【
技术领域：
：】本发明涉及电力
技术领域：
：，尤其涉及一种非侵入式电力负荷分解方法、装置、设备及介质。
背景技术：
：：随着电力体制改革、能源革命的推进，以及云计算、能源互联网、大数据、人工智能等相关科技不断进步，未来能源行业的新模式都将随之不断出现。其中，高级测量体系(advancedmeteringinfrastructure，ami)能够测量、存储、收集和分析用户的用电信息，ami能够通过广域通信网络将用户和电力公司联系起来，为以后的智能电网，配电智能化奠定基础。通过对ami提供的用户的用电数据进行分析，是提高电能利用率和电能管理的基础。基于ami提供的用电数据，进一步对用电负荷进行分解、识别归类。进而对电能的消耗情况进行分项统计，用户可以根据分项统计的数据，清楚的知道电量用在哪些设备上及其占比情况，能够更加有效的管理用电行为，提高电能利用率。非侵入式负荷分解是指在电力入口处安装一个传感器，不改变用户现有的电路结构，利用智能电表采集到的数据信息进行分析，实现用户内部用电设备的用电设备种类、用电设备分项耗电量监测的目的，即可得到该总线上所有用电设备的用电量数据信息。采用非侵入式负荷分解方法，在入户端加一个传感器即可实现负荷分解，因此成本低，且对用户的电路结构影响小，易于向各个用电领域推广，安装方便。研究非侵入式负荷分解，对整个社会都有积极意义。对用户而言，可以知道单独某个设备在不同时段的耗电量，因此对如何节能、减少用电量有很大的帮助，研究表明，在无价格激励的情况下，若用户知道各个设备的耗电量信息，平均可以节能12％，在有电网实时电价等其他附加信息的情况下，节能可以达到20％；对电网公司而言，通过分项计量统计，能够知道负荷种类甚至是某个单独的用户的用电量信息，有助于获得各行各业负荷的构成与用电模式等特征，从而可以更准确地从空间和时间尺度对负荷密度及负荷总量进行预测，有助于智能电网的应用及电网的经济高效运行；对全社会，通过非侵入式负荷分解，能够为社会相关人员提供用电设备真实的用电量数据等信息，推动高能效设备的研发，从而降低能源的消耗与碳排放，节能减排，促进可持续发展。现有技术中的非侵入式电力负荷分解方法，大多采用如下方式：将电流总和与时间变量作为神经网络模型的输入层变量，并将各用电设备的工作状态作为输出层变量，根据电流总和与时间变量利用神经网络模型确定监测时间段内各用电设备的工作状态，需要对神经网络模型进行训练，并且对于同一时间段内多个用电设备同时发生状态转换的识别准确率不高。技术实现要素：本发明的目的在于提供一种非侵入式电力负荷分解方法、装置、设备及介质，以解决现有技术中对于同一时间段内多个用电设备同时发生状态转换的识别准确率不高的技术问题。本发明的第一方面：提供一种非侵入式电力负荷分解方法，包括：获取目标用户的负荷监测数据，其中，所述负荷监测数据包括各用电设备在监测时间内的电气量总和；利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取状态转换事件的开始时间和稳态时间；根据所述开始时间和所述稳态时间之间的负荷监测数据获取所述状态转换事件的负荷特征向量；利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合，将所述最优组合作为所述状态转换事件的负荷分解结果，其中，所述负荷特征库中包括所述目标用户的不同用电设备的不同状态转换的标准负荷特征向量，所述最优组合中包括至少一个所述标准负荷特征向量。可选地，所述利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取所述状态转换事件的开始时间和稳态时间之前，还包括：以召回率函数和精确率函数作为目标函数，根据所述目标用户在历史监测时间段的历史负荷监测数据以及所述历史监测时间段的真实状态转换事件对所述滑动窗双边cusum事件检测算法进行基于nsga-ii算法的多目标优化计算，得到帕累托最优解集；根据熵权双基点法分别计算所述帕累托最优解集中每个帕累托最优解的相对贴近度，将所述相对贴近度最大的帕累托最优解作为折中最优解；根据所述折中最优解对应的参数组合对所述滑动窗双边cusum事件检测算法进行参数优化。可选地，所述以召回率函数和精确率函数作为目标函数，根据所述目标用户的历史负荷监测数据以及所述历史监测时间段的真实状态转换事件对所述滑动窗双边cusum事件检测算法进行基于nsga-ii算法的多目标优化计算，得到帕累托最优解集，包括：获取目标用户在历史监测时间段的历史负荷监测数据以及所述历史监测时间段的真实状态转换事件；以平均值计算窗长度、事件过程检测窗长度、功率稳态波动量以及阈值构建参数组合方案集；利用不同参数组合方案的滑动窗双边cusum事件检测算法对所述历史负荷监测数据进行状态转换事件检测，得到所述历史监测时间段的预测状态转换事件；根据所述历史监测时间段的真实状态转换事件以及所述历史监测时间段的预测状态转换事件分别计算每个参数组合方案对应的精确率和召回率，获取目标函数结果集合；基于nsga-ii算法，根据所述目标函数结果集合获取所述帕累托最优解集。可选地，所述帕累托最优解集中的每个帕累托最优解包括召回率值和精确率值，所述根据熵权双基点法分别计算所述帕累托最优解集中每个帕累托最优解的相对贴近度，将所述相对贴近度最大的帕累托最优解作为折中最优解，包括：获取所述帕累托最优解集中每个召回率值的第一熵权，所述第一熵权用于表征不同的召回率值之间的差异；获取所述帕累托最优解集中每个精确率值的第二熵权，所述第二熵权用于表征不同的精确率值之间的差异；根据每个所述召回率值与对应所述第一熵权的乘积计算每个所述召回率值对应的召回率熵权值；根据每个所述精确率值与对应所述第二熵权的乘积计算每个所述精确率值对应的精确率熵权值；将多个所述召回率熵权值中的最大值和最小值分别作为第一正理想值和第一负理想值，将多个所述精确率熵权值中的最大值和最小值分别作为第二正理想值和第二负理想值，根据所述第一正理想值和所述第二正理想值获取正理想解，根据所述第一负理想值和所述第二负理想值获取负理想解；根据每个所述帕累托最优解对应的召回率熵权值和精确率熵权值构建加权帕累托最优解；获取每个所述加权帕累托最优解与所述正理想解的第一欧式距离以及每个所述加权帕累托最优解与所述负理想解的第二欧式距离；根据每个所述加权帕累托最优解的第一欧式距离和第二欧式距离计算每个帕累托最优解的相对贴近度，将所述相对贴近度最大的加权帕累托最优解对应的帕累托最优解作为折中最优解。可选地，所述利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，包括：获取当前平均值计算窗口内各采样点的电气量的第一均值；获取当前事件过程检测窗口内各采样点的电气量的第二均值；根据上一个采样点的事件累计量、所述第一均值、所述第二均值以及所述功率稳态波动量获取每个采样点的事件累计量；当所述采样点的事件累计量大于预设阈值时，判断所述采样点的事件累计量是否大于所述采样点的上一个采样点的事件累计量，得到第一判断结果；当所述第一判断结果为是时，确定状态转换事件发生，获取所述状态转换事件的开始时间；继续获取所述事件累计量直到连续预设个数个采样点的所述事件累计量不发生变化为止，确定所述状态转换事件的稳态时间；当所述第一判断结果为否时，将所述采样点的事件累计量归零。可选地，所述状态转换事件的负荷特征向量为所述开始时间和所述稳态时间之间不同时刻的采样点的采样值形成的电气量值时间序列。可选地，所述利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合，包括：根据所述状态转换事件的负荷特征向量构建事件窗口，从所述负荷特征库中获取多个特征组合，其中，每个所述特征组合中包括多个标准负荷特征向量；将每个所述特征组合中的多个标准负荷特征向量在所述事件窗口中移动，计算所述事件窗口中每个时刻所述多个标准负荷特征向量的电气量值之和与所述状态转换事件的负荷特征向量的电气量值的差值；将每个时刻所述差值均最小的移动结果作为最优组合。本发明的第二方面：提供一种非侵入式电力负荷分解装置，包括：采集模块，用于获取目标用户的负荷监测数据，其中，所述负荷监测数据包括各用电设备在监测时间内的电气量总和；事件检测模块，用于利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取状态转换事件的开始时间和稳态时间；特征提取模块，用于根据所述开始时间和所述稳态时间之间的负荷监测数据获取所述状态转换事件的负荷特征向量；分解模块，用于利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合，将所述最优组合作为所述状态转换事件的负荷分解结果，其中，所述负荷特征库中包括不同用电设备的不同状态转换的标准负荷特征向量。本发明的第三方面：提供一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现上述的非侵入式电力负荷分解方法。本发明的第四方面：提供一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现上述的非侵入式电力负荷分解方法。本发明提供的非侵入式电力负荷分解方法、装置、设备及介质，包括获取目标用户的负荷监测数据；利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取状态转换事件的开始时间和稳态时间；根据所述开始时间和所述稳态时间之间的负荷监测数据获取所述状态转换事件的负荷特征向量；利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合；通过上述方式，在检测状态转换事件的同时获取状态转换事件的稳态时间，避免事件误识别；利用混合整数规划模型实现负荷特征的识别，既可以识别出单一用电设备的状态转换事件，又可以对同一时间段内多个用电设备同时发生状态转换进行识别，提高了识别的准确率。【附图说明】图1为本发明第一实施例的非侵入式电力负荷分解方法的流程图；图2为本发明第一实施例的非侵入式电力负荷分解方法中调参步骤的子步骤流程图；图3为本发明第一实施例的非侵入式电力负荷分解方法中tp\fp\fn统计方式示意图；图4为本发明第一实施例的非侵入式电力负荷分解方法中事件检测过程示意图；图5为本发明第一实施例的非侵入式电力负荷分解方法中事件检测过程中进入稳态示意图；图6为本发明第一实施例的非侵入式电力负荷分解方法中事件检测过程的流程图；图7为本发明第一实施例的非侵入式电力负荷分解方法中步骤s104的子步骤流程图；图8为本发明第一实施例的非侵入式电力负荷分解方法中负荷分解示意图；图9为本发明第二实施例的非侵入式电力负荷分解装置的结构示意图；图10为本发明第三实施例的电子设备的结构示意图；图11为本发明第四实施例的存储介质的结构示意图；图12为本发明应用例1中nsga-ii算法优化得到的帕累托最优解曲线图；图13为本发明应用例1中事件发生过程中功率变化曲线图；图14为本发明应用例1中redd数据集负荷分解结果图；图15为本发明应用例2中测试环境示意图；图16为本发明应用例2中数据采集与存储程序流程图；图17为本发明应用例2中空调运行过程功率变化图；图18为本发明应用例2中负荷分解结果图。【具体实施方式】下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。用电设备的平稳运行过程和工作状态转换过程分别包含性质不同的印记特征，因此，在负荷特征提取之前，需要进行负荷分段，即确定总负荷的过渡区段或稳态区段的起止点，以实现分别获取用电设备的过渡区段和稳态区段印记特征，其中，总负荷的稳态区段内所有用电设备均处于平稳运行状态，过渡区段内至少包括一个用电设备的工作状态转换过程。用电设备工作状态的转换过程被称为负荷事件或状态转换事件，包括投入、关停(或称为切除)和功率非零的工作状态间相互转换这三种过程。由于不同的用电设备的状态转换时间不同，例如，电阻类的用电设备完成状态转换的时间一般小于2秒，而例如空调等非电阻类的用电设备完成状态转换的时间持续较长，在非电阻类的用电设备发生状态转换的过程中，电阻类的用电设备可能同时发生状态转换，本发明在识别出单一用电设备的状态转换事件的基础上，还可以对同一时间段内多个用电设备同时发生状态转换进行识别。图1为本发明第一实施例的非侵入式电力负荷分解方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该非侵入式电力负荷分解方法包括步骤：s101，获取目标用户的负荷监测数据，其中，所述负荷监测数据包括各用电设备在监测时间内的电气量总和。其中，可以在目标用户的电力入口处安装一个传感器，通过该传感器在目标用户的电力入口处获取负荷监测数据，无需在各个用电设备处分别设置传感器；所采集的负荷监测数据包括但不限于以下：电流数据、电压数据、功率数据或谐波含量数据中的一种或多种。具体地，在本实施例中，电气量为电气特征参数，电气量可以包括电压、电流、有功功率、无功功率、功率因数、谐波含量和谐波畸变率中的一种或多种，例如，可以采集目标用户电力入口处的有功功率，即电气量包括有功功率，所采集的是目标用户所有用电设备的有功功率总和。由于本发明是基于事件的非侵入式负荷分解，因此重点关注状态切换过程对应的电气特征变化情况。其中，目标用户可以为一个家庭用户或一个企业用户，也可以为一个车间或一个机房。在一个可选的实施方式中，上述各项负荷监测数据本质上均属于时间序列数据，具有波动性特征，其时间序列数据里存在许多噪声，这些噪声严重影响了进一步的定量分析和数据挖掘，有必要预先降噪。在步骤s101之后，还包括如下步骤：对所述目标用户的负荷监测数据进行中值滤波处理以及均值滤波处理。s102，利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取状态转换事件的开始时间和稳态时间。其中，滑动窗双边cusum事件检测算法主要涉及四个参数：第一，平均值计算窗长度m，其应该能够代表位于事件过程检测窗之前一段功率序列的特征；第二，事件过程检测窗长度n，其对事件投入时刻检测的精度有影响；第三，功率稳态波动量β，即功率波动水平，其应根据负荷运行的实际情况而定；第四，阈值h，其为滑动窗双边cusum事件检测算法的一个重要参数，对该事件检测算法的准确度以及精度有很大的影响。在一个可选的实施方式中，由于不同的目标用户中用电设备种类不同，导致不同的目标用户的应用场景不同，为了提高状态转换事件的检测准确率，首先对滑动窗双边cusum事件检测算法进行调参，如图2所示，在步骤s102之前，还包括如下步骤：s201，以召回率函数和精确率函数作为目标函数，根据所述目标用户在历史监测时间段的历史负荷监测数据以及所述历史监测时间段的真实状态转换事件对所述滑动窗双边cusum事件检测算法进行基于nsga-ii算法的多目标优化计算，得到帕累托最优解集；其中，在本实施例中，以电气量为有功功率为例进行具体说明，使用nsga-ii算法优化得到适合目标用户的一组参数解，将平均值计算窗长度m、事件过程检测窗长度n、功率稳态波动量β以及阈值h作为nsga-ii算法的变量，引入以下指标：被正确分类的正例tp(truepositive)，指事件正确检测；本来是正例，错分为负例fn(falsenegative)，指是事件误检测；本来是负例，被错分为正例fp(falsepositive)，指是事件漏检测。在带精英策略的快速非支配排序遗传算法(nsga-ii算法)中，r1和r2用作目标函数，表达式如下：如图3所示为目标用户在历史监测时间段内tp\fp\fn统计方式，实线表示一段功率时间序列，有a～k11个事件。虚线标志为事件算法检测得到的结果，事件检测算法一共检测到10个事件。其中，检测到的1、5、7、8、10事件的时刻与真实的a、e、g、i、k事件时刻完全对应，这检测到的几个事件被归到正确检测tp里。检测到的2、6、9事件的时刻与真实的b、f、j事件时刻相近，因此将2、6事件归到正确分类tp里。其中，检测到的3事件的时刻与真实c事件的时刻相差很远，因此3事件不被归到正确检测tp里，而是被归到是误检测fp里。从图3中可以看出，检测到的4事件也是被归到误检测fp中。因此，总真实事件有11个，正确检测到的事件tp有8个，所以漏检测fn的事件有3个，即c、d、h事件。更进一步地，步骤s201具体包括：获取目标用户在历史监测时间段的历史负荷监测数据以及所述历史监测时间段的真实状态转换事件；以平均值计算窗长度、事件过程检测窗长度、功率稳态波动量以及阈值构建参数组合方案集；利用不同参数组合方案的滑动窗双边cusum事件检测算法对所述历史负荷监测数据进行状态转换事件检测，得到所述历史监测时间段的预测状态转换事件；根据所述历史监测时间段的真实状态转换事件以及所述历史监测时间段的预测状态转换事件分别计算每个参数组合方案对应的精确率和召回率，获取目标函数结果集合；基于nsga-ii算法，根据所述目标函数结果集合获取所述帕累托最优解集。s202，根据熵权双基点法分别计算所述帕累托最优解集中每个帕累托最优解的相对贴近度，将所述相对贴近度最大的帕累托最优解作为折中最优解；具体地，步骤s202可以通过步骤s2021至步骤s2027实现：s2021，获取所述帕累托最优解集中每个召回率值的第一熵权，所述第一熵权用于表征不同的召回率值之间的差异。s2022，获取所述帕累托最优解集中每个精确率值的第二熵权，所述第二熵权用于表征不同的精确率值之间的差异。s2023，根据每个所述召回率值与对应所述第一熵权的乘积计算每个所述召回率值对应的召回率熵权值。s2024，根据每个所述精确率值与对应所述第二熵权的乘积计算每个所述精确率值对应的精确率熵权值。s2025，根据每个所述帕累托最优解对应的召回率熵权值和精确率熵权值构建加权帕累托最优解。其中，所述帕累托最优解集中的每个帕累托最优解包括召回率值和精确率值，召回率值和精确率值分别为召回率函数和精确率函数的两个目标函数值，加权帕累托最优解与帕累托最优解是一一对应的关系。在进行计算时，首先，利用召回率值和精确率值建立评价矩阵。针对本实施例提出的两个目标函数以及m个帕累托最优解，建立评价矩阵r，式(2)中，当i分别取1，2时，rij为第j个帕累托最优解对应的第i个目标函数值。然后，计算个目标函数的熵权α＝(α1,α2)t。熵权的大小由该目标下不同解的差异程度决定，代表了该目标提供信息量的大小。其中，熵权的计算公式为：然后，利用召回率熵权值和精确率熵权值建立加权的规格化评价矩阵可见，中第i行的最大值和最小值分别对应于第i个目标的最理想情况和最不理想的情况。s2026，将多个所述召回率熵权值中的最大值和最小值分别作为第一正理想值和第一负理想值，将多个所述精确率熵权值中的最大值和最小值分别作为第二正理想值和第二负理想值，根据所述第一正理想值和所述第二正理想值获取正理想解，根据所述第一负理想值和所述第二负理想值获取负理想解。其中，所获取的正理想解和负理想解分别作为正理想点和负理想点，其中，正理想点：负理想点：正理想点和负理想点又称为双基点。s2027，获取每个所述加权帕累托最优解与所述正理想解的第一欧式距离以及每个所述加权帕累托最优解与所述负理想解的第二欧式距离；s2028，根据每个所述加权帕累托最优解的第一欧式距离和第二欧式距离计算每个帕累托最优解的相对贴近度，将所述相对贴近度最大的加权帕累托最优解对应的帕累托最优解作为折中最优解。其中，计算每个帕累托最优解的相对贴近度tjj，式(7)中，和分别为第j个加权帕累托最优解到正理想点和负理想点的欧氏距离。可见，相对贴进度数值越高，加权帕累托最优解越靠近正理想点，故选取相对贴近度最大的加权帕累托最优解对应的帕累托最优解作为折中最优解。s203，根据所述折中最优解对应的参数组合对所述滑动窗双边cusum事件检测算法进行参数优化。参数调节完成后，在步骤s102中，进行事件检测时，获取当前平均值计算窗口内各采样点的电气量的第一均值；获取当前事件过程检测窗口内各采样点的电气量的第二均值；根据上一个采样点的事件累计量、所述第一均值、所述第二均值以及所述功率稳态波动量获取每个采样点的事件累计量；当所述采样点的事件累计量大于预设阈值时，判断所述采样点的事件累计量是否大于所述采样点的上一个采样点的事件累计量，得到第一判断结果；当所述第一判断结果为是时，确定状态转换事件发生，获取所述状态转换事件的开始时间，继续获取所述事件累计量直到连续预设个数个采样点的所述事件累计量不发生变化为止，确定所述状态转换事件的稳态时间；当所述第一判断结果为否时，将所述采样点的事件累计量归零。具体地，如图4所示，在滑动窗双边cusum事件检测算法中，定义了两个连续的滑动窗。其中，wm为平均值计算窗口，其采样点数为nm，设其长度为m；wd为事件过程检测窗口，其采样点数为nd，设其长度为n。对一功率时间序列p＝p(k),k＝1,2,3…，计算平均值计算窗和事件过程检测窗的均值mm、md，如下式所示：关于事件累计量，定义投入事件累计量和切除事件累计量如下式所示：其中，β表示功率稳态时的波动量；设置阈值h来判断是否有事件发生，当时表明有事件投入，时表明有事件切除。下面以投入事件为例进行具体说明，当检测是否有事件投入时，的初值为0，当事件检测窗口的均值md大于均值计算窗口的均值mm和功率波动水平β的和时，即md>mm+β，投入事件累计量开始大于0，当投入事件累计量时，说明此时有发生事件的可能，但因为还不能确定有事件发生。因此引入时间延迟变量d，令d＝d+1，此时计算直到判断有投入事件发生。投入事件发生的时刻τ＝k-d；为了避免因为功率时间序列的波动导致的事件投入与切除多识别这一问题，当时间延迟变量每增加1就对和的大小关系进行判断，如果则认为此时是由于功率的波动引起的，并事件切除也是同样的原理进行检测。检测到事件投入时刻t_start之后，再进行事件进入稳态时刻的检测，如图5所示。在该事件进入稳态之前，功率时间序列会一直变化，因此，当检测到事件发生时(t0时刻)，不结束事件检测程序，而是继续计算累计量，直到事件累计量不再变化为止(t4时刻)，此时即可检测出事件进入稳态时刻t_stable，即为状态转换事件的稳态时间。根据以上的分析，以检测投入事件为例，该滑动窗双边cusum事件检测算法实现事件检测的流程如图6所示。s103，根据所述开始时间和所述稳态时间之间的负荷监测数据获取所述状态转换事件的负荷特征向量。其中，所述状态转换事件的负荷特征向量为所述开始时间和所述稳态时间之间不同时刻的采样点的采样值形成的电气量值时间序列。在确定状态切换事件过程的开始时间t_start和稳态时间t_stable后，整个状态切换事件的事件窗记为时间集以有功功率为电气特征，则该事件从开始到进入稳态过程的负荷特征向量p＝[pt_start,pt_start+1,pt_start+2,...,pt_stable]。s104，利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合，将所述最优组合作为所述状态转换事件的负荷分解结果，其中，所述负荷特征库中包括所述目标用户的不同用电设备的不同状态转换的标准负荷特征向量，所述最优组合中包括至少一个所述标准负荷特征向量。其中，负荷特征库是根据目标用户的不同用电设备而建立的，负荷特征库中的特征向量为标准特征向量，标准特征向量为一个与二维0-1变量相关联的向量。具体地，引入二维0-1变量y1i(τ1)和y2i(τ2)。y1i(τ1)表示状态i在τ1时刻开启，y2i(τ2)表示状态i在τ2时刻关闭。以开关型负荷的功率负荷向量为例，用来表示负荷开关的标准负荷特征向量poni,poffi可以用下式表示，其中q代表数据库中功率状态集合，下同：其中，toni表示该负荷从关闭到开启这一状态转换过程所需时间，toffi表示该负荷从开启到关闭这一状态转换过程所需时间，pi表示该负荷的稳态功率，ts为采样周期。当某一状态i打开，在事件过程中，与二维0-1变量y1i(τ1)相关联的标准负荷特征向量如下式所示：当某一状态i关闭，在事件过程中，与二维0-1变量y2i(τ2)相关联的标准负荷特征向量如下式所示：其中，poni,0和poffi,0在时刻τ1,τ2处，poni,1和poffi,1在时刻τ1+1,τ2+1处...poni,τ1和poffi,τ2是功率特征行向量，第t个元素的物理意义是：当状～态i在τ1时刻打开或τ2时刻关闭时，其在t时刻的功率值。在事件窗t内状态i在时刻t的功率可以表示为下式：其中(·)t表示向量(·)的第t个元素。对于多状态负荷，为每个用电设备不同的状态切换事件建立poni和poffi并与0-1变量关联。其中，本实施例中的混合整数规划模型的约束条件如下：1)打开关闭时间限制。状态i需要在长事件过程结束之前完成转换到稳态，状态i打开和关闭可能的时间集合soni和soffi如下式所示：2)0-1变量限制。当状态i的打开或关闭时刻不在可能的时间集合soni和soffi中时，0-1变量为零。约束如下式所示：当事件检测算法监测到有事件发生时，至少有一个用电设备发生状态切换。约束如下式所示：在事件窗中，同一个状态切换事件最多发生一次。约束如下式所示：于是，本发明提出的解决长时间过程中多负荷同时发生状态变换的混合整数规划模型总结为下式：(13)～(16)其中，δp(t)表示转换过程中各时间点的优化组合结果与实际值的残差绝对值序列。在本实施例中，可以首先将状态转换事件的负荷特征向量与目标用户负荷特征库中的每个标准负荷特征向量分别进行匹配，若均无法匹配，则说明该状态转换事件过程中多个用电设备均发生了状态转换，于是，请参阅图7所示，在进行多负荷特征识别时，步骤s104具体包括如下步骤：s301，根据所述状态转换事件的负荷特征向量构建事件窗口，从所述负荷特征库中获取多个特征组合，其中，每个所述特征组合中包括多个标准负荷特征向量；s302，将每个所述特征组合中的多个标准负荷特征向量在所述事件窗口中移动，计算所述事件窗口中每个时刻所述多个标准负荷特征向量的电气量值之和与所述状态转换事件的负荷特征向量的电气量值的差值；s303，将每个时刻所述差值均最小的移动结果作为最优组合。具体地，负荷识别示意图如图8所示，与开启关闭0-1变量关联的每个状态切换的事件标准负荷特征向量在事件窗口中移动，使得移动结果在每个时刻与所测量的事件总功率差值最小，即获得最佳功率状态组合，并将总事件功率分解为特定的多个用电设备。并且可以确定每个用电设备发生状态切换的时间。图9是本发明第二实施例的非侵入式电力负荷分解装置的结构示意图。如图9所示，该装置20包括采集模块21、事件检测模块22、特征提取模块23以及分解模块24，其中，采集模块21，用于获取目标用户的负荷监测数据，其中，所述负荷监测数据包括各用电设备在监测时间内的电气量总和；事件检测模块22，用于利用滑动窗双边cusum事件检测算法对所述负荷监测数据进行状态转换事件检测，获取状态转换事件的开始时间和稳态时间；特征提取模块23，用于根据所述开始时间和所述稳态时间之间的负荷监测数据获取所述状态转换事件的负荷特征向量；分解模块24，用于利用混合整数规划模型从预先构建的负荷特征库中获取与所述状态转换事件的负荷特征向量相匹配的最优组合，将所述最优组合作为所述状态转换事件的负荷分解结果，其中，所述负荷特征库中包括不同用电设备的不同状态转换的标准负荷特征向量。图10是本发明第三实施例的电子设备的结构示意图。如图3所示，该电子设备30包括处理器31及和处理器31耦接的存储器32。存储器32存储有用于实现上述任一实施例的非侵入式电力负荷分解方法的程序指令。处理器31用于执行存储器32存储的程序指令以进行非侵入式电力负荷分解。其中，处理器31还可以称为cpu(centralprocessingunit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(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。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。参阅图11，图11为本发明第四实施例的存储介质的结构示意图。本发明第六实施例的存储介质40存储有能够实现上述所有方法的程序指令41，其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，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，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
：，均同理包括在本发明的专利保护范围。应用例1根据第一实施例的非侵入式电力负荷分解方法进行具体应用，具体包括如下步骤：步骤1、在本例中，采用公共数据集referenceenergydisaggregationdataset(redd)，低频视在功率数据频率为1hz。选取house3数据验证算法。house3中共有22个用电设备，本例选取一天内处于工作状态的10个用电设备用于测试。步骤2、基于负荷的有功功率这一负荷特征进行事件检测、负荷识别。设备额定功率如表1所示。表1公共数据集中负荷的额定功率步骤3、以均值计算窗的长度m、事件检测窗的长度n和阈值h为变量，以事件检测结果的召回率和精确率为目标函数，优化得出一组帕累托最优解如图12所示。步骤4、根据熵权双基点法决策出折中最优解，对帕累托最优解中的每组参数计算计算相对贴近度tjj，计算结果如表2所示。当m＝11，n＝2，h＝137，r1＝0.902和r2＝0.979时，tji最大。所以，m＝11，n＝2，h＝137被选择为滑动窗双边累计和事件检测算法的参数。表2各个帕累托最优解对应的参数步骤5、采用优化参数的滑动窗双边累计和事件检测算法在功率时间序列上检测是否有负荷状态转换事件发生。以某一个事件为例，事件过程实际功率变化波形如图13所示，从图中可以看到，事件开始时间t_start＝9688s，事件进入稳态时间t_stable＝9695s。事件检测算法的滑动窗在该事件上滑动时，相关参数变化情况如表3所示。从表中得出，时间检测算法得到的事件开始时间t_start＝9688s，事件进入稳态时间t_stable＝9696s。与实际情况相符。表3事件过程中各个参数的变化情况步骤6、以步骤5中检测到的事件为例，以有功功率为电气特征，则该事件从开始到进入稳态过程的电气特征向量pevent＝[390.42,390.98,429.77,519.06,591.91,638.83,709.70,777.62,803.22,806.3,806.3]。步骤7、对公共数据集redd，house3处于工作状态的10种负荷的每个状态切换事件建立特征向量组成负荷特征库。用混合整数规划模型去识别事件检测算法检测到的每个负荷状态变换事件。得到redd数据集的负荷识别结果如图14所示。识别准确率可达90％。应用例2为验证本发明实施例提出的非侵入式负荷分解方法可解决长事件过程中多设备同时发生状态转换事件的负荷识别。数据采集环境如图15所示。采集低频数据频率为5hz。使用无线计量仪表和相配套互感器以及usb转485实现用电设备电压、电流、功率数据的测量；利用modbus-rtu协议，通过python多线程编程的方式实现等时间间隔读取数据及存储。程序流程如图16所示。在采集得到负荷运行过程中功率时间序列之后，采用中值滤波过滤掉尖峰，数据更加平滑。吹风机、烧水壶和烤箱等是电阻型设备，运行电气特征相似。这类负荷一般是利用电流的热效应将电能转化为热能，发热时近似纯电阻，工作时电压、电流之间不会有相位差。电阻类负荷状态转换过程持续时间一般在10秒之内。变频空调等非电阻型设备的状态转换过程持续时间较长，例如变频空调的开启到稳态过程长达15分钟。空调完整的运行过程功率时间波形如图17所示。在空调开启这个长事件过程中打开或关闭其他设备，采用优化参数的滑动窗双边累计和事件检测算法检测负荷状态切换事件，并用本发明提出的混合整数规划模型识别事件，负荷分解结果如图18所示。以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。当前第1页12当前第1页12