非侵入式在线实时电力负荷识别方法及识别系统的制作方法
【专利摘要】本发明属于物联网和大数据技术领域，涉及一种非侵入式在线实时电力负荷识别方法及识别系统。它解决了现有设计不够合理等技术问题。本方法包括下述步骤：A、获得实时电力信号；B、非侵入式负荷识别分析；C、结果反馈。系统包括至少一个连接在居民侧配电箱上的嵌入式设备终端，嵌入式设备终端与云端相连，云端与后台服务器相连，后台服务器上连接数据存储器且能将分析结果传送至对应于居民侧配电箱的终端设备。优点在于：对于居民侧用户使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率；能为家庭提供整体的能源解决方案；算法效率可以达到在线和实时的效果。
【专利说明】
非侵入式在线实时电力负荷识别方法及识别系统
技术领域
[0001] 本发明属于物联网和大数据技术领域，设及电能消耗监测和状态检测，尤其是设 及一种非侵入式在线实时电力负荷识别方法及识别系统。
【背景技术】
[0002] 负荷识别在19世纪80年代，由麻省理工学院化d提出。为了减轻全球能源问题和 环境问题，近期负荷识别技术越来越受到重视。负荷识别的目的是检测家庭中每个电器的 能耗和实时状态。负荷识别能够帮助电网企业为居民侧提供负荷侧响应服务，家电故障检 测服务。其中负荷识别又分为侵入式负荷监测技术和非侵入式负荷识别技术。对于侵入式 负荷监测，是在每个家用电器上加装传感器W实时测量电器功耗和状态。非侵入式负荷识 别技术仅需测量家庭总的实时用电功率，通过机器学习和人工智能算法来识别所有家用电 器状态和功耗。相对于侵入式负荷监测，非侵入式负荷识别具有成本低廉，安装方便等有 点。目前大部分解决方案是利用聚类算法，隐形马尔科夫模型，神经网络和支持向量机完成 识别的过程。
[0003] 目前负荷识别技术具有W下局限性：需要大量有标签的样本做训练；只能识别大 负荷用电设备，例如冰箱，空调等；由于缺乏大量的训练样本，识别准确率相对较低;硬件成 本高昂，无法部署在居民住所;算法效率不高，通常无法达到实时和在线的效果。为此，人们 进行了长期的探索，提出了各种各样的解决方案。例如，中国专利文献公开了一种非侵入式 电力负荷监测与分解技术实施的体系架构[申请号:201410389560.0],包括:部署在技术服 务提供方一端的非侵入式电力负荷监测与分解技术服务管理模块，部署在用户一端的非侵 入式电力负荷监测与分解功能模块，分布式网络拓展功能模块和双向通信网络传输模块。 本发明从NILMD技术系统应用的层面和市场普及的角度出发，首次尝试在分析NILMD技术的 实用化需求的基础上建立了能够支持NILMD技术广泛实用的非侵入式电力负荷监测与分解 技术实施的体系架构(NILMDSI)，该发明可W填补本领域内运方面的研究空白，而且可W指 导技术提供方为NILMD技术的实用化与推广制定切实有效的系统性实施方案，W期能够很 好地解决NI LMD技术实用化所遇到的相关问题。
[0004] 上述方案虽然在一定程度上优化了非侵入式电力负荷监测与分解的硬件架构，但 是并不能从根本上解决现有技术存在的技术问题。
【发明内容】
[0005] 本发明的目的是针对上述问题，提供一种使用成本低廉、不需要大量有标签的样 本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的 准确率的非侵入式在线实时电力负荷识别方法。
[0006] 本发明的另一目的是提供一种使用成本低廉、不需要大量有标签的样本即可进行 训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率的非 侵入式在线实时电力负荷识别系统。
[0007] 为达到上述目的，本发明采用了下列技术方案:本非侵入式在线实时电力负荷识 别方法，其特征在于，本方法包括下述步骤：
[0008] A、获得实时电力信号：实时采集居民侧配电箱的实时电力数据，然后将采集到的 实时电力数据进行转换W获得实时电力信号；
[0009] B、非侵入式负荷识别分析:将实时电力信号进行小波变换去噪、核密度估计检测 事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、 提取电力信号特征，从而获得对应于居民侧配电箱的每个家用电器的功耗数据和实时状态 f目息；
[0010] C、结果反馈:将分析获得的居民侧配电箱的每个家用电器的功耗数据和实时状态 信息反馈给与居民侧配电箱相应的居民侧用户。
[0011] 在上述的非侵入式在线实时电力负荷识别方法中，在上述的步骤B中，
[0012] ①小波变换去噪：设定实时电力信号yi与真实电力信号f (Xi)关系为:yi = f (Xi) + ei，iG {1，. . .，n}，其中，ei为误差，n为自然数；
[0013] 根据小波变换的原理：
[0014]
[0015]
[0016] (}) (X) = I(Oii)(X);
[0017] 其中，
为尺度系数：
为细节系数，鮮片） 为基函数；
[0018] 设定误差ei服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；
[0019] 选取阀值为
[0020] 其中，N为信号长度，t^?为鲁棒估计量;小波变换去噪通过时频分析，去掉高频噪声 信号，保留低频信号。
[0021] ②核密度估计检测事件:将去噪后的实时电力信号用核密度估计方法估计信号分 布情况，
[0022] 密度函数如下：
[0023] 其中，K为密度函数，y是原始信号，Xi是密度函数的期望值，h是密度函数的带宽， 若信号分布具有两个或两个W上的峰值点，则判断结果为有事件发生，否则无事件；
[0024] ③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号:对于有事 件发生的实时电力信号，判断是否有周期性信号存在，
[00巧]计算信号的自相关系数：
[00%]若信号内部存在相关性，即自相关系数不小于0.95,则采用化drick-Prescott fi IteH尤化算法求解去周期性信号，具体实现过程如下：
[0027]
[002引求解结果巧Hf为去周期性信号，其中，y为原始信号，X为惩罚系数;所述的去周期 性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；
[0029] ④聚类电力信号:根据提取到的趋势信号，再用基于密度聚类的算法求解出离群 点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核屯、点、边界 点或噪声点;删除噪声点;为距离在阀值之内的所有核屯、点之间赋予一条边;每组连通的核 屯、点形成一个簇;将每个边界点指派到一个与之关联的核屯、点的簇中；从而实现用基于密 度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；
[0030] ⑤提取电力信号特征:利用深度学习进行特征压缩及无监督的基于密度的聚类算 法进行特征识别。
[0031] 在上述的非侵入式在线实时电力负荷识别方法中，在上述的步骤A中，所述的实时 电力数据包括实时电压和实时电流;所述的实时电力数据转换为实时有功功率和实时无功 功率信号。
[0032] 在上述的非侵入式在线实时电力负荷识别方法中，所述的实时电力信号通过无线 和/或有线通讯方式传输至云端，再通过无线和/或有线通讯方式从云端传输至后台服务 器，所述的非侵入式负荷识别分析在后台服务器中进行。
[0033] 在上述的非侵入式在线实时电力负荷识别方法中，所述的实时电力信号通过W太 网和/或WiFi通信协议传输至云端，再通过因特网从云端传输至后台服务器。
[0034] 一种应用上述非侵入式在线实时电力负荷识别方法的非侵入式在线实时电力负 荷识别系统，其特征在于，本系统包括至少一个连接在居民侧配电箱上且用于获得实时电 力信号的嵌入式设备终端，所述的嵌入式设备终端通过无线和/或有线通讯方式与云端相 连，所述的云端通过无线和/或有线通讯方式与能够对实时电力信号进行非侵入式负荷识 别分析的后台服务器相连，所述的后台服务器上连接有数据存储器且能够通过无线和/或 有线通讯方式将分析结果传送至对应于居民侧配电箱的终端设备。
[0035] 在上述的非侵入式在线实时电力负荷识别系统中，所述的实时电力信号通过W太 网和/或WiFi通信协议传输至云端，再通过因特网从云端传输至后台服务器。
[0036] 在上述的非侵入式在线实时电力负荷识别系统中，所述的嵌入式设备终端有多个 且采用分布式连接方式与云端相连。
[0037] 在上述的非侵入式在线实时电力负荷识别系统中，所述的终端设备为移动式终端 设备和/或PC。
[0038] 在上述的非侵入式在线实时电力负荷识别系统中，所述的家用电器包括大负荷用 电设备和/或小负荷用电设备。
[0039] 与现有的技术相比，非侵入式在线实时电力负荷识别方法及识别系统的优点在 于:对于居民侧用户使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器 也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率;继而能为家庭提供整体 的能源解决方案;此外，算法效率可W达到在线和实时的效果。
【附图说明】
[0040]图1为本发明提供的结构框图。
[0041 ]图2为本发明提供的事件检测算法流程原理图。
[0042] 图3为本发明提供的深度学习的网架结构原理图。
[0043] 图4为本发明提供的原始电力信号图。
[0044] 图5为本发明提供的核方法判断事件效果图。
[0045] 图6为本发明提供的嵌入式设备终端的部分结构框图。
[0046] 图7为本发明提供的嵌入式设备终端的部分电路图。
[0047] 图中，居民侧配电箱1、交流电压源11、交流电流源相连12、云端2、后台服务器3、嵌 入式设备终端4、第一运算电路41、第二运算电路42、供电电源43、变压器44、整流电路45、滤 波电路46、稳压电路47、平滑输出电压电路48、数据存储器6、终端设备7。
【具体实施方式】
[0048] 如图1-7所示，本非侵入式在线实时电力负荷识别方法，包括下述步骤：
[0049] A、获得实时电力信号:实时采集居民侧配电箱1的实时电力数据，然后将采集到的 实时电力数据进行转换W获得实时电力信号;其中实时电力数据包括实时电压和实时电流 等运行数据;实时电力数据转换为实时有功功率和实时无功功率信号。
[0050] B、非侵入式负荷识别分析:将实时电力信号进行小波变换去噪、核密度估计检测 事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、 提取电力信号特征，从而获得对应于居民侧配电箱1的每个家用电器的功耗数据和实时状 态信息；
[0051] C、结果反馈:将分析获得的居民侧配电箱1的每个家用电器的功耗数据和实时状 态信息反馈给与居民侧配电箱1相应的居民侧用户。
[0052] 运里的实时电力信号通过无线和/或有线通讯方式传输至云端2,再通过无线和/ 或有线通讯方式从云端2传输至后台服务器3,所述的非侵入式负荷识别分析在后台服务器 3中进行。实时电力信号通过W太网和/或WiFi通信协议传输至云端2,再通过因特网从云端 2传输至后台服务器3。
[0化3] 更具体地说，在上述的步骤B中，
[0054] ①小波变换去噪：设定实时电力信号yi与真实电力信号f (Xi)关系为:yi = f (Xi) + ei，iG {1，. . .，n}，其中，ei为误差，n为自然数；
[0055] 根据小波变换的原理：
[0化6]
[0化7]
[0化引
[0059] 数，
为细节系数，明(了） 为基函数；
[0060]设定误差ei服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；
[0061 ] 选取阀值为
[0062] 其中，N为信号长度，途为鲁棒估计量;小波变换去噪通过时频分析，去掉高频噪声 信号，保留低频信号。
[0063] ②核密度估计检测事件:将去噪后的实时电力信号用核密度估计方法估计信号分 布情况，
[0064] 密度函数如下；
[0065] 其中，K为密度函数，y是原始信号，Xi是密度函数的期望值，h是密度函数的带宽， 若信号分布具有两个或两个W上的峰值点，则判断结果为有事件发生，否则无事件；
[0066] ③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号:对于有事 件发生的实时电力信号，判断是否有周期性信号存在，
[0067] 计算信号的自相关系数；
[0068] 若信号内部存在相关性，即自相关系数不小于0.95，则采用化drick-Prescott fi IteH尤化算法求解去周期性信号，具体实现过程如下：
[0069]
[0070] 求解结果巧为去周期性信号，其中，y为原始信号，A为惩罚系数;所述的去周期 性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；
[0071] ④聚类电力信号:根据提取到的趋势信号，再用基于密度聚类的算法求解出离群 点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核屯、点、边界 点或噪声点;删除噪声点;为距离在阀值之内的所有核屯、点之间赋予一条边;每组连通的核 屯、点形成一个簇;将每个边界点指派到一个与之关联的核屯、点的簇中；从而实现用基于密 度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；
[0072] ⑤提取电力信号特征:利用深度学习进行特征压缩及无监督的基于密度的聚类算 法进行特征识别。
[0073] 一种应用非侵入式在线实时电力负荷识别方法的非侵入式在线实时电力负荷识 别系统，其特征在于，本系统包括至少一个连接在居民侧配电箱1上且用于获得实时电力信 号的嵌入式设备终端4,所述的嵌入式设备终端4通过无线和/或有线通讯方式与云端2相 连，所述的云端2通过无线和/或有线通讯方式与能够对实时电力信号进行非侵入式负荷识 别分析的后台服务器3相连，所述的后台服务器3上连接有数据存储器6且能够通过无线和/ 或有线通讯方式将分析结果传送至对应于居民侧配电箱1的终端设备7。实时电力信号通过 W太网和/或WiFi通信协议传输至云端2,再通过因特网从云端2传输至后台服务器3。嵌入 式设备终端4有多个且采用分布式连接方式与云端2相连。终端设备4为移动式终端设备和/ 或PC。例如智能手机、PAD、笔记本电脑等。家用电器包括大负荷用电设备和/或小负荷用电 设备，即冰箱，空调，手机充电器，点灯，电脑等。
[0074] 本申请不需要大量有标签的样本做训练;能识别大负荷及小负荷用电设备;利用 少量的训练样本，识别准确率相对较高;硬件成本低廉，容易部署在居民住所。本申请专利 是基于信号处理，机器学习，人工智能等技术做非侵入式负荷识别，继而为家庭提供整体的 能源解决方案。其中包括的核屯、技术主要有用小波分析去噪，核密度检测事件，用自相关系 数和优化方法去周期性信号并提取趋势信息，用基于密度的聚类方法来分离暂态信号和稳 态信号W及用深度学习中稀疏自编码技术提取电力信号特征等。
[0075] 如图6和7所示，嵌入式设备终端4包括相互连接的第一运算电路41和第二运算电 路42,所述的第一运算电路41和第二运算电路42均与供电电源43相连。第一运算电路41和 第二运算电路42分别连接于居民侧配电箱1(即第一运算电路41和第二运算电路42分别与 交流电压源11和交流电流源相连12)。交流电压源11依次连接有变压器44、整流电路45、滤 波电路46、稳压电路47和平滑输出电压电路48。
[0076] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可W对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0077] 尽管本文较多地使用了居民侧配电箱1、交流电压源11、交流电流源相连12、云端 2、后台服务器3、嵌入式设备终端4、第一运算电路41、第二运算电路42、供电电源43、变压器 44、整流电路45、滤波电路46、稳压电路47、平滑输出电压电路48、数据存储器6、终端设备7 等术语，但并不排除使用其它术语的可能性。使用运些术语仅仅是为了更方便地描述和解 释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
【主权项】
1. 一种非侵入式在线实时电力负荷识别方法，其特征在于，本方法包括下述步骤： A、 获得实时电力信号:实时采集居民侧配电箱（1)的实时电力数据，然后将采集到的实 时电力数据进行转换以获得实时电力信号； B、 非侵入式负荷识别分析:将实时电力信号进行小波变换去噪、核密度估计检测事件、 判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、提取电 力信号特征，从而获得对应于居民侧配电箱（1)的每个家用电器的功耗数据和实时状态信 息； C、 结果反馈:将分析获得的居民侧配电箱（1)的每个家用电器的功耗数据和实时状态 信息反馈给与居民侧配电箱(1)相应的居民侧用户。2. 根据权利要求1所述的非侵入式在线实时电力负荷识别方法，其特征在于，在上述的 步骤B中， ① 小波变换去噪:设定实时电力信号7:与真实电力信号f(Xl)关系为= {1，. . .，n}，其中，ei为误差，η为自然数； 根据小波变换的原理：5 为基 函数；设定误差61服从均值为O的高斯分布，设定阀值从而对实时电力信号去噪； 选取阀值为：其中，N为信号长度，σ为鲁棒估计量；② 核密度估计检测事件:将去噪后的实时电力信号用核密度估计方法估计信号分布情 况， 密度函数如 其中，K为密度函数，y是原始信号，^是密度函数的期望值，h是密度函数的带宽，若信号 分布具有两个或两个以上的峰值点，则判断结果为有事件发生，否则无事件； ③ 判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号：对于有事件发 生的实时电力信号，判断是否有周期性信号存在， 计算信号的自相关系数若信号内部存在相关性，即自相关系数不小于〇. 95，则采用Hodrick-Prescott f ilter 优化算法求解去周期性信号，具体实现过程如下：求解结果Γγ；^·为去周期性信号，其中，y为原始信号，λ为惩罚系数;所述的去周期性信 号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号； ④ 聚类电力信号:根据提取到的趋势信号，再用基于密度聚类的算法求解出离群点，所 述的离群点本质就是事件的暂态信号，具体过程如下:将所有点标记为核心点、边界点或噪 声点;删除噪声点;为距离在阀值之内的所有核心点之间赋予一条边;每组连通的核心点形 成一个簇;将每个边界点指派到一个与之关联的核心点的簇中；从而实现用基于密度的聚 类方法来分离暂态信号和稳态信号，实现定位暂态信号； ⑤ 提取电力信号特征:利用深度学习进行特征压缩及无监督的基于密度的聚类算法进 行特征识别。3. 根据权利要求1或2所述的非侵入式在线实时电力负荷识别方法，其特征在于，在上 述的步骤A中，所述的实时电力数据包括实时电压和实时电流;所述的实时电力数据转换为 实时有功功率和实时无功功率信号。4. 根据权利要求1或2所述的非侵入式在线实时电力负荷识别方法，其特征在于，所述 的实时电力信号通过无线和/或有线通讯方式传输至云端(2)，再通过无线和/或有线通讯 方式从云端(2)传输至后台服务器(3)，所述的非侵入式负荷识别分析在后台服务器(3)中 进行。5. 根据权利要求4所述的非侵入式在线实时电力负荷识别方法，其特征在于，所述的实 时电力信号通过以太网和/或WiFi通信协议传输至云端（2)，再通过因特网从云端(2)传输 至后台服务器(3)。6. -种应用权利要求1-5中任意一项所述的非侵入式在线实时电力负荷识别方法的非 侵入式在线实时电力负荷识别系统，其特征在于，本系统包括至少一个连接在居民侧配电 箱（1)上且用于获得实时电力信号的嵌入式设备终端(4)，所述的嵌入式设备终端(4)通过 无线和/或有线通讯方式与云端(2)相连，所述的云端(2)通过无线和/或有线通讯方式与能 够对实时电力信号进行非侵入式负荷识别分析的后台服务器(3)相连，所述的后台服务器 (3)上连接有数据存储器(6)且能够通过无线和/或有线通讯方式将分析结果传送至对应于 居民侧配电箱(1)的终端设备(7)。7. 根据权利要求6所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的实 时电力信号通过以太网和/或WiFi通信协议传输至云端（2)，再通过因特网从云端(2)传输 至后台服务器(3)。8. 根据权利要求7所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的嵌 入式设备终端(4)有多个且采用分布式连接方式与云端(2)相连。9. 根据权利要求6或7或8所述的非侵入式在线实时电力负荷识别系统，其特征在于，所 述的终端设备(4)为移动式终端设备和/或PC。10. 根据权利要求6或7或8所述的非侵入式在线实时电力负荷识别系统，其特征在于， 所述的家用电器包括大负荷用电设备和/或小负荷用电设备。
【文档编号】H02J3/00GK106022645SQ201610397458
【公开日】2016年10月12日
【申请日】2016年6月7日
【发明人】李祖毅, 鲍镇, 庄蒙蒙
【申请人】李祖毅, 鲍镇, 庄蒙蒙