一种基于时频分析的非线性负荷状态识别方法技术

本发明专利技术涉及一种基于时频分析的非线性负荷识别方法，构建了利用频域特征的负荷辨识架构，旨在解决非侵入式负荷监测在非线性负荷辨识中无法有效应用暂态特征的问题。本发明专利技术主要包括：基于快速傅里叶变换以及希尔伯特

【技术实现步骤摘要】
一种基于时频分析的非线性负荷状态识别方法


[0001]本专利技术属于非侵入式电力负荷监测
，涉及一种基于时频分析的非线性负荷状态识别方法。

技术介绍

[0002]电能已成为现代社会最主要的终端能源形式，为了应对全球性的能源紧缺问题，实现社会低碳化并提高供电的可靠性和电能在用户侧的利用效率，有关于智能电网的研究与实践正在全世界范围内开展。在电网的需求侧，智能电子设备和高能耗设备的广泛应用，大幅地提高了非线性负荷在电网需求终端的负荷占比。如何从用户总量能耗数据中获取非线性负载的负荷特征，并将其进行准确辨识，是电力部门关注的重点。
[0003]非侵入式负荷监测(Non
‑
intrusive Load Monitoring，NILM)技术仅需在电力负荷的供电入口处安装一台带有通信功能的传感器，通过对负荷用电总量数据的分析便可获取用户内部每个(主要)电器的用电信息。NILM技术对提升需求侧电能的可观性具有重要意义，其部属可以助力清洁低碳安全高效的能源体系构建及“双碳”目标实现，促进重点行业领域减污降碳，以及拓展深化电力数据在社会服务领域的应用等。
[0004]NILM技术自由上世纪末提出以来便受到了广泛关注，目前其领域内已有多种方法被应用于非线性负荷识别，其中时
‑
频域分析理论，已经成为了NILM技术对于实现非线性负荷辨识的重要工具。其中，在语音信号处理领域内发展成熟的快速傅里叶变换理论以及希尔伯特
‑
黄变换理论从高频负荷信号中提取目标负荷特征，以支持后续的负荷辨识。由于用户侧负荷种类繁多，复杂场景之内广泛存在负载混叠运行的情况，且噪音的干扰不可忽视，准确获取目标非线性负荷的特征并将其进行准确识别难度较大。
[0005]针对上述问题，本专利技术基于时频分析理论的基础上做出改进，基于极限学习机模型提出完整的非线性负荷识别架构，并利用公开数据集对分类模型进行训练与测试，验证本专利技术方法能够对用户侧复杂的非线性负荷进行准确识别。

技术实现思路

[0006]本专利技术的目的在于解决现有技术的不足，提供一种基于时频分析的非线性负荷状态识别方法，能够对用户侧复杂的非线性负荷进行准确识别。
[0007]本专利技术解决其技术问题是通过以下技术方案实现的：
[0008]一种基于时频分析的非线性负荷状态识别方法，其特征在于：包括以下步骤：
[0009]步骤1，通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征；
[0010]步骤2，基于步骤1提取得到的时域特征和频域特征内的多暂态负荷特征，建立多特征融合的分类学习模型：学习模型以极限学习机模型为主体，通过融合学习输入的多个特征来完成对负荷的识别；
[0011]步骤3，利用公开数据集进行训练和调整：基于所提取的时频特征效果以及负荷识
别效果调整滑窗长度，以获取最优的测试效果。
[0012]而且，所述通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征的方法为：
[0013]初始定义的滑动窗长为N，依此窗长对用户总量电流信号进行截取，即得到目标电流时间序列：
[0014]{i(n)|n＝1,2,...,N
‑
1,N}
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]其中，i(n)为所截取的电流时间序列样本各个时间点的瞬时电流值；
[0016]对于式(1)给出的电流时间序列，使用频域分析方法离散傅里叶的变体——短时傅里叶来对目标电流信号提取频域特征，本专利技术所述频域特征，包括频域幅值FA和频域相位FP。
[0017]求取频域特征，先将原始电流信号按短时傅里叶变换处理，如式(2)所示：
[0018][0019]式中，F(m)为所采集到的用户总口原始电流信号i(n)的频域信号；
[0020]基于式(2)可计算频域幅值FA和频域相位FP，如式(3)所示：
[0021][0022]式中，ReF(m)和ImF(m)分别为取F(m)的实部和虚部；
[0023]对于时域特征的提取，使用希尔伯特
‑
黄变换对所采集到的用户总口原始电流信号i(n)进行处理，以提取时域特征；
[0024]本专利技术所述时域特征包括瞬时幅值IA、瞬时相位IP以及瞬时频率IF。
[0025]而且，所述时域特征的提取方法为：
[0026]对于总口原始电流信号i(n)的希尔伯特黄变换处理结果HT(i(n))如式(4)所示：
[0027][0028]式中，u为积分算子。
[0029]经过式(3)的处理之后，对原始电流信号i(t)进行分析化表征，分析信号形式按式(5)计算：
[0030][0031]其中j表示虚数单位；
[0032]之后提取瞬时幅值IA和瞬时相位IP两个时域特征，计算公式按式(6)给出：
[0033][0034]在获取瞬时幅值IA和瞬时相位IP之后，按照式(7)计算：
[0035][0036]式中，表示对获得的瞬时相位IP(t)在时间上求一阶导数，由于IP(t)在形式上属于离散的时间序列，因此求导结果为获得的两个数据点之差。
[0037]而且，所述基于极限学习机的分类学习模型为人工神经网络，其分别由一个输出层，一个输入层和多个隐藏层构成，该网络的结构中，从输入层到隐藏层之间的权重值和偏差值随机产生，且不做迭代改动，在建立所述学习模型之后，基于步骤1输出的时频域特征进行特征融合，并开始后续的模型训练，
[0038]输出层节点输出值t
k
与输入层节点值x
i
在数学上的关系如式(8)给出：
[0039][0040]式中，ω
j
和b
j
分别是网络结构中输入层到第j个隐藏层节点的权重矩阵和偏差向量，g(ω
j
·
x
i
+b
j
)指的是激活函数，β
j
指的是第j个隐藏层节点到输出层节点的权重值，L指的是隐藏层节点个数。
[0041]当确定下ω
j
和b
j
之后，可以计算隐藏层的输出矩阵H，计算方程如式(9)给出：
[0042]Hβ＝T (9)
[0043]其中，T指的是输出层的输出矩阵；方程式(9)的解如式(10)给出：
[0044][0045]式中，为H的伪逆矩阵；
[0046]对步骤1中得到的五个时频域特征，即频域幅值FA、频域相位FP、瞬时幅值IA、瞬时相位IP和瞬时频率IF进行多特征融合以完成后续的模型训练，具体步骤为，采取全链接网络，并利用如式(10)得出的结果对建立的极限学习机模型进行训练。
[0047]而且，所述基于所提取的时频特征效果以及负荷识别效果调整滑窗长度，以获取最优的测试效果的方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频分析的非线性负荷状态识别方法，其特征在于：包括以下步骤：步骤1，通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征；步骤2，基于步骤1提取得到的时域特征和频域特征内的多暂态负荷特征，建立多特征融合的分类学习模型，该学习模型以极限学习机模型为主体，通过融合学习输入的多个特征来完成对负荷的识别；步骤3，利用公开数据集进行训练和调整：基于所提取的时频特征效果以及负荷识别效果调整滑窗长度，以获取最优的测试效果。2.根据权利要求1所述的一种基于时频分析的非线性负荷状态识别方法，其特征在于：所述通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征的方法为：初始定义的滑动窗长为N，依此窗长对用户总量电流信号进行截取，即得到目标电流时间序列：{i(n)|n＝1,2,...,N
‑
1,N}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，i(n)为所截取的电流时间序列样本各个时间点的瞬时电流值；对于式(1)给出的电流时间序列，使用频域分析方法离散傅里叶的变体——短时傅里叶来对目标电流信号提取频域特征，本发明所述频域特征，包括频域幅值FA和频域相位FP；求取频域特征，先将原始电流信号按短时傅里叶变换处理，如式(2)所示：式中，F(m)为所采集到的用户总口原始电流信号i(n)的频域信号；基于式(2)可计算频域幅值FA和频域相位FP，如式(3)所示：式中，ReF(m)和ImF(m)分别为取F(m)的实部和虚部；对于时域特征的提取，使用希尔伯特
‑
黄变换对所采集到的用户总口原始电流信号i(n)进行处理，以提取时域特征；所述时域特征包括瞬时幅值IA、瞬时相位IP以及瞬时频率IF。3.根据权利要求2所述的一种基于时频分析的非线性负荷状态识别方法，其特征在于：所述时域特征的提取方法为：对于总口原始电流信号i(n)的希尔伯特黄变换处理结果HT(i(n))，如式(4)所示：式中，u为积分算子；经过式(3)的处理之后，对原始电流信号i(t)进行分析化表征，分析信号形式按式(5)计算：
其中j表示虚数单位；之后提取瞬时...

【专利技术属性】
技术研发人员：戚成飞，刘岩，杨晓波，易忠林，毕超然，王耀宇，高嘉浩，焦东翔，魏彤珈，杨晓坤，郑思达，李文文，张茹，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：