基于事件检测的非侵入式负荷识别方法和系统技术方案

本发明专利技术公开了基于事件检测的非侵入式负荷识别方法和系统，所述系统硬件结构包括存储单元、通信单元、显示单元、两个信号采集单元和微处理器，其中一个所述信号采集单元处设置有训练接口，另外一个所述信号采集单元处设置有供电入口处的接口，所述训练接口的功能是对家庭中的所有单个电器进行聚类标签，储存分类波形，来训练分类模型。本发明专利技术考虑电器的多运行状态。并基于k‑means的聚类方法，以无监督的方式，对单个电器不同运行状态下的稳态负荷信号进行聚类标签，并对标签后的负荷信号提取谐波特征或者V‑I轨迹特征，用来训练分类模型，使用训练好的分类模型进行负荷识别，进而能够准确的识别各类负荷。

【技术实现步骤摘要】
基于事件检测的非侵入式负荷识别方法和系统
本专利技术属于电力系统及自动化
，具体涉及基于事件检测的非侵入式负荷识别方法和系统。
技术介绍
传统的基于事件的负荷识别方法，利用每种电器所表现出来的电流波形之间的不同，通过信号处理的方法提取特征量来进行负荷识别。多数方法的重点放在了信号处理和特征量的提取上，忽略了电器的实际运行情况，随着电器功能的越来越复杂，电器的运行状态也是变得多种多样，这样就不能简单的以一种或者几种电流波形来描述电器的运行情况。为此，我们在考虑电器的多运行的状态下，利用无监督识别的方法对单一电器进行聚类标签，实现了更为准确的非侵入式负荷识别，进而保障电器负荷识别的有效性和实用性。
技术实现思路
本专利技术的目的在于提供基于事件检测的非侵入式负荷识别方法和系统，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：基于事件检测的非侵入式负荷识别方法和系统，所述系统硬件结构包括存储单元、通信单元、显示单元、两个信号采集单元和微处理器，其中一个所述信号采集单元处设置有训练接口，另外一个所述信号采集单元处设置有供电入口处的接口，所述训练接口的功能是对家庭中的所有单个电器进行聚类标签，储存分类波形，来训练分类模型；供电入口处接口的功能是采集供电入口处的电流电压数据，实现负荷识别的功能，所述微处理器主要用来计算和信号处理，信号采集单元用来采集电压电流等高频信号，存储单元主要存储训练用的数据和负荷识别的结果，通信单元主要用来上传用电量等通信，显示单元主要是人机交互界面。进一步地，所述训练接口应用于训练阶段，所述供电入口处接口应用于识别阶段，所述训练阶段先于识别阶段进行操作；训练阶段：该阶段是将单个电器或者新添加的电器，接到训练接口；使用聚类标签算法对电器的Delta稳态负荷信号进行分类，给电器不同运行状态下的负荷信号进行标签；提取每类负荷信号的谐波特征向量和V-I轨迹特征相量等特征量；使用负荷信号特征向量和对应的标签来训练分类模型；识别阶段：首先采集供电入口处的电压和电流信号；并使用事件检测算法来进行事件检测，检测到事件后提取Delta形式的稳态负荷信号，判断是否是有效的稳态负荷信号；如果是有效的负荷信号，则判断为有新的电器在改变状态；然后，提取和训练模型中相同的负荷信号特征向量，将该特征向量送到分类模型中，输出分类结果。最后根据分类结果判断在是哪个电器动作，实现非侵入式负荷识别。进一步地，所述Delta形式的稳态负荷信号的提取方法是：假设定位到的事件发生时所在的周期为x，这样我们可以使用该周期及以后的电流，减去该周期前一周期的电流，就可以得到Delta形式的负荷信号，公式如下所示：其中，j表示事件发生后的周期数，ρpeak是尖峰检测的尖峰值，iΔ是Delta形式的负荷信号。得到Delta形式的负荷信号后，我们采用电压过零点来划分周期，将电压信号按过零点分割成一个一个的周期形式，Delta形式的电流信号按照电压信号分割的尺度来进行分割，这样上述的电压电流时间序列分割成了多个周期的形式，一个周期的电压电流如下所示：v＝[v0,v1,v2,...,vS-1](3-2)i＝[i0,i1,i2,...,iS-1](3-3)其中，S是一个周期的采样点数。这样就得到了一个一个周期Delta形式的稳态负荷信号。进一步地，所述电器Delta稳态负荷信号的聚类标签分类算法方法步骤如下：1)首先，利用电器支路的电流电压数据进行事件检测，检测到事件后提取Delta形式的稳态负荷信号，电器运行一段时间后，就可以收集到该电器各种运行状态下的稳态负荷信号的集合；2)然后，使用自适应k-means聚类方法对负荷有效值数据进行聚类；3)最后，返回带有标签的稳态负荷信号。进一步地，所述k-means聚类方法的原理如下：k-means聚类旨在将n个观测分为k个聚类，其中每个观测属于具有最近均值的聚类对于给定的一个观察序列X＝{x1,x2,…,xi,…,xn}，其中，该序列有n个观察值，每个观察值是d维向量，xi∈Rd。k-means聚类的目的是要将这n个观测分为k个聚类S＝{Si,i＝1,2,3,…,k}，其中k≤n。首先使用函数描述每类观察值到聚类中心μi的距离，如下所示，为了保证每个观测被分到最邻近的聚类中心，聚类目标是最小化各类总的距离平方和(WCSS，within-clustersumofsquares)。最常见的求解算法是迭代方法，标准算法步骤如下：给定初始的k均值μ1(1),μ2(1),…,μk(1)，该算法在两个步骤之间交替进行：分配步骤：将每个观察值分配给其均值具有最小平方欧几里得距离的聚类中，更新步骤：重新计算每个聚类的均值，作为新的聚类中心，当分配步骤不再改变时，说明算法已收敛。进一步地，所述负荷信号的谐波特征向量提取方法是：谐波信息包含着大量的负荷信号特征，不同家用电器的工作电流经过傅里叶变换得到的频谱差异很大，可以用来进行负荷识别。依据傅里叶变换，每个周期的稳态负荷信号可以分解为：i＝a1sin(ωt+θ1)+a2sin(ωt+θ2)+…+aksin(ωt+θk)(3-8)其中，a1，a2，…，ak是各次谐波的幅值，θ1，θ2，…，θk是各次谐波的相位角。频谱就是各次谐波的幅值排列所得的。进一步地，所述V-I轨迹特征量的提取是利用了电压和电流及其之间的关系来进行负荷特征提取，可以挖掘更深层次的负荷特征。对于每个电器来说，拿一个周期的同步的电压和电流信号用来画V-I轨迹，以电压为横坐标，电流为纵坐标，很容易得到V-I轨迹，并根据V-I轨迹可以提取代表负荷特性的轨迹参数，形成特征向量进行负荷识别，以此来区分各种电器。与现有技术相比，本专利技术的有益效果是：本专利技术，将电器非侵入式负荷识别方法过程分为两个部分，第一部分是训练过程，利用基于k-means聚类算法的单一电器负荷信号聚类标签方法，给每种电器的每个运行状态所表现出的稳态负荷信号进行标签，利用标签后提取的特征向量训练分类算法；第二部分是识别过程，利用训练的分类模型，将供电入口处的Delta形式的稳态负荷波形提取同样的特征向量后。送到分类模型中，得出识别结果。从事实上考虑了电器的多运行状态，对单一电器的无监督的聚类标签，进而提高了电器识别的准确性。附图说明图1为本专利技术的硬件基本结构示意图。图2为本专利技术的工作流程图。图3为本专利技术的单一电器聚类标签过程的流程图。具体实施方式如图1-3所示，基于事件检测的非侵入式负荷识别方法和系统，基于事件检测的非侵入式负荷识别方法和系统，所述系统硬件结构包括存储单元、通信单元、显示单元、两个信号采集单元和微处理器，其中一个所述信号采集单元处设置有训练接口，另外一个所述信号采集单元处设置有供电入口处的接口，所本文档来自技高网...

【技术保护点】
1.基于事件检测的非侵入式负荷识别方法和系统，其特征在于：所述系统硬件结构包括存储单元、通信单元、显示单元、两个信号采集单元和微处理器，其中一个所述信号采集单元处设置有训练接口，另外一个所述信号采集单元处设置有供电入口处的接口，所述训练接口的功能是对家庭中的所有单个电器进行聚类标签，储存分类波形，来训练分类模型；供电入口处接口的功能是采集供电入口处的电流电压数据，实现负荷识别的功能，所述微处理器主要用来计算和信号处理，信号采集单元用来采集电压电流等高频信号，存储单元主要存储训练用的数据和负荷识别的结果，通信单元主要用来上传用电量等通信，显示单元主要是人机交互界面。/n

【技术特征摘要】
1.基于事件检测的非侵入式负荷识别方法和系统，其特征在于：所述系统硬件结构包括存储单元、通信单元、显示单元、两个信号采集单元和微处理器，其中一个所述信号采集单元处设置有训练接口，另外一个所述信号采集单元处设置有供电入口处的接口，所述训练接口的功能是对家庭中的所有单个电器进行聚类标签，储存分类波形，来训练分类模型；供电入口处接口的功能是采集供电入口处的电流电压数据，实现负荷识别的功能，所述微处理器主要用来计算和信号处理，信号采集单元用来采集电压电流等高频信号，存储单元主要存储训练用的数据和负荷识别的结果，通信单元主要用来上传用电量等通信，显示单元主要是人机交互界面。


2.根据权利要求1所述的基于事件检测的非侵入式负荷识别方法和系统，其特征在于：所述训练接口应用于训练阶段，所述供电入口处接口应用于识别阶段，所述训练阶段先于识别阶段进行操作；
训练阶段：该阶段是将单个电器或者新添加的电器，接到训练接口；使用聚类标签算法对电器的Delta稳态负荷信号进行分类，给电器不同运行状态下的负荷信号进行标签；提取每类负荷信号的谐波特征向量和V-I轨迹特征相量等特征量；使用负荷信号特征向量和对应的标签来训练分类模型；
识别阶段：首先采集供电入口处的电压和电流信号；并使用事件检测算法来进行事件检测，检测到事件后提取Delta形式的稳态负荷信号，判断是否是有效的稳态负荷信号；如果是有效的负荷信号，则判断为有新的电器在改变状态；然后，提取和训练模型中相同的负荷信号特征向量，将该特征向量送到分类模型中，输出分类结果。最后根据分类结果判断在是哪个电器动作，实现非侵入式负荷识别。


3.根据权利要求2所述的基于事件检测的非侵入式负荷识别方法和系统，其特征在于：所述Delta形式的稳态负荷信号的提取方法是：
假设定位到的事件发生时所在的周期为x，这样我们可以使用该周期及以后的电流，减去该周期前一周期的电流，就可以得到Delta形式的负荷信号，公式如下所示：



其中，j表示事件发生后的周期数，ρpeak是尖峰检测的尖峰值，iΔ是Delta形式的负荷信号。
得到Delta形式的负荷信号后，我们采用电压过零点来划分周期，将电压信号按过零点分割成一个一个的周期形式，Delta形式的电流信号按照电压信号分割的尺度来进行分割，这样上述的电压电流时间序列分割成了多个周期的形式，一个周期的电压电流如下所示：
v＝[v0,v1,v2,...,vS-1](3-2)
i＝[i0,i1,i2,...,iS-1](3-3)
其中，S是一个周期的采样点数。这样就得到了一个一个周期Delta形式的稳态负荷信号。


4.根据权利要求2所述的基于事件检测的非侵入式负荷识别方法和系统，其特征在于：所述电器...

【专利技术属性】
技术研发人员：张明松，张浩军，
申请(专利权)人：南京航灵信息科技有限公司，
类型：发明
国别省市：江苏;32