本发明涉及电力技术领域，具体涉及一种非侵入式电气负载智能识别方法。
背景技术：
目前的电力负载的识别方案主要通过分别为各个电器设备配置信号采集装置，通过各个信号采集装置的检测结果实现对电力负载的识别，这种方案存在信号采集装置的需求量较大、安装维护复杂、识别成本高的缺陷。
技术实现要素：
为解决现有技术的不足，本发明实施例提供了一种非侵入式电气负载智能识别方法。
本发明实施例提供的非侵入式电气负载智能识别方法包括以下步骤：
获取电气负载总线上的电力负荷信号；
对所述电力负荷信号进行预处理；
获取当前状态为暂态的电气负荷信号；
将所述电气负荷信号输入训练过的机器学习模型，得到所述电力负荷信号对应的负载。
优选地，对所述电力负荷信号进行预处理包括：
对所述电力负荷信号进行小波变换，得到所述电力负荷信号对应的小波系数；
判断所述电力负荷信号的频率是否大于设定的阈值，若是，则保持所述小波系数不变，若否，则将所述小波系数置零。
优选地，检测当前状态为暂态的电气负荷信号包括：
利用负荷投切检测算法，判断所述电力负荷信号波形的变化量在设定的时间段内是否持续大于设定的阈值，若是，则确定电气负载发生启停事件，所述电力负荷信号当前的状态为暂态。
优选地，判断所述电力负荷信号波形的变化量在设定的时间段内是否持续大于设定的阈值包括：
若是，则根据设定的固定向量收缩所述小波系数，利用尺度系数对的小波系数进行重构，得到去噪声后的电力负荷信号。
优选地，所述训练过的机器学习模型的生成过程包括：
将电压、电流及有功功率组合，形成特征向量；
将所述特征向量中的各个特征值进行归一化；
采用多级分类方法，筛选所述特征向量；
将所述特征向量作为训练数据输入机器学习模型对所述机器学习模型，生成训练过的机器学习模型。
本发明实施例提供的非侵入式电气负载智能识别方法具有以下有益效果：
只需要将信号采集装置安装在电力供给的入口处，通过采集电力入口处的电压、电流、功率等，即可实现对非侵入式电力负载的识别，降低了信号采集装置的需求量、安装维护复杂度、降低了识别成本。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明实施例提供的非侵入式电气负载智能识别方法包括以下步骤：
s101，获取电气负载总线上的电力负荷信号。
s102，对电力负荷信号进行预处理；
s103，获取当前状态为暂态的电气负荷信号。
s104，将电气负荷信号输入训练过的机器学习模型，得到电力负荷信号对应的负载。
可选地，对所述电力负荷信号进行预处理包括：
对电力负荷信号进行小波变换，得到电力负荷信号对应的小波系数；
判断电力负荷信号的频率是否大于设定的阈值，若是，则保持小波系数不变，若否，则将小波系数置零。
可选地，检测当前状态为暂态的电气负荷信号包括：
利用负荷投切检测算法，判断电力负荷信号波形的变化量在设定的时间段内是否持续大于设定的阈值，若是，则确定电气负载发生启停事件，电力负荷信号当前的状态为暂态。
其中，负荷投切检测算法包含两次检测的负荷投切检测算法，第一次检测是判断功率是否突变及投切过程始点与终点的位置。首先对功率序列取滑动窗s，由于当功率突变时，功率序列的波动较大，表现出较大的方差值，对s计算其方差svar作为功率突变的判断量。而非电器投切时正常功率波动的大小与功率水平有关，可将αsmean作为功率是否突变的阈值以避免正常功率波动引起误检测，smean为窗口平均功率，α∈[0,1]为阈值控制系数，一般地，当窗口功率突变时有svar＞＞αsmean。因此，通过计算滑动窗口功率的方差和均值，可以判断窗口内是否发生功率突变。并通过不断滑动窗口，找到功率突变大致始点和终点。
负荷投入或者切除等暂态过程定义未一个暂态事件，暂态事件的检测可以归结为变点检测问题。所谓变点是指在一个序列或者过程中，在某个未知时刻，序列或者过程的某些统计特性发生了变化，根据具体的应用背景对变点是否发生以及发生时刻等做出估计。
负荷的入或者切除等暂态过程往往导致采样序列一些突变，借此来判断是否发生暂态事件并再次来进行负荷拆分。一般来说功率的突变量最能辨识负荷的投切，可以设置一个功率阈值来判断负荷投切，但是某些负荷的正常工作的功率就伴有较大的突变量甚至超过较小功率负荷的投切功率突变量。因此，仅用功率突变量作为依据会造成一些误识。
本发明实施例通过大量统计分析，发现正常工作的功率波动波形与负荷投切波形的差别，以负荷投入为例(负荷切除判断思想类似)，负荷投入后功率会有陡增并且能保持很久，而正常工作的功率波动带来的陡增是暂时的，一般不会持续很久，几个功率数据点后就会下降；对于一般负荷投入，功率陡增前的功率也是比较平稳的过程，所以，功率陡增前后的一段数据点的平均功率水平之间的差距应该是接近此负荷投入的功率突变量的。
电力负荷信号(电压、电流、功率)一般来说是个不断变化的波形，实时、持续地检测这些波形，其实就是一个不断截取一段数据序列进行变换或判断的过程。这些数据序列可以看作是通过一个窗口观察到的整个电力负荷信号波形的一个小片段，而实时的检测需要持续的观测，因此，对电力负荷信号检测的工具就是一个移动的窗目。
负荷投切投检测算法，就是在移动窗截取有功功率参量序列后进行分析，辨识是否是新的负荷投切、其暂态过程持续多久、提取暂态波形起始、峰值、结束点，暂态结束点以后到移动窗终点之间定义为稳态过程。
可选地，判断电力负荷信号波形的变化量在设定的时间段内是否持续大于设定的阈值包括：
若是，则根据设定的固定向量收缩小波系数，利用尺度系数对的小波系数进行重构，得到去噪声后的电力负荷信号。
可选地，训练过的机器学习模型的生成过程包括：
将电压、电流及有功功率组合，形成特征向量，即电力负荷信号特征数据库。
其中，建立电力负荷信号特征数据库是进行识别机器学习和最终识别工作前最重要的环节之一。在训练阶段，样本的特征向量的选取非常重要，这决定了整个分类结果的好坏与否，具体怎样选择样本的特征向量，要根据貝体的问题而定，没有统一的方法，但是样本特征向量的选择也不是随意的，特征向量的选取一般会遵循一个原则，即：要求所选数据样本的特征向量能完全的反映出数据样本的本质特征，数据样本若特性相近，该数据样本的特征向量对应的分析空间中的点应该也相近：相反，若样本之间特性不相近，其特征向量对应的数据点也不能相近。
将特征向量中的各个特征值进行归一化。
不同特征量数值上存在量级上的差别，而后续的负载辨识工作常依靠不同类电力负荷信号特征值的距离来判断，如果特征值直接用于计算特征点的距离，则量级较小的特征量可能无法体现其作用，故特征值需要一个归一化的过程，将特征值都转换为(0，l)区间内的数。
采用多级分类方法，筛选特征向量。
其中，每个特征量的分类能力是有差距的，需要一次初步的筛选，原因如下：
(1)特征量越多，计算量越大，影响分类器训练和识别效率，以后续的分类器训练中三维特征量组合的寻优为例，则需要考察种组合的分类能力，计算量太大：
(2)并不是每一个特征量都有很好的负载分类能力，多用反而可能降低识别的精度，适得其反；
(3)应用环境、提取方法不同，特征量的负荷分类能力可能有差别，在某些识别问题上有良好效果的特征量不一定在本发明实施例的识别应用中有同样好的表现。
以最少的特征量到达最好的识别效果，用聚类分析中常用的类内距离与类间距离之比作为指标对特征量的分类能力作定量评估，初步筛选出较好的特征量。该指标能反映出特征量筛选原则：同类电力负荷信号的特征量差距尽量小，异类电力负荷信号的特征量差距尽量大。
为减少电力负荷信号的特征量，本发明实施例采用多级分类方法，第一级负责电力负荷信号主类的筛选，首先根据特征将电力负荷信号分为阻性电力负荷信号、感性电力负荷信号和容性电力负荷信号，第二级继续根据第一级的分类继续详细识别分类，对于第二级无法识别的电力负荷信号，交由第三级进行识别。由此既可以提高识别精度，又可以减少电力负荷信号特征量造成的计算量，提高识别效率。
将特征向量作为训练数据输入机器学习模型对机器学习模型，生成训练过的机器学习模型。
本发明实施例提供的非侵入式电气负载智能识别方法，通过获取电气负载总线上的电力负荷信号，对电力负荷信号进行预处理，获取当前状态为暂态的电气负荷信号，将电气负荷信号输入训练过的机器学习模型，得到电力负荷信号对应的负载，只需要将信号采集装置安装在电力供给的入口处，通过采集电力入口处的电压、电流、功率等，即可实现对非侵入式电力负载的识别，降低了信号采集装置的需求量、安装维护复杂度、降低了识别成本。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。