CN115840078A - 基于特征优选与波形匹配的非侵入式负荷监测方法及系统 - Google Patents

Abstract

本发明提出了基于特征优选与波形匹配的非侵入式负荷监测方法及系统，包括：采集微电网总入口处的电压与电流波形数据并进行处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；建立波形匹配数据库，将提取的电气特征与匹配数据库进行匹配，对长启动过程负荷进行识别；当对长启动过程负荷进行识别匹配失败时，使用有监督分类模型对短启动过程负荷进行识别。对长短启动过程负荷实现有效识别；计算量较小，可在低硬件条件下实现非侵入式负荷监测，适合在数据运算能力相对较弱的嵌入式系统中实现。

Description

基于特征优选与波形匹配的非侵入式负荷监测方法及系统

技术领域

本发明属于非侵入式负荷监测技术领域，尤其涉及基于特征优选与波形匹配的非侵入式负荷监测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着电力问题越来越受到重视，如何更高效地使用电力成为社会各界关注的问题。非侵入式负荷监测旨在根据微电网总输入处的负荷信息估算电网内部各负荷的用电信息，为电力负荷需求响应、客制化用电优化、用电政策调整等高级应用场景提供数据支持。在电力消耗中，居民用电具有巨大的调节空间，如果能提供实时、准确的用电信息，就可以促进节约电能。因此，非侵入式负荷监测具有广阔的应用前景。

目前常见的负荷可根据启动时间的不同分为长启动过程负荷和短启动过程负荷，前者如电磁炉、空调，后者如热水器、电灯。为了有效识别，需要将长启动过程和短启动过程的负荷区分开。目前文献中公开的非侵入式负荷监测方法大多数只针对其中一类进行识别，无法实现对两类负荷混合的情况准确识别。

发明内容

为克服上述现有技术的不足，本发明提供了基于特征优选与波形匹配的非侵入式负荷监测方法，具有更高的准确率；对长、短启动过程负荷实现有效识别。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了基于特征优选与波形匹配的非侵入式负荷监测方法，包括：

采集微电网总入口处的电压与电流波形数据并进行处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；

记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；

建立波形匹配数据库，将记录负荷投切事件的电流均方根变化曲线与匹配数据库进行匹配，实现对长启动过程负荷进行识别；

当对长启动过程负荷进行识别匹配失败时，使用有监督分类模型对短启动过程负荷进行识别。

作为进一步的技术方案，对微电网总入口处的电压与电流波形数据进行处理，包括：

以电压过零点为起始点，以电压第二次过零点为终点提取一周期的电压和电流数据；

使用均值滤波算法去除负荷运行时和数据采集过程中存在的噪声干扰和测量误差；

引入最近邻插值算法对数据进行缩放，得到相同长度的电流信息；

采用归一化处理，使得得到不同负荷的电流数据都缩放到了[-1，1]之间；

训练模型所采用的每个周期的数据进行统一的下采样处理，在保证数据损失最小化的情况下，保持数据的主要特征。

作为进一步的技术方案，所述提取负荷投切事件所导致的电流波形变化的电气特征的步骤为：

将负荷投切事件发生时刻前后一定时间的数个周期的电流波形对应相减，得到单一负荷的电流波形曲线；

计算处理得到的电流波形曲线的时频域特征。

作为进一步的技术方案，所述建立波形匹配数据库的步骤为：

计算得到长度为n的电流波形均方根，然后得到电流均方根变化曲线；

将投切时刻前后一定时间内的电流均方根变化曲线即为波形匹配数据模板。

作为进一步的技术方案，对长启动过程负荷进行识别，具体步骤为：

对波形匹配数据库中负荷事件对应的长度为m的模板波形进行表示；

将采集到的长度为n的实时差分波形进行表示；

计算上述两者之间差异度，若连续至少n-m个采样点均得到差异度小于发生阈值，则判断负荷事件发生。

作为进一步的技术方案，基于常见负荷的电气特征进行特征优选，使用优选特征训练监督分类模型，具体为：

计算每种特征与负荷类型的相关度，去除相关度较低的特征；

使用递归消除法寻找最优的特征子集；

使用交叉验证法选择最优特征。

作为进一步的技术方案，使用递归消除法寻找最优的特征子集，具体为：

随机选取特征集合，基于选取的特征集合训练分类器，并测试得到特征的重要性测度；

根据测度大小对特征排序，剔除最小测度对应的特征，得到新特征集合；

重复以上步骤，直至所有特征子集选取完毕，输出最优特征集合。

以上一个或多个技术方案存在以下有益效果：

本发明提出了一种基于特征优选和波形匹配的非侵入式负荷监测方法，使用1KHz以上的高频波形进行负荷监测，具有更高的准确率；对长短启动过程负荷实现有效识别；计算量较小，可在低硬件条件下实现非侵入式负荷监测，适合在数据运算能力相对较弱的嵌入式系统中实现。

本发明使用高频电压与电流数据，将负荷根据启动时间的不同分为长、短启动过程负荷，具体的，长启动过程负荷为启动过程大于等于0.3s的负荷，短启动过程负荷为启动过程小于0.3s的负荷，从稳态和暂态两个角度对进行识别，避免了启动时间长度不同带来的影响。具体过程分为两个阶段：首先使用WDTW算法进行波形匹配，该方法计算简单，且可以有效识别出长启动过程负荷；然后使用有监督算法基于优选特征进行识别，对短启动过程负荷实现准确分类。适用于基于嵌入式系统开发的非侵入式负荷监测装置。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例基于特征优选与波形匹配的负荷识别方法流程图；

图2为本发明实施例数据处理示意图；

图3为本发明实施例获取单个负荷的电流波形示意图；

图4(a)-图4(b)为本发明实施例时域特征和奇次谐波幅值的相关度示意图；

图5为本发明实施例递归消除法选取特征流程图；

图6为本发明实施例不同特征组合的准确率降序排列结果实例图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

对于任意类型的负荷，使用一个较短的间隔来获取其稳态电流波形，使用有监督分类模型对其进行分类，以提高负荷在时间上的分辨率。但是这要求负荷具有一个较短的启动过程，以确保截取到的电流波形是稳态电流波形。为此需要将长启动过程和短启动过程的负荷区分开。本发明技术方案使用WDTW算法识别长启动过程的负荷，使用有监督分类模型识别其余短启动过程负荷，形成链式模型，让它们组成一条直线的工作流。这样给定一个完整的输入，经过各个算法的先后协同处理，得到唯一的最终输出，如图1所示。

本实施例公开了基于特征优选与波形匹配的非侵入式负荷监测方法，包括：

步骤1：以不低于1KHz的采样频率采集微电网总入口处的电压与电流波形并进行数据处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；

步骤2：记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；

步骤3：基于常见负荷类型投切事件的电流均方根变化曲线建立波形匹配数据库，基于数据库使用WDTW算法对负荷投切事件的电流均方根变化曲线进行处理，实现对长启动过程负荷进行识别；

步骤4：基于常见负荷的电气特征进行特征优选，使用优选特征有监督地训练有监督分类模型，当步骤3中WDTW匹配失败时，使用训练得到的有监督分类模型对短启动过程进行识别。

上述步骤1中，首先针对采集的电压和电流数据进行处理。以电压过零点为起始点，以电压第二次过零点为终点提取一周期的电压和电流数据，这样可以保证在不同时间以及采集不同负荷得到的一个周期的电流数据都具有形式一致性。然后为了去除负荷运行时和数据采集过程中存在的噪声干扰和测量误差，使用了均值滤波算法缓解个这一问题。另外基于这种方法采集到的数据因电网频率的波动，会造成部分周期采样点的数量的不一致性，故这里引入了最近邻插值算法对数据进行缩放，得到相同长度的电流信息。紧接着，为了使不同负荷因为幅值差异过大，在训练模型时将损失特征之间的权重的偏移，故这里采用了归一化处理，使得得到不同负荷的电流数据都缩放到了[-1,1]之间。最后因为此次使用的采集数据采样频率较高，训练模型所采用的每个周期的数据进行了统一的下采样处理，在保证数据损失最小化的情况下，保持了数据的主要特征，数据处理的示意图如图2所示。

在本实施例子中，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻：

根据电压波形正过零点对电流波形分段，并计算每段电流波形的均方根值；

将电流波形以固定时间间隔分段，计算每段波形的信息熵，使用阈值法求解。具体为：

基于信息熵进行投切事件检测，定义数据处理后得到的编号为N、长度为n的电流均方根值片段为x^′(n)，则：

x^′(n)＝{x^′ ₁,x^′ ₂,…,x^′ _n}(1)

x^′(n)的信息熵为：

当

时，判断编号为N的片段中发生投切事件，其中S为熵变动度量，N与N-1为电流均方根值片段编号，N-1为N的上一个片段。

以下为WDTW算法中各变量的意义及数据表示方式：

采集到的原始波形表示为：

P^′(n)＝{p^′ ₁,p^′ ₂,…,p^′ _n}(3)

式中P′(n)为波形在第n个采样点的功率或电流有效值；n为采样点个数；

差分波形表示为：

P(n)＝{p₁,p₂,…,p_n}(4)

差分波形P(n)的计算方法为：

投切时刻前后一定时间内的P(n)即为波形匹配数据库模板。

数据库中负荷事件e对应的长度为m的模板波形表示为：

Q_e(m)＝{q₁,q₂,…,q_m}(6)

式中q_m为负荷事件e发生时第m个采样点的变化值；e为负荷事件类型；

数据库中负荷事件e对应的距离权重为w_e；发生阈值为T_e；

式中p_n为差分波形在第n个采样点的变化值；n>m；

使用WDTW算法计算两者之间差异度S_e，若连续至少n-m个采样点均得到S_e<T_e的结果，判断负荷事件e发生。

由此，负荷的工作状态序列表示为：

N(l)＝{(e₁,t₁),(e₂,t₂),…,(e_l,t_l)}(7)

首先应建立波形匹配数据库，建立波形匹配模板流程如下：

提取一段负荷事件发生时的典型波形Q_e(m)，并计算对应的距离权重w_e和发生阈值T_e，建立波形匹配数据库，w_e和T_e的计算方法如下：

w_e＝r₁*b(9)

T_e＝r₂*b(10)

其中b的计算方法如下：

b＝max(q₁,q₂,…,q_m)-min(q₁,q₂,…,q_m)(11)

式中r₁与r₂为监测灵敏度，可根据实际工程情况自行设定。r₁与r₂的一组典型值为：

r₁＝0.01,r₂＝0.05(12)

拥有波形匹配数据库后，便可使用数据库中波形模板对负荷进行匹配。采集供电系统母线的信号波形，获取实时差分波形P(n)，每采到一个新的数据点，就使用WDTW算法计算一次长度为n的实时波形与负荷数据库中的模板波形的差异度，计算方法如下：

构建形状为m*n的矩阵D_e，其元素d_i,j＝|q_i-p_j|+w_e|i-j|；

从(1,1)开始，计算D_e中每个元素的扭曲距离g_i,j，所有元素组成的矩阵记作G_e，计算方法如下：

其中，g_i,0＝0，g_0,j＝0。差异度S_e的计算公式为：

式中L_k为该条轨迹中元素的数量。

若连续至少n-m个采样点均得到S_e<T_e的结果，则判定为负荷投切事件e发生，此时应跳过有监督分类模型识别，直接输出结果。

若WDTW算法未匹配到数据库中的负荷投切事件发生，则使用有监督分类模型进行识别。通常电网回路中存在多个负荷同时运行，以这种情况为例，获取单个负荷的电流波形的过程如图3-1所示，这种聚合的电流波形是由多个负荷电流的叠加的结果。这种情况下提取的每个负荷的电流数据是以负荷投切事件的时间戳为标识提取一个周期的运行电流波形。如图3-2所示，在事件发生前后的稳定状态下分别以电压过零点为起始点，第二次过零点为终点提取一个周期的聚合电流数据。导致事件发生的负荷的运行电流波形则可以通过取两个周期电流数据的差值获取。最终提取一个周期的数据通过如图3-4所示的处理过程得到最终波形。

在未训练有监督模型时，应先经历以下步骤：

提取负荷投切事件所导致的电流波形变化的电气特征的步骤为：

将负荷投切事件发生时刻前后一定时间的数个周期的电流波形对应相减，得到单一负荷的电流波形曲线；

计算处理得到的电流波形曲线的时频域特征。

其中，基于投切负荷的稳态电流波形计算其特征，包括标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子、峰峰值、起始相位、重心频率、均方频率、均方根频率、频率方差、频率标准差等。通过提取时频域特征，可将分类模型的输入降至20维以内，提高分类模型的效率。

对于稳态电流波形的特征进行优选：

计算每种特征与负荷类型的相关度，去除相关度较低的特征；

使用递归消除法寻找最优的特征子集；

使用交叉验证法选择最优特征；

所述的递归消除法步骤为：

随机选取特征集合，基于选取的特征集合训练分类器，并测试得到特征的重要性测度；

根据测度大小对特征排序，剔除最小测度对应的特征，得到新特征集合；

重复以上步骤，直至所有特征子集选取完毕，输出最优特征集合。

具体的，计算每种特征与负荷类型的相关度，与负荷类型相关度较大的特征有起始相位、峰峰值、波形因子、峭度、均方根、标准差、1次谐波、3次谐波等7个特征，其相关度分别为0.73、0.875、0.715、0.585、0.62、0.62、0.64，如图4(a)-图4(b)所示；并使用递归消除法减少特征冗余，流程图如图5所示；利用有监督分类模型为迭代分类器的递归特征消除法，从初始的7个特征中，对最不重要的特征进行修剪，在集合上递归进行修剪时重复这个过程，将此过程进行至最终达到所需特征的数量才停止，交叉验证选择特征组合准确率如图6所示，由交叉验证实验结果中所获取的最佳特征组合为峰度、峰峰值、起始相位、1次谐波、3次谐波。

以从原始数据中提取出的该特征组合数据对有监督分类模型进行训练。

在模型已经过训练后，首先提取优选的特征，然后使用有监督分类模型对提取出的特征进行识别，最后输出结果。

实施例二

本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。

实施例四

本实施例的目的是提供基于特征优选与波形匹配的非侵入式负荷监测系统，包括：

数据采集模块，被配置为：采集微电网总入口处的电压与电流波形数据并进行处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；

特征提取模块，被配置为：记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；

长启动过程负荷识别模块，被配置为：建立波形匹配数据库，将记录负荷投切事件的电流均方根变化曲线与匹配数据库进行匹配，对长启动过程负荷进行识别；

短启动过程负荷识别模块，被配置为：当对长启动过程负荷进行识别匹配失败时，使用有监督分类模型对短启动过程负荷进行识别。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，包括：

采集微电网总入口处的电压与电流波形数据并进行处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；

记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；

建立波形匹配数据库，将记录负荷投切事件的电流均方根变化曲线与匹配数据库进行匹配，对长启动过程负荷进行识别；

当对长启动过程负荷进行识别匹配失败时，使用有监督分类模型对短启动过程负荷进行识别。

2.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，对微电网总入口处的电压与电流波形数据进行处理，包括：

以电压过零点为起始点，以电压第二次过零点为终点提取一周期的电压和电流数据；

使用均值滤波算法去除负荷运行时和数据采集过程中存在的噪声干扰和测量误差；

引入最近邻插值算法对数据进行缩放，得到相同长度的电流信息；

采用归一化处理，使得得到不同负荷的电流数据都缩放到了[-1,1]之间；

训练模型所采用的每个周期的数据进行统一的下采样处理，在保证数据损失最小化的情况下，保持数据的主要特征。

3.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，所述提取负荷投切事件所导致的电流波形变化的电气特征的步骤为：

将负荷投切事件发生时刻前后一定时间的数个周期的电流波形对应相减，得到单一负荷的电流波形曲线；

计算处理得到的电流波形曲线的时频域特征。

4.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，所述建立波形匹配数据库的步骤为：

计算得到长度为n的电流波形均方根，然后得到电流均方根变化曲线；

将投切时刻前后一定时间内的电流均方根变化曲线即为波形匹配数据模板。

5.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，对长启动过程负荷进行识别，具体步骤为：

对波形匹配数据库中负荷事件对应的长度为m的模板波形进行表示；

将采集到的长度为n的实时差分波形进行表示；

计算上述两者之间差异度，若连续至少n-m个采样点均得到差异度小于发生阈值，则判断负荷事件发生。

6.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，基于常见负荷的电气特征进行特征优选，使用优选特征训练监督分类模型，具体为：

计算每种特征与负荷类型的相关度，去除相关度较低的特征；

使用递归消除法寻找最优的特征子集；

使用交叉验证法选择最优特征。

7.如权利要求1所述的基于特征优选与波形匹配的非侵入式负荷监测方法，其特征是，使用递归消除法寻找最优的特征子集，具体为：

随机选取特征集合，基于选取的特征集合训练分类器，并测试得到特征的重要性测度；

根据测度大小对特征排序，剔除最小测度对应的特征，得到新特征集合；

重复以上步骤，直至所有特征子集选取完毕，输出最优特征集合。

8.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述方法的步骤。

10.基于特征优选与波形匹配的非侵入式负荷监测系统，其特征是，包括：

数据采集模块，被配置为：采集微电网总入口处的电压与电流波形数据并进行处理，以处理后数据的信息熵为依据得到负荷投切事件的发生时刻；

特征提取模块，被配置为：记录负荷投切事件的电流均方根变化曲线，并提取负荷投切事件所导致的电流波形变化的电气特征；

长启动过程负荷识别模块，被配置为：建立波形匹配数据库，将记录负荷投切事件的电流均方根变化曲线与匹配数据库进行匹配，对长启动过程负荷进行识别；

短启动过程负荷识别模块，被配置为：当对长启动过程负荷进行识别匹配失败时，使用有监督分类模型对短启动过程负荷进行识别。

Images