CN115687999A - 融合多时间尺度电器特征的非侵入式负荷感知方法 - Google Patents

Abstract

本发明公开了一种融合多时间尺度电器特征的非侵入式负荷感知方法。该方法首先进行用电数据采集和预处理，然后对是否发生电器事件和功率序列是否波动进行检测。当事件结束后以及发现功率序列正在波动后，提取多时间尺度电器特征、构造感知模型并训练，最后进行融合多时间尺度电器特征的负荷感知。本发明能够综合多时间尺度上的电器特征，不同时间尺度上更全面的电器特性提取，并实现有效平衡不同时间尺度上的分类结果误差，最终科学合理地进行多时间尺度的非侵入式负荷感知。

Description

融合多时间尺度电器特征的非侵入式负荷感知方法

技术领域

本发明属于智能用电技术领域，具体涉及一种融合多时间尺度电器特征的非侵入式负荷感知方法。

背景技术

住宅和商业能源消耗占全球能源消耗总量近半数。负荷监测与辨识具有重要意义，其可以帮助建筑负荷提高能效，减少碳排放。同时，对于终端用户，负荷监测可以为他们提供不同时期的电能消耗，并为用户节约能源。

非侵入式负荷监测(NILM)是近年来备受关注的一个新课题。与传统的侵入式负荷监测不同，NILM的目标是通过分析住宅入口处测得的聚合电流和电压信号来分析住宅内电器的运行状态。其不需要接入室内的内部电路，也不需要为电器配备单独的传感器，从而节省了时间和成本。与侵入式负荷监测相比，非侵入式负荷监测相对难度较大，但非侵入式方法具有成本低、操作简单等优势，且借助于传感技术、信息技术等的快速发展，非侵入式方法也逐渐成为了人们所关注与研究的重点。

非侵入式负荷感知的工作原理是利用了负荷的特征具有独特性和重复性这一性质。非侵入式负荷感知系统的典型算法框架中，其包括了数据量测、数据预处理、电器事件与波动探测、电器特征提取、感知模型训练与负荷识别等步骤。其中特征提取是一项关键技术。当数据量测、数据预处理、电器事件与波动探测结束后，特征提取步骤质量的高低，直接影响着后续步骤的质量。

负荷特征主要由两方面组成：一是电气特性，其由内部电路的拓扑结构决定，可通过观测工频周期下的电压、电流波形获得，其主要是短时间尺度上的负荷特征；二是工作模式，其由控制策略决定，可通过观察电器长时间运行数据后获得，其为长时间尺度上的负荷特征。过去研究人员过于关注单一时间尺度上的负荷识别，缺乏对不同时间尺度上负荷特征的综合关注，导致了过去的研究方法难以处理某些单一时间尺度类似而在其他时间尺度上不相同的负荷，最终使得负荷识别、匹配的准确性较低。

综上所述，如何科学合理地进行多时间尺度的非侵入式负荷特征提取就成为一个亟需解决的问题。因此需要一种融合多时间尺度电器特征的非侵入式负荷感知方法。

发明内容

本发明的目的就在于为了解决上述问题而提供一种融合多时间尺度电器特征的非侵入式负荷感知方法。

为实现上述发明的目的，本发明采用的技术方案是：

一种融合多时间尺度电器特征的非侵入式负荷感知方法，所述方法包括以下步骤：

S1、对用户住宅入口处的电压和电流进行周期采样，并计算每秒有功功率有效值；

S2、通过对步骤S1中计算的每秒有功功率有效值进行电器事件与波动性检测，检测是否有电器开启或关闭或有波动性电器处在运行中；

S3、当在检测到有电器开启或关闭或有波动性电器处在运行中时，分别在短时间尺度、过渡过程和长时间尺度三个不同的时间尺度上对步骤S1中采样的电流数据进行处理，得到各时间尺度上的待识别电流序列；读取负荷识别特征库中的电器特征集，计算各时间尺度上的待识别电流序列与对应时间尺度上的电器特征集中的各元素的相似度，得到待识别电流序列的电器特征向量；

S4、针对每个时间尺度，分别构造以机器学习器为基学习器的bagging分类器，其中 bagging分类器的输入为所述电器特征向量，输出为预测的电器类别概率；由三个时间尺度的bagging分类器组成负荷感知模型，负荷感知模型中将三个时间尺度上输出的电器类别概率进行平均，得到最终的电器类别概率，从中取概率最大的电气类别为当前输入最终对应的电器所属分类；使用含电器类别标签的历史电器特征向量数据对负荷感知模型进行训练；

S5、将待识别电流序列的电器特征向量输入训练后的负荷感知模型中得到预测结果，实现负荷识别。

基于上述技术方案，本发明还可以进一步采用以下优选方案。

作为优选，所述步骤S1中，在采样频率f₁及交变电流频率f₂下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u₁(k)和电流采样序列i₁(k)，其中k为采样点编号，采样频率f₁的取值范围为0.4kHz～50kHz，交变电流频率f₂的取值为50Hz；再计算每秒有功功率有效值，形成有功序列P₁，序列中时间t对应的有功功率有效值为P₁(t)。

作为优选，所述步骤S2中，电器事件与波动性检测的具体做法如下：

在进行电器事件检测时，计算相邻时刻(即相邻秒)有功功率的变化如式(1)所示：

ΔP(t-1,t)＝|P₁(t)-P₁(t-1)| (1)

其中，ΔP(t-1,t)是时间t和前一时间t-1之间有功功率有效值的变化量；若t₁时刻满足如式(2)所示的条件，则视为发生电器事件：

其中，t₁和t₂分别是电器事件的开始和结束时刻，T_f为事件突变阈值，T_e为事件发生阈值；

在进行波动性检测时，设置滑动窗口G^long的时间长度为M，滑动间隔为N，在滑动窗口G^long中按式(3)计算有功功率范围R和方差s²，再将滑动窗口G^long中的有功功率范围 R和方差s²分别与各自的阈值R_e和

进行比较，当满足式(4)所示的条件时确定此时有一个功率变化的电器正在运行；

其中

是滑动窗口G^long中M个有功功率有效值的平均有功功率。

作为优选，滑动窗口G^long的时间长度M优选值为5分钟，滑动间隔为1分钟；有功功率阈值R_e的优选值为100，方差阈值

优选值为400。

作为优选，所述步骤S3中，所述短时间尺度优选为交变电流频率f₂的一个周期；所述过渡过程优选为电器事件发生后的2秒；所述长时间尺度优选为大于1分钟。

作为优选，所述短时间尺度上的待识别电流序列为0.02秒的电流采样序列，过渡过程上的待识别电流序列为电器事件发生后的2秒内的每周期电流有效值，长时间尺度上的待识别电流序列为每秒电流均方根值序列。

作为优选，在步骤S3中，负荷识别特征库的电器特征集的计算方式如下：

电器特征的方案为shapelet，其被定义为可代表时间序列形状特征的子序列；若有M₁类电器，在每个时间尺度上每类电器有M₂个历史采集的历史电流序列；对于任一时间尺度，当前时间尺度上的历史电流序列的长度为L，则当前时间尺度上的shapelet特征集计算步骤包括：

①相似度计算：对每一类电器的M₂个历史电流序列W，遍历生成长度为3至L范围内的所有子序列V；

定义序列之间的距离为dist(T,R)，以及子序列与电流序列的距离为subdist(T,R)，二者的计算公式如式(5)和式(6)所示：

式中：T和R分别为一长度为m的电流序列，S为电流序列T中长度为l的子序列；

对于所有的子序列V，、计算与其对应的原历史电流序列W的距离subdist(W,V)作为子序列V与原历史电流序列W间的相似度δ₁；同时，计算子序列V与其他所有类别电器的所有历史电流序列W_other1、W_other2…、W_othern间的相似度subdist(W_other1,V)，subdist(W_other2,V)，…，subdist(W_othern,V)，其中n为其他所有类别电器的所有历史电流序列的总数量；

②二进制信息增益计算与排序：对于每条子序列V，统计子序列V与本类别电器的其他原历史电流序列的距离中，距离大于δ₁的数量为a₁，距离小于或等于δ₁的数量为a₂；同时，统计子序列V与其他类别电器的所有原历史电流序列的距离中，距离大于δ₁的数量为b₁，距离小于δ₁的数量为b₂；则子序列V的信息增益Gain(V)通过式(7)和式(8) 计算得到：

对每一类电器的所有子序列进行k-means聚类，去除形状相似的子序列，然后对其信息增益进行排序，取信息增益排名前5的子序列组成当前时间尺度上对应类别的shapelet 特征集J(k,m₁)，其中k为时间尺度类型序号，k＝1代表短时间尺度，k＝2代表过渡过程， k＝3代表长时间尺度，m₁为电器的类别序号；最终，当前时间尺度上的shapelet特征集 J_k＝{J(k,1),J(k,2),...,J(k,M₁)}。

作为优选，在步骤S3中，待识别电流序列的电器特征向量的计算方式如下：

对于每个时间尺度k，计算该时间尺度上的待识别电流序列与该时间尺度对应的shapelet特征集J_k中每个子序列元素的距离sim_k，在每个时间尺度上均得到5M₁个距离sim_k，组成该时间尺度上5M₁维的电器特征向量。

作为优选，所述步骤S4中，构造与训练感知模型时，在每个时间尺度上，基学习器的数目为M_D，训练时输入每一个基学习器的样本采用自举法提取；设置每个基学习器可以学习的最大特征数量为k_Di，且k_Di需要小于5M₁；对于每一个基学习器，所有的训练特征仍需要从原始特征中使用自举法来提取。

作为优选，所述机器学习器采用决策树或支持向量机。

本发明具有的有益效果如下：本发明能够综合多时间尺度上的电器特征，不同时间尺度上更全面的电器特性提取，并实现有效平衡不同时间尺度上的分类结果误差，最终科学合理地进行多时间尺度的非侵入式负荷感知。

附图说明

图1是本发明融合多时间尺度电器特征的非侵入式负荷感知方法流程示意图；

图2是两个时间尺度和集成后的分类混淆矩阵；

图3是训练样本的电器特征向量；

图4是两种空调的运行电流波形及其shapelet序列。

具体实施方式

下面结合附图和具体实施方式对本发明技术方案进行清楚、完整地做进一步阐述和说明。显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式，都属于本发明的保护的范围，并且本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

如图1所示，在本发明的一个较佳实施例中，提供了一种融合多时间尺度电器特征的非侵入式负荷感知方法，该方法包括以下S1～S5步骤：

S1、用户用电数据量测与预处理：对用户住宅入口处的电压和电流进行周期采样，并计算每秒有功功率有效值。

在本发明的实施例中，上述步骤S1中，在采样频率f₁及交变电流频率f₂下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u₁(k)和电流采样序列i₁(k)，其中k为采样点编号，采样频率f₁的取值范围为0.4kHz～50kHz，交变电流频率f₂的取值为 50Hz；再计算每秒有功功率有效值，形成有功序列P₁，序列中时间t对应的有功功率有效值为P₁(t)。

上述步骤S1中，在采样频率f₁及交变电流频率f₂下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u₁(k)和电流采样序列i₁(k)，其中k为采样点编号，采样频率f₁的取值范围为0.4kHz～50kHz，交变电流频率f₂的取值为50Hz；再计算每秒有功功率有效值，形成有功序列P₁，序列中时间t对应的有功功率有效值为P₁(t)。

S2、电器事件与波动性检测：通过对步骤S1中计算的每秒有功功率有效值进行电器事件与波动性检测，检测是否有电器开启或关闭或有波动性电器处在运行中。

在本发明的实施例中，上述步骤S2中，电器事件与波动性检测的具体做法如下：

在进行电器事件检测时，计算相邻时刻(相邻秒)有功功率的变化如式(1)所示：

ΔP(t-1,t)＝|P₁(t)-P₁(t-1)| (1)

其中，ΔP(t-1,t)是时间t和前一时间t-1之间有功功率有效值的变化量；若t₁时刻满足如式(2)所示的条件，则视为发生电器事件：

其中，t₁和t₂分别是电器事件的开始和结束时刻，T_f为事件突变阈值，T_e为事件发生阈值；

在进行波动性检测时，其检测原则为：

①设置滑动窗口G^long的时间长度为M，滑动间隔为N；

②在滑动窗口G^long中按式(3)计算有功功率范围R和方差s²；

③再将滑动窗口G^long中的有功功率范围R和方差s²分别与各自的阈值R_e和

进行比较，当满足式(4)所示的条件时确定此时有一个功率变化的电器正在运行；

其中

是滑动窗口G^long中M个有功功率有效值的平均有功功率。

其中，在本发明的实施例中，滑动窗口G^long的时间长度M优选值为5分钟，滑动间隔为1分钟；有功功率阈值R_e的优选值为100，方差阈值

优选值为400。

S3、电器特征提取：当在检测到有电器开启或关闭或有波动性电器处在运行中时，分别在短时间尺度、过渡过程和长时间尺度三个不同的时间尺度上对步骤S1中采样的电流数据进行处理，得到各时间尺度上的待识别电流序列；读取负荷识别特征库中的电器特征集，计算各时间尺度上的待识别电流序列与对应时间尺度上的电器特征集中的各元素的相似度，得到待识别电流序列的电器特征向量。

在本发明的实施例中，上述步骤S3中，所述短时间尺度优选为交变电流频率f₂的一个周期；所述过渡过程优选为电器事件发生后的2秒；所述长时间尺度优选为大于1分钟。由于步骤S1中交变电流频率优选值为50Hz，则短时间尺度优选值为0-0.02秒。本发明的实施例中，短时间尺度上的待识别电流序列优选为长度为0.02秒的电流采样序列，过渡过程上的待识别电流序列优选为电器事件发生后的2秒内的每周期电流有效值，长时间尺度上的待识别电流序列优选为每秒电流均方根值序列。

另外，在步骤S3中，负荷识别特征库的电器特征集的计算方式如下：

电器特征的方案为shapelet，其被定义为可代表时间序列形状特征的子序列；若有M₁类电器，在每个时间尺度上每类电器有M₂个历史采集的历史电流序列；对于任一时间尺度，当前时间尺度上的历史电流序列的长度为L，则当前时间尺度上的shapelet特征集(即shapelet形状集)计算步骤包括：

①相似度计算：对每一类电器的M₂个历史电流序列W，遍历生成长度为3至L范围内的所有子序列V；

定义序列之间的距离为dist(T,R)，以及子序列与电流序列的距离为subdist(T,R)，二者的计算公式如式(5)和式(6)所示：

式中：T和R分别为一长度为m的电流序列，S为电流序列T中长度为l的子序列；

对于所有的子序列V，、计算与其对应的原历史电流序列W的距离subdist(W,V)作为子序列V与原历史电流序列W间的相似度δ₁；同时，计算子序列V与其他所有类别电器的所有历史电流序列W_other1、W_other2…、W_othern间的相似度subdist(W_other1,V)，subdist(W_other2,V)，…，subdist(W_othern,V)，其中n为其他所有类别电器的所有历史电流序列的总数量；

②二进制信息增益计算与排序：对于每条子序列V，统计子序列V与本类别电器的其他原历史电流序列的距离中，距离大于δ₁的数量为a₁，距离小于或等于δ₁的数量为a₂；同时，统计子序列V与其他类别电器的所有原历史电流序列的距离中，距离大于δ₁的数量为b₁，距离小于δ₁的数量为b₂；则子序列V的信息增益Gain(V)通过式(7)和式(8) 计算得到：

对每一类电器的所有子序列进行k-means聚类，去除形状相似的子序列，然后对其信息增益进行排序，取信息增益排名前5的子序列组成当前时间尺度上对应类别的shapelet 特征集J(k,m₁)，其中k为时间尺度类型序号，k＝1代表短时间尺度，k＝2代表过渡过程， k＝3代表长时间尺度，m₁为电器的类别序号；最终，当前时间尺度上的shapelet特征集 J_k＝{J(k,1),J(k,2),...,J(k,M₁)}。

另外，在步骤S3中，待识别电流序列的电器特征向量的计算方式如下：

对于每个时间尺度k，计算该时间尺度上的待识别电流序列与该时间尺度对应的shapelet特征集J_k中每个子序列元素(每个元素为1个子序列)的距离sim_k，在每个时间尺度上均得到5M₁个距离sim_k，组成该时间尺度上5M₁维的电器特征向量。

S4、负荷感知模型构造与训练：构造负荷感知模型时，以一般机器学习器为基学习器的集成bagging分类器。具体而言，针对每个时间尺度，分别构造以机器学习器为基学习器的bagging分类器，其中bagging分类器的输入为所述电器特征向量，输出为预测的电器类别概率；由三个时间尺度的bagging分类器组成负荷感知模型，负荷感知模型中将三个时间尺度上输出的电器类别概率进行平均，得到最终的电器类别概率，从中取概率最大的电气类别为当前输入最终对应的电器所属分类；使用含电器类别标签的历史电器特征向量数据对负荷感知模型进行训练。

在本发明的实施例中，上述步骤S4中，构造与训练感知模型时，在每个时间尺度上，基学习器的数目为M_D，训练时输入每一个基学习器的样本采用自举法提取；设置每个基学习器可以学习的最大特征数量为k_Di，且k_Di需要小于5M₁；对于每一个基学习器，所有的训练特征仍需要从原始特征中使用自举法来提取。

本发明中，机器学习器可以采用一般的机器学习模式来实现，例如可采用决策树或支持向量机等。本发明的实施例中，机器学习器优选采用决策树。机器学习器的具体训练方式属于现有技术，对此不再赘述。

S5、负荷识别：将待识别电流序列的电器特征向量输入训练后的负荷感知模型中得到预测结果，实现负荷识别。即模型的结构和参数不变，将模型训练时的输入由含电器标签的历史电器特征向量替换为待识别电流序列的电器特征向量即可。

下面将上述实施例中S1～S5所述的融合多时间尺度电器特征的非侵入式负荷感知方法，应用于一个具体的实际场景中，以展示其技术效果，具体步骤如前所述，下面仅展示其具体实现以及技术效果。

实施例

为了验证本发明提出的上述融合多时间尺度电器特征的非侵入式负荷感知方法的有效性，本实施例中使用Pycharm开发平台，python 3.6编程语言开发实现了该方法，并使用一台装配有Intel Xeon-X5650 2.6GHz CPU和24G内存的PC机完成了本实施例的测试和验证。

本发明的实施例围绕某居民家庭的电器运行场景开展技术验证。实施例使用了法国受控开/关负荷库(COOLL)数据集和浙江杭州某地数据进行验证。电流采样频率为6.4kHz。负荷库中含有的电器分别为Drill、Fan、Grinder、Hair_dryer、Hedge_trimmer、Lamp、 Paint_stripper、Planer、Router、Sander和Vacuum_cleaner。

F-1分数用于评估模型的性能。F-1分数是召回率和准确率的调和平均值，代表模型的综合评价性能。此外，本实施例还有混淆矩阵来可视化分类性能。

其中TP、TN、FP、FN分别表示真阳性、真阴性、假阳性和假阴性样本的数量。Precision和Recall分别为精确率和召回率。

因为COOLL数据库的电器没有长时间尺度的运行特征，因此，表1展示了COOLL 数据集中所有电器在两个时间尺度上和集成后的分类性能(F-1分数)，附图2中可以详细看到两个时间尺度和集成后的分类性能。附图3可以看到训练样本的电器特征相量。

表1所有电器在两个时间尺度上的分类性能(F-1分数)

因为COOLL数据库的电器没有长时间尺度的运行特征，因此，选用杭州某地实测定频空调和变频空调等含有长时间尺度运行特征的电器进行验证，同时保证了这两种电器在另外两个时间尺度上特征相同。通过长时间尺度电器特征的提取，感知模型构造及负荷识别，其F-1分数为0.98。附图4展示了两种空调的运行电流波形及其shapelet序列。

尽管本发明的内容已经通过上述实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于，所述方法包括以下步骤：

S1、对用户住宅入口处的电压和电流进行周期采样，并计算每秒有功功率有效值；

S2、通过对步骤S1中计算的每秒有功功率有效值进行电器事件与波动性检测，检测是否有电器开启或关闭或有波动性电器处在运行中；

S3、当在检测到有电器开启或关闭或有波动性电器处在运行中时，分别在短时间尺度、过渡过程和长时间尺度三个不同的时间尺度上对步骤S1中采样的电流数据进行处理，得到各时间尺度上的待识别电流序列；读取负荷识别特征库中的电器特征集，计算各时间尺度上的待识别电流序列与对应时间尺度上的电器特征集中的各元素的相似度，得到待识别电流序列的电器特征向量；

S4、针对每个时间尺度，分别构造以机器学习器为基学习器的bagging分类器，其中bagging分类器的输入为所述电器特征向量，输出为预测的电器类别概率；由三个时间尺度的bagging分类器组成负荷感知模型，负荷感知模型中将三个时间尺度上输出的电器类别概率进行平均，得到最终的电器类别概率，从中取概率最大的电气类别为当前输入最终对应的电器所属分类；使用含电器类别标签的历史电器特征向量数据对负荷感知模型进行训练；

S5、将待识别电流序列的电器特征向量输入训练后的负荷感知模型中得到预测结果，实现负荷识别。

2.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S1中，在采样频率f₁及交变电流频率f₂下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u₁(k)和电流采样序列i₁(k)，其中k为采样点编号，采样频率f₁的取值范围为0.4kHz～50kHz，交变电流频率f₂的取值为50Hz；再计算每秒有功功率有效值，形成有功序列P₁，序列中时间t对应的有功功率有效值为P₁(t)。

3.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S2中，电器事件与波动性检测的具体做法如下：

在进行电器事件检测时，计算相邻时刻有功功率的变化如式(1)所示：

ΔP(t-1,t)＝|P₁(t)-P₁(t-1)| (1)

其中，ΔP(t-1,t)是时间t和前一时间t-1之间有功功率有效值的变化量；若t₁时刻满足如式(2)所示的条件，则视为发生电器事件：

其中，t₁和t₂分别是电器事件的开始和结束时刻，T_f为事件突变阈值，T_e为事件发生阈值；

在进行波动性检测时，设置滑动窗口G^long的时间长度为M，滑动间隔为N，在滑动窗口G^long中按式(3)计算有功功率范围R和方差s²，再将滑动窗口G^long中的有功功率范围R和方差s²分别与各自的阈值R_e和

进行比较，当满足式(4)所示的条件时确定此时有一个功率变化的电器正在运行；

其中

是滑动窗口G^long中M个有功功率有效值的平均有功功率。

4.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：滑动窗口G^long的时间长度M优选值为5分钟，滑动间隔为1分钟；有功功率阈值R_e的优选值为100，方差阈值

优选值为400。

5.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S3中，所述短时间尺度优选为交变电流频率f₂的一个周期；所述过渡过程优选为电器事件发生后的2秒；所述长时间尺度优选为大于1分钟。

6.根据权利要求5所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述短时间尺度上的待识别电流序列为0.02秒的电流采样序列，过渡过程上的待识别电流序列为电器事件发生后的2秒内的每周期电流有效值，长时间尺度上的待识别电流序列为每秒电流均方根值序列。

7.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：在步骤S3中，负荷识别特征库的电器特征集的计算方式如下：

电器特征的方案为shapelet，其被定义为可代表时间序列形状特征的子序列；若有M₁类电器，在每个时间尺度上每类电器有M₂个历史采集的历史电流序列；对于任一时间尺度，当前时间尺度上的历史电流序列的长度为L，则当前时间尺度上的shapelet特征集计算步骤包括：

①相似度计算：对每一类电器的M₂个历史电流序列W，遍历生成长度为3至L范围内的所有子序列V；

定义序列之间的距离为dist(T,R)，以及子序列与电流序列的距离为subdist(T,R)，二者的计算公式如式(5)和式(6)所示：

式中：T和R分别为一长度为m的电流序列，S为电流序列T中长度为l的子序列；

对于所有的子序列V，、计算与其对应的原历史电流序列W的距离subdist(W,V)作为子序列V与原历史电流序列W间的相似度δ₁；同时，计算子序列V与其他所有类别电器的所有历史电流序列W_other1、W_other2…、W_othern间的相似度subdist(W_other1,V)，subdist(W_other2,V)，…，subdist(W_othern,V)，其中n为其他所有类别电器的所有历史电流序列的总数量；

②二进制信息增益计算与排序：对于每条子序列V，统计子序列V与本类别电器的其他原历史电流序列的距离中，距离大于δ₁的数量为a₁，距离小于或等于δ₁的数量为a₂；同时，统计子序列V与其他类别电器的所有原历史电流序列的距离中，距离大于δ₁的数量为b₁，距离小于δ₁的数量为b₂；则子序列V的信息增益Gain(V)通过式(7)和式(8)计算得到：

对每一类电器的所有子序列进行k-means聚类，去除形状相似的子序列，然后对其信息增益进行排序，取信息增益排名前5的子序列组成当前时间尺度上对应类别的shapelet特征集J(k,m₁)，其中k为时间尺度类型序号，k＝1代表短时间尺度，k＝2代表过渡过程，k＝3代表长时间尺度，m₁为电器的类别序号；最终，当前时间尺度上的shapelet特征集J_k＝{J(k,1),J(k,2),...,J(k,M₁)}。

8.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：在步骤S3中，待识别电流序列的电器特征向量的计算方式如下：

对于每个时间尺度k，计算该时间尺度上的待识别电流序列与该时间尺度对应的shapelet特征集J_k中每个子序列元素的距离sim_k，在每个时间尺度上均得到5M₁个距离sim_k，组成该时间尺度上5M₁维的电器特征向量。

9.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S4中，构造与训练感知模型时，在每个时间尺度上，基学习器的数目为M_D，训练时输入每一个基学习器的样本采用自举法提取；设置每个基学习器可以学习的最大特征数量为k_Di，且k_Di需要小于5M₁；对于每一个基学习器，所有的训练特征仍需要从原始特征中使用自举法来提取。

10.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述机器学习器采用决策树或支持向量机。

Images