一种面向表端的非侵入式负荷识别方法技术

本发明专利技术公开了一个面向表端的非侵入式负荷识别方法，所述方法包括以下步骤：电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；特征提取，提取当前事件的瞬时功率特征和V

【技术实现步骤摘要】
一种面向表端的非侵入式负荷识别方法


[0001]本专利技术属于电器检测领域，具体来说涉及一种面向表端的非侵入式负荷识别方法。

技术介绍

[0002]电力在人们日常生活中扮演着至关重要的角色，但是随着社会的进步，日益增加的电力需求和有限的不可再生资源的矛盾日益凸显。为了满足正常的日常生产，政府制定不同的限电政策以达到能源双控的目标。作为电力资源管理的有效解决方案，智能用电的关键技术是负荷监测技术，该技术能够获得负荷的能耗详情和用户的用电行为等。
[0003]负荷监测有两种技术，即侵入式负荷监测和非侵入式负荷监测技术。前者需要为每一个负荷安装一个传感器，时刻监测相应负荷的电流电压等信息。后者无需安装传感器，仅仅利用电表数据和机器学习算法，就可以分析出每个负荷的详细信息。侵入式负荷监测虽然监测准确率高，但是硬件成本更高，很难推广到人们日常生活中，而低成本的非侵入式负荷监测安装成本低，应用灵活、对用户影响小，因此更容易得到推广。
[0004]尽管非侵入式负荷监测的研究体系已相当完善，但是仍然存在一些问题需要解决。目前智能电表的计量芯是一颗256MB的NOR Flash。虽然非侵入式负荷识别算法精度很高，但是大部分算法的特点是计算量大，受限于家用电表的低内存，导致该类算法不能直接嵌入到家用电表中；新负荷的加入可能导致原来的识别算法出现误差，进而影响非侵入式负荷识别NILM(non
‑
intrusive load monitoring)性能；现有基于V
‑
I轨迹图的识别算法虽然识别精度高，但是对于部分事件并不能保证能够提取到轨迹图特征，因此无法完全基于轨迹特征图进行负荷监测。

技术实现思路

[0005]本专利技术的目的在于提供一种面向表端的非侵入式负荷识别方法，以解决
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供技术方案如下：
[0007]一个面向表端的非侵入式负荷识别方法，所述方法包括以下步骤：
[0008]电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；
[0009]事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；
[0010]特征提取，提取当前事件的瞬时功率特征和V
‑
I轨迹特征；
[0011]特征比对，采用子串匹配算法，将当前事件的瞬时功率特征和V
‑
I轨迹特征与预设的特征库匹配，得到事件的具体类别。
[0012]优选地，所述事件监测包括以下子步骤：
[0013]设定时间探测窗的每次移动的步长为l；
[0014]基于视在功率序列{w1，...，w
t
，w
t+1
，...}计算任一时刻的视在功率变化量Δw
t
＝
w
t+1
‑
w
t
；
[0015]判断Δw
t
＞w
ON1
，w
ON1
表示事件监测功率变化阈值，若是，事件探测窗移动直至Δw
t+nl
＜w
ON1
，n表示时间探测窗的移动次数；
[0016]判断w
t+nl
‑
w
t
＜w
ON2
，w
ON2
为能检测到的事件发生时的最小视在功率变化值，若是，则不存在事件发生，否则有事件发生。
[0017]优选地，所述瞬时功率特征的提取包括以下步骤：
[0018]获取事件发生开始时间t
on
的第一关联功率序列和第二关联功率序列
[0019]基于第二关联功率序列计算关联第二平均功率；
[0020]将第一关联功率序列中每一功率减去关联第二平均功率，得到若干瞬时功率组成的瞬时功率序列。
[0021]优选地，所述VI轨迹特征的提取包括以下步骤：
[0022]分别对当前事件前后T秒内的电流电压波形进行平滑和插值处理；
[0023]T秒内每秒取一周期电流电压波形并对电压波形进行傅里叶变换，取基波电压相角为0的点作为电流电压波形初始采样点；
[0024]将电流电压波形各周期相同位置采样点取平均值，以电压为横坐标、以事件发生后电流与事件发生前电流的差为纵坐标，绘制V
‑
I曲线；
[0025]基于V
‑
I曲线提取各形状特征。
[0026]优选地，所述特征比对包括以下步骤：
[0027]对瞬时功率序列提取若干瞬时功率子序列，
[0028]对任一瞬时功率子序列，提取特征库同等时段内的参考瞬时功率子序列，计算对应的瞬时功率子序列和参考功率子序列的相似度，基于最大相似度值确定瞬时功率子序列的负荷；统计瞬时功率序列中m个瞬时功率子序列的对应的m个负荷识别结果；
[0029]判断V
‑
I轨迹特征是否置空，若是，选取投票最多的一负荷识别结果作为最终的负荷类别，否则，额外计算V
‑
I轨迹特征与特征库的V
‑
I参考轨迹特征的相似度，选择前k个最相似的结果作为备选结果，对m+k个匹配结果投票，得到最终的负荷类别。
[0030]优选地，所述相似度为计算距离差，距离差越大，相似度越低。
[0031]优选地，还包括特征库的更新步骤，所述特征库的更新包括云端更新和表端更新；
[0032]所述云端更新为从云端下载新负荷的瞬时功率特征和V
‑
I轨迹特征，并加入特征库；
[0033]所述表端更新为在添加新负荷时执行电表采样、事件监测及特征提取步骤，以提取新负荷的瞬时功率特征和V
‑
I轨迹特征，并加入特征库。
[0034]与现有技术相比，本专利技术的有益效果为：
[0035]相对于使用监督学习算法，本专利技术中的非侵入式负荷识别方法，计算量相对较小，可直接面向表端实现负荷的智能识别；而监督学习算法需要不断训练更新模型，其计算量高，对设备的性能要求高，无法直接嵌入到家用电表中。
附图说明
[0036]图1为本专利技术流程图。
[0037]图2为本专利技术步骤4的流程图。
[0038]图3为特征库更新流程图。
[0039]图4为电冰箱启动时刻瞬时功率序列。
[0040]图5为电冰箱V
‑
I轨迹图。
具体实施方式
[0041]下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0042]一个面向表端的非侵入式负荷识别方法，所述方法包括电表采样、事件监测、特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一个面向表端的非侵入式负荷识别方法，其特征在于，所述方法包括以下步骤：电表采样，对智能电表中的电流电压信息进行采样，并计算功率序列；事件监测，根据功率序列的突变信息判断是否有事件发生，若是，读取当前时刻的电流电压信息，并执行特征提取步骤，否则继续执行电表采样步骤；特征提取，提取当前事件的瞬时功率特征和V
‑
I轨迹特征；特征比对，采用子串匹配算法，将当前事件的瞬时功率特征和V
‑
I轨迹特征与预设的特征库匹配，得到事件的具体类别。2.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述事件监测包括以下子步骤：设定时间探测窗的每次移动的步长为l；基于视在功率序列{w1，...，w
t
，w
t+1
，...}计算任一时刻的视在功率变化量Δw
t
＝w
t+1
‑
w
t
；判断Δw
t
＞w
ON1
，w
ON1
表示事件监测功率变化阈值，若是，事件探测窗移动直至Δw
t+nl
＜w
ON1
，n表示时间探测窗的移动次数；判断w
t+nl
‑
w
t
＜w
ON2
，w
ON2
为能检测到的事件发生时的最小视在功率变化值，若是，则不存在事件发生，否则有事件发生。3.如权利要求1所述的一种面向表端的非侵入式负荷识别方法，其特征在于，所述瞬时功率特征的提取包括以下步骤：获取事件发生开始时间t
on
的第一关联功率序列和第二关联功率序列u0、u1、u2均为预设值；基于第二关联功率序列计算关联第二平均功率；将第一关联功率序列中每一功率减去关联第二平均功率，得到若干瞬时功率组成的瞬时...

【专利技术属性】
技术研发人员：杜磊，董辉，赵小明，高平航，张石清，汪向荣，
申请(专利权)人：台州学院温岭研究院，
类型：发明
国别省市：