基于盲源分离的非侵入式负荷监测方法及系统技术方案

本公开提供了一种基于盲源分离的非侵入式负荷监测方法，利用盲源分离建立家庭负荷用电监测模型；利用信号预处理对混合负荷信号进行信号中心化和白化，使得信号去均值并且每个分量不具相关性并有单位方差；利用近似的负熵找到负荷信号非高斯最大化的方向；利用迭代算法找到最优分离矩阵，从而计算得到分离信号。本公开不仅可以实现非侵入式负荷监测，还降低了非侵入式负荷监测的特征提取过程，摒弃了庞大的学习的过程，在保证监测精度的前提下，保留了分离负荷的完整性，促进了非侵入负荷监测技术在家庭用户中广泛应用。技术在家庭用户中广泛应用。技术在家庭用户中广泛应用。

【技术实现步骤摘要】
基于盲源分离的非侵入式负荷监测方法及系统


[0001]本公开涉及非侵入式负荷监测
，特别涉及一种基于盲源分离的非侵入式负荷监测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]家庭能耗占电力总耗电量的30％
‑
40％，家庭用电设备的管理和优化对加速智能电网建成有着重要的意义。家庭能耗管理是以负荷监测为基础的，通过对每个负荷设备的监控从而获取到家庭用户的详细用电信息，并将用电信息反馈给用户和电网公司，从而引导用户形成良好的用电习惯。研究表明，负荷监测提供的用电信息，可以通过需求侧管理将能源消耗降低15％以上。此外，负荷监测可以帮助家庭用户和电力公司在用电高峰时段检测出高能耗设备、识别出故障设备以及预测需求等。
[0004]一般来说，负荷监测方法可以分为两种主要的方法：(1)侵入式负荷监测(Intrusive Load Monitoring,ILM)，也叫分布式负荷监测，它是通过在每个负荷设备上安装传感器来实现的，该方法具有较高的测量精度，并且可以对每个负荷设备进行直接控制，但是由于其需要大量传感器，导致系统的安装和维护成本较高而不易被用户所接受。(2)非侵入式负荷监测(Non
‑
Invasive Load Monitoring,NILM)，也叫做集中式单点监测，设备的能耗数据是通过在家庭用户总负荷处安装传感器或者智能电表获取的，通过一定的分类识别方法将总负荷数据分解为单个设备的数据，具有成本低、安装方便和保护用户隐私的优点，但是其精度相对较低，取决于对数据分析算法的选择。
[0005]本公开专利技术人发现，非侵入式负荷监测可以实现对单个设备的运行模式和功耗的监控，电力公司可以根据单个负荷设备运行能耗的综合信息制定节能政策，通过负荷转移和分时定价等负荷管理计划促进用户和电力公司之间的互动。而家庭用户也可以根据电力公司的反馈去改变其用电行为，用户可以从反馈中得到两个信息：1)知道每台设备消耗了多少电能，并可以根据个性化的提示来减少电能消耗；2)被告知延迟使用某些设备到非高峰时间可能节省的能耗情况。

技术实现思路

[0006]为了解决现有技术的不足，本公开提供了一种基于盲源分离的非侵入式负荷监测方法及系统，摒弃了以往复杂的特征提取和分析过程，也不需要庞大的计算量以及训练数据，仅以家庭入户总线处总负荷分解得到单个负荷，在满足分解精度的前提下，保障对分解负荷信号的完整性以及独立性。
[0007]为了实现上述目的，本公开采用如下技术方案：
[0008]本公开第一方面提供了一种基于盲源分离的非侵入式负荷监测方法。
[0009]一种基于盲源分离的非侵入式负荷监测方法，包括以下步骤：
[0010]对家庭混合负荷信号建立盲源分离模型，运用独立成分分析，从混合信号中分离
出具有独立性和非高斯性的源信号，具体为：
[0011]p
y
＝WP
[0012]其中，p
y
表示分离信号，W表示分离矩阵，P表示混合负荷信号。
[0013]运用独立成分分析的限制条件包括：(1)源信号在统计上相互独立。统计独立性意味即使知道了未知源信号的其中一个也不能估计出其他的任意源信号。(2)独立的源信号中至多存在一个高斯信号。对于高斯信号而言，它包含高阶信息量为零，而对于独立分量分析来说，高阶统计信息是实现其功能的本质，这也是ICA与其他因子分析、主成分分析等数据处理方式的区别。
[0014]作为可能的一些实现方式，对混合总负荷信号进行预处理，包括信号的中心化和白化，信号的中心化是将混合负荷信号矢量减去其平均值，到零均值矢量，具体为：
[0015][0016]其中，表示零均值信号，P(t)表示混合负荷信号，E{P(t)}表示信号平均值。
[0017]对去掉平均值后的混合负荷需要经过特征分解进行白化处理，将零均值信号进行线性变换，使得负荷功率信号中的每个分量不具相关性并有单位方差，具体为：
[0018][0019]其中，P
a
(t)表示白化信号，λ＝diag(d1,d2,
…
,d
n
)表示特征矩阵，D表示正交矩阵。
[0020]作为可能的一些实现方式，利用负熵作为信号非高斯性最大化的判据，当不同的随机信号具有相同的协方差矩阵，那么具有高斯分布的随机信号的熵最大，具体为：
[0021]J[y]＝H
G
(y)
‑
H(y)
[0022]其中，J[y]表示负熵，H
G
(y)表示一个服从高斯分布的随机信号，H(y)表示随机信号。
[0023]当负熵取得最大值时，就可以从混合信号得到独立的分离信号，负熵值越大，信号分离的效果就越好。
[0024]实践中负熵的计算要复杂的多，所以需要对负熵进行简单的估计。使用负熵最大化原理的新近似，该近似通常比传统的、基于累积的近似要精确得多，具体为：
[0025]J(y
i
)
∝
[E{G(y
i
)}
‑
E{G(g)}]2[0026]其中，G表示对比函数，g表示单位方差和方差相等且具有零均值的高斯随机变量，对比函数的选取影响着负熵估计的鲁棒性能，首先，具有计算的简单性：对比函数应该能够快速计算。其次，在对分离信号进行逐个估计时，要考虑分离信号的顺序；
[0027]作为可能的一些实现方式，使用FastICA固定点算法解决盲源分离问题，根据定点递推，对目标函数进行迭代寻找最优解，利用非线性找到任何非高斯分布的直接独立分量；
[0028]作为可能的一些实现方式，用数据的估计值来代替期望，并且最好是样本平均值，经过预处理后的混合负荷信号进行优化迭代，得到满足收敛条件的分离矩阵；
[0029]作为可能的一些实现方式，得到的分离负荷信号为源负荷信号的精确估计值，并引入相似系数作为评价分离信号与源负荷信号的相似性，具体为：
[0030][0031]其中，r表示相似系数，表示分离信号，表示源负荷信号。
[0032]本公开第二方面提供了一种基于盲源分离的非侵入式负荷监测系统。
[0033]一种基于盲源分离的非侵入式负荷监测系统，包括：
[0034]混合负荷信号采集模块，被配置为：利用智能电表在家庭入户总线处测量家庭总负荷，以总负荷为盲源分离模型的输入；
[0035]信号预处理模块，被配置为：利用中心化和白化处理测量的混合负荷数据，去均值以得到零均值矢量，并进行特征分解使混合负荷信号中的每个分量不具相关性并有单位方差；
[0036]非高斯判据模块，被配置为：利用近似的负熵最大化作为分离出独立信号的方向，信号间互信息最小化的同时，找到负熵最大化的方向；
[0037]迭代求解模块，被配置为：利用盲源分离对混合负荷信号进行分析，利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于盲源分离的非侵入式负荷监测方法，其特征在于，包括以下步骤：对家庭混合负荷信号建立盲源分离模型，运用独立成分分析，从混合信号中分离出具有独立性和非高斯性的源信号，具体为：p
y
＝WP运用独立成分分析的限制条件包括：(1)源信号在统计上相互独立，统计独立性意味即使知道了未知源信号的其中一个也不能估计出其他的任意源信号；(2)独立的源信号中至多存在一个高斯信号，对于高斯信号而言，它包含高阶信息量为零，而对于独立分量分析来说，高阶统计信息是实现其功能的本质，这也是ICA与其他因子分析、主成分分析等数据处理方式的区别。2.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，对混合总负荷信号进行预处理，包括信号的中心化和白化，信号的中心化是将混合负荷信号矢量减去其平均值，到零均值矢量，具体为：对去掉平均值后的混合负荷需要经过特征分解进行白化处理，将零均值信号进行线性变换，使得负荷功率信号中的每个分量不具相关性并有单位方差，具体为：3.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，利用负熵作为信号非高斯性最大化的判据，当不同的随机信号具有相同的协方差矩阵，那么具有高斯分布的随机信号的熵最大，具体为：J[y]＝H
G
(y)
‑
H(y)当负熵取得最大值时，就可以从混合信号得到独立的分离信号，负熵值越大，信号分离的效果就越好；实践中负熵的计算要复杂的多，所以需要对负熵进行简单的估计使用负熵最大化原理的新近似，该近似通常比传统的、基于累积的近似要精确得多，具体为：J(y
i
)
∝
[E{G(y
i
)}
‑
...

【专利技术属性】
技术研发人员：张超，刘宇，杜晓光，高岩，李玉敦，王志明，王建东，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：