非侵入式负荷监测方法技术

本发明专利技术公开了一种非侵入式负荷监测方法。本发明专利技术非侵入式负荷监测方法包括：设备分类预测子流程、新设备识别子流程和分类器自我训练子流程。本发明专利技术具有如下的有益效果：本发明专利技术在传统非侵入式负荷监测框架的基础上，创新性地提出了一种新型非侵入式负荷检测框架体。在此框架下，首先对采集到的高频电流、电压数据进行有效地预处理，通过清洗、线性填补和插值，扩充了数据密度，保证了数据的完整性、精确性和利用性。通过挖掘设备特征，计算提取了能够表征用电设备运行印记的多维度特征值。考虑了不同分类器模型，最终建立了效果最好的随机森林分类器模型用于分类识别，且识别准确度高、模型鲁棒性强。

【技术实现步骤摘要】
非侵入式负荷监测方法
本专利技术涉及负荷检测领域，具体涉及一种非侵入式负荷监测方法。
技术介绍
近年来因传统的电力负荷监测方法成本高、效率低，在应用上受到很大制约，而非侵入式负荷检测系统(non-intrusiveloadmonitoring,NILM)技术仅需在电网的用户入口处安装一个传感器，通过采集和分析电流、电压等用户用电特征来监测用户内部每个或每类用电设备的工作状态，得到广泛的研究。传统的非侵入式研究的架构主要包括数据采集、数据预处理、特征提取、分类器预测，得到分类结果。这种系统架构通常需要事先建立设备库，对设备库中的设备进行数据采集、数据预处理、特征提取、模型训练等操作，得到能够用于预测的分类器模型，且只能识别出包括在设备库里的设备的使用情况。但在实际应用中，传统的非侵入式负荷监测系统架构存在局限性，无法应对复杂的设备更换、变动等情况，对于识别到设备库之外的新设备，如何截取新设备运行数据，并更新设备库、重新训练，没有很好的应对方法。
技术实现思路
本专利技术要解决的技术问题是提供一种非侵入式负荷监测方法，该方法能够应对复杂的实际应用情况。当识别到设备库之外的新设备时，能够截取该新设备的数据加入设备库，实现能够准确识别出设备库已有设备，以及发现设备库之外的新设备时能够自动更新设备库的一整套完整的系统监测流程。为了解决上述技术问题，本专利技术提供了一种非侵入式负荷监测方法，包括：设备分类预测子流程：第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；第四步：根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；新设备识别子流程：第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；第二步：根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；分类器自我训练子流程：第一步：设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。在其中一个实施例中，“第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；”中的特征，包括：特征1：电流有效值计算用电设备运行状态下的电流有效值，具体地：其中，I表示电流有效值，T表示一个周期，i表示瞬时电流；特征2：有功功率计算用电设备运行状态下的有功功率，具体地：其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差；特征3：无功功率无功功率是交流电路中由于电抗性元件的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率；通过提取无功功率特征，有效区分出电抗性用电设备；计算用电设备运行状态下的无功功率，具体地：特征4：功率因数计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用S表示，具体地：根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：特征5：U_I轨迹的面积基于预处理后的电流、电压数据，以一个周期为单位，将电流作为X轴，将电压作为Y轴，画出图像得到U_I轨迹图，计算U_I轨迹所包围的面积。其中运用海伦公式求凸包及多边形面积的计算方法，具体地：顺时针给定构成凸包的n个点坐标，可将多边形分割成多个三角形，利用海伦公式，求得多个三角形面积；海伦公式如下：已知三角形各边a，b，c其中，p为半周长：将一个周期里的每一个采样点数对应的电流、电压数据，作为多边形的顶点，按逆时针方向依次可记为：(i0,u0),(i1,u1),(i2,u2),...,(in,un)，其中(in,un)＝(i0,u0)。那么，U_I轨迹围成的多边形面积为：特征6：U_I本文档来自技高网...

【技术保护点】
1.一种非侵入式负荷监测方法，其特征在于，包括：/n设备分类预测子流程：/n第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；/n第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；/n第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；/n第四步：根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；/n第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；/n新设备识别子流程：/n第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；/n第二步：根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；/n对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；/n第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；/n第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；/n若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；/n分类器自我训练子流程：/n第一步：/n设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；/n当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；/n第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；/n第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；/n第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；/n第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；/n第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。/n...

【技术特征摘要】
1.一种非侵入式负荷监测方法，其特征在于，包括：
设备分类预测子流程：
第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；
第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；
第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；
第四步：根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；
第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；
新设备识别子流程：
第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；
第二步：根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；
第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；
第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；
分类器自我训练子流程：
第一步：
设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；
第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；
第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；
第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；
第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；
第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。


2.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；”中的特征，包括：
特征1：电流有效值
计算用电设备运行状态下的电流有效值，具体地：



其中，I表示电流有效值，T表示一个周期，i表示瞬时电流；
特征2：有功功率
计算用电设备运行状态下的有功功率，具体地：



其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差；
特征3：无功功率
无功功率是交流电路中由于电抗性元件的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率；通过提取无功功率特征，有效区分出电抗性用电设备；计算用电设备运行状态下的无功功率，具体地：



特征4：功率因数
计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用S表示，具体地：



根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：

【专利技术属性】
技术研发人员：王林钰，祁辉，周佳伟，丁一帆，殷俊平，郭亮，
申请(专利权)人：国网苏州城市能源研究院有限责任公司，国网江苏省电力有限公司泰州供电分公司，
类型：发明
国别省市：江苏;32