本分类模块中；用电采集模块还将经过用电数据划分为训练集和测试集；
样本分类模块，用于利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器；利用训练集对线性分类器进行训练，以得到训练好的线性分类器；
充电检测模块，用于利用训练好的线性分类器对测试集进行分类，对电瓶车充电行为进行辨识。
用电采集模块内置预处理单元和冗余特征量去除单元；
其中，预处理单元，用于对每天每分钟采集的居民用电总数据进行异常值剔除和补充数据中的缺失值；
冗余特征量去除单元，用于从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个参量不同类的之间的相关系数；以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量，以除了特征量以外的用电总数据均为冗余特征量，从而从预处理后的用电总数据中去除冗余特征量，获得用电数据。
本发明的有益效果在于，与现有技术相比：
1)本发明采用有监督分类方法，以大量的训练数据为基础，通过模型内参数的自调整，能够训练出具有辨识电瓶车充电行为能力的模型，其中训练数据为各类电器设备与电瓶车充电行为数据的组合；
2)本申请仅需采集分钟级的用电数据，无需辨识电瓶车充电的启停瞬间的电气量的变化，也无需检测出电瓶车充电状态，对于采集装置的动作频率和采集精度的要求都显著降低，减小了应用成本，便于工程推广；
3)本发明提高了对相似负荷检测能力的改进，解决了目前无法利用现有供电公司分钟级智能电表数据进行电瓶车充电辨识的技术问题，能够带来提高电瓶车异常充电行为辨识能力；
4)本发明提出的方法和系统，能够适用于现有的智能电表分钟级数据，无需额外加装设备，采用非侵入式方式对电瓶车充电行为进行辨识，提高电瓶车充电安全性，有益社会安全；
5)在预处理后的用电总数据中，通过对不同类的参量进行相关性计算，以获得特征量，并去除冗余特征量，从而有效的去除了居民用户家中复杂多样的用电设备的影响，所得到的用电数据中只需要辨识出当前时刻是否存在电瓶车充电行为，并不需要对负荷进行分解，所以对预处理后的数据考虑分成两类：一类为包含电瓶车充电的用电总数据，一类为不包含电瓶车充电的用电总数据。
附图说明
图1是本发明的基于有监督分类的非侵入式电瓶车充电检测方法的步骤框图；
图2为本发明实施例中电瓶车电气特征量标准化曲线图；
图3为本发明实施例中电气特征量相关系数计算结果图；
图4为本发明实施例中居民用户工作日不同时刻用电设备工作电流图；
图5为本发明实施例中有监督Fisher分类器辨识电瓶车充电结果图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
实施例1。
本发明一方面提出了基于有监督分类的非侵入式电瓶车充电检测方法，检测方法包括：
步骤1，每天每分钟采集居民用电总数据；并对用电总数据进行预处理。
具体地，步骤1包括：
步骤1.1，利用智能电表采集居民每天每分钟的有功功率、无功功率、电压和电流；
步骤1.2，对采集到的用电总数据进行异常值剔除，采取同类均值插补法补充数据中的缺失值。
优选地，步骤1.2的同类均值插补法，通过采用K-Means聚类模型预测缺失值的类型，再以同类型的均值进行插补。
实施例1中，同类均值插补法包括：假设X＝(X1，X2…Xp)为信息完全的变量，Y为存在缺失值的变量，那么首先对Y或其子集进行聚类，然后按缺失个案所属类来插补不同类的均值。
步骤2，基于相关系数法计算不同类的预处理后用电总数据之间的相关性并进行特征量选择；从预处理后用电总数据中去除冗余特征量后得到用电数据；用电数据包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据。
具体地，步骤2包括：
步骤2.1，从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个不同类的参量之间的相关系数；其中，所提取的两个不同类的参量包括：有功功率和电流、无功功率和电流、有功功率和无功功率、有功功率和电压、无功功率和电压、电流和电压；
相关系数法求解原则为：如果有两个变量U、V，最终计算出的相关系数满足如下关系式：
Figure BDA0003541025630000081
其中，sum表示变量取值的个数。
①当相关系数ρU,V为0时，U和V两变量无关系；
②当U的值增大(减小)，V值增大(减小)，两个变量为正相关，相关系数ρU,V在0.00与1.00之间；
③当U的值增大(减小)，V值减小(增大)，两个变量为负相关，相关系数ρU,V在-1.00与0.00之间；
相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
步骤2.2，比较计算所得的各相关系数的绝对值，以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量；除了特征量以外的用电总数据均为冗余特征量；
步骤2.3，从预处理后的用电总数据中去除冗余特征量，获得用电数据。
由于居民用户家中用电设备复杂多样，各设备用电特征差异较大，采用相关系数法进行特征选择，去除冗余特征量。对于用电总数据，只需要辨识出当前时刻是否存在电瓶车充电行为，并不需要对负荷进行分解，所以对预处理后的数据考虑分成两类：一类为包含电瓶车充电的用电总数据，一类为不包含电瓶车充电的用电总数据。
步骤3，利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器。
具体地，步骤3包括：
步骤3.1，用电数据集合Г包括N个d维特征量x1、x2、x3…xN，其中，N1个属于ω1类的d维特征量记为子集Γ1，N2个属于ω2类的d维特征量记为子集Γ2；ω1类对应包含电瓶车充电的用电数据，ω2类对应不包含电瓶车充电的用电数据；
各类中的d维特征量均值向量mi，满足如下关系式：
Figure BDA0003541025630000091
式中，x表示属于子集Γ1或子集Γ2的d维特征量；
各类内d维空间的离散度矩阵Si，满足如下关系式：
Figure BDA0003541025630000092
总类内d维空间的离散度矩阵Sw，满足如下关系式：
Sw＝S1+S2
式中，S1为ω1类内d维空间的离散度矩阵，S2为ω2类内d维空间的离散度矩阵；
各类间d维空间的离散度矩阵Sb，满足如下关系式：
Sb＝(m1-m2)(m1-m2)T
式中，m1为ω1类中的d维特征量均值向量，m2为ω2类中的d维特征量均值向量；
步骤3.2，对d维特征量x1、x2、x3…xN的分量做线性组合，得到N个一维标量，满足如下关系式：
yn＝wTxn，n＝1，2，3…N
式中，w为每个权重生成的权重向量，yn为第n个一维标量；
并且，N1个属于ω1类的一维标量记为子集Γ1′，N2个属于ω2类的一维标量记为子集Γ2′；
各类中的一维标量的均值
Figure BDA0003541025630000101
满足如下关系式：
Figure BDA0003541025630000102
其中，
Figure BDA0003541025630000103
y表示属于子集Γ1′或子集Γ2′的一维标量；
各类内一维空间的离散度矩阵
Figure BDA0003541025630000104
满足如下关系式：
Figure BDA0003541025630000105
总类内一维空间的离散度矩阵
Figure BDA0003541025630000106
满足如下关系式：
Figure BDA0003541025630000107
式中，
Figure BDA0003541025630000108
为ω1类内一维空间的离散度矩阵，
Figure BDA0003541025630000109
为ω2类内一维空间的离散度矩阵；
步骤3.3，基于Fisher分类器法，利用各类中的一维标量的均值
Figure BDA00035410256300001010
和总类内一维空间的离散度矩阵
Figure BDA00035410256300001011
计算Fisher分类准则函数JF(w)，满足如下关系式：
Figure BDA00035410256300001012
步骤3.4，建立线性分类器g(X)，满足如下关系式：
g(X)＝wTX+w0
式中，wT为垂直于超平面的法向量，w0为阈权值，X＝{x1、x2、x3…xN}；
步骤3.5，基于函数最优原理，采用拉格朗日乘数法求解JF(w)最大值对应的 w*，作为最佳变换向量；以最佳变换向量w*作为d维特征量的投影方向；其中，最佳变换向量w*满足如下关系式：
Figure BDA0003541025630000111
以最佳变换向量w*作为垂直于超平面的法向量wT。
优选地，步骤3.4中，根据先验概率和特征量数量，计算阈权值w0，满足如下关系式：
Figure BDA0003541025630000112
式中，p(w1)为样本隶属ω1类的先验概率，p(w2)为样本隶属ω2类的先验概率；
实施例1中，若知道先验概率p(w1)和p(w2)，以及样本数量，可以根据下式计算w0：
Figure BDA0003541025630000113
Figure BDA0003541025630000114
若未知先验概率，可以按照下式计算w0：
Figure BDA0003541025630000115
阈权值w0决定超平面在空间上的上下或者左右平移的位置。
优选地，若两个先验概率均未知，阈权值w0满足
Figure BDA0003541025630000116
步骤4，将用电数据划分为训练集和测试集；利用训练集对线性分类器进行训练，利用测试集对训练好的线性分类器进行电瓶车充电行为的检测。
具体地，步骤4中，将用电数据按照1：1的比例，划分为训练集和测试集；其中，训练集包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
其中，包含电瓶车充电的用电数据包括：包含电瓶车充电行为的居民用户用电数据，各类不同的电器用电数据；定义包含电瓶车充电的用电数据为异常用电数据；
不包含电瓶车充电的用电数据仅包括各类电器用电数据；定义不包含电瓶车充电的用电数据为正常用电数据。
实施例1中，将每类样本数据均分为两部分，其中50％数据作为Fisher分类器的训练样本，训练样本为有完整标签的样本，即训练样本为有电瓶车充电与无电瓶车充电两类；余下的样本数据作为测试样本，验证Fisher分类器的可行性。
本发明另一方面提出了基于有监督分类的非侵入式电瓶车充电检测系统，系统包括：用电采集模块，样本分类模块，充电检测模块。
用电采集模块，用于每天每分钟采集居民用电总数据，并对用电总数据进行预处理和冗余特征量去除，得到包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
用电采集模块将包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据均输入至样本分类模块中；用电采集模块还将经过用电数据划分为训练集和测试集；
样本分类模块，用于利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器；利用训练集对线性分类器进行训练，以得到训练好的线性分类器；
充电检测模块，用于利用训练好的线性分类器对测试集进行分类，对电瓶车充电行为进行辨识。
用电采集模块内置预处理单元和冗余特征量去除单元；
其中，预处理单元，用于对每天每分钟采集的居民用电总数据进行异常值剔除和补充数据中的缺失值；
冗余特征量去除单元，用于从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个参量不同类的之间的相关系数；以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量，以除了特征量以外的用电总数据均为冗余特征量，从而从预处理后的用电总数据中去除冗余特征量，获得用电数据。
实施例2。
以一户家庭的某日17：00-06：00时段的用电数据为数据源进行电瓶车充电行为辨识。
图2为本发明实施例中电瓶车电气特征量标准化曲线图；
图3为本发明实施例中电气特征量相关系数计算结果图；
图4为本发明实施例中居民用户工作日不同时刻用电设备工作电流图；
图5为本发明实施例中有监督Fisher分类器辨识电瓶车充电结果图。
(1)数据预处理
首先对居民用电数据进行预处理，基于智能电表采集到的居民用户用电数据，读取用户每日每分钟的用电功率、电流电压数据等电气特征量；对数据进行预处理，去除原数据中的异常值；对于样本中的缺失值，采取同类均值插补法补充数据中的缺失值。
同类均值插补法为：通过采用K-Means聚类模型预测缺失变量的类型，再以该类型的均值插补。
(2)数据特征量选择
居民家中用电设备种类复杂多样，各类电气设备由于负荷元件、工作原理的不同，拥有不同的负荷特征。居民家中用电电压稳定，负荷特征的区别主要在电流波形的不同，电瓶车在充电过程中的充电电流波形非线性程度较大、畸变严重，瞬时功率峰值较高，使得电瓶车充电过程中负荷特征较为明显，如图2所示。对用电设备的电气特征量进行选择，如图3所示，考虑到存在冗余特征量，选取用电设备的两个特征量，电流与无功特征参数。
(3)负荷数据分类
如图4所示，对于用电总数据，只需要辨识出当前时刻是否存在电瓶车充电行为，并不需要对负荷进行分解，所以将预处理后的数据分为两类：
将用电数据样本分为两类：一类为包含电瓶车充电的用电总数据，一类为不包含电瓶车充电的用电总数据。
某户居民用户某天17：00-次日06：00时段的用电数据，用电设备种类有：冰箱、空调、洗衣机、电视机、电脑、电吹风、电饭煲、电磁炉、开水壶、节能灯、电瓶车。用电设备具体用电时段如表1所示。
表1各用电设备运行时段
Figure BDA0003541025630000131
Figure BDA0003541025630000141
(4)有监督Fisher分类器参数设计
依据用电数据首先进行一些分类器的参数计算，计算样本的均值向量，总类内离散矩阵与总类间离散矩阵，进而确定Fisher准则函数。在求出Fisher准则函数后，再根据样本集求出使得准则函数达到极值的分类器参数，确定分类器的最佳变换向量w*和w0两个参数。各计算结果如下表2所示。
表2Fisher分类器参数计算结果
Figure BDA0003541025630000142
(5)电瓶车充电行为辨识结果
考虑到实际居民家中用电设备情况的复杂性，会有各种不同的用电设备组合。测试样本选择如表3所示，考虑部分用电设备组合情况。
表3部分用电设备组合情况
Figure BDA0003541025630000143
Figure BDA0003541025630000151
利用设计好的Fisher分类器对测试样本进行电瓶车充电行为辨识，由辨识结果分析可知，如图5所示，利用该方法进行的类别判定与实际样本中电瓶车充电行为情况基本一致，仿真分析辨识电瓶车充电行为的结果与实际电瓶车充电行为情况较为吻合。实施例证明该方法能够很好的辨识出电瓶车充电行为。
表4辨识结果与实际情况对比
Figure BDA0003541025630000152
Figure BDA0003541025630000161
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
所述检测方法包括：
步骤1，每天每分钟采集居民用电总数据；并对用电总数据进行预处理；
步骤2，基于相关系数法计算不同类的预处理后用电总数据之间的相关性并进行特征量选择；从预处理后用电总数据中去除冗余特征量后得到用电数据；用电数据包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
步骤3，利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器；
步骤4，将用电数据划分为训练集和测试集；利用训练集对线性分类器进行训练，利用测试集对训练好的线性分类器进行电瓶车充电行为的检测。
2.根据权利要求1所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤1包括：
步骤1.1，利用智能电表采集居民每天每分钟的有功功率、无功功率、电压和电流；
步骤1.2，对采集到的用电总数据进行异常值剔除，采取同类均值插补法补充数据中的缺失值。
3.根据权利要求2所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤1.2的同类均值插补法，通过采用K-Means聚类模型预测缺失值的类型，再以同类型的均值进行插补。
4.根据权利要求3所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤2包括：
步骤2.1，从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个不同类的参量之间的相关系数；其中，所提取的两个不同类的参量包括：有功功率和电流、无功功率和电流、有功功率和无功功率、有功功率和电压、无功功率和电压、电流和电压；
步骤2.2，比较计算所得的各相关系数的绝对值，以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量；除了特征量以外的用电总数据均为冗余特征量；
步骤2.3，从预处理后的用电总数据中去除冗余特征量，获得用电数据。
5.根据权利要求4所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤3包括：
步骤3.1，用电数据集合Γ包括N个d维特征量x1、x2、x3…xN，其中，N1个属于ω1类的d维特征量记为子集Γ1，N2个属于ω2类的d维特征量记为子集Γ2；ω1类对应包含电瓶车充电的用电数据，ω2类对应不包含电瓶车充电的用电数据；
各类中的d维特征量均值向量mi，满足如下关系式：
Figure FDA0003541025620000021
式中，x表示属于子集Γ1或子集Γ2的d维特征量；
各类内d维空间的离散度矩阵Si，满足如下关系式：
Figure FDA0003541025620000022
总类内d维空间的离散度矩阵Sw，满足如下关系式：
Sw＝S1+S2
式中，S1为ω1类内d维空间的离散度矩阵，S2为ω2类内d维空间的离散度矩阵；
各类间d维空间的离散度矩阵Sb，满足如下关系式：
Sb＝(m1-m2)(m1-m2)T
式中，m1为ω1类中的d维特征量均值向量，m2为ω2类中的d维特征量均值向量；
步骤3.2，对d维特征量x1、x2、x3…xN的分量做线性组合，得到N个一维标量，满足如下关系式：
yn＝wTxn，n＝1，2，3...N
式中，w为每个权重生成的权重向量，yn为第n个一维标量；
并且，N1个属于ω1类的一维标量记为子集Γ1′，N2个属于ω2类的一维标量记为子集Γ′2；
各类中的一维标量的均值
Figure FDA0003541025620000031
满足如下关系式：
Figure FDA0003541025620000032
其中，
Figure FDA0003541025620000033
y表示属于子集Γ1′或子集Γ′2的一维标量；
各类内一维空间的离散度矩阵
Figure FDA0003541025620000034
满足如下关系式：
Figure FDA0003541025620000035
总类内一维空间的离散度矩阵
Figure FDA0003541025620000036
满足如下关系式：
Figure FDA0003541025620000037
式中，
Figure FDA0003541025620000038
为ω1类内一维空间的离散度矩阵，
Figure FDA0003541025620000039
为ω2类内一维空间的离散度矩阵；
步骤3.3，基于Fisher分类器法，利用各类中的一维标量的均值
Figure FDA00035410256200000310
和总类内一维空间的离散度矩阵
Figure FDA00035410256200000311
计算Fisher分类准则函数JF(w)，满足如下关系式：
Figure FDA00035410256200000312
步骤3.4，建立线性分类器g(X)，满足如下关系式：
g(X)＝wTX+w0
式中，wT为垂直于超平面的法向量，w0为阈权值，X＝{x1、x2、x3…xN}；
步骤3.5，基于函数最优原理，采用拉格朗日乘数法求解JF(w)最大值对应的w*，作为最佳变换向量；以最佳变换向量w*作为d维特征量的投影方向；其中，最佳变换向量w*满足如下关系式：
Figure FDA00035410256200000313
以最佳变换向量w*作为垂直于超平面的法向量wT。
6.根据权利要求5所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤3.4中，根据先验概率和特征量数量，计算阈权值w0，满足如下关系式：
Figure FDA0003541025620000041
式中，p(w1)为样本隶属ω1类的先验概率，p(w2)为样本隶属ω2类的先验概率；
阈权值w0决定超平面在空间上的上下或者左右平移的位置。
7.根据权利要求6所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
若两个先验概率均未知，阈权值w0满足
Figure FDA0003541025620000042
8.根据权利要求1所述的基于有监督分类的非侵入式电瓶车充电检测方法，其特征在于，
步骤4中，将用电数据按照1∶1的比例，划分为训练集和测试集；其中，训练集包括：包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
其中，包含电瓶车充电的用电数据包括：包含电瓶车充电行为的居民用户用电数据，各类不同的电器用电数据；定义包含电瓶车充电的用电数据为异常用电数据；
不包含电瓶车充电的用电数据仅包括各类电器用电数据；定义不包含电瓶车充电的用电数据为正常用电数据。
9.利用权利要求1至8任一项所述的基于有监督分类的非侵入式电瓶车充电检测方法而实现的基于有监督分类的非侵入式电瓶车充电检测系统，所述系统包括：用电采集模块，样本分类模块，充电检测模块，其特征在于，
用电采集模块，用于每天每分钟采集居民用电总数据，并对用电总数据进行预处理和冗余特征量去除，得到包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据；
用电采集模块将包含电瓶车充电的用电数据和不包含电瓶车充电的用电数据均输入至样本分类模块中；用电采集模块还将经过用电数据划分为训练集和测试集；
样本分类模块，用于利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；基于函数最优原理，建立使得Fisher分类准则函数达到极大值的线性分类器；利用训练集对线性分类器进行训练，以得到训练好的线性分类器；
充电检测模块，用于利用训练好的线性分类器对测试集进行分类，对电瓶车充电行为进行辨识。
10.根据权利要求9所述的基于有监督分类的非侵入式电瓶车充电检测系统，其特征在于，
用电采集模块内置预处理单元和冗余特征量去除单元；
其中，预处理单元，用于对每天每分钟采集的居民用电总数据进行异常值剔除和补充数据中的缺失值；
冗余特征量去除单元，用于从预处理后的用电总数据中任意提取两个不同类的参量，基于相关系数法，计算两个参量不同类的之间的相关系数；以相关系数绝对值的最大值对应的两个不同类的参量作为用电总数据的特征量，以除了特征量以外的用电总数据均为冗余特征量，从而从预处理后的用电总数据中去除冗余特征量，获得用电数据。
CN202210240123.7A 2022-03-10 2022-03-10 基于有监督分类的非侵入式电瓶车充电检测方法及系统 Pending CN114662576A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210240123.7A CN114662576A (zh) 2022-03-10 2022-03-10 基于有监督分类的非侵入式电瓶车充电检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210240123.7A CN114662576A (zh) 2022-03-10 2022-03-10 基于有监督分类的非侵入式电瓶车充电检测方法及系统

Publications (1)

Publication Number Publication Date
CN114662576A true CN114662576A (zh) 2022-06-24

Family

ID=82030136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210240123.7A Pending CN114662576A (zh) 2022-03-10 2022-03-10 基于有监督分类的非侵入式电瓶车充电检测方法及系统

Country Status (1)

Country Link
CN (1) CN114662576A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456034A (zh) * 2022-11-09 2022-12-09 广东浩迪创新科技有限公司 一种电动自行车充电自动识别监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456034A (zh) * 2022-11-09 2022-12-09 广东浩迪创新科技有限公司 一种电动自行车充电自动识别监测方法及系统

Similar Documents

Publication Publication Date Title
CN111830347B (zh) 一种基于事件的两阶段非侵入式负荷监测方法
CN110956220A (zh) 一种非侵入式家用电器负荷识别方法
CN111564842B (zh) 一种非侵入式用电负荷监测中长期能耗统计估算的方法
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
Afzalan et al. A machine learning framework to infer time-of-use of flexible loads: Resident behavior learning for demand response
CN111428755A (zh) 非侵入式负荷监测方法
CN111242161B (zh) 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111563827B (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN111553444A (zh) 一种基于非侵入负荷终端数据的负荷辨识方法
Quek et al. Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network
Kang et al. Adaptive non-intrusive load monitoring based on feature fusion
CN113902104A (zh) 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
CN114236234A (zh) 一种基于基波和谐波混合判据的电器特征辨识方法
CN113887912A (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
CN114942344A (zh) 一种非侵入式用电器识别方法、系统、介质、设备及终端
CN114662576A (zh) 基于有监督分类的非侵入式电瓶车充电检测方法及系统
Yuan et al. A novel current signal feature and its application in noninvasive load monitoring
Punmiya et al. Anomaly detection in power quality measurements using proximity-based unsupervised machine learning techniques
CN116995734B (zh) 面向电网的分布式能源电能质量监测控制评价系统
CN113193654A (zh) 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
CN115112989B (zh) 基于低频数据的非侵入式负荷监测方法
Rueda et al. Transient event classification based on wavelet neuronal network and matched filters
Yao et al. AdaBoost-CNN: a hybrid method for electricity theft detection
Shi et al. An improved non-intrusive load identification method for VI trajectory based on amplitude to pixel value

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