一种基于支持向量机和V-I曲线特征的负荷识别方法技术

本发明专利技术公开了一种基于支持向量机和V‑I曲线特征的负荷识别方法，涉及负荷识别系统技术领域，利用V‑I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点；运用V‑I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率，并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V‑I曲线不好识别小型负荷的缺点；通过基于SVM的负荷识别更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题，使得负荷识别的结果更具有准确性，提高辨识度。此外，本发明专利技术方法以非侵入式为出发点，具有经济实用、容易实现的特点。

A load identification method based on support vector machine and V-I curve characteristics

【技术实现步骤摘要】
一种基于支持向量机和V-I曲线特征的负荷识别方法
本专利技术涉及负荷识别系统
，尤其涉及一种基于支持向量机和V-I曲线特征的负荷识别方法。
技术介绍
随着电力系统网络的愈加成熟和人工智能快速发展，智能电网也随着二者的结合应运而生，慢慢地发展壮大。而在未来智能电网地规划里，是朝着一个完全自动化的电力传输网络方向发展的，具有监视和控制每个用户和电网节点，保证从电厂到终端用户整个输配电过程中所有节点之间的信息和电能的双向流动的能力。因此，这要求在电网终端要与用户之间形成良好互动，实现更好地用电管理和服务。随着非侵入式负荷监测系统(Non-intrusiveLoadmonitoringsystem，NILMS)地提出，即在不侵入用户内部设备的前提下，进行负荷识别,得到用户实时用电功率组成。通过统计不同负荷的用电量,用户可以获知详细的电能消耗情况,有效管理用电行为。在这其中，负荷印记(LoadSignature，LS)的提取和良好的负荷识别分类器是决定负荷识别准确性的关键环节。当前国内外学者对基于稳态和暂态的负荷特征提取展开了一系列的研究，稳态特征包括功率、V-I波形、电压噪声和电流谐波等；暂态特征包括瞬时电压、瞬时功率、电压噪声、电流等。而随着机器学习的不断发展，包括线性分类器、支持向量机、神经网络等在内的分类器也广泛被应用于负荷识别中。但是因为不同类型负荷的单一负荷特征往往存在重叠情况，如果只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠，造成的误辨识对结果影响较大。
技术实现思路
<br>本专利技术的目的在于提供一种基于支持向量机和V-I曲线特征的负荷识别方法，从而克服了现有只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠的缺点。为实现上述目的，本专利技术提供了一种基于支持向量机和V-I曲线特征的负荷识别方法，包括以下步骤：S1、获取用电数据获取，并进行预处理；S2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；S4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。进一步的，所述用电数据包括：电流、电压及功率。进一步的，所述S2中，通过功率的有效值变化判断事件发生，当所述功率的有效值变化大于阈值，则有事件发生，否则不存在事件发生。进一步的，所述判断方法包括：设定S1预处理得到的视在功率：S1，…，St，St+1，…；事件开始时间ton为t秒，事件结束时间toff为t+TL秒；事件探测窗每次移动的步长为L；则总视在功率变化量ΔSt＝St+1-St，St为t秒时的总视在功率；当ΔSt＞Son1时，事件探测窗开始移动并计算ΔSt+1，ΔSt+2，…，直到ΔSt+TL＜Son1，Son1为事件检测功率变化阈值，Son2为能检测到的最小的事件功率变化值；若St+TL-St＜Son2，则有负荷在t～t+TL秒内发生状态变化，即不存在事件发生。进一步的，所述采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取的方法包括以下步骤：首先对事件前后T秒内的电压电流波形进行平滑和插值处理；然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；最后将V-I曲线的特征作为负荷印记。进一步的，所述采用谐波特征提取方法对事件发生后的电压电流信号进行特征提取的方法为：通过快速傅里叶变换将时域内的电流信号转换为频域内的频谱信号，如式(1)所示；式(1)中，i0为直流分量，ik为第k次谐波电流幅值，kω为第k次谐波分量角频率，为第k次谐波分量初相角；从所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记。进一步的，所述谐波分量包括：谐波次数和谐波幅值。进一步的，谐波次数的第三次和第五次，谐波幅值为第六次谐波的幅值。进一步的，所述S4包括以下步骤：S41、给定输入数据和学习目标：X＝{X1,X2,…,X8}，y＝{y1,y2,…,yN}，其中，yi表示识别结果i＝1,2,…,8，N为用电器数；若输入数据所在的特征空间存在作为决策边界的超平面H，则超平面H将所输入的数据按正类和负类分开，并使任意样本的点到超平面H的距离大于等于1，则分类问题如式(2)所示：式(2)中，ω、b分别为超平面的法向量和截距；S42、最优分类超平面，得到分类间隔最大的超平面，则所述分类问题化简为如下最优化问题：使用拉格朗日乘子法求解式(3)，以ω、b为变量引入拉格朗日乘子αi≥0,i＝1,···,l得到：将式(3)所描述的问题转化为对偶形式得：yi(ω·xi+b)-1≥0,i＝1,···,l(7)αi≥0,i＝1,···,l(8)αi(yi(ω·xi+b)-1)＝0,i＝1,···,l(9)式(5)和式(6)中，Lp为上述最优化问题的对偶形式的目标函数；将式(5)、式(6)、式(7)、式(8)及式(9)进行化简得：S43、对偶形式与原优化问题具有相同的最优点，于是原优化问题转化为：S44、根据式(11)计算得到最优分类超平面的法向量：最终的判别函数为：式(13)中，z为样本点到超平面的距离；即通过f(z)得到SVM分类器分类结果。与现有的技术相比，本专利技术具有如下有益效果：本专利技术所提供的一种基于支持向量机和V-I曲线特征的负荷识别方法，利用V-I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点；运用V-I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率，并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V-I曲线不好识别小型负荷的缺点；通过基于SVM的负荷识别更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题，使得负荷识别的结果(用户家庭中处于工作状态的用电器)更具有准确性，提高辨识度。此外，本专利技术方法以非侵入式为出发点，具有经济实用、容易实现的特点。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一种基于支持向量机和V-I曲线特征的负荷识别方法的流程图；...

【技术保护点】
1.一种基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：包括以下步骤：/nS1、获取用电数据获取，并进行预处理；/nS2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；/nS3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；/nS4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。/n

【技术特征摘要】
1.一种基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：包括以下步骤：
S1、获取用电数据获取，并进行预处理；
S2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；
S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；
S4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。


2.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述用电数据包括：电流、电压及功率。


3.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述S2中，通过功率的有效值变化判断事件发生，当所述功率的有效值变化大于阈值，则有事件发生，否则不存在事件发生。


4.根据权利要求3所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述判断方法包括：
设定S1预处理得到的视在功率：S1，…，St，St+1，…；事件开始时间ton为t秒，事件结束时间toff为t+TL秒；事件探测窗每次移动的步长为L；
则总视在功率变化量ΔSt＝St+1-St，St为t秒时的总视在功率；
当ΔSt＞Son1时，事件探测窗开始移动并计算ΔSt+1，ΔSt+2，…，直到ΔSt+TL＜Son1，Son1为事件检测功率变化阈值，Son2为能检测到的最小的事件功率变化值；
若St+TL-St＜Son2，则有负荷在t～t+TL秒内发生状态变化，即不存在事件发生。


5.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取的方法包括以下步骤：
首先对事件前后T秒内的电压电流波形进行平滑和插值处理；
然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；
再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；
最后将V-I曲线的特征作为负荷印记。


6.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用谐波特征提取方法对事件发生后的电压电流信号进行特...

【专利技术属性】
技术研发人员：谢雄威，蒋雯倩，梁捷，杨舟，卿柏元，李刚，韦杏秋，李金瑾，陈珏羽，林秀清，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：广西;45