融合多时间尺度电器特征的非侵入式负荷感知方法技术

本发明专利技术公开了一种融合多时间尺度电器特征的非侵入式负荷感知方法。该方法首先进行用电数据采集和预处理，然后对是否发生电器事件和功率序列是否波动进行检测。当事件结束后以及发现功率序列正在波动后，提取多时间尺度电器特征、构造感知模型并训练，最后进行融合多时间尺度电器特征的负荷感知。本发明专利技术能够综合多时间尺度上的电器特征，不同时间尺度上更全面的电器特性提取，并实现有效平衡不同时间尺度上的分类结果误差，最终科学合理地进行多时间尺度的非侵入式负荷感知。间尺度的非侵入式负荷感知。

【技术实现步骤摘要】
融合多时间尺度电器特征的非侵入式负荷感知方法


[0001]本专利技术属于智能用电
，具体涉及一种融合多时间尺度电器特征的非侵入式负荷感知方法。

技术介绍

[0002]住宅和商业能源消耗占全球能源消耗总量近半数。负荷监测与辨识具有重要意义，其可以帮助建筑负荷提高能效，减少碳排放。同时，对于终端用户，负荷监测可以为他们提供不同时期的电能消耗，并为用户节约能源。
[0003]非侵入式负荷监测(NILM)是近年来备受关注的一个新课题。与传统的侵入式负荷监测不同，NILM的目标是通过分析住宅入口处测得的聚合电流和电压信号来分析住宅内电器的运行状态。其不需要接入室内的内部电路，也不需要为电器配备单独的传感器，从而节省了时间和成本。与侵入式负荷监测相比，非侵入式负荷监测相对难度较大，但非侵入式方法具有成本低、操作简单等优势，且借助于传感技术、信息技术等的快速发展，非侵入式方法也逐渐成为了人们所关注与研究的重点。
[0004]非侵入式负荷感知的工作原理是利用了负荷的特征具有独特性和重复性这一性质。非侵入式负荷感知系统的典型算法框架中，其包括了数据量测、数据预处理、电器事件与波动探测、电器特征提取、感知模型训练与负荷识别等步骤。其中特征提取是一项关键技术。当数据量测、数据预处理、电器事件与波动探测结束后，特征提取步骤质量的高低，直接影响着后续步骤的质量。
[0005]负荷特征主要由两方面组成：一是电气特性，其由内部电路的拓扑结构决定，可通过观测工频周期下的电压、电流波形获得，其主要是短时间尺度上的负荷特征；二是工作模式，其由控制策略决定，可通过观察电器长时间运行数据后获得，其为长时间尺度上的负荷特征。过去研究人员过于关注单一时间尺度上的负荷识别，缺乏对不同时间尺度上负荷特征的综合关注，导致了过去的研究方法难以处理某些单一时间尺度类似而在其他时间尺度上不相同的负荷，最终使得负荷识别、匹配的准确性较低。
[0006]综上所述，如何科学合理地进行多时间尺度的非侵入式负荷特征提取就成为一个亟需解决的问题。因此需要一种融合多时间尺度电器特征的非侵入式负荷感知方法。

技术实现思路

[0007]本专利技术的目的就在于为了解决上述问题而提供一种融合多时间尺度电器特征的非侵入式负荷感知方法。
[0008]为实现上述专利技术的目的，本专利技术采用的技术方案是：
[0009]一种融合多时间尺度电器特征的非侵入式负荷感知方法，所述方法包括以下步骤：
[0010]S1、对用户住宅入口处的电压和电流进行周期采样，并计算每秒有功功率有效值；
[0011]S2、通过对步骤S1中计算的每秒有功功率有效值进行电器事件与波动性检测，检
测是否有电器开启或关闭或有波动性电器处在运行中；
[0012]S3、当在检测到有电器开启或关闭或有波动性电器处在运行中时，分别在短时间尺度、过渡过程和长时间尺度三个不同的时间尺度上对步骤S1中采样的电流数据进行处理，得到各时间尺度上的待识别电流序列；读取负荷识别特征库中的电器特征集，计算各时间尺度上的待识别电流序列与对应时间尺度上的电器特征集中的各元素的相似度，得到待识别电流序列的电器特征向量；
[0013]S4、针对每个时间尺度，分别构造以机器学习器为基学习器的bagging分类器，其中 bagging分类器的输入为所述电器特征向量，输出为预测的电器类别概率；由三个时间尺度的bagging分类器组成负荷感知模型，负荷感知模型中将三个时间尺度上输出的电器类别概率进行平均，得到最终的电器类别概率，从中取概率最大的电气类别为当前输入最终对应的电器所属分类；使用含电器类别标签的历史电器特征向量数据对负荷感知模型进行训练；
[0014]S5、将待识别电流序列的电器特征向量输入训练后的负荷感知模型中得到预测结果，实现负荷识别。
[0015]基于上述技术方案，本专利技术还可以进一步采用以下优选方案。
[0016]作为优选，所述步骤S1中，在采样频率f1及交变电流频率f2下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u1(k)和电流采样序列i1(k)，其中k为采样点编号，采样频率f1的取值范围为0.4kHz～50kHz，交变电流频率f2的取值为50Hz；再计算每秒有功功率有效值，形成有功序列P1，序列中时间t对应的有功功率有效值为P1(t)。
[0017]作为优选，所述步骤S2中，电器事件与波动性检测的具体做法如下：
[0018]在进行电器事件检测时，计算相邻时刻(即相邻秒)有功功率的变化如式(1)所示：
[0019]ΔP(t
‑
1,t)＝|P1(t)
‑
P1(t
‑
1)|
ꢀꢀ
(1)
[0020]其中，ΔP(t
‑
1,t)是时间t和前一时间t
‑
1之间有功功率有效值的变化量；若t1时刻满足如式(2)所示的条件，则视为发生电器事件：
[0021][0022]其中，t1和t2分别是电器事件的开始和结束时刻，T
f
为事件突变阈值，T
e
为事件发生阈值；
[0023]在进行波动性检测时，设置滑动窗口G
long
的时间长度为M，滑动间隔为N，在滑动窗口G
long
中按式(3)计算有功功率范围R和方差s2，再将滑动窗口G
long
中的有功功率范围 R和方差s2分别与各自的阈值R
e
和进行比较，当满足式(4)所示的条件时确定此时有一个功率变化的电器正在运行；
[0024][0025][0026]其中是滑动窗口G
long
中M个有功功率有效值的平均有功功率。
[0027]作为优选，滑动窗口G
long
的时间长度M优选值为5分钟，滑动间隔为1分钟；有功功率阈值R
e
的优选值为100，方差阈值优选值为400。
[0028]作为优选，所述步骤S3中，所述短时间尺度优选为交变电流频率f2的一个周期；所述过渡过程优选为电器事件发生后的2秒；所述长时间尺度优选为大于1分钟。
[0029]作为优选，所述短时间尺度上的待识别电流序列为0.02秒的电流采样序列，过渡过程上的待识别电流序列为电器事件发生后的2秒内的每周期电流有效值，长时间尺度上的待识别电流序列为每秒电流均方根值序列。
[0030]作为优选，在步骤S3中，负荷识别特征库的电器特征集的计算方式如下：
[0031]电器特征的方案为shapelet，其被定义为可代表时间序列形状特征的子序列；若有M1类电器，在每个时间尺度上每类电器有M2个历史采集的历史电流序列；对于任一时间尺度，当前时间尺度上的历史电流序列的长度为L，则当前时间尺度上的shapelet特征集计算步骤包括：
[0032]①
相似度计算：对每一类电器的M2个历史电流序列W，遍历生成长度为3至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于，所述方法包括以下步骤：S1、对用户住宅入口处的电压和电流进行周期采样，并计算每秒有功功率有效值；S2、通过对步骤S1中计算的每秒有功功率有效值进行电器事件与波动性检测，检测是否有电器开启或关闭或有波动性电器处在运行中；S3、当在检测到有电器开启或关闭或有波动性电器处在运行中时，分别在短时间尺度、过渡过程和长时间尺度三个不同的时间尺度上对步骤S1中采样的电流数据进行处理，得到各时间尺度上的待识别电流序列；读取负荷识别特征库中的电器特征集，计算各时间尺度上的待识别电流序列与对应时间尺度上的电器特征集中的各元素的相似度，得到待识别电流序列的电器特征向量；S4、针对每个时间尺度，分别构造以机器学习器为基学习器的bagging分类器，其中bagging分类器的输入为所述电器特征向量，输出为预测的电器类别概率；由三个时间尺度的bagging分类器组成负荷感知模型，负荷感知模型中将三个时间尺度上输出的电器类别概率进行平均，得到最终的电器类别概率，从中取概率最大的电气类别为当前输入最终对应的电器所属分类；使用含电器类别标签的历史电器特征向量数据对负荷感知模型进行训练；S5、将待识别电流序列的电器特征向量输入训练后的负荷感知模型中得到预测结果，实现负荷识别。2.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S1中，在采样频率f1及交变电流频率f2下，对用户住宅入口处的电压和电流分别进行周期采样，形成电压采样序列u1(k)和电流采样序列i1(k)，其中k为采样点编号，采样频率f1的取值范围为0.4kHz～50kHz，交变电流频率f2的取值为50Hz；再计算每秒有功功率有效值，形成有功序列P1，序列中时间t对应的有功功率有效值为P1(t)。3.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S2中，电器事件与波动性检测的具体做法如下：在进行电器事件检测时，计算相邻时刻有功功率的变化如式(1)所示：ΔP(t
‑
1,t)＝|P1(t)
‑
P1(t
‑
1)|
ꢀꢀꢀꢀ
(1)其中，ΔP(t
‑
1,t)是时间t和前一时间t
‑
1之间有功功率有效值的变化量；若t1时刻满足如式(2)所示的条件，则视为发生电器事件：其中，t1和t2分别是电器事件的开始和结束时刻，T
f
为事件突变阈值，T
e
为事件发生阈值；在进行波动性检测时，设置滑动窗口G
long
的时间长度为M，滑动间隔为N，在滑动窗口G
long
中按式(3)计算有功功率范围R和方差s2，再将滑动窗口G
long
中的有功功率范围R和方差s2分别与各自的阈值R
e
和进行比较，当满足式(4)所示的条件时确定此时有一个功率变化的电器正在运行；
其中是滑动窗口G
long
中M个有功功率有效值的平均有功功率。4.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：滑动窗口G
long
的时间长度M优选值为5分钟，滑动间隔为1分钟；有功功率阈值R
e
的优选值为100，方差阈值优选值为400。5.根据权利要求1所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述步骤S3中，所述短时间尺度优选为交变电流频率f2的一个周期；所述过渡过程优选为电器事件发生后的2秒；所述长时间尺度优选为大于1分钟。6.根据权利要求5所述的融合多时间尺度电器特征的非侵入式负荷感知方法，其特征在于：所述短时间尺度上的待识别电流序列为0.02秒的电流采样序列，过渡过程上的待识别电流序列...

【专利技术属性】
技术研发人员：于鹤洋，孙玉玺，徐崇钧，耿光超，江全元，王晨旭，马骏超，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：