一种基于经验小波变换的用户用电负荷特征提取方法与流程

本发明涉及电力系统用户用电负荷特征提取领域，尤其涉及一种基于经验小波变换的用户用电负荷特征提取方法。

背景技术：

目前越来越多的传感器、智能仪表被装入智能配电网中，用来获取电力网络的实时数据。其中，用户用电负荷数据在电网运行决策的制定方面起着重要作用，因此对用电负荷数据进行特征提取研究对于支持电网的安全、经济、可靠运行有着重要的理论意义和实际价值。

目前信号特征提取常用的方法有：傅里叶变换、小波分析方法、小波包分析方法和希尔伯特-黄变换等。傅里叶变换采用全局正弦量，虽能够有效地将信号划分为频率不同的各个分量，但会导致局域性信息的缺失。小波和小波包变换虽然可用于分析非平稳信号，但实际应用时还需解决小波基的选择问题，不具备自适应性。希尔伯特-黄变换方法中涉及的经验模态分解算法，弥补了之前方法依赖于先验知识选取基函数的弊端，但此算法缺乏有力的数学理论支撑并且在信号处理过程中会出现模式混叠现象。经验小波变换方法解决了理论基础不足和算法适应性的问题，旨在构建一个由信号特性直接产生的基函数，进而通过设计一个适当的小波滤波器组对信号不同的模式进行提取。

技术实现要素：

本发明的目的在于，给出了一种基于经验小波变换的用电负荷特征提取方法，为分析用户用电特性提供了有效手段。

本发明涉及一种一种基于经验小波变换的用户用电负荷特征提取方法，包括如下步骤：

将用户原始用电负荷数据作为原始信号采用经验小波变换方法进行分解，获得多个经验小波函数分量；

通过对所述获得的每个经验小波函数分量进行hilbert变换，得到表征各个分量瞬时幅值和瞬时频率的hilbert谱，并将其hilbert谱在时-频联合域中进行表示，从而建立用户原始用电负荷数据信号的时频表示；

计算用户原始用电负荷数据与各经验小波函数分量的归一化相关系数，筛选出与用户原始用电负荷数据相关度较高的有效分量；

根据有效分量构建用户用电负荷数据特征矢量，将此特征矢量作为识别用户原始用电负荷特征输出。

进一步，对原始信号进行傅里叶变换得到其fourier频谱，通过对fourier频谱的自适应分割构造经验小波滤波器组，提取具有紧支撑傅立叶频谱的调幅-调频(am-fm)信号成分，将信号成分中包含不同频率特征信息的分量进行分离，得到多个涵盖不同频率特征信息的经验小波函数分量。

其中，筛选是根据相关度选取规则设定合适的阈值以选取相关度高、能够反映用户用电负荷特征的有效分量，达到去除伪分量以及无关干扰项的目的。

进一步，根据有效分量构建用电负荷数据特征矢量的方法为计算每个有效分量的能量，并对所述能量进行2范数求解，将求解结果进行组合，构造出能综合表征用户用电特性的特征矢量。

另外，当归一化相关系数大于等于0.5时，视为相关度高。

附图说明

图1是本发明的一种基于经验小波变换的用户用电负荷特征提取方法的步骤框图；

图2是传感器采集的原始用户用电负荷数据示意图；

图3是采用经验小波变换对原始用户用电负荷数据信号进行自适应分解产生的经验小波函数分量示意图；

图4是各经验小波函数分量经hilbert变换后的时频表示示意图。

具体实施方式

下面结合实际案例和附图对本发明的具体实施步骤做进一步的介绍。

一种基于经验小波变换的用户用电负荷特征提取方法：

步骤1，利用经验小波变换对用户用电负荷数据进行分解。

s1：图2为传感器采集的原始用户用电负荷数据，用一时域离散序列x＝[x1,x2,…,xn]进行表示。对此序列进行傅里叶变换，得到傅里叶频谱f(ω)。

s2：对fourier谱进行自适应分割以构造合适的小波滤波器组。频谱划分原则如下：

假设以ωn为边界将频谱f(ω)在[0,π]上划分为n个连续段落，则频谱划分包含n+1个边界，除去边界ω0＝0，ωn＝π，其余n-1个边界的确定方法为：首先检测频谱中的局部极大值并将其按降序排序(包括0和π)。假设存在m个极大值：

若m≥n，说明有足够多的极大值以定义频谱区域分割，则保留前n-1个极大值；

若m＜n，说明实际数据信号的分解模态少于预期值，需保留全部极大值并将n重置到合适的值。

取两个连续极大值的中间频率作为ωn，与ω0＝0，ωn＝π共同构成最终的频谱划分结果。

s3：根据s2中傅里叶频谱分段，构造n个经验小波，确定经验小波函数分量。建立经验小波基，经验尺度函数和经验小波母函数定义如下：

式中：函数β(x)是一个任意的c^k([0,1])函数，需要满足如下条件：

且

τn＝γωn

通过经验小波的内积得到经验小波变换：

近似系数通过具有缩放功能的内积得到：

信号f(t)的经验小波变换构造如下：

经验分解的模式fk，由下式给出：

依据频谱自适应分割构造的小波滤波器组将原始用户用电负荷数据信号分解为多个涵盖不同频率特征信息的经验小波函数分量，如图3所示。

步骤2，对n+1个经验小波函数分别进行hilbert变换，建立各个分量的时频表示。

对每个经验小波函数分量进行hilbert变换，变换如下：

其中(p.υ.)为柯西主值，f(t)为经验小波函数分量。

则信号的解析形式如下：

fa(t)＝f(t)+ιhf(t)

其中am-fm信号形式为：

则信号解析形式可表示为：

由此可提取出各经验小波函数的瞬时幅度f(t)和瞬时频率图4给出了各经验小波函数经hilbert变换后的时频表示。

步骤3，提取与原始负荷数据信号相关度较高的有效分量。

计算各个经验小波函数与用电负荷数据信号之间的归一化相关系数rj，rj(j＝1,2,…,n)的计算公式为:

其中xi为用电负荷信号序列的第i个元素，x为用电负荷信号序列均值，fi为第j个经验小波函数分量的第i个元素，为第j个经验小波函数分量均值。

通常情况下，当归一化相关系数大于等于0.5时，视为高度相关，根据这一相关度选取规则，选取归一化相关系数rj≥0.5的分量作为有效分量，用于特征矢量求解。经计算，选取4个经验小波函数作为有效分量。

步骤4，构造特征矢量。

s1:计算步骤3中提取的每个有效分量的能量ej。

ej＝∫|fj(t)|²dt

s2:对各个能量进行2范数计算。

s3：将计算结果组合构造能综合表征用户用电特性的特征矢量v。

v＝[v1,v2,...,vn]

经计算，该用户用电负荷数据的特征矢量为v＝[21.2919.6718.5711.89]。