一种非侵入式家电负荷识别方法与流程

本发明属于电力负荷识别技术领域，具体涉及一种非侵入式家用负荷识别方法。

背景技术：

家庭用户是智能电网重要的消耗端，也是微电网的重要组成部分。目前，电网的智能化程度很大程度上受限于需求侧管理技术的发展，家电负荷识别是需求侧管理的关键基础，通过负荷识别可以在线监测各类家电的使用情况，实现电费的分类计量。这不仅可以使用户及时了解自己的具体用电情况，合理安排各类电器的用电时间，减少电费支出；也有助于电力公司了解用户负荷构成，实现与用户的实时互动，加强负荷侧管理实现降低峰谷差、节约能源等目的。

家电负荷监测技术分为两种：侵入式负荷监测和非侵入式负荷监测（Non-intrusive Load Monitoring, NILM）。传统的侵入式负荷监测需要在每个家电负荷内部安装采集传感装置，不仅成本较高，而且安装维护复杂；非侵入方法通过在用户电力入口处安装计量仪表监测家庭内部总的用电信息来获得各负荷的使用情况，该方法成本低，易于安装且适合在线监测，并且不会对监测系统内部产生干扰。通过采集电力入口处所有用电设备总的用电信息，并运用合适的数学分析计算方法进行处理和分析，结合不同用电设备的负荷特性，就能辨识并细化系统内各个负荷用电信息以及其运行状态，从而得到负荷集群中单个负荷的种类和运行情况。

负荷识别算法是NILM的核心内容，也是研究的重点和难点。非侵入式负荷识别方法大致分为两类，一类是以暂稳态信息为特征的负荷识别，大多依靠负荷投切时带来的电压扰动或隐含在功率以及电流中的信息来识别负荷，不易识别多种电器混合的情况。另一类是以模式分类和智能计算为基础的识别方法，该方法需要花费大量时间进行样本数据的训练和学习，而且一旦负荷种类发生变化，则要重新进行训练和学习。

技术实现要素：

为了解决上述问题，本发明提出了一种非侵入式家用负荷识别方法，其特征在于，所述方法具体包括

步骤1、采集单个家用电器的用电数据，并从中提取稳态电压和稳态电流，进行数据存储；

步骤2、依据稳态电流的波峰系数这一特征值将负荷分为近似线性负荷和非线性负荷两类，分别用线性模型和非线性模型去描述；

步骤3、将稳态电压作为系统的输入数据序列，稳态电流作为系统的输出数据序列，利用系统辨识的方法分别给两类负荷建立模型，形成模型库；

步骤4、采集待识别负荷的稳态电压和稳态电流；

步骤5、利用步骤2的方法预筛选确定该负荷所属模型库类型；

步骤6、将待识别负荷与相应模型库中的模型匹配分析；

步骤7、确定待识别负荷。

所述步骤2中利用稳态电流波峰系数这一特征值将负荷分类的具体步骤为

步骤201、计算稳态电流波形的均方根；

步骤202、计算稳态电流波形的幅值；

步骤203、利用均方根和幅值求取稳态电流波峰系数；

步骤204、判断波峰系数是否满足，若满足则为近似线性负荷，否则为非线性负荷；

其中，N为数据长度，i(k)表示采样获得有限长度的稳态电流数据序列。

所述步骤6中模型匹配分析的具体步骤为

步骤601、若步骤5中确定待识别负荷属于线性模型库，则执行步骤602-604。若步骤5中确定待识别负荷属于非线性模型库，则执行步骤605-606；

步骤602、将待识别负荷的稳态电压数据序列依次通过线性模型库中的各个模型，得到残差序列；

其中，I(k)表示采样获得的待识别负荷稳态电流数据序列，I1(k)表示模型输出的稳态电流数据序列，，L模型匹配的数据长度；

步骤603、计算各模型的残差均值，并按从小到大的顺序排列，选出5种残差均值较小的模型；

步骤604、判断上述5种模型的残差序列是否满足白噪声序列，即验证残差自相关系数是否满足如下两个不等式：①，取；②，置信度α取0.05；，当有一个不等式成立或两个都成立，则残差序列为白噪声序列，可信度为95%，说明该模型与待识别负荷匹配较好，否则说明匹配不好；

其中，残差自相关系数；

为的自相关函数；

为检验阈值，其值等于置信度为1-α、自由度为m的分布值；

步骤605、将待识别负荷的稳态电压数据序列依次通过非线性模型库中的各个模型，计算各模型残差方差；

步骤606、将各模型的残差方差从小到大排列，其中残差方差最小的模型即为与待识别负荷匹配程度较高的模型。

有益效果

本发明将家电负荷看作独立的系统，结合系统辨识的基本原理和方法为负荷建立模型，通过模型匹配分析进行负荷识别。采集各家电负荷单独运行时的稳态电压和稳态电流数据，依据稳态电流波峰系数将负荷分为近似线性负荷和非线性负荷两大类；然后将稳态电压作为输入数据，稳态电流作为输出数据，利用系统辨识方法分别为两类负荷建立模型，形成模型库；通过识别模块采集待识别负荷的稳态电压和稳态电流数据，预筛选确定负荷所属模型库类型；根据模型匹配的原则进行负荷识别。

该识别算法能够有效识别线性负荷以及非线性负荷。首先通过预筛选将待识别负荷分为两类，缩小了匹配范围，提高了辨识速率。另外，避免了多个负荷用电信息混合时的干扰，增加了负荷识别的准确性，也大大降低了负荷识别的难度以及算法复杂度。相对于应用神经网络的算法，当有新的负荷加入网络时，无需重新进行大规模的数据学习和训练，只需提取该负荷的稳态电压电流特性，构建该负荷的模型加入相应的模型库中即可，省去了大量的时间。

附图说明

图1为本发明的非侵入式负荷识别原理图；

图2为本发明的非侵入式负荷识别方法流程图；

图3为本发明的模型匹配分析方法流程图；

图4a-h为仿真所选取的典型家电负荷稳态电流曲线图，图4a为电水壶稳态电流曲线图，图4b为热水器稳态电流曲线图，图4c为吸尘器稳态电流曲线图，图4d为笔记本稳态电流曲线图，图4e为微波炉稳态电流曲线图，图4f为冰箱稳态电流曲线图，图4g为空调制冷状态稳态电流曲线图，图4h为空调制热状态稳态电流曲线图；

图 5a-e 为采集热水器的一组稳态数据通过线性模型库中各模型得到的仿真结果。图5a为经过热水器模型得到的模型输出及残差自相关系数分布图，图5b为经过电水壶模型得到的模型输出及残差自相关系数分布图，图5c为经过吸尘器模型得到的模型输出及残差自相关系数分布图，图5d为经过笔记本模型得到的模型输出及残差自相关系数分布图，图5e为经过微波炉模型得到的模型输出及残差自相关系数分布图；

图6a-b为采集空调制冷状态下的一组稳态数据通过非线性模型库中各模型得到的仿真结果。图6a为经过空调制冷状态下的模型得到的模型输出与系统实际输出对比图，图6b为经过冰箱模型得到的模型输出与系统实际输出对比图。

具体实施方式

下面结合附图，对本发明作详细说明。本发明提出了一种非侵入式负荷识别方法，选取电水壶、热水器、笔记本、微波炉、冰箱和空调作为典型负荷进行仿真，并结合附图对本发明进一步说明。

图1是本发明非侵入式负荷识别原理图，家用电器设备均可看作独立的系统，结合系统辨识的基本原理和方法，以稳态电压和稳态电流作为特征值，为每个家电负荷建立模型，形成负荷模型库，用于负荷识别的依据。当有负荷进行识别时，首先对该负荷用电信息进行预处理，并从中提取所需的负荷特性，依据模型匹配算法与模型库中的模型对比进行负荷识别。识别结果存入系统存储器中以便下一步分析研究。

图2是本发明非侵入式负荷识别方法流程图。具体包括：

步骤1、采集单个家用电器的用电数据，并从中提取稳态电压和稳态电流，进行数据存储；

步骤2、依据稳态电流的波峰系数这一特征值将负荷分为近似线性负荷和非线性负荷两类，分别用线性模型和非线性模型去描述；

步骤3、将稳态电压作为系统的输入数据序列，稳态电流作为系统的输出数据序列，利用系统辨识的方法分别给两类负荷建立模型，形成模型库；

步骤4、采集待识别负荷的稳态电压和稳态电流；

步骤5、利用步骤2的方法预筛选确定该负荷所属模型库类型；

步骤6、将待识别负荷与相应模型库中的模型匹配分析；

步骤7、确定待识别负荷。

图3是本发明模型匹配分析方法流程图。具体包括：

步骤1、计算待识别负荷的稳态电流波峰系数I_CF，判断是否满足，若满足则待识别负荷属于线性模型库，执行步骤2-4；否则待识别负荷属于非线性模型库，则执行步骤5-6；

步骤2、将待识别负荷的稳态电压数据序列依次通过线性模型库中的各个模型，得到残差序列；

其中，I(k)待识别负荷稳态电流数据序列，I1(k)表示模型输出的稳态电流数据序列，，L为模型匹配的数据长度；

步骤3、计算各模型的残差均值，并按从小到大的顺序排列，选出5种残差均值较小的模型；

步骤4、判断上述5种模型的残差序列是否满足白噪声序列，即验证残差自相关系数是否满足如下两个不等式：①，取；②，置信度α取0.05。若，当有一个不等式成立或两个都成立，则残差序列为白噪声序列，可信度为95%，说明该模型与待识别负荷匹配较好，否则说明匹配不好；

其中，残差自相关系数；

为的自相关函数；

为检验阈值，其值等于置信度为1-α、自由度为m的分布值；

步骤5、将待识别负荷的稳态电压数据序列依次通过非线性模型库中的各个模型，计算各模型残差方差；

步骤6、将各模型的残差方差从小到大排列，其中残差方差最小的模型即为与待识别负荷匹配程度较高的模型。

图4a-h为仿真所选取的典型家电负荷稳态电流曲线图，图4a为电水壶稳态电流曲线图，图4b为热水器稳态电流曲线图，图4c为吸尘器稳态电流曲线图，图4d为笔记本稳态电流曲线图，图4e为微波炉稳态电流曲线图，图4f为冰箱稳态电流曲线图，图4g为空调制冷状态稳态电流曲线图，图4h为空调制热状态稳态电流曲线图；不同家用电器的稳态电流存在较大差异，热水器、电水壶、吸尘器是线性负荷，所以其稳态电流呈现近似正弦波的状态；微波炉、笔记本以及空调制热状态的波形曲线与正弦波较为相似，可近似为线性负荷；冰箱以及空调制冷状态下的波形存在不同程度的畸变，不能近似为线性负荷。

图 5a-e 为采集热水器的一组稳态数据通过线性模型库中各模型得到的仿真结果图。图5a为经过热水器模型得到的模型输出及残差自相关系数分布图。图5b为经过电水壶模型得到的模型输出及残差自相关系数分布图，图5c为经过吸尘器模型得到的模型输出及残差自相关系数分布图，图5d为经过笔记本模型得到的模型输出及残差自相关系数分布图，图5e为经过微波炉模型得到的模型输出及残差自相关系数分布图；观察图形发现，经过除笔记本外的其余4种模型得到的模型输出与系统输出拟合程度都较高，图a-e的残差均值分别为0.0195,0.0211,0.0287,0.4717,0.0352，由此也可看出笔记本的残差均值最大，所以待识别负荷不可能是笔记本。观察残差自相关系数分布图，发现经过热水器模型得到的残差自相关系数基本分布于之间，且满足残差相关系数指标，即该残差序列为白噪声序列；而经过电水壶，吸尘器，微波炉三种负荷模型得到的残差自相关系数分布不满足在之间，且残差相关系数指标分别为62.9407,168.2211,161.0339均大于白色性阈值31.410，所以相应的残差序列不是白噪声序列，因此可以判断待识别负荷与热水器模型匹配程度最高，即该负荷为热水器。

图6a-b为采集空调制冷状态下的一组稳态数据通过非线性模型库中各模型得到的仿真结果。图6a为经过空调制冷状态下的模型得到的模型输出与系统实际输出对比图，图6b为经过冰箱模型得到的模型输出与系统实际输出对比图；观察两幅图发现图a模型输出与系统输出的拟合程度很高，而图b拟合程度较差。图a所得残差方差为9.6598e-04，图b所得残差方差为0.0281，所以通过残差方差可明显得出结论：待识别负荷为空调的制冷状态。