一种非侵入式用电负荷的分解方法与流程

本发明专利涉及一种新型的非侵入式家庭用电的负荷分解方法，该方法可以对非侵入式电表记录的家庭用电情况进行分析，尤其针对未知用电设备的判别、已知用电设备组未知操作状态的判别提出一种新的判别方法。

背景技术：

区别于常规的连接在入户线上的电能表只能获得总能耗数据，电力分项计量可以对连接到入户线后的建筑物内各个用电设备所消耗的电能进行独立计量。电力分项计量对于电力公司准确预测电力负荷、科学制定电网调度方案、提高电力系统稳定性和可靠性有着重要意义；对用户而言可以帮助用户了解用电设备的使用情况、提高用户的节能意识、促进科学合理用电。基于非侵入式负荷计量技术的用电分析计量具有简单、经济、可靠和易于迅速推广应用等优势，更加适用于居民用户。就像人类的声纹、指纹等生物特征具有唯一性可以用来实现个体识别一样，不同种类和型号的用电设备在运行过程中产生的电压、电流以及谐波等时序数据中也有相对稳定的较为显著的特征，称之为用电设备的负荷印记。而根据用电设备运行的过程，又可将数据分为暂态数据和稳态数据两大类，其中暂态数据主要指设备启动、设备停止、设备模式切换时的状态数据，稳态数据主要指设备稳定运行时的状态数据。利用暂态稳态特征和相应的负荷印记，可以判别非侵入式电表中每个用电器的负荷状态。

技术实现要素：

本发明所解决的是从一个家庭用非侵入式电表中分解出每个用电器的用电曲线的变化，在未知设备、未知设备状态和未知设备与未知设备状态三种情况下，分别分析出每种情况下的设备类型与实时状态。

本发明解决其技术问题所采用的技术方案是：

一种非侵入式用电负荷的分解方法，包括以下步骤：

第一步，在已知各设备的用电数据的基础上，对各个设备的用电特征进行分析，从而将各种用电设备按照用电量的变化情况分类为连续变化用电设备、多状态变化用电设备和不规则变化用电设备，并借由已知数据分析出每个用电设备的瞬时用电功率；

第二步，在已知所有设备的用电量的特征的基础上，对未知设备的用电数据进行分析，通过该未知设备的用电数据特征从而使用支持向量机判别出该未知设备从属于哪一种已知设备的类型，进一步分析出该未知设备是什么设备；

将家庭用电器按照其用电曲线的特征分类为启停二状态设备、有限多状态设备、连续变状态设备。将家庭中可能出现的典型电器进行分类，针对所述的判别一个新的未知设备的问题，将该未知设备的用电负荷曲线与已经分类的典型用电器用电曲线进行比对，利用支持向量机和最近邻算法进行耦合分类，可以得出该未知设备最可能的设备类型，再利用设备的电压电流轨迹图对判别结果进行验证，从而可以较精准地得到未知设备的判别结果。

第三步，在判断出未知单一设备的基础上，对于已知设备组而未知设备组设备的操作流程的组合数据进行分析，根据流过非侵入式电表的组合数据，可以使用线性叠加的穷举方式分解出每一个设备的实时用电量，从而通过实时用电量的变化情况分析出该组合数据的每个设备的操作过程；

因为一个设备组中电流和功率为线性叠加的关系，所以将设备组中每个设备的状态数据利用穷举的方法叠加起来即可判别该设备组各设备处于某状态。

第四步，在已知每个设备用电特征的情况下，提取未知设备组的用电负荷特征，从而形成未知设备组的用电特征库。使用该库中的暂态信息和稳态信息对该未知设备组的设备进行判别，将设备先判别出来再进行c步骤的操作分析。

所述的判别已知设备组未知设备状态的问题时，根据已经采集到的数据分析已知设备组中每个设备处于每个状态的用电数据。因为一个设备组中电流和功率为线性叠加的关系，所以将设备组中每个设备的状态数据利用穷举的方法叠加起来即可判别该设备组各设备处于某状态。

所述的判别未知设备组未知设备状态的问题时，收集典型家庭用电器的暂态和稳态数据，将收集到的暂态稳态特征和非侵入式电表中的设备组的用电特征相比对，建立家庭用电器的负荷特征库。通过比较未知设备组中出现的用电特征可以率先判断出未知设备组包含的哪些设备类型，进而将未知设备转化为已知设备，再利用线性叠加的穷举算法进行设备的判别。

本发明的有益效果是：

该家庭用的非侵入式用电负荷分解对于电力公司准确预测电力负荷、科学制定电网调度方案、提高电力系统稳定性和可靠性有着重要意义。家庭用户可以在分解的结果中查看家中每个用电器的实时用电量的情况，从而制定一个最优用电策略。非侵入式电表安装方便，使用灵活，经济可靠。

附图说明

图1是本发明判别某一未知设备的逻辑框图。

图2是本发明判别设备时使用的支持向量机的逻辑框图。

图3是本发明的数据训练使用的流程图。

图4是本发明所使用的最近邻算法的流程图。

图5是本发明用于判别未知设备组的设备的工作状态的线性叠加的穷举算法流程图

图6是本发明用于建立设备组的特征库，并将特征库用于判别设备组设备的流程图。

具体实施方式

通过对设备数据中的电流数据进行可视化分析，判断11种家用典型用电设备在各个对应的操作区间内电流发生何种变化，从中提取出各个设备在暂态以及稳态下的电流特征；与此同时，对采集的典型用电器周波数据中的电流与电压数据进行整合处理，对采集好的128个采样点的电流数据与电压数据组合成坐标，绘制出电流-电压轨迹图。电流-电压轨迹图是各种设备的独特负荷印迹，对于单个设备区分具有重要意义。实时用电量的计算我们参照公式进行求解。

为实现单个设备的自动识别，我们提出针对于不同情况下的2种解决思路：第一，基于多分类svm的判别模型。一方面，谐波电压数据具有在同一设备的不同状态下差异小，不同设备间差异大的特性。其次，选取的11种设备的工作参数差异巨大。因此采用50频次的谐波电压数据结合实时用电量数据作为判别特征，运用多分类svm进行判别分析。第二，基于最近邻的判别方法。在实际数据当中有可能存在谐波电压数据缺失的情况，会使得基于最近邻的判别模型具有更准确的判别效果。将每个用电器对应最大功率的稳态运行状态下有功无功的值绘制到坐标系中，计算待估计设备（p,q）与11中设备（p,q）的欧式距离，将其判别为距离最近的设备类型。最后，绘制待测设备电流-电压轨迹图作为可视化验证方法。

为实现已知设备组混合运行状态分析，首先对11种典型用电设备进行分类，分为“on/off”、“有限多状态”、“连续变状态”三种类别，在此基础上提取出稳态下电流保持相对平稳的设备，并提取设备在各种运行状态下的稳态电流值。对于稳态下不平稳的设备需要针对设备特性进行单独处理。因为设备组运行状态的电流值，是各个单独设备的不同状态下电流值的叠加。因此可以采用线性组合的思想对其进行求解，从而实现对各用电器的状态的判别。状态突变时间可以通过事件检测实现，运用前后时刻电流差值进行判别。

为实现未知设备组的混合运行状态分析，首先需判别出设备组用电设备的类型。在对各个设备电流数据可视化不难发现各种设备具有独特的电流波形特征，从中提取出暂态和稳态波形特征构造特征库。将设备组电流波形特征进行拆解与特征库进行匹配，可以实现用电设备类型判别。通过准确判别出设备类型就可将未知设备已知化，在此基础上运用上述三中所述设备分类和线性组合的思想就可以实现对问题四的求解。

通过非侵入式负荷检测与分解方法，对建筑物内的用电设备的电力能耗进行监测。采用电力数据分析与挖掘的方法，实现各个用电设备电能分项计量。电力分项计量不仅对于电力公司准确预测电力负荷、科学制定电网调配方案、提高电网系统的稳定性具有重要意义，而且有助于用户了解用电设备的耗能情况、及时发现电器故障及异常检测。基于非入侵式电力负荷检测与分解技术容易实现、成本低，而且效果比较好，适合大范围推广。

在图1家庭用非侵入式用电负荷的分解的算法逻辑框图中，算法在分析了典型用电器的用电数据的基础上，首先分析谐波数据是否都能得出。如果能够得到谐波数据就将每次谐波的数据作为特征使用支持向量机进行训练，从而分析得到该未知设备的类型。如果谐波数据无法准确得到，则根据每个用电器标准功耗的不同，使用典型用电器的数据训练最近邻算法进行分类。将分类结果使用设备的电压电流轨迹图进行验证，从而进一步证明了用电器分类的准确。

在图2支持向量机的一般框图中，对支持向量机所得到的数据进行数据可视化，再进行特征提取、模型选择、误差判别等一系列操作。

在图3支持向量机的执行框图中，在确定判别参数之后，我们选择的判别方法是多分类的svm模型。在负荷种类不多而且负荷处于单一状态下，采用svm模型可以取得较高的准确度。在确定判别所需特征之后，我们开始对相关的特征数据进行抽取和清洗。一般所直接得到的数据样本不均衡，如果直接作为训练数据会使得svm分类器的效果大幅下降，不同设备样本量差距过大，我们采样的清洗手段是，对样本量较多的设备进行下采样，按照设备的运行状态进行分层采样。确定样本量之后，给每个设备打上label，11种典型用电器分别标记为1-11的标号。然后再打乱整个数据集的顺序按照7/3的比例从中抽取出trainingset和testingset，trainingset用于监督学习训练学习，testingset用于验证分类器的分类效果。由于svm对数据本身的scale是敏感的，因此在进行训练之前需要先进行归一化处理。将上述抽取出的trainingset用于模型训练和学习，以30%样本的testingset用于模型预测和评估，最终基于svm的多类别分类器准确率在93.08%。

在图4中最近邻的核心思想是如果某一个样本在特征空间与最相邻的样本中的大多数属于同一个类别，则该样本也属于这个类别。距离的度量采用的是欧式距离。根据最近邻原理计算待估计点与11个已知点的distance，选择distance最小的已知点类别作为待估计点的设备类型。以有功为横坐标，无功为纵坐标可画出对应用电器的功率特征分布图。由于每种设备对应的（p,q）位置如上图所示，而且这种位置不会随着设备运行状态发生改变，因此可以根据最近邻算法计算位置设备与上述11种设备的欧氏距离，并将其判别为距离最近的那种设备的类型。

在图5中已知设备组的构成，需要判别的是各个设备在各个时刻的运行状态，并计算实时用电量。由于设备组中的设备是并联在同一电路之下，nlmid装置实测的数据之中电流数据是叠加的。因此，设备组所呈现的电流的波形应该是各个运行状态下的单个用电设备的叠加。因此，我们采用线性组合的方式对混合设备的运行状态进行求解。

在图6中每一种用电器都有其特定的运行特征，而这种特征可能是发生在设备开启状态下的暂态特征，也可以是设备稳定运行中的稳态特征。因为在组合设备的情况下，电流是会发生叠加的，因此分析所使用的数据依然是电流数据。明显的电流负荷印迹即使是在混合多种用电设备的状态下，依旧能够体现出来。因此，在未知设备组设备情况的条件下，可以根据各个用电器明显区别于其他设备的独特的明显的负荷印迹，可以实现设备组中设备数量和类型的监测。

提取出混合设备组中的发生突变的时间点前后的电流差值，将其与11种典型用电器所统计出的各个用电设备的变换操作的电流变化值进行比较。由于不同的设备电流差异巨大，通过将目标变化值与各个用电设备的变换操作的电流值进行一一比较，选择最为接近的变化数值不难发现混合设备组中的设备构成。

一种非侵入式用电负荷的分解方法，包括以下步骤：

第一步，在已知各设备的用电数据的基础上，对各个设备的用电特征进行分析，从而将各种用电设备按照用电量的变化情况分类为连续变化用电设备、多状态变化用电设备和不规则变化用电设备，并借由已知数据分析出每个用电设备的瞬时用电功率；

第二步，在已知所有设备的用电量的特征的基础上，对未知设备的用电数据进行分析，通过该未知设备的用电数据特征从而使用支持向量机判别出该未知设备从属于哪一种已知设备的类型，进一步分析出该未知设备是什么设备；

第三步，在判断出未知单一设备的基础上，对于已知设备组而未知设备组设备的操作流程的组合数据进行分析，根据流过非侵入式电表的组合数据，可以使用线性叠加的穷举方式分解出每一个设备的实时用电量，从而通过实时用电量的变化情况分析出该组合数据的每个设备的操作过程；

第四步，在已知每个设备用电特征的情况下，提取未知设备组的用电负荷特征，从而形成未知设备组的用电特征库，使用该库中的暂态信息和稳态信息对该未知设备组的设备进行判别，将设备先判别出来再进行c步骤的操作分析。