一种非侵入式电力负荷暂态过程辨识方法及系统与流程

本发明属于电力负荷用电监测与能量管理领域，尤其涉及一种非侵入式电力负荷暂态过程辨识方法及系统。

背景技术：

全球性的能源和环境危机引发了对节能减排技术与实施方案的创新热潮，而实现节能减排的第一步是了解能源消耗的具体细节。随着社会各领域电气化和数字化水平的不断提高，电能将逐渐成为现代社会最主要的终端能源形式^[1]，于是知晓用电细节对于提高能源利用效率、实现节能减排至关重要^[2]。用电细节是指总负荷内部每种用电设备在任意时刻的工作状态、功率和电能等用电信息，以及故障预警信息，这些信息的获取和有效利用会在电力公司优化电网规划、运行与管理^[3]，电力用户能效升级^[6]，以及促进全社会提高生态文明意识^[6]等方面诱发一系列技术变革，从而产生巨大的经济和社会效益。

目前，基于量测传感技术的自动负荷用电细节监测技术主要有两种^[7]：

1)为受监测电力负荷内部每个用电设备配备带有数字通信功能的传感器，再经本地(或户内)局域网收集和送出用电信息，被称作侵入式电力负荷监测(Intrusive Load Monitoring，ILM)。

2)仅在受监测电力负荷供电总入口处安装一个传感器，通过采集和分析供电端电压和总电流信号来监测并识别负荷内部每个(类)用电设备的工作状态(如，空调具有制冷、制热和停机等不同的工作状态)、功率和电能等用电信息，从而知晓每个(类)用电设备的工作状态和用电规律，被称作非侵入式电力负荷监测(Non-Intrusive Load Monitoring，NILM)。

NILM是由MIT的Hart在1980年代最先正式提出的^[9]。它是一种新颖的电力负荷用电细节监测技术，其以数据分析软件算法代替ILM系统的传感器网络，具有安装操作简便、经济成本低、系统可靠性高、数据完整性好和易于迅速推广应用等优势，具有巨大的发展潜力和广阔的应用前景^[6]。

在非侵入式电力负荷监测领域，任意用电设备从启动到关停的一个完整工作过程由若干过渡区段和稳态区段构成的。细分起来，过渡区段还包括启动、关停和“功率非零”的工作状态间相互转换三种过程，这三种工作状态突变也被称为负荷事件。不同的稳态区段对应用电设备的不同工作状态。对于总负荷，过渡区段包含一个或多个用电设备的过渡区段，而稳态区段不包含任何电器的过渡区段，电力负荷的过渡区段和稳态区段在时间上紧邻且交替出现的。

非侵入式电力负荷监测的任务之一是用电设备工作状态监测，对此，基于负荷事件的非侵入式电力负荷监测技术因其简便易行且性能稳定而成为目前研究的主流。在NILM领域，负荷事件与用电设备的暂态过程相对应，后者指用电设备的工作状态突然转换过程，包括，启动、关停和两个功率非零的工作状态之间的相互转换，根本上，负荷事件与用电设备的暂态过程是等价的。基于负荷事件的非侵入式电力负荷监测技术的基本原理是^[7]：假设，在负荷事件检测的基础上，能够从总负荷中提取或分离出单个用电设备的暂态过程印记特征，那么，可以据此判断检测到的负荷事件或暂态过程是由哪种用电设备在发生何种工作状态变换时产生的，即实现电力负荷暂态过程辨识；从而，可以知晓负荷内部用电设备的工作状态，进而估计其用电功率和累计电量，最终实现负荷分解。与负荷事件相关的负荷特征主要有两种类型^[10]：一类是用电设备暂态过程(负荷事件)发生前后的两个稳态区段内的特征量的差量，可称之为稳态差量特征，例如稳态功率阶跃；另一类是用电设备暂态过程中表现出的特征量变化特性，可称之为暂态特征。

暂态功率波形特征是一种典型的用电设备暂态特征，它往往能够直接反映用电设备的物理本质^[11-12]，甚至在使用了波形整形或功率因数校正技术的用电设备中仍能被保留下来^[11,13]。而且不同种类用电设备具有不同的暂态数学模型，因此在相同的内部和外部条件下，用电设备的暂态功率波形与负荷事件是一一对应的，据此，研究人员在非侵入式电力负荷监测(NILM)中利用用电设备暂态功率波形特征辨识电力负荷的暂态过程^[11,13-20]，尤其用于区分稳态特征相似的不同用电设备^[21-24]。

对于基于暂态功率波形特征的电力负荷暂态过程辨识，文献[13]依据规范化暂态功率波形时间序列间的内积判断它们之间的匹配程度，文献[14]提出基于模糊内积和外积的贴近度指标，用于量度归一化暂态功率波形时间序列间的相似性，并据此完成电力负荷暂态过程辨识。文献[15]提出了基于最小二乘拟合的暂态功率波形最优匹配辨识方法，将与暂态功率波形样本时间序列匹配误差最小的模板序列所属的用电设备类型赋予该样本序列。文献[16]和[17]选择合适的基函数对在负荷事件发生时刻前后截取的固定长度的暂态功率波形时间序列进行线性拟合，而后以拟合系数组成的特征向量作为分类器的输入，此外，文献[17]还给出了采用Minkowski距离量度所得固定长度原始暂态功率波形时间序列间的相似性的实验效果。文献[18]对原始暂态功率波形序列进行平滑拟合，并在概率地考虑同类用电设备的暂态功率波形拟合特征参数的可变性的基础上，利用分层贝叶斯网络建立(学习)用于计算暂态功率波形样本序列发生可能性的概率模型，进而利用基于朴素贝叶斯理论计算得到的贝叶斯因子完成暂态功率波形辨识。此外，为了避免直接处理暂态功率波形在时域上的复杂性，文献[19]、[20]和[21]分别不同程度地利用信号时频分析技术(短时傅里叶变换、小波变换)实现暂态功率波形的参数化，以得到用于暂态过程辨识的特征向量。

虽然，现有方法在各自的研究场景下均具有较好的分类辨识性能^[11,13-21]，但是，他们均未深入研究暂态扰动发生时刻的随机性、负荷背景波动(在线运行用电设备的工作状态的时变性)以及系统噪声对暂态过程功率波形的影响；而实际情况是，在这些复杂多变的实际运行条件下，通过负荷事件检测，提取到的同类用电设备负荷事件的暂态功率波形之间在时间上常会出现位置偏移和/或局部尺度缩放，这会对现有方法的辨识效果造成很大影响。此外，100Hz～1000Hz量级的功率输出频率^{[13,15,18-21]}、复杂的时频分析技术^[19-21]，以及计算量较大的暂态功率波形特征参数化方法与辨识技术^[18]，都要求监测系统具有很高的处理性能而使系统成本较高。与此同时，其中一些方法还需要大量参数学习和训练工作^[15-19,21]。

参考文献：

[1]Dennis K.Environmentally Beneficial Electrification:Electricity as the End-Use Option[J].The Electricity Journal,2015,28(9):100-112.

[2]Grueneich D M.The Next Level of Energy Efficiency:The Five Challenges Ahead[J].The Electricity Journal,2015,28(7):44-56.

[3]Wissner M.The smart grid–A saucerful of secrets？.Applied Energy,2011；88:2509–18.

[4]Ericson T.Households’self-selection of dynamic electricity tariffs.Applied Energy,2011；88:2541–7.

[5]Kobus C B A,Klaassen E A M,Mugge R,et al.A real-life assessment on the effect of smart appliances for shifting households’electricity demand[J].Applied Energy,2015,147:335-343.

[6]Armel K C,Gupta A,Shrimali G,et al.Is disaggregation the holy grail of energy efficiency？The case of electricity[J].Energy Policy,2013,52:213-234.

[7]Yu Yixin,Liu Bo,Luan Wenpeng.Nonintrusive residential load monitoring and decomposition technology[J].Southern Power System Technology,2013,7(4):1-5(in Chinese).

[8]Koksal M A,Rowlands I H,Parker P.Energy,cost,and emission end-use profiles of homes:An Ontario(Canada)case study[J].Applied Energy,2015,142:303-316.

[9]HART G W.Nonintrusive Appliance Load Monitoring[J].Proceedings of IEEE,1992,80(12):1870-1891.

[10]Jian Liang,Ng,Simon K.K.,Kendall,G.,et al.Load Signature Study—Part I_Basic Concept,Structure,and Methodology[J].IEEE Transactions on Power Delivery,2010,25(2):551-560.

[11]Steven.Leeb.A Conjoint Pattern Recognition Approach to Nonintrusive Load Monitoring[D].Massachusetts Institute of Technology,1993.

[12]余贻鑫，黎鹏，郭金川.非侵入式感应电动机参数辨识[J].天津大学学报,2008,4(11):1269-1275.

[13]Leeb S B,Shaw S R,Kirtley J L.Transient Event Detection in Spectral Envelope Estimates for Nonintrusive Load Monitoring[J].IEEE Transactions on Power Delivery,1995,10(3):1200-1210.

[14]Kamat S P.Fuzzy logic based pattern recognition technique for non-intrusive load monitoring[C].TENCON 2004,2004,100:528–530.

[15]Shaw S R,Leeb S B,Norford LK,et al.Nonintrusive Load Monitoring and Diagnostics in Power Systems[J].IEEE Transactions on Instrumentation and Measurement,2008,57(7):1445-1454.

[16]Berges M,Goldman E,Matthews H S,et al.User-centered non-intrusive Electricity Load Monitoring for residential Building[J].Journal of Computing in Civil Engineering,2011,25(6):471–480.

[17]Jazizadeh F,Becerik-Gerber B,Berges M,et al.An unsupervised hierarchical clustering based heuristic algorithm for facilitated training of electricity consumption disaggregation systems[J].Advanced Engineering Informatics,2014,28(4):311–326.

[18]Sanquer M,Chatelain F,El-Guedri M,et al.HIERARCHICAL BAYESIAN LEARNING FOR ELECTRICAL TRANSIENT CLASSIFICATION[C].38th International Conference on Acoustics,Speech,and Signal Processing(ICASSP),2013.

[19]Hsueh-Hsien Chang.Non-Intrusive Demand Monitoring and Load Identification for Energy Management Systems Based on Transient Feature Analyses[J].Energies，2012，5(11)：4569-4589.

[20]Chen Chen K L,Chang H H,Chen N.A new transient feature extraction method of power signatures for Nonintrusive Load Monitoring Systems[C].2013IEEE International Workshop on Applied Measurements for Power Systems(AMPS),2013:79-84.

[21]Chang H H,Chen K L,Tsai Y P,et al.A new measurement method for power signatures of nonintrusive demand monitoring and load identification[J].IEEE Transactions on Industry Applications,2012,48(2):764-771.

[22]Norford L K,Leeb S B.Non-intrusive Electrical Load Monitoring In Commercial Buildings Based on Steady-state and Transient Load-Detection Algorithms[J].Energy and Buildings,1996,24(1):51-64.

[23]C.Laughman，K.Lee，R.Cox，et al.Power Signature Analysis[J].IEEE Power and Energy Magazine,2003,1(2):56-63.

[24]Sawyer R L,Anderson J M,Foulks E L,et al.Creating Low-Cost Energy-Management Systems for Homes Using Non-Intrusive Energy Monitoring Devices[C].2009IEEE Energy Conversion Congress and Exposition,IEEE,2009:3239-3246.

[25]Sakoe H,Chiba S.Dynamic programming algorithm optimization for spoken word recognition[J].Acoustics,Speech and Signal Processing,IEEE Transactions on,1978,26(1):43-49.

[26]Berndt D J,Clifford J.Using Dynamic Time Warping to Find Patterns in Time Series[C].KDD workshop.1994,10(16):359-370.

[27]Anderson K,Ocneanu A,Benitez D,et al.BLUED:A fully labeled public dataset for event-based non-intrusive load monitoring research[C].Proceedings of the 2nd KDD workshop on data mining applications in sustainability(SustKDD).2012:1-5.

技术实现要素：

本发明的目的在于提供一种非侵入式电力负荷暂态过程辨识方法，以解决的上述问题，所述方法包括下述步骤：

第一步，获取受监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数样本，并将获取到的暂态功率波形特征参数样本作为暂态功率波形特征参数模板保存到预先建立的负荷特征数据库内。

其中，所述暂态功率波形特征参数模板，根据受监测电力负荷内部所含用电设备种类和性质，包括用电设备发生暂态过程时产生的某次或某几次谐波有功功率时间序列和\或某次或某几次谐波无功功率时间序列。

第二步，采集电力负荷的供电端电压和用电总电流，对采集到的电压和电流信号进行降噪、异常值修正和相位校正处理，并根据受监测电力负荷内部所含用电设备种类和性质，分析处理后的电压和电流信号获得某次或某几次实测谐波有功总功率数据和\或某次或某几次实测谐波无功总功率数据。

其中，不同时刻获得的各次谐波有功总功率数据点和各次谐波无功总功率数据点分别共同构成各次谐波有功总功率时间序列和各次谐波无功总功率时间序列，所述获得的实测谐波有功总功率和实测谐波无功总功率的谐波次数与所述暂态功率波形特征参数模板中谐波有功功率和谐波无功功率的谐波次数相一致。

第三步，检测电力负荷的暂态过程，并确定检测到的电力负荷暂态过程的起点时刻和终点时刻，分别从已经得到的电力负荷各次谐波有功总功率和无功总功率时间序列中提取暂态过程起点时刻和终点时刻之间的功率数据点，构成暂态功率时间序列，所得若干功率时间序列共同作为表征未知电力负荷暂态过程的暂态功率波形特征参数样本。

其中，根据技术背景部分的介绍，所述电力负荷的暂态过程由电力负荷内部某种用电设备的发生工作状态转换而产生的。

第四步，在利用动态时间规整算法量度功率时间序列之间相似性的基础上，采用最近邻分类技术，对所述已经获得的未知电力负荷暂态过程功率波形特征样本进行分类辨识，以确定该功率波形特征样本是由哪种用电设备在发生何种工作状态变换时产生的，最终确定相关用电设备的工作状态。

对于步骤四，本发明采用最近邻分类技术，建立如下判别式：

式中，表示用电设备i在第m个工作状态向第n个工作状态转换下的第j个暂态功率波形特征参数模板；i∈{1,2,3,…,L}，L∈Z⁺，表示负荷特征数据库内所含用电设备种类的总数目，Z⁺表示正整数域；m,n∈{0}∪{1,2,3,…,Nⁱ}，且m≠n，Nⁱ∈Z⁺，表示用电设备i所具有的功率非零的工作状态的总数目；用电设备i在第m个工作状态向第n个工作状态转换下的暂态功率波形特征模板总数，m＝0或n＝0表示用电设备处于停机状态；T_l(t₁,t₂)表示电力负荷l发生起止于时刻t₁和t₂的暂态过程时所产生的暂态功率波形特征参数样本；表示用电设备暂态功率波形特征参数模板与电力负荷暂态功率波形特征参数样本T_l(t₁,t₂)之间的综合距离；argmin(·)表示针对既定的T_l(t₁,t₂)使取得最小值时的记作T^*；

更进一步地，综合距离的计算方案有以下3种：

方案一，以所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列并列组成的多维暂态功率波形特征参数时间序列表征用电设备的暂态过程，综合距离按下式计算：

式中，DTW(T_z,T_e)表示利用动态时间规整算法计算得到的T_z和T_e之间的动态规整距离；T_z表示由所述负荷特征数据库中已知暂态功率波形特征参数模板时间序列构成的已知多维暂态功率波形特征参数模板时间序列，T_e表示由未知电力负荷暂态过程的暂态功率波形特征参数样本时间序列构成的未知多维暂态功率波形特征参数样本时间序列，T_z和T_e的具体形式如下式：

式中，Ωp表示多维暂态功率波形特征参数时间序列中实际用于电力暂态过程辨识的有功功率的谐波组成，Ωq表示多维暂态功率波形特征参数时间序列中实际用于电力暂态过程辨识的无功功率的谐波组成，H最高谐波次数；

方案二，以所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列首尾相接串联组成拓展一维暂态功率波形特征参数时间序列表征用电设备的暂态过程，综合距离按下式计算：

式中，表示利用动态时间规整算法计算得到的和之间的动态规整距离；表示由所述负荷特征数据库中已知暂态功率波形特征参数模板时间序列构成的已知拓展一维暂态功率波形特征参数模板时间序列，表示由未知电力负荷暂态过程的暂态功率波形特征参数样本时间序列构成的未知拓展一维暂态功率波形特征参数样本时间序列，和的具体形式如下式：

方案三，对所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列单独考虑，综合距离按下式计算：

式中，表示利用动态时间规整算法计算得到的和之间的动态时间规整距离，表示利用动态时间规整算法计算得到的和之间的动态时间规整距离，和其中，权重系数和分别表示对用电设备i由第m个工作状态向第n个工作状态转换时发生的暂态过程进行辨识时，第vp次谐波暂态有功和第vq次谐波暂态无功功率波形特征在计算时的重要性。

本发明另一目的在于提供一种非侵入式电力负荷暂态过程辨识系统，包括用电设备暂态功率波形特征参数获取与存储模块、电力负荷用电功率数据获取模块、电力负荷暂态过程检测与表示模块、电力负荷暂态过程辨识模块：

用电设备暂态功率波形特征参数获取与存储模块，用于获取和保存被监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数，所述暂态功率波形特征参数模板作为电力负荷暂态过程辨识的依据；

电力负荷用电功率数据获取模块，用于实时获取电力负荷暂态功率波形时间序列；

电力负荷暂态过程检测与表示模块，用于在已经生成的功率波形时间序列中检测电力负荷暂态过程，并以适合电力负荷暂态过程辨识的方式表示电力负荷暂态过程；

电力负荷暂态过程辨识模块，用于在利用动态时间规整算法量度功率时间序列之间相似性的基础上，采用最近邻分类技术，对所述已经获得的未知电力负荷暂态过程功率波形特征样本进行分类辨识，以确定该功率波形特征样本是由哪种用电设备在发生何种工作状态变换时产生的，得到电力负荷暂态过程辨识结果，并最终确定相关用电设备的工作状态；

还包括辨识结果输出与显示模块、辨识结果存储模块、数据传输与信息通信模块；

辨识结果输出与显示模块，用于根据应用需要，输出与显示电力负荷暂态过程的辨识结果，以及电力负荷暂态过程发生后，电力负荷内部每种用电设备的工作状态；

辨识结果存储模块，用于根据应用需要，存储电力负荷暂态过程的辨识结果，以及电力负荷暂态过程发生后，电力负荷内部每种用电设备的工作状态；

数据传输与信息通信模块，根据需要，用于系统中不同功能模块之间的数据与信息交互。

其中，

所述电力负荷用电功率数据获取模块，包括原始数据采集模块、原始数据预处理模块、功率数据生成模块和功率波形时间序列生成模块，原始数据采集模块，用于实时采集电力负荷供电端电压和用电总电流；原始数据预处理模块，用于对采集到的电压和电流信号进行波形降噪、异常值修正和相位校正处理；功率数据生成模块，用于根据受监测电力负荷内部所含用电设备种类和性质，分析处理后的电压和电流信号以获得电力负荷暂态过程辨识所需的某次或某几次实测谐波有功总功率数据和\或某次或某几次实测谐波无功总功率数据；功率波形时间序列生成模块，用于将不同时刻获得的各次谐波有功总功率数据点和各次谐波无功总功率数据点分别共同构成各次谐波有功总功率时间序列和各次谐波无功总功率时间序列；

所述电力负荷暂态过程检测与表示模块，包括电力负荷分段模块和暂态功率波形特征参数样本生成模块，电力负荷分段模块，用于将电力负荷划分为过渡区段和稳态区段，电力负荷的过渡区段的起点和终点即为电力负荷暂态过程的起点和终点；暂态功率波形特征参数样本生成模块，用于分别从已经得到的电力负荷各次谐波有功总功率时间序列和各次谐波无功总功率时间序列中提取暂态过程起点时刻和终点时刻之间的功率数据点，构成暂态功率时间序列，所得若干暂态功率时间序列共同作为表征(未知)电力负荷暂态过程的暂态功率波形特征参数样本；

所述电力负荷暂态过程辨识模块，包括综合距离计算模块、判别搜索模块和用电设备的工作状态确定模块，综合距离计算模块，用于利用动态时间规整算法，采用所选方案计算电力负荷暂态功率波形特征参数序列样本与所述用电设备暂态功率波形特征参数模板之间的综合距离；判别搜索模块，用于根据综合距离的计算结果，判断电力负荷暂态功率波形特征参数样本时间序列与不同用电设备暂态功率波形特征参数模板时间序列之间的相似性，确定与采集到的电力负荷暂态功率波形特征参数序列样本最相似的用电设备暂态功率波形特征参数模板；用电设备的工作状态确定模块，以所述判别搜索模块的搜索结果确定对应用电设备在电力负荷暂态过程发生前后的工作状态。

所述用电设备暂态功率波形特征参数获取与存储模块，包括用电设备暂态功率波形特征参数模板获取模块和用电设备暂态功率波形特征数据库模块，用电设备暂态功率波形特征参数模板获取模块，用于获取被监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数样本若干，并根据样本的代表性，从中选择暂态功率波形特征参数模板；用电设备暂态功率波形特征数据库模块，用于存储所述用电设备暂态功率波形特征参数模板获取模块获得的暂态功率波形特征参数模板。

本发明的有益效果：同时利用多种类型的暂态功率波形特征，采用动态时间规整(DTW)量度原始暂态功率波形特征参数样本时间序列与模板时间序列之间的相似性，并据此建立了三种采用不同暂态功率波形特征综合距离度量的最近邻暂态过程分类辨识方案。从而，新方法的主要贡献在于：(1)同时利用多种类型的暂态功率波形特征，包括多种暂态谐波有功和\或无功功率波形特征，能够提高电力负荷暂态过程辨识的准确性，(2)能够有效处理暂态功率波形特征参数样本时间序列相对于暂态功率波形特征参数模板时间序列在时间上出现偏移和局部尺度缩放，从而对暂态功率波形特征参数模板具有更强的适应性，进而能够进一步提高电力负荷暂态过程辨识准确性和鲁棒性，(3)因采用最近邻分类辨识策略而无需复杂的参数训练，而且能够通过直接对原始暂态功率波形特征参数样本序列的简单时域分析完成电力负荷暂态过程辨识，并且对低频功率数据有更好的适用性，从而既简便易行又可有效控制监测系统的成本、提高其实用性。因此，本发明方法，及承载本方法的系统能够极大地促进NILM技术的实用化推广。

附图说明

图1是本发明所建立的一种非侵入式电力负荷暂态过程辨识方法的流程图。

图2是本发明所建立的一种非侵入式电力负荷暂态过程辨识系统框图。

图3是本发明所建立的电力负荷用电功率数据获取模块构成框图。

图4是本发明所建立的电力负荷暂态过程检测与表示模块构成框图。

图5是本发明所建立的电力负荷暂态过程辨识模块构成框图。

图6是本发明所建立的用电设备暂态功率波形特征参数获取与存储模块构成框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，应当理解，优选的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于所述的实施例，本领域的普通技术人员在没有做出创造性劳动的前提下，所获得的其他实施例，都属于本发明的保护范围。

如图1所示，本发明提供一种非侵入式电力负荷暂态过程辨识方法，包括下述步骤：

第一步，

获取受监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数样本，并将获取到的暂态功率波形特征参数样本作为暂态功率波形特征参数模板保存到预先建立的用电设备暂态特征数据库内。其中，所述暂态功率波形特征参数样本，根据受监测电力负荷内部所含用电设备种类和性质，包括用电设备发生暂态过程时产生的某次或某几次谐波有功功率时间序列和\或某次或某几次谐波无功功率时间序列。

这里，本发明建立的非侵入式电力负荷暂态过程辨识方法基于以下基本假设：在相同的内部和外部工作条件下，用电设备的暂态功率波形与其工作状态转换过程是一一对应的。从而，可以建立所述用电设备暂态特征数据库，其中包含每种用电设备在各种暂态过程下——所有可能的工作状态转换下——的暂态功率波形特征参数模板集合。

实施过程中，优选地，定义包含电力负荷内所有用电设备在所有可能工作状态转换下的暂态功率波形特征模板集合，记作T，来代表用电设备暂态特征数据库。具体形式如式(1)：

T＝{T₁,T₂,…,T_i,…,T_L} (1)

式中，T_i表示用电设备i在所有可能工作状态转换下的暂态功率波形特征参数模板集合，i∈{1,2,…,L}，L∈Z⁺，表示负荷特征数据库内所含用电设备种类的总数目，Z⁺表示正整数域；若用电设备i具有Nⁱ个不同的功率非零的工作状态，Nⁱ∈Z⁺，则T_i的具体形式如式(2)；

式中，表示用电设备i在第m个工作状态向第n个工作状态转换下的第j个暂态功率波形特征参数模板，具体形式如式(3)，用电设备i在第m个工作状态向第n个工作状态转换下的暂态功率波形特征模板总数，这里m＝0或n＝0表示用电设备处于停机状态，具体地，表示用电设备i在由启动至第1个非零工作状态下的第j个暂态功率波形特征参数模板；

式中，表示用电设备i在第m个工作状态向第n个工作状态转换下的第j个第vp次暂态谐波有功功率波形特征模板序列，表示用电设备i在第m个工作状态向第n个工作状态转换下的第j个第vq次暂态谐波无功功率波形特征模板序列；Ωp表示监测系统计及的用电设备谐波有功功率特征的谐波次数集合，Ωq表示监测系统计及的用电设备谐波无功功率特征的谐波次数集合，并有H表示监测系统计及的最大谐波次数；这里暂态功率波形特征参数模板都是以向量形式存储的功率波形时间序列，因此和分别有式(4)和式(5)所示的具体形式；

式中，K表示向量的维数，具体指暂态功率波形特征参数模板时间序列的长度，需要注意的是，虽然本发明统一以K表示时间序列的长度，但是并不要求不同时间序列的长度一定相同；表示向量中的第k个元素，具体指暂态功率波形特征模板时间序列中第k个有功功率值，无功同理，并有k∈{1,2,…,K}。

第二步，

采集电力负荷的供电端电压和用电总电流，对采集到的电压和电流信号进行降噪、异常值修正和相位校正处理，并根据受监测电力负荷内部所含用电设备种类和性质，分析处理后的电压和电流信号获得某次或某几次实测谐波有功总功率数据和\或某次或某几次实测谐波无功总功率数据。

这里，为了获得实测谐波功率，可以对采集到的端电压和总电流信号通过傅里叶变换进行谐波分析，进而按照下式，计算得到，

实测各次谐波有功总功率：

P_l,vp(t)＝U_l,vp(t)I_l,vp(t)cos(θ_l,vp(t)) (6)

式中，U_l,vp(t)表示实测电力负荷端电压在时刻t的第vp次谐波有效值，I_l,vp(t)表示实测电力负荷总电流在时刻t的第vp次谐波有效值，θ_l,vp(t)表示实测电力负荷总电流在时刻t的第vp次谐波相对于电力负荷端电压基波相位角的初相位角；

实测各次谐波无功总功率：

Q_l,vq(t)＝U_l,vq(t)I_l,vq(t)sin(θ_l,vq(t)) (7)

式中，U_l,vq(t)表示实测电力负荷端电压在时刻t的第vq次谐波有效值，I_l,vq(t)表示实测电力负荷总电流在时刻t的第vq次谐波有效值，θ_l,vq(t)表示实测电力负荷总电流在时刻t的第vq次谐波相对于电力负荷端电压基波相位角的初相位角；

其中，不同时刻获得的各次谐波有功总功率数据点和各次谐波无功总功率数据点分别共同构成各次谐波有功总功率时间序列和各次谐波无功总功率时间序列，并分别由下式表示：

P_l,vp(T₁,T₂)＝[P_l,vp(T₁),…,P_l,vp(T_n),…,P_l,vp(T_N)]^T∈R^N (8)

式中，P_l,vp(T_n)表示实测电力负荷在时刻T_n的第vp次谐波有功总功率，P_l,vp(T₁,T₂)以向量的形式表示实测电力负荷从T₁时刻到T_N时刻之间产生的有功总功率所构成的第vp次谐波有功总功率时间序列；

Q_l,vq(T₁,T₂)＝[Q_l,vq(T₁),…,Q_l,vq(T_n),,Q_l,vq(T_N)]^T∈R^N (9)

式中，Q_l,vq(T_n)表示实测电力负荷在时刻T_n的第vq次谐波无功总功率，Q(T₁,T₂)以向量的形式表示实测电力负荷从T₁时刻到T_N时刻之间产生的无功总功率所构成的第vq次谐波无功总功率时间序列；

而且，所述获得的实测谐波有功总功率和实测谐波无功总功率的谐波次数与所述暂态功率波形特征参数模板中谐波有功功率和谐波无功功率的谐波次数相一致。

第三步，

检测电力负荷的暂态过程，并确定检测到的电力负荷暂态过程的起点时刻和终点时刻，分别从已经得到的电力负荷各次谐波有功总功率和无功总功率时间序列中提取暂态过程起点时刻和终点时刻之间的功率数据点，构成暂态功率时间序列，所得若干功率时间序列共同作为表征未知电力负荷暂态过程的暂态功率波形特征参数样本。其中，所述电力负荷的暂态过程由电力负荷内部某用电设备的发生工作状态转换而产生的。

这里，可以利用现有负荷事件检测方法检测电力负荷的暂态过程，即将电力负荷划分为过渡区段和稳态区段以确定电力负荷暂态过程的起点和终点，从电力负荷总功率时间序列中提取表征未知电力负荷暂态过程所需的功率波形特征样本，功率波形特征样本是由电力负荷内部某用电设备的工作状态转换产生的，记作T_l(t₁,t_K)，具体形式如下：

T_l(t₁,t_K)＝{P_l,vp(t₁,t_K),Q_l,vq(t₁,t_K)|vp∈Ωp；vq∈Ωq} (10)

式中，P_l,vp(t₁,t_K)表示电力负荷l发生起、止于时刻t₁和t_K的暂态过程时所产生的第vp次谐波暂态有功功率波形特征样本序列，Q_l,vq(t₁,t_K)表示电力负荷l发生起、止于时刻t₁和t_K的暂态过程时所产生的第vq次谐波暂态无功功率波形特征样本序列，结合式(8)和式(9)的定义，暂态功率波形特征样本是以向量形式存储的功率波形时间序列，P_l,vp(t₁,t_K)和Q_l,vq(t₁,t_K)分别有式(11)和式(12)所示的具体形式：

P_l,vp(t₁,t_K)＝[P_l,vp(t₁),…,P_l,vp(t_k),…,P_l,vp(t_K)]^T∈R^K (11)

Q_l,vq(t₁,t_K)＝[Q_l,vq(t₁),…,Q_l,vq(t_k),…,Q_l,vq(t_K)]^T∈R^K (12)

式中，K表示向量的维数，具体指电力负荷l的暂态功率波形特征参数样本时间序列的长度；P_l,vp(t_k)表示向量P_l,vp(t₁,t_K)中的第k个元素，具体指电力负荷l的暂态功率波形特征参数样本时间序列中第k个有功功率值，Q_l,vq(t_k)表示向量Q_l,vq(t₁,t_K)中的第k个元素，具体指电力负荷l的暂态功率波形特征参数样本时间序列中第k个无功功率值。

第四步，

在利用动态时间规整算法量度功率时间序列之间相似性的基础上，采用最近邻分类技术，对所述已经获得的未知电力负荷暂态过程功率波形特征样本进行分类辨识，以确定该功率波形特征样本是由哪种用电设备在发生何种工作状态变换时产生的，最终确定相关用电设备的工作状态。

对于第四步，所述动态时间规整算法是一种用于量度时间序列间相似性的现有技术方法，在语音识别、计算机视觉和数据挖掘等领域已有应用^[25-26]，具体原理如下：

对于两个一维时间序列和本发明将用向量表示，分别为和其中，R表示实数域，i′∈{1,2,…,n_d}和j′∈{1,2,…,m_d}分别代表两个时间序列上的离散点序号。这样DTW算法的原理可概述如下：

首先，DTW算法建立存储时间序列x和y中每对元素间距离的局部消耗矩阵其元素C(i′,j′)＝d(x(i′),y(j′))，映射d被称作局部消耗函数，表示x(i′)和y(j′)之间的距离，如下式(13)

d(x(i′),y(j′))＝|x(i′)-y(j′)| (13)

若假定，在下式(14)所示边界条件、单调性条件和步长条件的约束下，x和y之间由(1,1)到(i′,j′)的任意规整路径为：点对则与路径p对应的累计消耗可定义为其中，k_d∈{1,2,…,l_d}，l表示规整路径的长度，l_d∈[max(i′,j′),i′+j′-1]。

DTW算法利用动态规划算法按照下式(15)所示的递归规则搜索x和y之间满足上述约束条件的最优规整路径(或称最优匹配路径)，并计算得到与之对应的最小累计距离D(n_d,m_d)，从而可以定义时间序列x和y之间的动态时间规整(DTW)距离为：DTW(x,y)＝D(n_d,m_d)/K，K是最优规整路径的长度。

其中，D(0,0):＝0；对于i′>0，D(i′,0):＝∞；对于j′>0，D(0,j′):＝∞。

基于上述定义，对于两个多维时间序列和其中，i′∈{1,2,…,n_d}和j′∈{1,2,…,m_d}分别代表两个多维时间序列上的离散点序号，V∈Z⁺表示多维时间序列的维数，Z⁺表示正整数域，用矩阵表示，分别为和

根据上述算法，同理可以计算多维时间序列X和Y之间的DTW距离DTW(X,Y)，与上述对一维时间序列的处理所不同的是，是以向量的Lp-范数计算X和Y之间的局部消耗，局部消耗函数d按下式(13)定义，实际上，式(13)是式(16)的特例，二者可以统一。

d(X(i′),Y(j′))＝‖X(i′)-Y(j′)‖_p (16)

式中，‖·‖_p表示向量的Lp-范数，p≥1。

基于以上关于动态时间规整(DTW)算法的定义和阐述，本发明所建立的辨识方案按照如下判别式(17)搜索与未知电力负荷暂态过程样本T_l(t₁,t_K)最相似的已知暂态过程模板记为T^*，而后将T^*的类属赋予T_l(t₁,t_K)，结果就是，T_l(t₁,t_K)对应于某用电设备i从时刻t₁处于工作状态m转换到时刻t_K处于工作状态n。

式中，表示用电设备i在第m个工作状态向第n个工作状态转换下的第j个暂态功率波形特征参数模板；i∈{1,2,3,…,L}，L∈Z⁺，表示负荷特征数据库内所含用电设备种类的总数目，Z⁺表示正整数域；m,n∈{0}∪{1,2,3,…,Nⁱ}，且m≠n，Nⁱ∈Z⁺，表示用电设备i所具有的“功率非零”的工作状态的总数目；用电设备i在第m个工作状态向第n个工作状态转换下的暂态功率波形特征模板总数，m＝0或n＝0表示用电设备处于停机状态；T_l(t₁,t_K)表示电力负荷l发生起、止于时刻t₁和t_K的暂态过程时所产生的暂态功率波形特征参数样本；表示用电设备暂态功率波形特征参数模板与电力负荷暂态功率波形特征参数样本T_l(t₁,t_K)之间的综合距离；argmin(·)表示针对既定的T_l(t₁,t_K)使取得最小值时的

式(17)中，综合距离的计算方案有以下3种：

方案一，以所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列并列组成的多维暂态功率波形特征参数时间序列表征用电设备的暂态过程，综合距离按下式计算：

式中，DTW(T_z,T_e)表示利用动态时间规整算法计算得到的T_z和T_e之间的动态规整距离，计算局部消耗矩阵时引用式(16)；T_z表示由所述负荷特征数据库中已知暂态功率波形特征参数模板时间序列构成的已知多维暂态功率波形特征参数模板时间序列，T_e表示由电力负荷暂态过程的暂态功率波形特征参数样本时间序列构成的未知多维暂态功率波形特征参数样本时间序列，T_z和T_e的具体形式如下式：

T_e＝(… … P_l,vp(t₁,t_K) Q_l,vp(t₁,t_K) … …) (20)

式中，Ωp表示多维暂态功率波形特征参数时间序列中实际用于电力暂态过程辨识的有功功率的谐波组成，Ωq表示多维暂态功率波形特征参数时间序列中实际用于电力暂态过程辨识的无功功率的谐波组成；

方案二，以所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列首尾相接串联组成拓展一维暂态功率波形特征参数时间序列表征用电设备的暂态过程，综合距离按下式计算：

式中，表示利用动态时间规整算法计算得到的和之间的动态规整距离；计算局部消耗矩阵时引用式(13)；表示由所述负荷特征数据库中已知暂态功率波形特征参数模板时间序列构成的已知拓展一维暂态功率波形特征参数模板时间序列，表示由未知电力负荷暂态过程的暂态功率波形特征参数样本时间序列构成的未知拓展一维暂态功率波形特征参数样本时间序列，和的具体形式如下式：

方案三，对所需各次暂态谐波有功功率波形时间序列和/或各次暂态谐波无功功率波形时间序列单独考虑，综合距离按下式计算：

式中，表示利用动态时间规整算法计算得到的和P_l,vp(t₁,t_K)之间的动态时间规整距离，表示利用动态时间规整算法计算得到的和Q_l,vq(t₁,t_K)之间的动态时间规整距离，和其中，权重系数和分别表示对用电设备i由第m个工作状态向第n个工作状态转换时发生的暂态过程进行辨识时，第vp次谐波暂态有功和第vq次谐波暂态无功功率波形特征在计算时的重要性，权重系数和取值可利用目标场景中有标签实测数据通过训练确定，也可根据相似场景的经验确定。

如图2所示，本发明提供了一种非侵入式电力负荷暂态过程辨识系统，包括用电设备暂态功率波形特征参数获取与存储模块、电力负荷用电功率数据获取模块、电力负荷暂态过程检测与表示模块、电力负荷暂态过程辨识模块：

用电设备暂态功率波形特征参数获取与存储模块，用于获取和保存被监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数，所述暂态功率波形特征参数模板作为电力负荷暂态过程辨识的依据。

电力负荷用电功率数据获取模块，用于实时获取电力负荷暂态功率波形时间序列；

电力负荷暂态过程检测与表示模块，用于在已经生成的功率波形时间序列中检测电力负荷暂态过程，并以适合电力负荷暂态过程辨识的方式表示电力负荷暂态过程；

电力负荷暂态过程辨识模块，用于在利用动态时间规整算法量度功率时间序列之间相似性的基础上，采用最近邻分类技术，对所述已经获得的未知电力负荷暂态过程功率波形特征样本进行分类辨识，以确定该功率波形特征样本是由哪种用电设备在发生何种工作状态变换时产生的，得到电力负荷暂态过程辨识结果，并最终确定相关用电设备的工作状态；

还包括辨识结果输出与显示模块、辨识结果存储模块、数据传输与信息通信模块；

辨识结果输出与显示模块，用于根据应用需要，输出与显示电力负荷暂态过程的辨识结果，以及电力负荷暂态过程发生后，电力负荷内部每种用电设备的工作状态；

辨识结果存储模块，用于根据应用需要，存储电力负荷暂态过程的辨识结果，以及电力负荷暂态过程发生后，电力负荷内部每种用电设备的工作状态；

数据传输与信息通信模块，根据需要，用于系统中不同功能模块之间的数据与信息交互。

其中，

所述电力负荷用电功率数据获取模块，包括原始数据采集模块、原始数据预处理模块、功率数据生成模块和功率波形时间序列生成模块，原始数据采集模块，用于实时采集电力负荷供电端电压和用电总电流；原始数据预处理模块，用于对采集到的电压和电流信号进行波形降噪、异常值修正和相位校正处理；功率数据生成模块，用于根据受监测电力负荷内部所含用电设备种类和性质，分析处理后的电压和电流信号以获得电力负荷暂态过程辨识所需的某次或某几次实测谐波有功总功率数据和\或某次或某几次实测谐波无功总功率数据；功率波形时间序列生成模块，用于将不同时刻获得的各次谐波有功总功率数据点和各次谐波无功总功率数据点分别共同构成各次谐波有功总功率时间序列和各次谐波无功总功率时间序列；

优选地，可以利用电压互感器和电流互感器按要求比例将电力总口处的强电压、大电流信号转换为模拟低电压信号，并通过采样保持电路和模数转换器将模拟信号转化为非侵入式电力负荷暂态过程辨识系统所需的数字信号，为了安装方便可以采用电流钳作为电流互感器。对于波形降噪，可采用合适的滤波技术实现，如均值滤波、中值滤波等。

所述电力负荷暂态过程检测与表示模块，包括电力负荷分段模块和暂态功率波形特征参数样本生成模块，电力负荷分段模块，用于将电力负荷划分为过渡区段和稳态区段，电力负荷的过渡区段的起点和终点即为电力负荷暂态过程的起点和终点；暂态功率波形特征参数样本生成模块，用于分别从已经得到的电力负荷各次谐波有功总功率时间序列和各次谐波无功总功率时间序列中提取暂态过程起点时刻和终点时刻之间的功率数据点，构成暂态功率时间序列，所得若干暂态功率时间序列共同作为表征(未知)电力负荷暂态过程的暂态功率波形特征参数样本；

所述电力负荷暂态过程辨识模块，包括综合距离计算模块、判别搜索模块和用电设备的工作状态确定模块，综合距离计算模块，用于利用动态时间规整算法，采用所选方案计算电力负荷暂态功率波形特征参数序列样本与所述用电设备暂态功率波形特征参数模板之间的综合距离；判别搜索模块，用于根据综合距离的计算结果，判断电力负荷暂态功率波形特征参数序列样本与不同用电设备暂态功率波形特征参数模板之间的相似性，确定与采集到的电力负荷暂态功率波形特征参数序列样本最相似的用电设备暂态功率波形特征参数模板；用电设备的工作状态确定模块，以所述判别搜索模块的搜索结果确定对应用电设备在电力负荷暂态过程发生前后的工作状态。

所述用电设备暂态功率波形特征参数获取与存储模块，包括用电设备暂态功率波形特征参数模板获取模块和用电设备暂态功率波形特征数据库模块，用电设备暂态功率波形特征参数模板获取模块，用于获取被监测电力负荷内部所含的各种用电设备在各种暂态过程下的暂态功率波形特征参数样本若干，并根据样本的代表性，从中选择暂态功率波形特征参数模板；用电设备暂态功率波形特征数据库模块，用于存储所述用电设备暂态功率波形特征参数模板获取模块获得的暂态功率波形特征参数模板。

有效性验证：

为证明本发明方法的有效性和优越性，下面给出本发明方法在从三个不同场景中收集到的电力负荷暂态过程样本集合上分别进行对比实验的测试结果，对比对象是据报道目前在本发明所述领域内效果最好的方法^[16-17]，分别简称为“线性拟合法”和“Minkowski距离法”，前者在文献[16-17]中皆有提及，后者是文献[17]给出的。

对于每个场景中的电力负荷暂态过程样本集合，是利用Hart给出的负荷事件检测方法对从每个场景中收集到的原始总负荷功率数据进行处理得到的^[9]。对于负荷事件检测所用相关参数，本发明假定电力负荷稳态区段的持续时长至少为3秒钟(所含功率采样点数由功率采样频率决定，若功率信号采样频率为5Hz，则稳态区段持续长度最小值为15个数据点)，而且，稳态区段内的任意有功总功率变动(相邻功率采样值之差的绝对值)皆小于50W。至于谐波分析，采用每周波64点的傅里叶变换来分析负荷端电压和总电流数据，进而按照式(6)和式(7)计算后续步骤所需的各次谐波功率数据，测试实验选用暂态基波有功功率和基波无功功率波形特征进行暂态过程辨识，因此系统计及的最大谐波次数H取值为1。

在测试实验中，对于每个场景中包含的每种用电设备可能发生的每种工作状态转换过程，本发明分别从样本集合中随机选择8个暂态过程功率波形样本作为负荷特征数据库中的暂态功率波形特征模板，即对于满足上述定义的任意i和m、n，有取值为8，实际上，该值可以根据不同的实际情况而有所不同。

此外，本发明采用基于混淆矩阵的模式识别领域常用的分类结果评价指标来考察本发明方法的电力负荷暂态过程辨识准确性：F-度量。其定义概述如下：对于集合Ω表示用电设备暂态过程类属集合，其中，精确度具体指被辨识为c类的所有样本中实际为c类的百分比，用于度量辨识方案的精确性，记为P_c，定义如下式(25)，灵敏度具体指属于c类的所有样本中被正确辨识的百分比，用于度量辨识方案的完全性，记为S_c，定义如下式(26)，F度量是一种由精确度和灵敏度组合得到的综合指标，记为F_c，定义如下式(27)。

式中：TP_c表示属于c类的所有样本中被正确辨识的数目，FP_c表示属于其他类样本被错误地辨识为c类的数目；

式中，FN_c表示属于c类的所有样本中被错误地辨识为其他类的数目。

下面分别介绍三个场景及对应的测试数据集：

场景I：

场景I是美国宾夕法尼亚州某家庭，数据来源于公开数据集^[27]，是该家庭2011年10月中某个星期的用电情况，原始总功率的采样频率为60Hz。本发明按照上述负荷事件检测方法的参数设置，对该数据集进行电力负荷暂态过程检测，通过对暂态过程检测结果的统计整理，得到了如表1所示的测试数据集。此外，由于北美家庭是采用两相配电，因此，表1中也给出了用电设备的所在相信息。

表1.场景I测试数据集信息

场景II：

仿照BLUED数据集的建立方式，本发明收集了中国天津某家庭2015年9月的用电数据，原始功率的采样周期为0.06s。采用上述负荷事件检测方法及相关参数设置，建立了表2所示的私有家庭测试数据集。

表2.场景II测试数据集信息

场景III：

与场景II测试数据集的建立过程类似，此数据集源于中国天津高新区某商业楼宇2015年8月的用电数据，原始基波功率的采样频率为5Hz。电气设备相关信息见表3。需要说明的是，商业办公场景中背景负荷的波动幅度一般要大于家庭场景。例如，对于场景III测试数据集，背景负荷有功功率的波动幅度在40W至80W之间。

表3.场景III测试数据集信息

在上述三个不同的场景下，本发明分别做了两种类型的对比实验，实验A是仅利用基波暂态有功功率波形特征，实验B是同时利用基波暂态有功和无功功率波形特征，后者是为了验证同时利用多种类型的波形特征有助于提高辨识性能。对于每个场景下的测试结果，本发明给出的是对数据集中所有用电设备的F-度量指标的平均值。对于仅利用基波暂态有功功率波形特征的情况，由于本发明提出的3种综合距离计算方法的计算结果相同，因此本发明仅以“方案一”为代表，测试结果详见表4。对于同时利用基波暂态有功和无功功率波形特征的情况，本发明分别给出三种综合距离计算方案下的测试结果，详见表5。

表4.实验A的测试结果

表5.实验B的测试结果

以上实施例：同时利用多种类型的暂态功率波形特征，采用动态时间规整(DTW)量度原始暂态功率波形特征参数样本时间序列与模板时间序列之间的相似性，并据此建立了三种采用不同暂态功率波形特征综合距离度量的最近邻暂态过程分类辨识方案。测试结果表明，新方法：(1)同时利用多种类型的暂态功率波形特征，包括多种暂态谐波有功和\或无功功率波形特征，能够提高电力负荷暂态过程辨识的准确性，(2)能够有效处理暂态功率波形特征参数样本时间序列相对于暂态功率波形特征参数模板时间序列在时间上出现偏移和局部尺度缩放，从而对暂态功率波形特征参数模板具有更强的适应性，进而能够进一步提高电力负荷暂态过程辨识准确性和鲁棒性，(3)因采用最近邻分类辨识策略而无需复杂的参数训练，而且能够通过直接对原始暂态功率波形特征参数样本序列的简单时域分析完成电力负荷暂态过程辨识，并且对低频功率数据有更好的适用性，从而既简便易行又可有效控制监测系统的成本、提高其实用性。因此，本发明方法，及承载本方法的系统能够极大地促进NILM技术的实用化推广。

以上内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。