一种非侵入式负荷监测与辨识方法及系统与流程

[0001]
本发明涉及智能负荷辨识技术领域，尤其涉及一种非侵入式负荷监测与辨识方法及系统。


背景技术：

[0002]
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
[0003]
长期以来，由于自然资源过度开发使用，人与自然的矛盾冲突日渐加剧，能源短缺问题越来越成为阻碍经济社会发展的重要因素。大力发展智能用电技术对于缓解能源短缺问题的有着积极作用，提升电力负荷监测技术水平是发展智能用电技术、构建智能电网的重要环节。这项技术不仅有助于用户全面直观了解个人用电情况，合理安排家用电器的使用时间，还能够为发电厂提供更为经济高效的发电策略，提供优质电能，同时还能够为供电公司科学评估用电设备工作状态、分析用电设备使用规律提供参考，促使供电公司合理科学地进行供电调控，进而降低输电线路电能损耗，提高整个电网的电能利用率。
[0004]
目前，负荷监测技术主要分为侵入式和非侵入式两种。传统的侵入式负荷监测(ilm)技术需要进入用户家里改造输电线路，在输电线路中安装大量的负荷监测装置，这样做既会导致高昂的经济成本，又得不到用户的认可。而非侵入式负荷监测(nilm)技术只需要在电力入户端口安装一个总的负荷监测装置，这种监测方式能很好地获取用电器的工作数据而又不会出现侵入式负荷监测(ilm)所带来的负面问题。
[0005]
检索发现，目前非侵入式负荷识别方法大多数是基于暂态特征，这些方法需要价格昂贵的高频采样设备，而且信号受噪声影响大，无法做到经济、可靠、高效地负荷识别。


技术实现要素：

[0006]
为了解决上述问题，本发明提出了一种非侵入式负荷监测与辨识方法及系统，以用电器的有功功率这一稳态特征作为负荷特征，将实时监测到的数据与数据库中的训练样本进行匹配，从而辨识出不同电负荷对应的用电器。
[0007]
在一些实施方式中，采用如下技术方案：
[0008]
一种非侵入式负荷监测与辨识方法，包括：
[0009]
获取设定时间段内的待测负荷正常工作时的有功功率数据，并进行滤波处理；
[0010]
提取出滤波后的有功功率的最大值待测数据的最大值，将提取出的最大值和滤波前有功功率有效值作为二维空间下的负荷特征；
[0011]
构建训练样本负荷特征库，采用k-nn算法对所述负荷特征进行聚类分区，完成待测电力负荷的辨识。
[0012]
在另一些实施方式中，采用如下技术方案：
[0013]
一种非侵入式负荷监测与辨识系统，包括：
[0014]
数据获取模块，用于获取设定时间段内的待测负荷正常工作时的有功功率数据，
并进行滤波处理；
[0015]
负荷特征提取模块，用于提取出滤波后的有功功率的最大值待测数据的最大值，将提取出的最大值和滤波前有功功率有效值作为二维空间下的负荷特征；
[0016]
负荷辨识模块，用于构建训练样本负荷特征库，采用k-nn算法对所述负荷特征进行聚类分区，完成待测电力负荷的辨识。
[0017]
在另一些实施方式中，采用如下技术方案：
[0018]
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的非侵入式负荷监测与辨识方法。
[0019]
在另一些实施方式中，采用如下技术方案：
[0020]
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的非侵入式负荷监测与辨识方法。
[0021]
与现有技术相比，本发明的有益效果是：
[0022]
(1)本发明通过低频采样设备对用电器的能耗进行智能化的监测，利用后台服务器对监测到的电力负荷数据进行计算分析，使用k-nn算法对电力负荷数据进行分类与辨识，从而为用户在低能耗的前提下更高能效地使用电能提供参考，达到节约电能的目的。
[0023]
(2)本发明以有功功率作为负荷特征，不需要考虑电压、电流波形的峰值、均值、标准差以及相互轨迹等相关属性，从而规避了回归分析、轨迹计算、傅里叶变换、朴素贝叶斯算法等计算量较大的复杂算法，只需要占用较少的计算资源，降低了算法运行的时间，对服务器的要求较低，也不会有过多功耗的产生，保证了经济性和高效性。
[0024]
(3)本发明引入了二维空间下的向量来保存负荷特征，以此减少数据的重合程度，减小负荷识别时的误判率。
[0025]
(4)本发明经过滤波模块后的样本波形能够有较好改善，能大幅度减少噪声的影响，这在后期计算的过程中，就减小了误差出现的可能性，从而提高了算法的准确性和稳定性。
附图说明
[0026]
图1为本发明实施例中非侵入式负荷监测与辨识方法的总体流程图；
[0027]
图2为本发明实施例中训练样本负荷特征库建立示意图；
[0028]
图3为本发明实施例中测试样本负荷特征库建立示意图；
[0029]
图4为本发明实施例中负荷识别算法过程图。
具体实施方式
[0030]
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0031]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]
实施例一
[0033]
在一个或多个实施方式中，公开了一种非侵入式负荷监测与辨识方法，包括：
[0034]
获取设定时间段内的待测负荷正常工作时的有功功率数据，并进行滤波处理；
[0035]
提取出滤波后的有功功率的最大值待测数据的最大值，将提取出的最大值和滤波前有功功率有效值作为二维空间下的负荷特征；
[0036]
构建训练样本负荷特征库，采用k-nn算法对所述负荷特征进行聚类分区，完成待测电力负荷的辨识。
[0037]
具体地，参照图1，本实施例方法包括负荷监测、负荷特征库的构建和负荷辨识三大部分，以对构建的测试样本负荷特征进行辨识为例，具体包括如下步骤：
[0038]
步骤1：对不同用电器正常工作时的有功功率连续监测，选取数据点相对集中的部分作为训练数据集，利用matlab将数据绘制在同一个页面，便于训练数据集的可视化分析；
[0039]
步骤2：如图2所示，提取训练数据的最大值，分别将提取出的有功功率最大值和原始各训练数据作为负荷特征建立二维空间下的训练样本，构建训练样本负荷特征库；
[0040]
建立训练样本时，创建1000
×
2的二维向量，二维向量的第一列存放有功功率数据的最大值，二维向量的第二列存放原始的有功功率数据。这个二维向量，即为训练样本，一共有八个训练样本，对应不同的负荷类别，这八个训练样本组成了训练样本负荷特征库。
[0041]
步骤3：对要测试到的负荷数据进行预处理，求出测试数据集的有效值，并绘制出该待测数据集的折线图，便于测试数据集可视化分析；
[0042]
步骤4：对测试数据进行算法滤波，过滤掉异常数据，即滤除掉因噪声产生的过大数据或者因输电线路电压波动带来的不稳定数据，用有效值代替之；
[0043]
步骤5：如图3所示，构建测试样本负荷特征库，提取出滤波后的有功功率的最大值，将提取出的最大值和滤波前有功功率有效值(即原始有功功率数据)作为负荷特征，建立二维空间下的测试样本；
[0044]
测试数据集的有效值为：
[0045][0046]
其中，x
rms
为有效值，x
i
为不同的数据，n为数据个数，i＝1,2,...,n。
[0047]
步骤6：采用k-nn算法对测试样本聚类分区，进行负荷识别，即根据训练样本中电力负荷数据，对测试样本数据分别与不同类别训练样本数据的空间距离进行计算，得出近邻值；
[0048]
为表示模型空间中数据之间的关系，本发明使用二维空间下的欧氏距离作为模型向量空间距离，具体为：
[0049][0050]
其中，(x1，y1)、(x2，y2)为二维空间中的任意两个数据点，s即为数据点(x1，y1)与数据点(x2，y2)之间的欧氏距离，即邻近值。
[0051]
步骤7：通过比较数值最小的前k个近邻值所属的类别，判断所述负荷特征的类别，
完成电力负荷的辨识；具体为：
[0052]
近邻值为不同类别的训练样本分别与待测负荷数据计算得出的空间距离；
[0053]
对所有的近邻值进行排列，选取数值最小的前k个近邻值；
[0054]
判断前k个近邻值所属的类别，属于某一类别数量最多的近邻值对应的类别，即为待测负荷所属的类别。
[0055]
负荷识别的过程如图4所示，建立负荷特征库时，使用repmat函数把训练样本和测试样本都拓展成了1000
×
2维的矩阵，这是因为考虑到了数据计算时的维度问题。
[0056]
利用k-nn算法分别计算并比较测试样本负荷特征库中每个数据点与训练样本负荷特征库中数据点的距离。
[0057]
定义变量distance存放距离，定义返回值num1到num8来表示不同类别用电设备。
[0058]
判断各个返回值的和sum与设定的超参数值k的大小，当sum大于k时，跳出判断。
[0059]
近邻值是八个类别的训练样本分别与测试样本计算得出的空间距离，因此近邻值属于八个类别。
[0060]
把所有的近邻值按照由小到大的顺序依次排列，选取数值最小的前k个近邻值。在这k个近邻值中，返回值num1为属于第一类近邻值的近邻值的个数，返回值num2为属于第二类近邻值的近邻值的个数，返回值num3、num4、num5、num6、num7、num8同理。返回值num最大者对应的类别即为测试样本的类别。
[0061]
本实施例中，使用class函数识别测试样本的类别，返回值num1到num8中最大者对应的训练样本类别即为测试样本类别。
[0062]
class函数是用来找出num1到num8中的最大者并且输出返回值的种类，输出格式为阿拉伯数字1到8。
[0063]
返回值是通过一个for循环计算得到的。
[0064]
返回值num1、num2、num3、num4、num5、num6、num7、num8与八个类别的训练样本一一对应。
[0065]
本发明实施例使用k-nn算法进行数据分类；一方面，k-nn算法比较适用于训练样本容量比较大的类域的自动分类，针对本模型训练样本空间中的大量数据，与其他方法相比，k-nn算法更为适合；另一方面，k-nn算法主要依靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属的类别，因此对于有交叉或重叠部分的测试样本集来说，k-nn算法可以保证一个较低的误差出现率。
[0066]
实施例二
[0067]
在一个或多个实施方式中，公开了一种非侵入式负荷监测与辨识系统，包括：
[0068]
数据获取模块，用于获取设定时间段内的待测负荷正常工作时的有功功率数据，并进行滤波处理；
[0069]
负荷特征提取模块，用于提取出滤波后的有功功率的最大值待测数据的最大值，将提取出的最大值和滤波前有功功率有效值作为二维空间下的负荷特征；
[0070]
负荷辨识模块，用于构建训练样本负荷特征库，采用k-nn算法对所述负荷特征进行聚类分区，完成待测电力负荷的辨识。
[0071]
需要说明的是，上述模块的具体实现方式采用实施例一中公开的方法，此处不再赘述。
[0072]
实施例三
[0073]
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的非侵入式负荷监测与辨识方法。为了简洁，在此不再赘述。
[0074]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0075]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0076]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
[0077]
实施例一中的非侵入式负荷监测与辨识方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0078]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0079]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。