非侵入式负荷识别方法、装置及计算设备与流程
本申请涉及居民用电监测技术领域，具体而言，涉及一种非侵入式负荷识别方法、装置及计算设备。
背景技术：
随着世界人口的迅速增长导致能源快速消耗，环保节能也是目前能源领域共同追求的目标，其中，居民用电监测技术在国内外都有较广泛的应用和研究，目前的居民用电监测系统主要分为侵入式和非侵入式两大类，非侵入式负荷监测系统由于其安装简单、易于维护、能够识别出电器的种类的优点被广泛推广和使用，但是由于不同电器的有功功率、电流等常用的稳态特征十分接近，导致现有技术中的非侵入式负荷监测系统无法准确的识别出稳态特征接近的不同负载类型。
技术实现要素：
本申请实施例的目的在于提供一种非侵入式负荷识别方法、装置及计算设备，用以改善现有技术中无法准确的识别出稳态特征接近的不同负载类型的问题。
第一方面，本申请实施例提供了一种非侵入式负荷识别方法，所述方法包括：采集目标家庭用电总线上的实时负荷数据，并根据所述实时负荷数据判断所述目标家庭用电总线上是否出现切换事件；若出现所述切换事件，则根据所述实时负荷数据确定与所述切换事件对应的电流和电压，并计算出电压-电流曲线特征向量；根据负荷特征库对所述电压-电流曲线特征向量进行识别，以确定所述切换事件对应的负载类型，其中，所述负荷特征库根据所述目标家庭用电总线上的历史负荷数据确定。
上述方法先根据目标家庭用电总线上的实时负荷数据判断目标家庭用电总线是否出现切换事件，若出现切换事件则根据该实时负荷数据对应的电流和电压计算出电压-电流曲线特征向量，由于电压-电流曲线与负载的阻抗有关，因此能够区分出稳态特征相近的不同电器，从而可以根据电压-电流曲线特征向量以及负荷特征库准确的识别出切换事件对应的负载类型。
可选地，采集目标家庭用电总线上的所述实时负荷数据，并根据所述实时负荷数据判断所述目标家庭用电总线上是否出现切换事件之前，所述方法还包括：获取样本电器库，并检测所述样本电器库中每个电器处于不同工作模式下的负荷数据；根据所述负荷数据建立电压-电流曲线特征数据集；对所述电压-电流曲线特征数据集进行聚类分析，以获取聚类结果；根据所述聚类结果以及所述电压-电流曲线特征数据集确定所述负荷特征库。
由于家庭使用的电器可能有多种，因此在上述实现过程中，可以先根据对多个用户的调研结果获取样本电器库，再检测样本电器库中的每个电器处于不同工作状态时的负荷数据，接着根据负荷数据建立电压-电流曲线特征数据集，最终对电压-电流曲线特征数据集进行聚类分析，以根据聚类分析的结果确定负荷特征库，保证使用该负荷特征库能够准确地识别出目标家庭用电总线上发生切换事件实时的负载类型。
可选地，对所述电压-电流曲线特征数据集进行聚类分析，以获取聚类结果，包括：采用模糊聚类算法对所述电压-电流曲线特征数据集进行聚类分析，以获取所述聚类结果。
由于模糊聚类算法对聚类分析的数据量要求不高，且不需要提前给出定聚类数就可以对电压-电流曲线特征数据集进行聚类分析，并得到最佳的聚类结果，从而可以使根据聚类结果确定的负荷特征库准确的对负载的类型进行识别。
可选地，根据所述聚类结果以及所述电压-电流曲线特征数据集确定所述负荷特征库，包括：判断所述聚类结果是否满足预设条件，若是，则根据所述聚类结果以及所述电压-电流曲线特征数据集确定所述负荷特征库。
由于聚类分析中获取的聚类结果可能不是最佳的聚类结果，此时的聚类效果不好，导致确定出的负荷特征库无法准确的对负荷数据进行识别，因此，可以对聚类结果进行判断，在聚类结果满足预设条件后，再根据聚类结果以及电压-电流曲线特征数据集确定出负荷特征库，从而保证负荷特征库准确的对负载的类型进行识别。
可选地，根据所述负荷数据建立电压-电流曲线特征数据集之前，所述方法还包括：接收用户的请求，所述请求包括所述用户选择的多个家庭电器；根据所述多个家庭电器以及所述样本电器库确定所述负荷数据。
在上述实现过程中，接收用户选择的多个家庭电器的请求，根据用户请求确定负荷数据，可以建立与该用户家庭电器相关性较大的负荷特征库，并准确的对该用户所在家庭进行识别，从而可以根据用户的实际情况建立负荷特征。
可选地，根据负荷特征库对所述电压-电流曲线特征向量进行识别之后，所述方法还包括：将所述电压-电流曲线特征向量存储至指定存储区域；根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，并清空所述存储区域。
根据发生切换事件检测的电压-电流曲线特征向量更新负荷特征库，能够使负荷特征库与目标用户家庭总线上实际使用的家庭电器的情况更匹配，从而可以提高识别的适用性。
可选地，根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，包括：判断所述存储区域中所述电压-电流曲线特征向量的个数是否大于阈值；若所述个数大于阈值，则根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库。
在上述实现过程中，根据存储区域中电压-电流曲线特征向量的个数决定是否对负荷特征库进行更新，可以适当的减少负荷特征库更新次数，提高负荷特征库的稳定性。
可选地，根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，并清空所述存储区域之后，包括：判断更新后的所述负荷特征库中的每个所述电压-电流曲线特征向量与每个聚类中心之间的最小距离是否大于预设距离；若所述最小距离大于所述预设距离，则调整聚类参数并对更新后的所述负荷特征库进行聚类分析，以得到新的所述负荷特征库。
当根据存储区域中的电压-电流曲线特征向量更新了负荷特征库之后，可能会出现负荷特征库中的电压-电流曲线特征向量与相应的聚类中心不匹配的情况，因此可以判断每个电压-电流曲线特征向量与每个聚类中心之间的最小距离是否大于预设距离，再对聚类参数进行调整以获得新的负荷特征库。
可选地，根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，并清空所述存储区域之后，包括：判断更新后的所述负荷特征库中是否存在两个所述聚类中心之间的相关系数超过预设值；若是，则将两个聚类中心所在的两个类融合为一个融合后的类，并确定所述融合后的类的聚类中心，以得到新的所述负荷特征库。
在上述实现过程中，若更新后的负荷特征库中存在两个聚类中心之间的相关系数超过预设值，则说明更新的负荷特征库中出现电压-电流曲线特征向量与相应的聚类中心不匹配的情况，将相关系数过大的两个类融合为一个融合后的类，可以保证得到的新负荷特征库准确的对负载的类型进行识别。
可选地，根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，并清空所述存储区域之后，包括：删除所述更新后的所述负荷特征库中与每个所述聚类中心的距离大于预设距离的所述电压-电流曲线特征向量，以得到新的负荷特征库。
上述方法中更新后的负荷特征库中存在与聚类中心距离大于预设距离的电压-电流曲线特征，影响更新后的负荷特征库对负载的类型进行准确识别，将与聚类中心距离大于预设距离的电压-电流曲线特征删除后，能够保证得到的新的负荷特征库准确识别负载的类型。
可选地，根据所述实时负荷数据确定与所述切换事件对应的电流和电压，并计算出电压-电流曲线特征向量，包括：根据电路叠加原理、交流电相量分析法以及快速傅里叶变换从所述实时负荷数据中计算出与所述切换事件对应的所述电流和所述电压；根据所述电流和所述电压计算电压-电流曲线特征向量。
第二方面，本申请实施例提供了一种非侵入式负荷识别装置，所述装置包括：实时负荷数据采集模块，用于采集目标家庭用电总线上的实时负荷数据，并根据所述实时负荷数据判断所述目标家庭用电总线上是否出现切换事件；电压-电流曲线特征向量计算模块，用于在出现切换事件时，根据所述实时负荷数据确定与所述切换事件对应的电流和电压，并计算出电压-电流曲线特征向量；电压-电流曲线特征向量识别模块，用于根据负荷特征库对所述电压-电流曲线特征向量进行识别，以确定所述切换事件对应的负载类型，其中，所述负荷特征库根据所述目标家庭用电总线上的历史负荷数据确定。
可选地，所述装置还包括：样本电器负荷数据获取模块，用于获取样本电器库，并检测所述样本电器库中每个电器处于不同工作模式下的负荷数据；电压-电流曲线特征数据集建立模块，用于根据所述负荷数据建立电压-电流曲线特征数据集；聚类分析模块，用于对所述电压-电流曲线特征数据集进行聚类分析，以获取聚类结果；负荷特征库确定模块，用于根据所述聚类结果以及所述电压-电流曲线特征数据集确定所述负荷特征库。
可选地，聚类分析模块包括：模糊聚类单元，用于采用模糊聚类算法对所述电压-电流曲线特征数据集进行聚类分析，以获取所述聚类结果。
可选地，负荷特征库确定模块包括：聚类结果判断单元，用于判断所述聚类结果是否满足预设条件。
可选地，所述装置还包括：用户请求接收模块，用于接收用户的请求，所述请求包括所述用户选择的多个家庭电器；负荷数据确定模块，用于根据所述多个家庭电器以及所述样本电器库确定所述负荷数据。
可选地，所述装置还包括：电压-电流曲线特征向量存储模块，用于将所述电压-电流曲线特征向量存储至指定存储区域；负荷特征库更新模块，用于根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库，并清空所述存储区域。
可选地，负荷特征库更新模块包括：电压-电流曲线特征向量判断单元，用于判断所述存储区域中所述电压-电流曲线特征向量的个数是否大于阈值；负荷特征库更新单元，用于在所述个数大于阈值时，根据所述存储区域中每个所述电压-电流曲线特征向量更新所述负荷特征库。
可选地，所述装置还包括：距离判断模块，用于判断更新后的所述负荷特征库中的每个所述电压-电流曲线特征向量与每个聚类中心之间的最小距离是否大于预设距离；聚类模块，用于在所述最小距离大于所述预设距离时，调整聚类参数并对更新后的所述负荷特征库进行聚类分析，以得到新的所述负荷特征库。
可选地，所述装置还包括：相关系数判断模块，用于判断更新后的所述负荷特征库中是否存在两个所述聚类中心之间的相关系数超过预设值；聚类融合模块，用于在所述相关系数超过所述预设值时，将两个聚类中心所在的两个类融合为一个融合后的类，并确定所述融合后的类的聚类中心，以得到新的所述负荷特征库。
可选地，所述装置还包括：电压-电流曲线特征向量删除模块，用于删除所述更新后的所述负荷特征库中与每个所述聚类中心的距离大于预设距离的所述电压-电流曲线特征向量，以得到新的负荷特征库。
可选地，电压-电流曲线特征向量计算模块包括：切换事件负荷计算单元，用于根据电路叠加原理、交流电相量分析法以及快速傅里叶变换从所述实时负荷数据中计算出与所述切换事件对应的所述电流和所述电压；电压-电流曲线特征向量计算单元，用于根据所述电流和所述电压计算电压-电流曲线特征向量。
第三方面，本申请实施例提供一种计算设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种计算设备的结构框图；
图2为本申请实施例提供的一种非侵入式负荷识别方法的流程图；
图3为本申请实施例提供的另一种非侵入式负荷识别方法的流程图；
图4为本申请实施例提供的一种非侵入式负荷识别系统的结构框图；
图5为本申请实施例提供的一种非侵入式负荷识别装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请提供一种非侵入式负荷识别的方法，用于准确的识别出不同电器，非侵入式负荷识别技术在上世纪80年代由麻省理工学院的一位学者提出，目的是为了降低负荷检测识别的硬件成本以便电力公司可以低成本获取具体的电能数据。因为每个电器设备在特定的用电环境，该电器设备的负荷特征信息都是特有的，可以理解为每个电器设备的负荷特征信息相当于基因，因此通过对总负荷信号数据进行分析，并提取信号数据中的负荷特征信息，就可以对信号数据进行分析和识别。非侵入式负荷监测(non-intrusiveloadmonitoring，nilm)装置就是测量总负荷的电压电流等包含了不同负荷特征信息的信号数据，再提取信号数据中的负荷特征信息，实现只需要监测用户所在家庭用电总线上的总负荷，就能够分析用户在使用什么电器的目的。
上述非侵入式负荷识别的方法可以在计算设备中执行，下面请参照图1，图1为本发明实施例提供的一种计算设备的结构示意图，所述计算设备可以包括：至少一个处理器110，例如cpu，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速ram存储器，也可以是非易失性的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，计算设备执行下述图2所示方法过程。
可以理解，图1所示的结构仅为示意，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中，计算设备可以是，但不限于专用检测设备、台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，计算设备也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
图2为本申请实施例提供的一种非侵入式负荷识别方法，该方法中包括如下步骤：
步骤s110：采集目标家庭用电总线上的实时负荷数据，并根据实时负荷数据判断目标家庭用电总线上是否出现切换事件。
例如，可以通过安装在目标家庭用电总线上的数据采集装置采集实时负荷数据，该数据采集装置可以是电压电流采集装置，如型号为pci1706u的研华数据采集卡，该数据采集装置可以以设定的采样频率实时采集用户家庭进店总线上的电压和电流的原始数据，如可以设定在每个电压/电流的周波上采集128个采样点，每秒钟内电压/电流输出50个周波信号，则对应采样频率为50×128＝6.4ksps。
接着，可以对实时负荷数据进行分析判断目标家庭用电总线上是否出现切换事件，该切换事件可以包括负载从工作状态变为关闭状态以及该负载从一个工作模式切换为另一个工作模式等状态的改变，例如，空调从制冷模式变为除湿模式，电视机从待机关闭状态变为开机播放电视节目的状态。由于在一段时间内负载工作状态的改变可以从在该段时间采集到的负荷数据的改变中检测出来，因此一般采用变点识别的方法，根据实时负荷数据判断目标家庭用电总线上是否出现切换事件。
其中，变点识别是统计学中的一个经典分支，变点识别即利用统计量或统计方法将该变点位置估计出来，其中累积和算法(cumulativesumcontrolchart，cusum)是一种属于变点识别的较为先进的统计方法，利用当前的和最近的过程数据来检验过程均值中不大的变化或变异性，cusum算法使用具有代表性的近似数，通过不断累积其偏差，并将微小异动不断放大，从而对系统偏离稳态的情况进行预警，因此，可以通过快速傅里叶变换(fastfouriertransformation，fft)算法对实时负荷数据进行分析，并利用cusum算法对负载是否出现切换事件进行检测。
步骤s120：若出现切换事件，则根据实时负荷数据确定与切换事件对应的电流和电压，并计算出电压-电流曲线特征向量。
示例性地，可以根据电路叠加原理、交流电相量分析法以及快速傅里叶变换从实时负荷数据中计算出与切换事件对应的电流和电压，然后根据电流和电压计算电压-电流曲线特征向量。
例如，对出现切换事件前的采样数据进行fft计算，再根据正弦或余弦函数的三要素可得到对应目标家庭用电总线上的电压ubefore和电流ibefore，其表达式分别如下式所示：
ubefore＝u1cos(ω1t+θ1)+u2cos(ω2t+θ2)+...+uncos(ωnt+θn)
ibefore＝i1cos(ω1t+φ1)+i2cos(ω2t+φ2)+...+incos(ωnt+φn)
其中，un表示出现切换事件前不同用电负载对应的电压，in表示出现切换事件前不同用电负载对应的电流，t表示时间，ωn表示不同用电负载对应的基波频率，θn表示出现切换事件前不同用电负载对应电压的相角，φn表示出现切换事件前不同用电负载对应电流的相角，其中的基波频率可以为我国用电系统频率，基波频率值为50hz，在本申请实施例中只考虑负荷数据中的基波信号。
同理地，对出现切换事件后的采样数据进行fft计算，再根据正弦或余弦函数的三要素可得到对应目标家庭用电总线上的电压uafter和电流iafter，其表达式分别如下式所示：
uafter＝u'1cos(ω1t+θ'1)+u'2cos(ω2t+θ'2)+...+u'ncos(ωnt+θ'n)
iafter＝i'1cos(ω1t+φ'1)+i'2cos(ω2t+φ'2)+...+i'ncos(ωnt+φ'n)
其中，u'n表示出现切换事件后不同用电负载对应的电压，i'n表示出现切换事件后不同用电负载对应的电流，t表示时间，ωn表示不同用电负载对应的基波频率，θ'n表示出现切换事件后不同用电负载对应电压的相角，φ'n表示出现切换事件后不同用电负载对应电流的相角。
用相量表示法表示出现切换事件前后稳态时目标家庭用电总线的基波电压和电流的关系式分别为：
其中，
然后根据ubefore以及uafter可以计算得到
步骤s130：根据负荷特征库对电压-电流曲线特征向量进行识别，以确定切换事件对应的负载类型。
若计算出的电压-电流曲线特征向量与负荷特征库中的某一已知负载类型的工作模式相同的电压-电流曲线特征向量相匹配，则可以确定出现切换事件对应的电压-电流曲线特征向量为该已知负载类型的工作模式，例如，已知负荷特征库中空调的制冷模式工作时对应的电压-电流曲线特征向量为a，以及暖风扇的在最大档工作时对应的电压-电流曲线特征向量为b，而检测到出现切换事件对应的负荷数据对应的电压-电流曲线特征向量为b'，其中，b'与b可以是相等的，也可以是其差值处于预设范围内，则可以确定该切换事件为暖风扇切换为最大档工作的状态。
上述方法先根据负荷特征库以及目标家庭用电总线上的实时负荷数据判断目标家庭用电总线是否出现切换事件，若出现切换事件则根据该实时负荷数据对应的电流和电压计算出电压-电流曲线特征向量，由于电压-电流曲线特征向量与负载的阻抗有关，因此能够区分出稳态特征相近的不同电器，从而可以根据电压-电流曲线特征向量以及负荷特征库准确的识别出切换事件对应的负载类型。
其中，负荷特征库根据目标家庭用电总线上的历史负荷数据确定。例如，可以先对某一目标家庭用电总线上一段时间的历史负荷数据进行采集，然后根据采集到历史负荷数据建立电压-电流曲线特征数据集，并对上述电压-电流曲线特征数据集进行聚类分析，根据聚类分析的结果确定出负荷特征库。
图3为本申请实施例提供的另一种非侵入式负荷识别方法的流程图，当出现切换事件需要根据到的采集目标家庭用电总线上的实时负荷数据计算电压-电流曲线特征向量，并对电压-电流曲线特征向量进行负荷识别，其中，在进行负荷识别时所用的负荷特征库可以采用下面的步骤确定：
步骤s140：获取样本电器库，并检测样本电器库中每个电器处于不同工作模式下的负荷数据。
步骤s150：根据负荷数据建立电压-电流曲线特征数据集。
步骤s160：对电压-电流曲线特征数据集进行聚类分析，以获取聚类结果。
聚类分析是将分类对象置于一个多维空间中，按照它们空间关系的亲疏程度进行分类，通俗的讲，聚类分析就是根据事物彼此不同的属性进行辨认，将具有相似属性的事物聚为一类，使得同一类的事物具有高度的相似性，通过聚类分析的方式，可以实现仅需要较少量的样本数据就可以得到类间元素的同质性最大化以及类与类间元素的异质性最大化的聚类结果。
其中，在对电压-电流曲线特征数据集进行聚类分析时，可以根据不同的需求采用聚类分析中常用的几种不同的方法，如系统聚类法、k-均值法、k-中心点法、模糊聚类法等。示例性地，由于模糊聚类法可以把没有类别标记的样本数据按照某种未知的准则划分为若干子集，并使样本数据中相似的样本数据尽可能的归于一类，而把差异较大的样本划分到不同的类中，能够更客观的对样本数据进行反应，因此，本申请中可以采用模糊聚类算法对电压-电流曲线特征数据集进行聚类分析，以获取聚类结果。由于模糊聚类算法对聚类分析的数据量要求不高，且不需要提前给出定聚类数就可以对电压-电流曲线特征数据集进行聚类分析，并得到最佳的聚类结果，从而可以使根据聚类结果确定的负荷特征库准确的对负载的类型进行识别。
步骤s170：根据聚类结果以及电压-电流曲线特征数据集确定负荷特征库。
由于对电压-电流曲线特征数据集进行聚类分析，并获取聚类结果，该聚类结果包括的多个类之间具有较明显的差异化，因此通过聚类结果以及电压-电流曲线特征数据集确定负荷特征库，可以准确的对其他电压-电流曲线特征向量进行识别。
例如，在针对某一地区的用户所在家庭用电总线上的非侵入式负荷识别系统确定负荷特征库时，可以对该地区的用户家庭常用电器负载进行调查统计，并得到常用的电器负载种类或者常用的电器负载种类及品牌，得到样本电器库，然后对样本电器库中的每一类型或者品牌的样本电器都进行负荷数据的检测，可以将每个样本电器置于额定居民用电环境下，如，我国居民用电环境为电压220v以及频率50hz，对每个样本电器的工作状态进行改变，检测其处于不同工作状态的负荷数据，例如，某一输入功率为3匹的a品牌中央空调，也就是输入功率为6972w左右，将该a品牌中央空调分别置于三种不同的工作模式进行测量得到三种负荷数据，再分别对三种负荷数据进行分析得到电压-电流曲线特征向量，最后通过聚类分析得到三种聚类结果，其中，每个聚类结果中包括一种a品牌中央空调的工作模式对应的电压-电流曲线特征向量。
可选地，根据聚类结果以及电压-电流曲线特征数据集确定负荷特征库时，可以先判断聚类结果是否满足预设条件，并在聚类结果满足预设条件时，根据聚类结果以及电压-电流曲线特征数据集确定负荷特征库，可以使用用于表示聚类结果识别率的值来判断聚类结果是否满足预设条件，如，可以根据得到的聚类结果对测试数据进行识别，并根据识别结果得到识别率，来判断聚类结果是否满足预设条件，此外还可以通过聚类结果的相关参数来判断聚类结果是否满足预设条件，例如，对电压-电流曲线特征数据集进行聚类分析可以得到三个聚类结果，其中存在两个聚类结果之间的相关系数为85％，而预设条件中则规定任意两个聚类结果之间的相关系数不能超过75％，则可以判断此次聚类分析的聚类结果会导致识别不准确，因此，可以通过调整预设聚类参数，重新对电压-电流曲线特征数据集进行聚类，直到聚类结果满足预设条件，也就是任意两个聚类结果之间的相关系数不能超过75％时，可以根据聚类结果以及电压-电流曲线特征数据集确定负荷特征库。
示例性地，可以使用如下步骤对聚类结果进行确认过程：第一步，将获取的样本负荷数据中的一部分数据作为训练数据，并对训练数据进行聚类，以得到聚类结果，第二步，检测第一步中得到的聚类结果是否满足条件，例如，检测第一步得到的聚类结果中各聚类中心之间的相关系数，当任意两个聚类中心点之间相关系数不超过75％时，则可以进行第三步，否则，则改变聚类参数并返回第一步重新进行聚类，第三步，将获取的样本负荷数据中的另一部分数据作为测试数据，利用测试数据对聚类结果进行检测，如，利用聚类结果对测试数据进行识别，以检测聚类结果识别的准确性，若准确性满足预设条件，则可以利用该聚类结果构建负荷特征库，实现对负荷的准确识别，若检测聚类结果识别的准确性不满足预设条件，则改变聚类参数并返回第一步重新进行聚类，从而保证得到的聚类结果可以构建识别准确率高的负荷特征库。
可以将根据样本电器库确定的负荷特征库上传至云端服务器，以供各个家庭所采用的非侵入式负荷识别方法使用或者更新，如，某一新搬迁到某地区的用户可以从云端服务器中获取负荷特征库，用于对该用户所在家庭用电总线上进行非侵入式负荷识别，此外，若云端服务器中的负荷特征库进行了更新，用户同样可以从云端服务器中获取更新后的负荷特征库，并根据更新后的负荷特征库对该用户所在家庭正在使用的负荷特征库进行更新或者替换。
由于聚类分析中获取的聚类结果可能针对实际情况而言并不是最佳的聚类结果，此时的聚类效果不好，导致确定出的负荷特征库无法准确的对负荷数据进行识别，因此，可以对聚类结果进行判断，在聚类结果满足预设条件后，再根据聚类结果以及电压-电流曲线特征数据集确定出负荷特征库，从而保证负荷特征库准确的对负载的类型进行识别。
家庭使用的电器可能有多种，因此在上述实现过程中，可以先根据对多个用户的调研结果获取样本电器库，再检测样本电器库中的每个电器处于不同工作状态时的负荷数据，接着根据负荷数据建立电压-电流曲线特征数据集，最终对电压-电流曲线特征数据集进行聚类分析，以根据聚类分析的结果确定负荷特征库，保证使用该负荷特征库能够准确地识别出目标家庭用电总线上发生切换事件实时的负载类型。
作为一种实施方式，还可以采用与用户之间进行交互的方式确定负荷特征库，如，先接收用户的请求，该请求包括用户选择的多个家庭电器。根据用户选择的多个家庭电器以及样本电器库确定负荷数据。例如，可以从样本电器库中查找与用户选择相匹配的多个家庭电器，并获取多个家庭电器对应的负荷数据，然后建立电压-电流曲线特征数据集，结果对电压-电流曲线特征数据集进行聚类分析，以获取聚类结果，最终根据聚类结果确定与该用户选择的多个家庭电器一致的负荷特征库，还可以根据用户选择的多个家庭电器从根据样本电器库确定的负荷特征库中查找相应的电压-电流曲线特征向量，并重新确定出一个新的负荷特征库。
在上述实现过程中，接收用户选择的多个家庭电器的请求，根据用户请求确定负荷数据，可以建立与该用户家庭电器相关性较大的负荷特征库，并准确的对该用户所在家庭进行识别，从而可以根据用户的实际情况建立负荷特征。
当确定出负荷特征库后，可以在用户使用的过程中根据用户实际使用的情况对负荷特征库进行更新，以保证负荷特征库能够准确的识别出随着长时间使用导致老化的负载电器，还可以保证负荷特征库能够准确的识别出该用户家庭中新增的新电器。
例如，可以将出现切换事件对应的电压-电流曲线特征向量存储至指定存储区域，然后根据存储区域中每个电压-电流曲线特征向量更新负荷特征库，同时清空存储区域，防止数据重复使用导致更新后的负荷特征库准确率降低。根据发生切换事件检测的电压-电流曲线特征向量更新负荷特征库，能够使负荷特征库与目标用户家庭总线上实际使用的家庭电器的情况更匹配，从而可以提高识别的适用性。
下面结合图4对本申请提供的一种具体实施例进行说明，图4为本申请实施例提供的一种非侵入式负荷识别系统的结构框图，其中数据采集和处理模块用于采集目标家庭用电总线上的实时负荷数据，并对负荷数据进行处理，判断出该实时负荷数据是否出现切换事件，若出现切换事件，该数据采集和处理模块还用于根据实时负荷数据确定与切换事件对应的电流和电压，并计算出电压-电流曲线特征向量，当数据采集和处理模块计算出出现切换事件对应的电压-电流曲线特征向量后，将电压-电流曲线特征向量分别送至负荷识别模块以及负荷特征库建立模块，其中，负荷特征库建立模块可以用于根据对样本电器库检测到的负荷数据确定负荷特征库，也可以根据目标家庭用电总线上的历史负荷数据确定负荷特征库，其中确定负荷特征库的过程与上述方法中的一致，此处不作赘述，荷特征库建立模块确认出的负荷特征库被送至负荷识别模块，以使负荷识别模块可以根据该负荷特征库对数据采集和处理模块计算出出现切换事件对应的电压-电流曲线特征向量进行识别，负荷识别模块还可以将识别的结果发送给用户交互模块，该用户交互模块可以是移动客户端或者网页客户端，便于用户进行查看，同时，用户可以在用户交互模块对识别结果进行确认，例如，若负荷识别模块识别出来的识别结果经用户确认发现有误，则用户可以在用户交互模块中对识别结果进行修改，并将修改后的识别结果发送至负荷识别模块，此时，负荷识别模块可以根据修改后的识别结果以及负荷特征库反识别出对应的电压-电流曲线特征向量，以使负荷特征库建立模块对负荷特征库进行修正，也就是根据负荷识别模块可以根据修改后的识别结果以及负荷特征库反识别出对应的电压-电流曲线特征向量对负荷特征库进行更新。此外，用户交互模块可以用于将用户选择的多个电器请求发送至负荷特征库建立模块，以使负荷特征库建立模块根据用户的需求建立出负荷特征库。
可以设定一定的条件根据存储区域中每个电压-电流曲线特征向量更新负荷特征库，例如：判断存储区域中电压-电流曲线特征向量的个数是否大于阈值，若个数大于阈值，则根据存储区域中每个电压-电流曲线特征向量更新负荷特征库。通过对存储区域中电压-电流曲线特征向量的个数的判断可以避免存储区域中每出现一个电压-电流曲线特征向量，就需要对负荷特征库进行一次更新，导致负荷特征库更新维护成本提高以及可能由于偶然性切换事件导致更新后的负荷特征库识别准确率下降。
在上述实现过程中，根据存储区域中电压-电流曲线特征向量的个数决定是否对负荷特征库进行更新，可以适当的减少负荷特征库更新次数，提高负荷特征库识别的准确度以及稳定性。此外，还可以设定为经过一段时间就根据存储区域中每个电压-电流曲线特征向量对负荷特征库进行更新，如，可以设定为每个季度更新一次负荷特征库，也可以提高负荷特征库识别的准确度以及稳定性。
当根据存储区域中的电压-电流曲线特征向量更新了负荷特征库之后，可能会出现负荷特征库中的电压-电流曲线特征向量与相应的聚类中心不匹配的情况，因此本申请实施例提供了以下三种方式对更新后的负荷特征库进行调整的方式。
第一种方式可以判断更新后的负荷特征库中的每个电压-电流曲线特征向量与每个聚类中心之间的最小距离是否大于预设距离，若最小距离大于预设距离，则调整聚类参数并对更新后的负荷特征库进行聚类分析，以得到新的负荷特征库。
当每个电压-电流曲线特征向量与每个聚类中心之间的最小距离大于预设距离时，则可以调整预设聚类参数，比如，可以增加聚类簇数cluster的值设定模糊c均值聚类的参数，或者可以按照之前预设聚类参数中规定的聚类簇数cluster的值设定模糊c均值聚类的参数，然后对更新后的负荷特征库中的所有电压-电流曲线特征向量重新进行聚类分析，并根据重新聚类分析的聚类结果调整更新后的负荷特征库，得到包括新的聚类中心的新的负荷特征库。
第二种方式可以判断更新后的负荷特征库中是否存在两个聚类中心之间的相关系数超过预设值，若更新后的负荷特征库中存在两个聚类中心之间的相关系数超过预设值，则将两个聚类中心所在的两个类融合为一个融合后的类，并确定融合后的类的聚类中心，以得到新的负荷特征库。例如，设定负荷特征库中的任意两个聚类中心的相关系数不能超过设定上限阈值，如75％，若两个聚类中心的相关系数为80％，则可以将这两个聚类中心所在的两个类融合为一个融合后的类，并调整聚类参数对融合后的类进行聚类分析，确定出融合后的类的聚类中心。
第三种方式可以删除更新后的负荷特征库中与每个聚类中心的距离大于预设距离的电压-电流曲线特征向量，以得到新的负荷特征库。若更新后的负荷特征库中存在电压-电流曲线特征向量与其对应的聚类中心的距离大于预设距离，则可能会导致使用该负荷特征库进行识别的准确率不高，因此，可以删除与其对应的聚类中心的距离大于预设距离的电压-电流曲线特征向量，保证负荷特征库能够准确的进行识别。
基于同一发明构思，本申请实施例中还提供一种非入侵式负荷识别装置200，请参看图5，图5为本申请实施例提供的一种非入侵式负荷识别装置200的结构框图。该装置可以是计算设备上的模块、程序段或代码。应理解，该非入侵式负荷识别装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该非入侵式负荷识别装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，该非入侵式负荷识别装置200包括：
实时负荷数据采集模块210，用于采集目标家庭用电总线上的实时负荷数据，并根据实时负荷数据判断目标家庭用电总线上是否出现切换事件。
电压-电流曲线特征向量计算模块220，用于在出现切换事件时，根据实时负荷数据确定与切换事件对应的电流和电压，并计算出电压-电流曲线特征向量。
电压-电流曲线特征向量识别模块230，用于根据负荷特征库对电压-电流曲线特征向量进行识别，以确定切换事件对应的负载类型。
其中，负荷特征库根据目标家庭用电总线上的历史负荷数据确定。
可选地，该非入侵式负荷识别装置200还包括：
样本电器负荷数据获取模块，用于获取样本电器库，并检测样本电器库中每个电器处于不同工作模式下的负荷数据。
电压-电流曲线特征数据集建立模块，用于根据负荷数据建立电压-电流曲线特征数据集。
聚类分析模块，用于对电压-电流曲线特征数据集进行聚类分析，以获取聚类结果。
负荷特征库确定模块，用于根据聚类结果以及电压-电流曲线特征数据集确定负荷特征库。
可选地，聚类分析模块包括：
模糊聚类单元，用于采用模糊聚类算法对电压-电流曲线特征数据集进行聚类分析，以获取聚类结果。
可选地，负荷特征库确定模块包括：
聚类结果判断单元，用于判断聚类结果是否满足预设条件。
可选地，非入侵式负荷识别装置200还包括：
用户请求接收模块，用于接收用户的请求，请求包括用户选择的多个家庭电器。
负荷数据确定模块，用于根据多个家庭电器以及样本电器库确定负荷数据。
可选地，非入侵式负荷识别装置200还包括：
电压-电流曲线特征向量存储模块，用于将电压-电流曲线特征向量存储至指定存储区域。
负荷特征库更新模块，用于根据存储区域中每个电压-电流曲线特征向量更新负荷特征库，并清空存储区域。
可选地，负荷特征库更新模块包括：
电压-电流曲线特征向量判断单元，用于判断存储区域中电压-电流曲线特征向量的个数是否大于阈值。
负荷特征库更新单元，用于在个数大于阈值时，根据存储区域中每个电压-电流曲线特征向量更新负荷特征库。
可选地，非入侵式负荷识别装置200还包括：
距离判断模块，用于判断更新后的负荷特征库中的每个电压-电流曲线特征向量与每个聚类中心之间的最小距离是否大于预设距离。
聚类模块，用于在最小距离大于预设距离时，调整聚类参数并对更新后的负荷特征库进行聚类分析，以得到新的负荷特征库。
可选地，非入侵式负荷识别装置200还包括：
相关系数判断模块，用于判断更新后的负荷特征库中是否存在两个聚类中心之间的相关系数超过预设值。
聚类融合模块，用于在相关系数超过预设值时，将两个聚类中心所在的两个类融合为一个融合后的类，并确定融合后的类的聚类中心，以得到新的负荷特征库。
可选地，非入侵式负荷识别装置200还包括：
电压-电流曲线特征向量删除模块，用于删除更新后的负荷特征库中与每个聚类中心的距离大于预设距离的电压-电流曲线特征向量，以得到新的负荷特征库。
可选地，电压-电流曲线特征向量计算模块包括：
切换事件负荷计算单元，用于根据电路叠加原理、交流电相量分析法以及快速傅里叶变换从实时负荷数据中计算出与切换事件对应的电流和电压。
电压-电流曲线特征向量计算单元，用于根据电流和电压计算电压-电流曲线特征向量。
本申请实施例提供一种可读取存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中计算设备所执行的方法过程。
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，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本申请实施例提供一种非侵入式负荷识别方法、装置及计算设备，该非侵入式负荷识别方法先根据目标家庭用电总线上的实时负荷数据判断目标家庭用电总线是否出现切换事件，若出现切换事件则根据该实时负荷数据对应的电流和电压计算出电压-电流曲线特征向量，由于电压-电流曲线特征向量与负载的阻抗有关，因此能够区分出稳态特征相近的不同电器，从而可以根据电压-电流曲线特征向量以及负荷特征库准确的识别出切换事件对应的负载类型。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！