一种基于电流信号分离的居民负荷用电识别方法与流程

技术特征：

1.一种基于电流信号分离的居民负荷用电识别方法，其特征在于，包括：

步骤1：使各用电器单独运行并保留他们分别单独运行时电路中的电流信号数据；

步骤2：将此时电路中的信号记为一路源信号I₀，存储其电流信号数据；

步骤3：当传感器检测到一个新的用电设备启动时，标记新加入的负荷信号为I₁；传感器采集此刻混合电流信号I并进行离散傅里叶变换得到混合电流频谱其中，为I(t)为采集的混合电流，N为电流采样点数，u为频率分量，k为第k个采样点值；根据负荷信号频域稀疏性可建立目标函数为：

$f\left(x\right)=\frac{1}{2}\left|\right|F-Hx|{|}_2^2+\mathrm{\τ}\mathrm{\Φ}\left(x\right)$

式中，F∈R^m是采集信号的频谱，H∈R^m×2m是对x的线性变换，由于此时电路中的总电流I＝I₀+I₁，所以H＝[E_m×m E_m×m]矩阵，x∈R^2m表示两个源信号顺序连接构成的序列；第1项表示采集信号的拟合优度，第2项Φ(x)为去噪声函数，参数τ的作用是平衡目标函数中第1项和第2项两部分所占的比重，可以改变重建信号的稀疏性，分离时通过改变τ的值来获得我们需要的源信号；由于目标函数是基于信号稀疏性建立，根据具有解空间约束的各种优化算法均用于电力负荷分解计算，基于目标函数中采集信号频谱F的维数小于源信号频谱x的维数，所以此目标函数为一病态方程；

步骤4：采用压缩感知算法中的两步迭代收缩阈值算法计算两个分离信号I₂与I₃；两步迭代收缩阈值算法则既能去躁特性又能解决步骤3目标方程的病态问题；其算法更新过程为

x₁＝Γ_λ(x₀)

x_t+1＝(1-α)x_t-1+(α-β)x_t+βΓ_λ(x_t)

Γ_λ(f)＝Ψ_λ(x+H^T(F-Hx))

Ψ_λ＝||x||₁

式中，x₀是初值，α，β为参数，0＜α＜2，0＜β＜2α，根据上述迭代过程，从混合电流频域信号中恢复出两个频域分离信号记为I₂和I₃；

步骤5：由于进入家庭的总电流I为各个支路电流之和，源信号I₀、I₁从步骤1中保存的各用电器单独运行时的电流数据中获得；将I₀、I₁电流数据变换到频域；计算I₂和I₀、I₁的频域信号与I₃和I₀、I₁的频域信号间的相关系数，判断分离信号分别是哪个用户电器，互相关系数

$r_{xy}=\frac{\underset{i=1}{\overset{i=n}{\Σ}}\left(x_z\right(i)-{\stackrel{\‾}{x}}_z)\left(y_m\right(i)-{\stackrel{\‾}{y}}_m)}{\sqrt{\underset{i=1}{\overset{i=n}{\Σ}}\left(x_z\right(i)-{\stackrel{\‾}{x}}_z)\left(y_m\right(i)-{\stackrel{\‾}{y}}_m)}}$

x_z(n)为分离信号z的数据序列，z＝I₂,I₃，y_m(n)为步骤2中存储的电流信号的频域信号数据序列，m＝I₀与存储的用电器单独运行时的电流信号的频域信号数据序列,m＝I₁，为分离信号z的平均值，为用电器m的电流数据平均值，n为频率点数；当互相关系数大于阈值0.9时，表示此时做相关运算的分离信号与对应电器相匹配，即可判断该分离信号属于哪个电器；

步骤6：重复上述步骤2～步骤5，在步骤3中改变τ值，确保分离出来的是新投入运行的负荷信号与混合信号，则每当有新负荷投入运行，从采集信号中仅分离两路信号，一路为新投入运行负荷的独立电流信号，一路为上一时刻的混合电流。