CN115146709A - 一种面向表端的非侵入式负荷识别方法 - Google Patents

一种面向表端的非侵入式负荷识别方法 Download PDF

Info

Publication number
CN115146709A
CN115146709A CN202210645266.6A CN202210645266A CN115146709A CN 115146709 A CN115146709 A CN 115146709A CN 202210645266 A CN202210645266 A CN 202210645266A CN 115146709 A CN115146709 A CN 115146709A
Authority
CN
China
Prior art keywords
event
current
power
instantaneous power
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
Application number
CN202210645266.6A
Other languages
English (en)
Inventor
杜磊
董辉
赵小明
高平航
张石清
汪向荣
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.)
Wenling Research Institute Of Taizhou University
Zhejiang Wellsun Intelligent Technology Co Ltd
Original Assignee
Wenling Research Institute Of Taizhou University
Zhejiang Wellsun Intelligent Technology 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 Wenling Research Institute Of Taizhou University, Zhejiang Wellsun Intelligent Technology Co Ltd filed Critical Wenling Research Institute Of Taizhou University
Priority to CN202210645266.6A priority Critical patent/CN115146709A/zh
Publication of CN115146709A publication Critical patent/CN115146709A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一个面向表端的非侵入式负荷识别方法，所述方法包括以下步骤：电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；特征提取，提取当前事件的瞬时功率特征和V‑I轨迹特征；特征比对，采用子串匹配算法，将当前事件的瞬时功率特征和V‑I轨迹特征与预设的特征库匹配，得到事件的具体类别。本发明可直接面向表端实现负荷的智能识别。

Description

一种面向表端的非侵入式负荷识别方法
技术领域
本发明属于电器检测领域，具体来说涉及一种面向表端的非侵入式负荷识别方法。
背景技术
电力在人们日常生活中扮演着至关重要的角色，但是随着社会的进步，日益增加的电力需求和有限的不可再生资源的矛盾日益凸显。为了满足正常的日常生产，政府制定不同的限电政策以达到能源双控的目标。作为电力资源管理的有效解决方案，智能用电的关键技术是负荷监测技术，该技术能够获得负荷的能耗详情和用户的用电行为等。
负荷监测有两种技术，即侵入式负荷监测和非侵入式负荷监测技术。前者需要为每一个负荷安装一个传感器，时刻监测相应负荷的电流电压等信息。后者无需安装传感器，仅仅利用电表数据和机器学习算法，就可以分析出每个负荷的详细信息。侵入式负荷监测虽然监测准确率高，但是硬件成本更高，很难推广到人们日常生活中，而低成本的非侵入式负荷监测安装成本低，应用灵活、对用户影响小，因此更容易得到推广。
尽管非侵入式负荷监测的研究体系已相当完善，但是仍然存在一些问题需要解决。目前智能电表的计量芯是一颗256MB的NOR Flash。虽然非侵入式负荷识别算法精度很高，但是大部分算法的特点是计算量大，受限于家用电表的低内存，导致该类算法不能直接嵌入到家用电表中；新负荷的加入可能导致原来的识别算法出现误差，进而影响非侵入式负荷识别NILM(non-intrusive load monitoring)性能；现有基于V-I轨迹图的识别算法虽然识别精度高，但是对于部分事件并不能保证能够提取到轨迹图特征，因此无法完全基于轨迹特征图进行负荷监测。
发明内容
本发明的目的在于提供一种面向表端的非侵入式负荷识别方法，以解决背景技术中提出的问题。
为实现上述目的，本发明提供技术方案如下：
一个面向表端的非侵入式负荷识别方法，所述方法包括以下步骤：
电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；
事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；
特征提取，提取当前事件的瞬时功率特征和V-I轨迹特征；
特征比对，采用子串匹配算法，将当前事件的瞬时功率特征和V-I轨迹特征与预设的特征库匹配，得到事件的具体类别。
优选地，所述事件监测包括以下子步骤：
设定时间探测窗的每次移动的步长为l；
基于视在功率序列{w1，...，wt，wt+1，...}计算任一时刻的视在功率变化量Δwt＝wt+1-wt；
判断Δwt＞wON1，wON1表示事件监测功率变化阈值，若是，事件探测窗移动直至Δwt+nl＜wON1，n表示时间探测窗的移动次数；
判断wt+nl-wt＜wON2，wON2为能检测到的事件发生时的最小视在功率变化值，若是，则不存在事件发生，否则有事件发生。
优选地，所述瞬时功率特征的提取包括以下步骤：
获取事件发生开始时间ton的第一关联功率序列
Figure BDA0003678821160000021
和第二关联功率序列
Figure BDA0003678821160000022
基于第二关联功率序列计算关联第二平均功率；
将第一关联功率序列中每一功率减去关联第二平均功率，得到若干瞬时功率组成的瞬时功率序列。
优选地，所述VI轨迹特征的提取包括以下步骤：
分别对当前事件前后T秒内的电流电压波形进行平滑和插值处理；
T秒内每秒取一周期电流电压波形并对电压波形进行傅里叶变换，取基波电压相角为0的点作为电流电压波形初始采样点；
将电流电压波形各周期相同位置采样点取平均值，以电压为横坐标、以事件发生后电流与事件发生前电流的差为纵坐标，绘制V-I曲线；
基于V-I曲线提取各形状特征。
优选地，所述特征比对包括以下步骤：
对瞬时功率序列提取若干瞬时功率子序列，
对任一瞬时功率子序列，提取特征库同等时段内的参考瞬时功率子序列，计算对应的瞬时功率子序列和参考功率子序列的相似度，基于最大相似度值确定瞬时功率子序列的负荷；统计瞬时功率序列中m个瞬时功率子序列的对应的m个负荷识别结果；
判断V-I轨迹特征是否置空，若是，选取投票最多的一负荷识别结果作为最终的负荷类别，否则，额外计算V-I轨迹特征与特征库的V-I参考轨迹特征的相似度，选择前k个最相似的结果作为备选结果，对m+k个匹配结果投票，得到最终的负荷类别。
优选地，所述相似度为计算距离差，距离差越大，相似度越低。
优选地，还包括特征库的更新步骤，所述特征库的更新包括云端更新和表端更新；
所述云端更新为从云端下载新负荷的瞬时功率特征和V-I轨迹特征，并加入特征库；
所述表端更新为在添加新负荷时执行电表采样、事件监测及特征提取步骤，以提取新负荷的瞬时功率特征和V-I轨迹特征，并加入特征库。
与现有技术相比，本发明的有益效果为：
相对于使用监督学习算法，本发明中的非侵入式负荷识别方法，计算量相对较小，可直接面向表端实现负荷的智能识别；而监督学习算法需要不断训练更新模型，其计算量高，对设备的性能要求高，无法直接嵌入到家用电表中。
附图说明
图1为本发明流程图。
图2为本发明步骤4的流程图。
图3为特征库更新流程图。
图4为电冰箱启动时刻瞬时功率序列。
图5为电冰箱V-I轨迹图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
一个面向表端的非侵入式负荷识别方法，所述方法包括电表采样、事件监测、特征提取以及特征比对4个步骤。
步骤1，对智能电表中的电流电压信息进行采样，并计算功率序列。
国家交流电是50hz的正弦波形每一个正弦波形的采样点是256个，对其进行1∶2560的采样，得到的电压采样序列、电流采样序列分别为U＝{u1，u2，...}、I＝{i1，i2，...}，通过功率计算公式得到每秒的视在功率；基于每秒的视在功率构建功率序列{w1，w2，...，}；
本发明步骤1中，由于国家交流电是50hz的正弦波形，每一个正弦波形的采样点是256个；如果直接再原始波形采集特征的计算量很大，不实用，因此提取特征时进行下采样，原始波形1秒共有12800个点，采样后1秒有5个点。
步骤2，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤。
该步骤2具体包括以下子步骤：
步骤2.1，设定时间探测窗的每次移动的步长为l；
步骤2.2，基于视在功率序列{w1，...，wt，wt+1，...}计算任一时刻的视在功率变化量Δwt＝wt+1-wt，wt表示当前时刻t的视在功率；
步骤2.3，判断Δwt＞wON1，wON1表示事件监测功率变化阈值，若是，事件探测窗按照预设步长移动直至Δwt+nl＜wON1，n表示时间探测窗的移动次数，执行步骤2.4，否则重复步骤2.3；
步骤2.4，判断wt+nl-wt＜wON2，wON2为能检测到的事件发生时的最小视在功率变化值，若是，则不存在事件发生，否则有事件发生。
本发明中，若Δwt＞wON1，且wt+nl-wt＜wON2，则此时t为事件发生的开始时间ton。
步骤3，提取当前事件的瞬时功率特征和VI轨迹特征。
所述提取当前事件的瞬时功率特征为：
(1)获取事件发生开始时间ton的第一关联功率序列
Figure BDA0003678821160000051
和第二关联功率序列
Figure BDA0003678821160000052
这里，u1＝20，u0＝5，u2＝1
(2)基于第二关联功率序列计算第二关联平均功率
Figure BDA0003678821160000053
(3)将第一关联功率序列中每一功率减去关联第二平均功率，得到若干瞬时功率组成的瞬时功率序列，如图4所示。
所述提取当前事件的VI轨迹特征为：
(1)对当前事件前后各T秒内的电流电压波形均进行平滑和插值处理；这里，分别提取事件开始时刻ton前T秒的电流电压和时间结束时刻toff后T秒内的电流电压，并对这两个电流电压均做平滑和插值处理，从而对数据降噪。
(2)T秒内每秒取一周期电流电压波形并对电压波形进行傅里叶变换，取基波电压相角为0的点作为电流电压波形初始采样点；这里在降噪后的电流波形和电压波形中，分别每秒截取一个周期的电流波形和电压波形，需要注意的是，截取的电流波形和电压波形处于同一周期下；由于有T秒，因此有T个周期的电压波形和T个周期的电流波形。
(3)将电流电压波形各周期相同位置采样点取平均值，分别对电流和电压进行归一化处理，以电压为横坐标、以事件发生后电流与事件发生前电流的差为纵坐标，绘制V-I曲线如图5所示；这里，举例来说，对事件开始时刻ton前T个周期的电流波形，选取相同电压采样相位点的共T个电流，计算电流平均值I1，对事件结束时刻toff后T个周期的电流波形，选取相同电压采样相位点的共T个电流，计算电流平均值I2。
(4)基于V-I曲线提取各形状特征。
V-I曲线的形状表征有不同的方法，其中一种方法是使用形状特征来描述形状，V-I曲线上各形状特征如表1所示，这里，如何基于V-I曲线提取各形状特征为本领域的公知常识，本领域技术人员可根据实际情况自行设置。
表1 V-I曲线上各形状特征
Figure BDA0003678821160000061
Figure BDA0003678821160000071
步骤4，采用子串匹配算法，将当前事件的瞬时功率特征和VI轨迹特征与预设的特征库匹配，得到事件的具体类别。
参照图2所示，所述步骤4包括以下子步骤：
步骤4.1，对瞬时功率序列提取若干瞬时功率子序列；
步骤4.2，对瞬时功率子序列，提取特征库同等时段内的参考瞬时功率子序列，计算对应的瞬时功率子序列和参考功率子序列的相似度，基于最大相似度值确定瞬时功率子序列的负荷；统计瞬时功率序列中m个瞬时功率子序列的对应的m个负荷识别结果；
这里，举例来说，将待识别的瞬时功率序列拆分为m个瞬时功率子序列：a[6:15]，a[10:19]，......，计算a[6:15]分别与特征库中各类别的参考功率子序列a′[6:15]的欧式距离，选择距离最小的参考功率子序列对应的类别作为该子序列的类别，该类别即为负荷识别结果。
步骤4.3，判断VI轨迹特征是否置空，若是，选取投票最多的一负荷识别结果作为最终的负荷类别，否则，额外计算V-I轨迹特征与特征库的V-I参考轨迹特征的相似度，选择前k个最相似的结果作为备选结果，对m+k个匹配结果投票，得到最终的负荷类别。
这里，基于V-I曲线提取的各形状特征构建形状特征向量，计算与特征库中每一V-I轨迹的参考形状特征向量相似度值，也即计算两者的欧式距离，选择k个最小距离下的负荷类别作为k个负荷识别结果；将m个匹配结果分别设置票值为1，将k个匹配结果的票值分别设置为
Figure BDA0003678821160000072
di为第i个匹配结果的欧式距离，选取投票最多的一负荷识别结果作为最终的负荷类别。
进一步的，该方法还包括特征库的更新步骤，所述特征库的更新包括云端更新和表端更新：所述云端更新为从云端下载新负荷的瞬时功率特征和VI轨迹特征，并加入特征库；所述表端更新为在添加新负荷时执行电表采样、事件监测及特征提取步骤，以提取新负荷的瞬时功率特征和V-I轨迹特征，并加入特征库。本发明中的表端更新可在新电器上电后在关联APP上进行特征库的更新。
相对于使用监督学习算法，本发明中的非侵入式负荷识别方法，计算量相对较小，可直接面向表端实现负荷的智能识别；而监督学习算法需要不断训练更新模型，其计算量高，对设备的性能要求高，无法直接嵌入到家用电表中。

Claims (7)

1.一个面向表端的非侵入式负荷识别方法，其特征在于，所述方法包括以下步骤：
电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；
事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流
电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；
特征提取，提取当前事件的瞬时功率特征和V-I轨迹特征；
特征比对，采用子串匹配算法，将当前事件的瞬时功率特征和V-I轨迹特征与预设的特
征库匹配，得到事件的具体类别。
2.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述事件监测包括以下子步骤：
设定时间探测窗的每次移动的步长为l；
基于视在功率序列{w1，...，wt，wt+1，...}计算任一时刻的视在功率变化量Δwt＝wt+1-wt；
判断Δwt＞wON1，wON1表示事件监测功率变化阈值，若是，事件探测窗移动直至Δwt+nl＜wON1，n表示时间探测窗的移动次数；
判断wt+nl-wt＜wON2，wON2为能检测到的事件发生时的最小视在功率变化值，若是，则不存在事件发生，否则有事件发生。
3.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述瞬时功率特征的提取包括以下步骤：
获取事件发生开始时间ton的第一关联功率序列
Figure FDA0003678821150000011
和第二关联功率序列
Figure FDA0003678821150000012
u0、u1、u2均为预设值；
基于第二关联功率序列计算关联第二平均功率；
将第一关联功率序列中每一功率减去关联第二平均功率，得到若干瞬时功率组成的瞬时功率序列。
4.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述V-I轨迹特征的提取包括以下步骤：
对当前事件前后T秒内的电流电压波形进行平滑和插值处理；
T秒内每秒取一周期电流电压波形并对电压波形进行傅里叶变换，取基波电压相角为0的点作为电流电压波形初始采样点；
将电流电压波形各周期相同位置采样点取平均值，分别对电流和电压进行归一化处理，然后以电压为横坐标、以事件发生后电流与事件发生前电流的差为纵坐标，绘制V-I曲线；
从V-I曲线提取相关特征。
5.如权利要求3所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述特征比对包括以下步骤：
对瞬时功率序列提取若干瞬时功率子序列；
对任一瞬时功率子序列，提取特征库同等时段内的参考瞬时功率子序列，计算对应的瞬时功率子序列和参考功率子序列的相似度，基于最大相似度值确定瞬时功率子序列的负荷；统计瞬时功率序列中m个瞬时功率子序列的对应的m个负荷识别结果；
判断V-I轨迹特征是否置空，若是，选取投票最多的一负荷识别结果作为最终的负荷类别，否则，额外计算V-I轨迹特征与特征库的V-I参考轨迹特征的相似度，选择前k个最相似的结果作为备选结果，对m+k个匹配结果投票，得到最终的负荷类别。
6.如权利要求5所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述相似度为计算距离差，距离差越大，相似度越低。
7.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，还包括特征库的更新步骤，所述特征库的更新包括云端更新和表端更新；
所述云端更新为从云端下载新负荷的瞬时功率特征和V-I轨迹特征，并加入特征库；
所述表端更新为在添加新负荷时执行电表采样、事件监测及特征提取步骤，以提取新负荷的瞬时功率特征和V-I轨迹特征，并加入特征库。
CN202210645266.6A 2022-06-06 2022-06-06 一种面向表端的非侵入式负荷识别方法 Pending CN115146709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210645266.6A CN115146709A (zh) 2022-06-06 2022-06-06 一种面向表端的非侵入式负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210645266.6A CN115146709A (zh) 2022-06-06 2022-06-06 一种面向表端的非侵入式负荷识别方法

Publications (1)

Publication Number Publication Date
CN115146709A true CN115146709A (zh) 2022-10-04

Family

ID=83407662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210645266.6A Pending CN115146709A (zh) 2022-06-06 2022-06-06 一种面向表端的非侵入式负荷识别方法

Country Status (1)

Country Link
CN (1) CN115146709A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859169A (zh) * 2023-09-01 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种非侵入式电力负荷分解方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859169A (zh) * 2023-09-01 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种非侵入式电力负荷分解方法及系统
CN116859169B (zh) * 2023-09-01 2023-11-17 国网浙江省电力有限公司余姚市供电公司 一种非侵入式电力负荷分解方法及系统

Similar Documents

Publication Publication Date Title
CN106936129B (zh) 基于多特征融合的电力负荷辨识方法及系统
Wang et al. Non-intrusive load monitoring algorithm based on features of V–I trajectory
CN108021736B (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
Mengistu et al. A cloud-based on-line disaggregation algorithm for home appliance loads
CN110956220B (zh) 一种非侵入式家用电器负荷识别方法
CN111830347B (zh) 一种基于事件的两阶段非侵入式负荷监测方法
Wu et al. Non-intrusive load monitoring using factorial hidden markov model based on adaptive density peak clustering
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
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN113361831B (zh) 基于优先级分配的非侵入式负荷辨识电量分解方法及系统
CN114970633B (zh) 一种基于lstm的非侵入式用电器识别方法、系统及设备
Xu et al. A new non-intrusive load monitoring algorithm based on event matching
CN115146709A (zh) 一种面向表端的非侵入式负荷识别方法
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
Wu et al. Nonintrusive on-site load-monitoring method with self-adaption
CN114942344A (zh) 一种非侵入式用电器识别方法、系统、介质、设备及终端
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
Zheng et al. Non-intrusive load monitoring based on the graph least squares reconstruction method
Yan et al. Adaptive event detection for representative load signature extraction
Huang et al. An online non-intrusive load monitoring method based on Hidden Markov model
Yang et al. Mining the big data of residential appliances in the smart grid environment
Li et al. The investigation of residential load identification technologies
Yao et al. State characteristic clustering for nonintrusive load monitoring with stochastic behaviours in smart grids
Qian et al. An improved temporal convolutional network for non-intrusive load monitoring
CN112560889A (zh) 一种电力负荷识别方法

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