一种基于多维度信号分析的非侵入负荷识别方法技术

本发明专利技术提出了一种本发明专利技术的基于多维度信号分析的非侵入负荷识别方法，采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量，结合动态弯曲距离，比较稳态下的电流信号波动，分析用电器种类。通过多种角度的用电器特征，增加了识别用电器的判别信息，增加了识别的准确率，降低了由于某些稳态特征信号过于相似所导致的识别错误率。利用动态弯曲距离，能够更好的比较在不同时域下的对应波形的相似度。仅利用原始的电流信号，防止了利用有功功率、无功功率以及谐波特性进行识别时，由于算法计算过程中的误差导致的识别错误。

A Non-intrusive Load Recognition Method Based on Multidimensional Signal Analysis

The invention provides a non-intrusive load identification method based on multi-dimensional signal analysis of the present invention. Four auxiliary parameters, i.e. the use time characteristic of the electrical appliances, the duration characteristic of the working state of the electrical appliances, the change sequence characteristic of the electrical appliances and the use position characteristic of the electrical appliances, are used to compare the fluctuation of the current signal under the steady state and analyze the types of the electrical appliances in combination with the dynamic bending distance. \u3002 By means of electrical features from different angles, the discriminant information of identifying electrical appliances is increased, the recognition accuracy is increased, and the recognition error rate caused by the excessive similarity of some steady-state characteristic signals is reduced. By using dynamic bending distance, the similarity of corresponding waveforms in different time domains can be better compared. Only the original current signal is used to prevent the identification errors caused by the errors in the calculation of the algorithm when the active power, reactive power and harmonic characteristics are used for identification.

【技术实现步骤摘要】
一种基于多维度信号分析的非侵入负荷识别方法
本专利技术涉及智能电网领域，尤其涉及一种基于多维度信号分析的非侵入负荷识别方法。
技术介绍
当前世界面临着由于世界人口增长导致的能源危机，有限的不可再生化石能源，诸如石油、天然气等，难以满足人类的需求。其中，在第二次工业革命以后，电能已成为了工业上和居民生活中最不可或缺的能源。在环保的可再生利用的能源(例如太阳能，水利势能和地热能等)的发电形式还未能普遍推广的当下，火力发电这一传统的发电形式仍占到各国发电的重要地位。为了提高电能的利用效率，降低发电量，利用当前已愈加成熟的人工智能技术，实现每一种用电器消耗电能的透明化，提供给用户智能化、个性化的解决方案，从而降低不可再生能源的消耗，成为各国实现节能减排和可持续发展的目标战略的重要手段。而要实现这个目标的关键核心技术是用电器的负荷识别技术，目前，国际上识别用电器并统计主要采取侵入式和非侵入式两种负荷识别技术。侵入式识别方式具有识别效果精确的优势，但是需要为每一个用电器在供电处加装数据采集装置，增加了系统的花费开销以及维护难度，导致这种方式难以进行市场的广泛推广。而非侵入式负荷监测(Non-IntrusiveLoadMonitoring，缩写为NILM)只需要在居民用电的总线上安装监测装备，能够仅通过家庭电路总线上的电流和电压的变化，大概率准确的识别用电器种类和状态，能够有效地为用户提供详细的家庭用电系统中各个用电器工作状态。由于NILM设备在安装维护以及成本上优势，具有很高的研究价值和发展潜力。当前，大多数的NILM设备主要采取对用电器工作的稳态和暂态识别，提取出用电器的稳态特征进行分析。通过采集大量的用电器稳态特征，例如基波电流，谐波电流，有功功率以及无功功率，建立对应用电器的数据库。之后利用用电器的特征数据库，应用聚类、隐马尔可夫链、神经网络、支持向量机或粒子群算法等智能算法，对单个稳态过程中多个用电器可能处于的状态向量求取最优解。以上NILM设备存在以下问题：1.当前技术仅依赖于电路的基本信息，未考虑在实际使用中用户使用的因素，系统不能满足用户的个性化需求；2.某些用电器本身具有多个状态模式，原有的方法对多模式用电器识别效果并不是很好；3.某些用电器在稳态下具有极其相近的稳态特征，无法有效的区分用电器的种类。
技术实现思路
有鉴于此，本专利技术提出了一种用电器识别准确率高的基于多维度信号分析的非侵入负荷识别方法。本专利技术的技术方案是这样实现的：本专利技术提供了一种基于多维度信号分析的非侵入负荷识别方法，采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量，结合动态弯曲距离，比较稳态下的电流信号波动，分析用电器种类；其中，用电器的使用时间特征为用电器在家庭电路中大概率的使用时段，用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间，用电器状态变化顺序特征为用电器单个工作模式下可能出现多个状态的顺序，用电器使用位置特征为用电器经常出现的使用位置。在以上技术方案的基础上，优选的，包括训练样例过程和用电器识别过程。进一步优选的，所述训练样例过程包括，A1-1，输入采样的单个用电器单个工作状态模式下的电流，通过基于滑窗的CUSUM，检测电流突变的边界和暂态事件时段；A1-2，根据最早检测的边界以及最晚的边界，构成用电器单个工作状态模式下的工作状态持续时间特征库。再进一步优选的，所述步骤A1-1中，事件检测包括，首先对采样电流进行基波波长时间长度下的电流信号进行傅里叶变化，提取当前时间段下的基波电流的电流幅值，再根据规定的滑窗大小将时域上的数据转化为二维矩阵，并计算其行向量的平均值和方差；通过比较平均值和方差的大小，当方差大于平均值时，即判定发生了事件的变化；将邻近的事件滑窗进行融合，从而获得暂态过程，进而获得采样值中的稳态过程。再进一步优选的，所述训练样例过程包括，A2-1，根据检测到的暂态事件时段确定稳态时段；A2-2，按照稳态时段发生的时间顺序构成用电器的用电器状态变化顺序特征；A2-3，重复步骤A2-1，构成每一个用电器状态变化顺序特征库。再进一步优选的，所述训练样例过程包括，A3-1，在步骤A1-3中的稳态时段内，取两个基波时间长度的电流信号，成为该稳态的电流波动特征；A3-2，重复步骤A3-1，构成每一个用电器的单个工作状态模式下的各稳态下的电流特征库；A3-3，将步骤A3-2中每个用电器单个工作状态模式下的各稳态下电流波动进行随机组合，构成复合用电器的工作稳态下的电流特征库；A3-4，将步骤A3-2和A3-3中的单个和复合用电器的工作稳态下的电流特征库融合，得到最终的单个及复合用电器工作状态电流波形库。更进一步优选的，所述步骤A3中，电流波形叠加过程中，通过利用正弦公式进行电流信号的叠加，分别对0，π/6，π/3，π/2，2π/3，5π/6的相位差进行叠加。进一步优选的，所述训练样例过程包括，A4-1，根据家庭电路采集样例，统计用电器的工作时段，排除异常点，构成用电器使用时间特征库；A4-2，根据统计用电器经常安插的线路，构成用电器使用位置特征库。进一步优选的，所述用电器识别过程包括，B1，通过智能电表采集的电信号，区分用电器所在位置，确定用电器使用位置特征；B2，通过采集到的电流信号的时间，确定用电器的使用时间特征；B3，对采集到的电流信号，进行暂态事件检测，获得暂态发生的边界，稳态时段；B4，根据步骤B3获得的稳态时段，对每一个稳态时段，提取两个基波时间长度的电流信号波形，根据用电器的工作稳态下的电流特征库，基于动态弯曲距离的原理，通过比较采集的电流信号波形以及特征库中的特征向量间的动态弯曲距离大小，获得每一个稳态时段下动态弯曲距离最小的10组可能的用电器工作状态组合，将每一个稳态时段下的用电器状态进行组合，获得用电器状态变化顺序特征；B5，将步骤B4中的用电器状态变化顺序特征与训练样例中的用电器状态变化特征库以及用电器工作状态持续时间特征库比较，结合用电器使用位置特征和使用时间特征，确定最终的采样中各个用电器的工作状态。再进一步优选的，步骤B4中，在利用动态弯曲距离对波形进行匹配时，利用采样数据和训练样例构成矩阵，矩阵中的每一个值为两个向量间对应位置的特征值的差值的绝对值决定，根据d(i,j)k+1＝d(i,j)k+min(r(i-1,j-1),r(i-1,j),r(i,j-1))r代表两个向量对应位置差距的绝对值距离构建的矩阵，dk代表第k次得到的动态弯曲距离，当k＝0时，d0为矩阵中最右上角的值，i代表特征库中特征向量中各元素的序号，j代表采样后提取的特征向量中各元素的序号；从矩阵的右上角开始，寻找其邻近最小的点，形成一个最短路径，从而决定两个向量间的动态弯曲距离。本专利技术的基于多维度信号分析的非侵入负荷识别方法相对于现有技术具有以下有益效果：(1)通过多种角度的用电器特征，增加了识别用电器的判别信息，增加了识别的准确率，降低了由于某些稳态特征信号过于相似所导致的识别错误率。(2)利用动态弯曲距离，能够更好的比较在不同时域下的对应波形的相似度。(3)仅利用原始的电流信号，防止了利用有功功率、无功功率以及谐波特性进行识别时，由本文档来自技高网...

【技术保护点】
1.一种基于多维度信号分析的非侵入负荷识别方法，其特征在于：采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量，结合动态弯曲距离，比较稳态下的电流信号波动，分析用电器种类；其中，用电器的使用时间特征为用电器在家庭电路中大概率的使用时段，用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间，用电器状态变化顺序特征为用电器单个工作模式下可能出现多个状态的顺序，用电器使用位置特征为用电器经常出现的使用位置。

【技术特征摘要】
1.一种基于多维度信号分析的非侵入负荷识别方法，其特征在于：采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量，结合动态弯曲距离，比较稳态下的电流信号波动，分析用电器种类；其中，用电器的使用时间特征为用电器在家庭电路中大概率的使用时段，用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间，用电器状态变化顺序特征为用电器单个工作模式下可能出现多个状态的顺序，用电器使用位置特征为用电器经常出现的使用位置。2.如权利要求1所述的基于多维度信号分析的非侵入负荷识别方法，其特征在于：包括训练样例过程和用电器识别过程。3.如权利要求2所述的基于多维度信号分析的非侵入负荷识别方法，其特征在于：所述训练样例过程包括，A1-1，输入采样的单个用电器单个工作状态模式下的电流，通过基于滑窗的CUSUM，检测电流突变的边界和暂态事件时段；A1-2，根据最早检测的边界以及最晚的边界，构成用电器单个工作状态模式下的工作状态持续时间特征库。4.如权利要求3所述的基于多维度信号分析的非侵入负荷识别方法，其特征在于：所述步骤A1-1中，事件检测包括，首先对采样电流进行基波波长时间长度下的电流信号进行傅里叶变化，提取当前时间段下的基波电流的电流幅值，再根据规定的滑窗大小将时域上的数据转化为二维矩阵，并计算其行向量的平均值和方差；通过比较平均值和方差的大小，当方差大于平均值时，即判定发生了事件的变化；将邻近的事件滑窗进行融合，从而获得暂态过程，进而获得采样值中的稳态过程。5.如权利要求3所述的基于多维度信号分析的非侵入负荷识别方法，其特征在于：所述训练样例过程包括，A2-1，根据检测到的暂态事件时段确定稳态时段；A2-2，按照稳态时段发生的时间顺序构成用电器的用电器状态变化顺序特征；A2-3，重复步骤A2-1，构成每一个用电器状态变化顺序特征库。6.如权利要求4所述的基于多维度信号分析的非侵入负荷识别方法，其特征在于：所述训练样例过程包括，A3-1，在步骤A1-3中的稳态时段内，取两个基波时间长度的电流信号，成为该稳态的电流波动特征；A3-2，重复步骤A3-1，构成每一个用电器的单个工作状态模式下的各稳态下的电流特征库；A3-3，将步骤A3-2中每个用电器单个工作状态模式下的各稳态下电流波动进行随机组合，构成复合用电器的工作稳态下的电流特征库；A3-4，将步骤A3-2和A...

【专利技术属性】
技术研发人员：胡彦杰，周任飞，杨旸，
申请(专利权)人：武汉中原电子信息有限公司，
类型：发明
国别省市：湖北,42