本發(fā)明涉及電力領(lǐng)域，具體而言，涉及一種非侵入式負荷識別方法和裝置。

背景技術(shù)：

目前，全社會都在呼吁節(jié)能減排，建設節(jié)約型、生態(tài)型社會。電能正變成能源消耗的主要形式，而居民負荷作為電力負荷的一個重要組成部分，其電能消耗比重正在逐漸增大。因此，對用戶情況進行分析，合理安排居民用電，倡導低碳生活，從而達到節(jié)能減排的目的具有重要意義。與集總式的居民用電信息相對比，精確到單個用電設備及其種類的居民用電信息可以為電力企業(yè)、電力用戶、相關(guān)家電制造商和整個社會帶來多方面效益。

對于電力企業(yè)來說，將居民用電細節(jié)收集到數(shù)據(jù)管理系統(tǒng)中，可以增加規(guī)劃方案的合理性和保障電網(wǎng)的安全運行，合理分布用電資源；幫助電力公司更合理地制定峰時、谷時電價，使其符合電力用戶需求的激勵政策、評估電力公司的項目以及更合理分撥資金。對于居民來說，居民可以自行檢測每個電器消耗的功率及其所在的工作狀態(tài)；對于想節(jié)約用電的居民而言，可根據(jù)這些信息自行改變和優(yōu)化用電方案，從而達到節(jié)約用電以及節(jié)約電費目的，同時幫助居民迅速精確地檢查和排除電器故障；居民將使用低能耗電器產(chǎn)品來替代低效能電器。對于家電企業(yè)而言，家居用電信息可以促使制造商加快高效能設備的研究，引導家用電器市場的改變和幫助相關(guān)部門合理地制定指導方針，實現(xiàn)提高能效，減少污染物的排放和減緩溫室效應的目標。對于全社會而言，當電力公司對錯峰用電試行優(yōu)惠，提高用電的經(jīng)濟性，家電制造商能夠提供低能耗、高效能的電器，居民擁有較強的節(jié)電意識，全社會就將會把提高生態(tài)文明的意識付諸實踐，創(chuàng)造低碳、環(huán)保的生活環(huán)境。

目前，負荷識別的方法主要有侵入式和非侵入式。

侵入式(Intrusive)負荷監(jiān)測是在每個電器上都安裝傳感器，當用電設備連入電網(wǎng)，利用傳感器取得用電設備的細節(jié)信息，從而獲得設備的實時用電量及其他電氣參數(shù)，如電壓、電流、頻率、有功功率、無功功率、功率因素等。這種方式雖然能夠更準確地計算出電器消耗的功率，但是必須安裝傳感器和數(shù)據(jù)傳輸裝置，價格偏高，投入大，影響居民的日常生活。此外，如果傳感器發(fā)生故障或者遭到人為破壞，安裝的儀器儀表會對系統(tǒng)的可靠性及其安全性產(chǎn)生一定影響。

非侵入式負荷監(jiān)測(Non-Intrusive Load Monitoring，縮寫為NILM)與傳統(tǒng)的侵入式負荷監(jiān)測方法不同，NILM系統(tǒng)只需要在電力供給的入口處安裝監(jiān)測設備，通過相對復雜的分析軟件對采集數(shù)據(jù)進行數(shù)學分析，就可以對整個系統(tǒng)內(nèi)部的負荷進行監(jiān)測，不需要大量的檢測設備，同時節(jié)省了購買、安裝和維護這些硬件設備所需要的金錢和時間。

但是，目前提到的很多非侵入式負荷監(jiān)測進行負荷識別的準確度低。

針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種非侵入式負荷識別方法和裝置，以至少解決現(xiàn)有技術(shù)中非侵入式負荷監(jiān)測進行負荷識別的準確度低的技術(shù)問題。

根據(jù)本發(fā)明實施例的一個方面，提供了一種非侵入式負荷識別方法，包括：對用戶的用電行為習慣進行統(tǒng)計，得到第一數(shù)據(jù)；建立用電負荷標準特征數(shù)據(jù)庫；獲取電力供給入口處采樣的電壓離散信號和電流離散信號；將采集到的電壓離散信號和電流離散信號進行預處理；根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算負荷特征；根據(jù)所述負荷特征進行負荷識別，得到第二數(shù)據(jù)；將所述第一數(shù)據(jù)與所述第二數(shù)據(jù)進行加權(quán)，識別出負荷種類。

進一步地，建立用電負荷標準特征數(shù)據(jù)庫包括：分別監(jiān)測典型用電負荷的電壓、電流波形；采用特征提取算法提取典型用電負荷的穩(wěn)態(tài)特征(有功功率，電流各次諧波)，建立用電負荷標準特征數(shù)據(jù)庫。

進一步地，將采集到的電壓離散信號和電流離散信號進行預處理包括：將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪。

進一步地，根據(jù)所述負荷特征進行負荷識別包括：通過以下算法中的一種來根據(jù)所述負荷特征進行負荷識別：粒子群算法、遺傳算法、聚類算法。

進一步地，所述負荷特征為總有功功率、電流各次諧波。

根據(jù)本發(fā)明實施例的另一方面，還提供了一種非侵入式負荷識別裝置，包括：統(tǒng)計單元，用于對用戶的用電行為習慣進行統(tǒng)計，得到第一數(shù)據(jù)；建立單元，用于建立用電負荷標準特征數(shù)據(jù)庫；獲取單元，用于獲取電力供給入口處采樣的電壓離散信號和電流離散信號；預處理單元，用于將采集到的電壓離散信號和電流離散信號進行預處理；計算單元，用于根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算負荷特征；第一識別單元，用于根據(jù)所述負荷特征進行負荷識別，得到第二數(shù)據(jù)；第二識別單元，用于將所述第一數(shù)據(jù)與所述第二數(shù)據(jù)進行加權(quán)，識別出負荷種類。

進一步地，所述建立單元包括：監(jiān)測子單元，用于分別監(jiān)測典型用電負荷的電壓、電流波形；建立子單元，用于采用特征提取算法提取典型用電負荷的穩(wěn)態(tài)特征(有功功率，電流各次諧波)，建立用電負荷標準特征數(shù)據(jù)庫。

進一步地，所述預處理單元包括：去噪子單元，用于將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪。

進一步地，所述第一識別單元通過以下算法中的一種來根據(jù)所述負荷特征進行負荷識別：粒子群算法、遺傳算法、聚類算法。

進一步地，所述負荷特征為總有功功率、電流各次諧波。

在本發(fā)明實施例中，對居民用戶用電數(shù)據(jù)進行采集，并經(jīng)過分析處理后，得到居民用戶的用電行為，并通過權(quán)重的形式將其與傳統(tǒng)的非侵入式負荷識別相結(jié)合，使得負荷識別結(jié)果更加符合居民的用電習慣，識別結(jié)果也更加準確，解決了現(xiàn)有技術(shù)非侵入式負荷監(jiān)測進行負荷識別的準確度低的技術(shù)問題，達到了提高非侵入式負荷監(jiān)測進行負荷識別的準確度的技術(shù)效果，進而解決了現(xiàn)有技術(shù)中非侵入式負荷監(jiān)測進行負荷識別的準確度低的技術(shù)問題。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定。在附圖中：

圖1是根據(jù)本發(fā)明實施例的一種非侵入式負荷識別方法的流程圖；

圖2是根據(jù)本發(fā)明實施例的PSO算法的流程圖；

圖3是根據(jù)本發(fā)明實施例的另一種非侵入式負荷識別方法的流程圖；

圖4是根據(jù)本發(fā)明實施例的一種非侵入式負荷識別裝置的示意圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應當屬于本發(fā)明保護的范圍。

需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數(shù)據(jù)在適當情況下可以互換，以便這里描述的本發(fā)明的實施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤４送猓g(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設備固有的其它步驟或單元。

首先對本發(fā)明實施例所涉及的技術(shù)術(shù)語作如下解釋：

負荷特征：所謂的負荷特征是指負荷在正常工作過程中所表現(xiàn)出的電氣行為，從其本質(zhì)上分析可知，負荷特征就是對電壓、電流波形進行波形變換或經(jīng)過數(shù)據(jù)處理后提取的相關(guān)電氣參數(shù)，比如電流、有功功率、無功功率等。

濾波：濾波(Wave filtering)是將信號中特定波段頻率濾除的操作，是抑制和防止干擾的一項重要措施。

居民用電行為：居民用電行為即居民用電規(guī)律，通過對居民用戶一段時間內(nèi)的數(shù)據(jù)采集，對數(shù)據(jù)進行分析，獲得居民的用電規(guī)律，即何時開啟某電器。開啟多長時間，對其做一個概率統(tǒng)計。

根據(jù)本發(fā)明實施例，提供了一種非侵入式負荷識別方法的實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執(zhí)行指令的計算機系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

圖1是根據(jù)本發(fā)明實施例的一種非侵入式負荷識別方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟S102，對用戶的用電行為習慣進行統(tǒng)計，得到第一數(shù)據(jù)。

步驟S104，建立用電負荷標準特征數(shù)據(jù)庫。

步驟S106，獲取電力供給入口處采樣的電壓離散信號和電流離散信號。

步驟S108，將采集到的電壓離散信號和電流離散信號進行預處理。

步驟S110，根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算負荷特征。

步驟S112，根據(jù)負荷特征進行負荷識別，得到第二數(shù)據(jù)。

步驟S114，將第一數(shù)據(jù)與第二數(shù)據(jù)進行加權(quán)，識別出負荷種類。

在本發(fā)明實施例中，對居民用戶用電數(shù)據(jù)進行采集，并經(jīng)過分析處理后，得到居民用戶的用電行為，并通過權(quán)重的形式將其與傳統(tǒng)的非侵入式負荷識別相結(jié)合，使得負荷識別結(jié)果更加符合居民的用電習慣，識別結(jié)果也更加準確，解決了現(xiàn)有技術(shù)非侵入式負荷監(jiān)測進行負荷識別的準確度低的技術(shù)問題，達到了提高非侵入式負荷監(jiān)測進行負荷識別的準確度的技術(shù)效果。

由于空調(diào)、洗衣機、電冰箱、日光燈、電磁爐、熱水壺、吹風機、電飯鍋、筆記本、充電器等家用電器，各自功能不同，因而使用時間存在差異，通過分析，可以用來輔助區(qū)分電器類型。例如日光燈、電視機、計算機在某個特定時段必須使用的，在其他時間段則沒有必要使用。凌晨0:00‐6:00這段時間，用戶都在休息，只有在夏天和冬天會使用到冷氣、取暖器之類等大功率電器，及其全天候24小時都需要使用的電冰箱，一般沒有其他的用電消耗，因此，這個時段的電器十分容易區(qū)分。早晨6:00‐8:00這段時間居民開始起床，需要刷牙、洗臉、吃早飯，上班上學，這時將使用到的電器有日光燈、電茶壺，由于電茶壺和日光燈的功率相差很多，十分容易區(qū)別。白天8:00‐18：00這段時間家中沒人，只有電冰箱在工作。傍晚18:00‐19:00，這段時間用戶已經(jīng)下班或者放學回到家中，電茶壺、電磁爐、電飯鍋、日光燈等電器開始運作，進入用電高峰，這個時候需要結(jié)合各項電流特征進行判別。晚上19:00‐24:00吃過晚飯之后，用戶開始整理家務以及進行娛樂活動，日光燈、洗衣機、電視機、計算機開始進入工作狀態(tài)，由于整流類電器開始進入工作狀態(tài)，電流將會存在明顯的波紋以及脈沖，可以加以區(qū)分。

利用智能插座、電能表或調(diào)查等方式可以分析電器的運行時間和消耗功率，確定人們在各時間段開啟電器種類的組合概率，為后面的負荷識別準備數(shù)據(jù)。

可選地，建立用電負荷標準特征數(shù)據(jù)庫包括：分別監(jiān)測典型用電負荷的電壓、電流波形；采用特征提取算法提取典型用電負荷的穩(wěn)態(tài)特征(有功功率，電流各次諧波)，建立用電負荷標準特征數(shù)據(jù)庫。

采用非侵入式負載監(jiān)測的采集方式，獲取電力供給入口處采樣的電壓離散信號和電流離散信號。

可選地，將采集到的電壓離散信號和電流離散信號進行預處理包括：將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪。

將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪，具體原理如下：

Kalman濾波是一種最優(yōu)估計方法，以最小均方差為最佳估計原則，利用遞歸的方法解決離散系統(tǒng)線性濾波問題，其核心內(nèi)容就是五個遞推公式，主要描述了兩個過程，即預測和修正。通過不斷地“預測——修正”的遞推方式進行計算，根據(jù)前一時刻估計值和最近時刻觀察數(shù)據(jù)來估計信號的當前值，實現(xiàn)時域濾波的目的。假設線性離散系統(tǒng)方程如下：

過程方程：X(k)＝AX(k-1)+BU(k-1)+W(k-1)

輸出方程：Y(k)＝CX(k)+v(k)

其中X為系統(tǒng)的狀態(tài)，A,B是由系統(tǒng)的結(jié)構(gòu)確定的矩陣，Y為觀測值，C為觀測矩陣，隨機變量W和V代表系統(tǒng)噪聲和觀測噪聲，且相互獨立，一般假定W和V服從正態(tài)分布，且系統(tǒng)噪聲和觀測噪聲的協(xié)方差陣分別為Q和R。

Kalman濾波算法就是要從觀測值Y中得到狀態(tài)X在最小均方差下的最佳逼近的估計值，其核心就是以下五個公式。

狀態(tài)預測方程：X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中U(k)是k時刻對系統(tǒng)的控制量，在該算法中沒有控制量，因此U(k)為0；X(k|k-1)是利用上一狀態(tài)預測的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果。

方差預測方程：P(k|k-1)＝AP(k-1|k-1)A^T+Q

式中P(k|k-1)是X(k|k-1)對應的協(xié)方差。以上兩個式子就是對系統(tǒng)的預測。

狀態(tài)估計方程：X(k|k)＝X(k|k-1)+K(k)(Z(k)-HX(k|k-1))

式中K(k)為卡爾曼增益，Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)。

濾波增益方程：K(k)＝P(k|k-1)H^T[HP(k|k-1)H^T+R]

此時，已得到了K狀態(tài)下最優(yōu)的估算值X(k|k)，但為了要讓卡爾曼濾波不斷地運行下去，直到系統(tǒng)過程結(jié)束，還要更新K狀態(tài)下X(k|k)的協(xié)方差。

方差迭代方程：P(k|k)＝[I-K(k)H]P(k|k-1)

其中，I為單位矩陣。當系統(tǒng)進入k+1狀態(tài)時，P(k|k)就是方差預測方差中的P(k-1|k-1)。以上三個式子就是對系統(tǒng)的修正，這樣，算法就可以自回歸地運算下去。

本發(fā)明采用卡爾曼濾波器，對采集數(shù)據(jù)進行濾波處理，相對于傳統(tǒng)的濾波，卡爾曼濾波不要求信號和噪聲都是平穩(wěn)過程的假設條件。對于每個時刻的系統(tǒng)擾動和觀測誤差(即噪聲)，只要對它們的統(tǒng)計性質(zhì)作某些適當?shù)募俣?，通過對含有噪聲的觀測信號進行處理，就能在平均的意義上，求得誤差為最小的真實信號的估計值。

可選地，負荷特征為總有功功率、電流各次諧波。也可以選取其他負荷特征對負荷進行識別，比如暫態(tài)有功功率和暫態(tài)無功功率。

根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算家用電器總有功功率及電流各次諧波(負荷特征)。

每個設備的功率信息也具有一定的疊加性，即認為總功率是每個設備功率的累加。因此可構(gòu)建如式(1)優(yōu)化目標函數(shù)對電力負荷功耗進行分解。

式中:P_i是數(shù)據(jù)庫第i個設備的功率；P為當前的功率；xi第i個設備的投切狀態(tài)。

當居民家用電器正常工作時，其穩(wěn)態(tài)基波電流與諧波電流具有周期性和規(guī)律性的特點，其電流可表示為

i_s(t)＝I_s1cos(ωt+θ_s1)+…+I_skcos(kωt+θ_sk)+… (2)

式中：i_s(t)為家用電器某一種穩(wěn)定工作狀況時的電流瞬時值；I_s1是工作電流中基波分量的幅值；ω為工作電流中的基波分量的角頻率；θ_s1為工作電流中的基波分量的初相角；k為整數(shù)，表示諧波次數(shù)，當k＝1時，表示基波；I_sk為工作電流中的第k次諧波分量的幅值；θ_sk為工作電流中的第k次諧波分量的初相角。

設某一居民家庭用戶共有m類主要家電設備，共n種不同的單獨工作狀態(tài)，忽略功率較小的家用電器工作狀態(tài)，根據(jù)穩(wěn)態(tài)電流的線性疊加性可知，非侵入式硬件設備采集到的居民家庭總的電流近似等于這n種工作狀態(tài)的線性疊加，即

i_L(t)＝x₁i_s1(t)+x₂i_s2(t)+…+x_ni_sn(t) (3)

式中：i_L(t)為家庭的總電流，i_s1(t),i_s2(t),…,i_sn(t)分別為第1,2,…,n種家用電器工作狀態(tài)電流，x₁,x₂,…,x_n∈{0,1}分別表示第1,2,…,n種家用電器工作狀態(tài)，其值為0時表示該家用電器該狀態(tài)未工作，其值為1時表示家用電器該狀態(tài)正在工作。

用相量法來表示，式(3)可表示為

式中：h為奇數(shù)，因為電網(wǎng)中偶次諧波含量很少，所以主要分析家電穩(wěn)態(tài)電流奇次諧波分量；x₁,x₂,…,x_n∈(0,1)是方程組的待求變量；等式左側(cè)矩陣中的元素都是通過在線實測得到的已知量，等式右側(cè)矩陣中的元素是通過離線統(tǒng)計得到的已知量。

(5)可簡記為：I_L＝I_SX

式中I_L為采集器采集到的家庭總電流，I_S為家電設備模型參數(shù)矩陣，X為各家用電器的工作狀態(tài)矩陣。因此，負荷識別問題轉(zhuǎn)化為求解最優(yōu)組合問題，取目標函數(shù)為：

Min d2＝||IL‐IS X|| (5)

由于式(1)和式(5)屬于整數(shù)最優(yōu)化，為了尋找最優(yōu)解，本發(fā)明將上述兩種特征進行融合作為最優(yōu)化目標函數(shù)，并嵌入到粒子群算法的適應度函數(shù)中，通過PSO算法的求解找到最優(yōu)的x1,x2…,xn,實現(xiàn)非侵入式電力負荷在線分解。

本發(fā)明采用將有功功率和電流諧波兩個特征量相結(jié)合作為最后的負荷識別特征，相比于單一的負荷識別特征，具有更高的可靠性和準確性。

可選地，根據(jù)負荷特征進行負荷識別包括：通過以下算法中的一種來根據(jù)負荷特征進行負荷識別：粒子群算法、遺傳算法、聚類算法。

以上面確定出的負荷識別特征，以使用粒子群算法為例來進行負荷識別，如圖2所示。

適應度函數(shù)的構(gòu)建：

本發(fā)明中，引入一個以正態(tài)分布形式的一個度量函數(shù)，其表達式如下：

f_i(d_i)＝exp{(-d_i/σ_i)},σ_i>0,i＝1,2

式中，參數(shù)σ_i標準差，用來調(diào)整分布。顯然，其f_i(d_i)值由d_i和σ_i共同決定。然后，將其以乘積的方式進行結(jié)合，得到PSO的適應度函數(shù):

σ1和σ2根據(jù)樣本數(shù)據(jù)庫進行人工設置。

具體步驟如下：

①初始化粒子群，包括群體規(guī)模N，每個粒子的位置x_i和速度V_i

②計算每個粒子的適應度值F_it[i]；

③對每個粒子，用它的適應度值F_it[i]和個體極值p_best(i)比較，如果F_it[i]>p_best(i)，則用Fit[i]替換掉p_best(i)；

④對每個粒子，用它的適應度值Fit[i]和全局極值g_best比較，如果F_it[i]>p_best(i)則用F_it[i]替g_best；

根據(jù)公式v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (6)

x_id＝x_id+v_id (7)

更新粒子的速度v_i和位置x_i；

⑥如果滿足結(jié)束條件(誤差足夠好或到達最大循環(huán)次數(shù))退出，否則返回②。

本發(fā)明采用粒子群算法，該算法具有算法簡單，計算方便，求解速度快等優(yōu)點。

本發(fā)明中，在粒子群算法中獲取3個最優(yōu)的結(jié)果，然后再和居民用電行為習慣通過權(quán)重比的形式相結(jié)合，最終確定識別的負荷種類。

本發(fā)明將有功功率融合進穩(wěn)態(tài)特征，并嵌入到粒子群算法的適應度函數(shù)中，通過粒子群算法的求解找到最優(yōu)的組合實現(xiàn)非侵入式電力負荷在線分解。

舉例說明：

設有s1,s2,s3三種設備，它們的開關(guān)組合有000-111，即十進制0到7.

假設在某一時刻測得的可能開關(guān)狀態(tài)為3、4、1，即011、100、001.

011對應的誤差為3 011對應的居民該時段用電行為概率為0.6

100對應的誤差為5 100對應的居民該時段用電行為概率為0.8

001對應的誤差為2 001對應的居民該時段用電行為概率為0.7

令x(n)＝c1*d+c2*g

在此例中取c1＝c2＝0.5,則有

x(1)＝0.5*2/3+0.5*0.6＝0.63

x(2)＝0.5*2/5+0.5*0.8＝0.6

x(3)＝0.5*2/2+0.5*0.7＝0.85

x(3)>x(1)>x(2)，確定設備開啟狀態(tài)為001，即只有設備s3開啟。

本發(fā)明通過對居民用戶用電數(shù)據(jù)的采集，并經(jīng)過分析處理后，得到居民用戶的用電行為，并通過權(quán)重的形式將其與傳統(tǒng)的非侵入式負荷識別相結(jié)合，使得負荷識別結(jié)果更加符合居民的用電習慣，識別結(jié)果也更加準確。

圖3是根據(jù)本發(fā)明實施例的另一種非侵入式負荷識別方法的流程圖。

如圖3所示，該方法包括如下步驟：一、用戶用電行為習慣統(tǒng)計；二、經(jīng)典負荷波形采集；三、建立標準特征數(shù)據(jù)庫；四、對負荷進行數(shù)據(jù)采集；五、數(shù)據(jù)預處理；六、根據(jù)公式計算獲得負荷特征；七、負荷識別；八、將識別結(jié)果與居民用電行為相結(jié)合；九、輸出結(jié)果。

下面對這九個步驟作詳細說明。

一、用戶用電行為習慣統(tǒng)計。

由于空調(diào)、洗衣機、電冰箱、日光燈、電磁爐、熱水壺、吹風機、電飯鍋、筆記本、充電器等家用電器，各自功能不同，因而使用時間存在差異，通過分析，可以用來輔助區(qū)分電器類型。例如日光燈、電視機、計算機在某個特定時段必須使用的，在其他時間段則沒有必要使用。凌晨0:00-6:00這段時間，用戶都在休息，只有在夏天和冬天會使用到冷氣、取暖器之類等大功率電器，及其全天候24小時都需要使用的電冰箱，一般沒有其他的用電消耗，因此，這個時段的電器十分容易區(qū)分。早晨6:00-8:00這段時間居民開始起床，需要刷牙、洗臉、吃早飯，上班上學，這時將使用到的電器有日光燈、電茶壺，由于電茶壺和日光燈的功率相差很多，十分容易區(qū)別。白天8:00-18：00這段時間家中沒人，只有電冰箱在工作。傍晚18:00-19:00，這段時間用戶已經(jīng)下班或者放學回到家中，電茶壺、電磁爐、電飯鍋、日光燈等電器開始運作，進入用電高峰，這個時候需要結(jié)合各項電流特征進行判別。晚上19:00-24:00吃過晚飯之后，用戶開始整理家務以及進行娛樂活動，日光燈、洗衣機、電視機、計算機開始進入工作狀態(tài)，由于整流類電器開始進入工作狀態(tài)，電流將會存在明顯的波紋以及脈沖，可以加以區(qū)分。

利用智能插座、電能表或調(diào)查等方式可以分析電器的運行時間和消耗功率，確定人們在各時間段開啟電器種類的組合概率(第一數(shù)據(jù))，為后面的負荷識別準備數(shù)據(jù)。

二、經(jīng)典負荷波形采集。即，分別監(jiān)測典型用電負荷的電壓、電流波形；

三、建立標準特征數(shù)據(jù)庫。即，采用特征提取算法提取典型用電負荷的穩(wěn)態(tài)特征(有功功率，電流各次諧波)，建立用電負荷標準特征數(shù)據(jù)庫。

四、對負荷進行數(shù)據(jù)采集。即，采用非侵入式負載監(jiān)測的采集方式，獲取電力供給入口處采樣的電壓離散信號和電流離散信號。

五、數(shù)據(jù)預處理。

將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪，具體原理如下：

Kalman濾波是一種最優(yōu)估計方法，以最小均方差為最佳估計原則，利用遞歸的方法解決離散系統(tǒng)線性濾波問題，其核心內(nèi)容就是五個遞推公式，主要描述了兩個過程，即預測和修正。通過不斷地“預測——修正”的遞推方式進行計算，根據(jù)前一時刻估計值和最近時刻觀察數(shù)據(jù)來估計信號的當前值，實現(xiàn)時域濾波的目的。假設線性離散系統(tǒng)方程如下：

過程方程：X(k)＝AX(k-1)+BU(k-1)+W(k-1)

輸出方程：Y(k)＝CX(k)+v(k)

其中X為系統(tǒng)的狀態(tài)，A,B是由系統(tǒng)的結(jié)構(gòu)確定的矩陣，Y為觀測值，C為觀測矩陣，隨機變量W和V代表系統(tǒng)噪聲和觀測噪聲，且相互獨立，一般假定W和V服從正態(tài)分布，且系統(tǒng)噪聲和觀測噪聲的協(xié)方差陣分別為Q和R。

Kalman濾波算法就是要從觀測值Y中得到狀態(tài)X在最小均方差下的最佳逼近的估計值，其核心就是以下五個公式。

狀態(tài)預測方程：X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中U(k)是k時刻對系統(tǒng)的控制量，在該算法中沒有控制量，因此U(k)為0；X(k|k-1)是利用上一狀態(tài)預測的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果。

方差預測方程：P(k|k-1)＝AP(k-1|k-1)A^T+Q

式中P(k|k-1)是X(k|k-1)對應的協(xié)方差。以上兩個式子就是對系統(tǒng)的預測。

狀態(tài)估計方程：X(k|k)＝X(k|k-1)+K(k)(Z(k)-HX(k|k-1))

式中K(k)為卡爾曼增益，Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)。

濾波增益方程：K(k)＝P(k|k-1)H^T[HP(k|k-1)H^T+R]

此時，已得到了K狀態(tài)下最優(yōu)的估算值X(k|k)，但為了要讓卡爾曼濾波不斷地運行下去，直到系統(tǒng)過程結(jié)束，還要更新K狀態(tài)下X(k|k)的協(xié)方差。

方差迭代方程：P(k|k)＝[I-K(k)H]P(k|k-1)

其中，I為單位矩陣。當系統(tǒng)進入k+1狀態(tài)時，P(k|k)就是方差預測方差中的P(k-1|k-1)。以上三個式子就是對系統(tǒng)的修正，這樣，算法就可以自回歸地運算下去。

六、根據(jù)公式計算獲得負荷特征。

根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算家用電器總有功功率及電流各次諧波。

每個設備的功率信息也具有一定的疊加性，即認為總功率是每個設備功率的累加。因此可構(gòu)建如式(1)優(yōu)化目標函數(shù)對電力負荷功耗進行分解。

式中：Pi是數(shù)據(jù)庫第i個設備的功率；P為當前的功率；xi第i個設備的投切狀態(tài)。

當居民家用電器正常工作時，其穩(wěn)態(tài)基波電流與諧波電流具有周期性和規(guī)律性的特點，其電流可表示為

i_s(t)＝I_s1cos(ωt+θ_s1)+…+I_skcos(kωt+θ_sk)+… (2)

式中：i_s(t)為家用電器某一種穩(wěn)定工作狀況時的電流瞬時值；I_s1是工作電流中基波分量的幅值；ω為工作電流中的基波分量的角頻率；θ_s1為工作電流中的基波分量的初相角；k為整數(shù)，表示諧波次數(shù)，當k＝1時，表示基波；I_sk為工作電流中的第k次諧波分量的幅值；θ_sk為工作電流中的第k次諧波分量的初相角。

設某一居民家庭用戶共有m類主要家電設備，共n種不同的單獨工作狀態(tài)，忽略功率較小的家用電器工作狀態(tài)，根據(jù)穩(wěn)態(tài)電流的線性疊加性可知，非侵入式硬件設備采集到的居民家庭總的電流近似等于這n種工作狀態(tài)的線性疊加，即

i_L(t)＝x₁i_s1(t)+x₂i_s2(t)+…+x_ni_sn(t) (3)

式中：i_L(t)為家庭的總電流，i_s1(t),i_s2(t),…,i_sn(t)分別為第1,2,…,n種家用電器工作狀態(tài)電流，x₁,x₂,…,x_n∈{0,1}分別表示第1,2,…,n種家用電器工作狀態(tài)，其值為0時表示該家用電器該狀態(tài)未工作，其值為1時表示家用電器該狀態(tài)正在工作。

用相量法來表示，式(3)可表示為

式中：h為奇數(shù)，因為電網(wǎng)中偶次諧波含量很少，所以主要分析家電穩(wěn)態(tài)電流奇次諧波分量；x₁,x₂,…,x_n∈(0,1)是方程組的待求變量；等式左側(cè)矩陣中的元素都是通過在線實測得到的已知量，等式右側(cè)矩陣中的元素是通過離線統(tǒng)計得到的已知量。

(5)可簡記為：I_L＝I_S X

式中I_L為采集器采集到的家庭總電流，I_S為家電設備模型參數(shù)矩陣，X為各家用電器的工作狀態(tài)矩陣。因此，負荷識別問題轉(zhuǎn)化為求解最優(yōu)組合問題，取目標函數(shù)為：

Min d2＝||IL-IS X|| (5)

由于式(1)和式(5)屬于整數(shù)最優(yōu)化，為了尋找最優(yōu)解，本發(fā)明將上述兩種特征進行融合作為最優(yōu)化目標函數(shù)，并嵌入到粒子群算法的適應度函數(shù)中，通過PSO算法的求解找到最優(yōu)的x1,x2…,xn,實現(xiàn)非侵入式電力負荷在線分解。

七、負荷識別。

以第六步所確定的負荷識別特征，使用粒子群算法來進行負荷識別。

適應度函數(shù)的構(gòu)建：

本發(fā)明中，引入一個以正態(tài)分布形式的一個度量函數(shù)，其表達式如下：

f_i(d_i)＝exp{(-d_i/σ_i)},σ_i>0,i＝1,2

式中，參數(shù)σ_i標準差，用來調(diào)整分布。顯然，其f_i(d_i)值由d_i和σ_i共同決定。然后，將其以乘積的方式進行結(jié)合，得到PSO的適應度函數(shù):

σ1和σ2根據(jù)樣本數(shù)據(jù)庫進行人工設置。

具體步驟如下：

①初始化粒子群，包括群體規(guī)模N，每個粒子的位置x_i和速度V_i

②計算每個粒子的適應度值F_it[i]；

③對每個粒子，用它的適應度值F_it[i]和個體極值p_best(i)比較，如果F_it[i]>p_best(i)，則用Fit[i]替換掉p_best(i)；

④對每個粒子，用它的適應度值Fit[i]和全局極值g_best比較，如果F_it[i]>p_best(i)則用F_it[i]替g_best；

根據(jù)公式v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (6)

x_id＝x_id+v_id (7)

更新粒子的速度v_i和位置x_i；

⑥如果滿足結(jié)束條件(誤差足夠好或到達最大循環(huán)次數(shù))退出，否則返回②。

八、將識別結(jié)果與居民用電行為相結(jié)合。

本發(fā)明中，在粒子群算法中獲取3個最優(yōu)的結(jié)果(第二數(shù)據(jù))，然后再和居民用電行為習慣(第一數(shù)據(jù))通過權(quán)重比的形式相結(jié)合，最終確定識別的負荷種類。

本發(fā)明將有功功率融合進穩(wěn)態(tài)特征，并嵌入到粒子群算法的適應度函數(shù)中，通過粒子群算法的求解找到最優(yōu)的組合實現(xiàn)非侵入式電力負荷在線分解。

舉例說明：

設有s1,s2,s3三種設備，它們的開關(guān)組合有000-111，即十進制0到7.

假設在某一時刻測得的可能開關(guān)狀態(tài)為3、4、1，即011、100、001.

011對應的誤差為3 011對應的居民該時段用電行為概率為0.6

100對應的誤差為5 100對應的居民該時段用電行為概率為0.8

001對應的誤差為2 001對應的居民該時段用電行為概率為0.7

令x(n)＝c1*d+c2*g

在此例中取c1＝c2＝0.5,則有

x(1)＝0.5*2/3+0.5*0.6＝0.63

x(2)＝0.5*2/5+0.5*0.8＝0.6

x(3)＝0.5*2/2+0.5*0.7＝0.85

x(3)>x(1)>x(2)，確定設備開啟狀態(tài)為001，即只有設備s3開啟。

九、輸出結(jié)果。將識別出的負荷類型進行輸出。

本發(fā)明提出了一種基于用戶用電行為和負荷穩(wěn)態(tài)特征的非侵入式負荷識別方法，從電力供給入口處采集電壓離散信號和電流離散信號，來提取負荷特征，通過負荷預測與負荷識別相結(jié)合的方式實現(xiàn)負荷電能監(jiān)測，提高了非侵入式負荷識別方法識別負荷類型的準確度。

在本發(fā)明實施例中，REDD數(shù)據(jù)庫中所有的數(shù)據(jù)都是采用UTC(Universal Time Coordinated)時間戳來進行記錄的，通過相關(guān)工具將其轉(zhuǎn)換成對應的日期和時間，并對家庭中幾種電器(微波爐、電冰箱、洗碗機、電熱水器、家電一、家電二、家電三和家電四)的使用情況進行分析。本文通過對家庭一周內(nèi)采集數(shù)據(jù)進行分析，來獲取各個時間段案例中用到的各電器的使用情況，作為居民用電行為的依據(jù)。

用REDD數(shù)據(jù)作實驗仿真，并通過粒子群算法得到2個合理解，將其以權(quán)重的形式與居民用電行為相結(jié)合，得到最優(yōu)電力負荷分解結(jié)果。

根據(jù)本發(fā)明實施例，還提供了一種非侵入式負荷識別裝置。該非侵入式負荷識別裝置可以執(zhí)行上述非侵入式負荷識別方法，上述非侵入式負荷識別方法也可以通過該非侵入式負荷識別裝置實施。

圖4是根據(jù)本發(fā)明實施例的一種非侵入式負荷識別裝置的示意圖。如圖4所示，該裝置包括：統(tǒng)計單元10、建立單元20、獲取單元30、預處理單元40、計算單元50、第一識別單元60、第二識別單元70。

統(tǒng)計單元10，用于對用戶的用電行為習慣進行統(tǒng)計，得到第一數(shù)據(jù)。

建立單元20，用于建立用電負荷標準特征數(shù)據(jù)庫。

獲取單元30，用于獲取電力供給入口處采樣的電壓離散信號和電流離散信號。

預處理單元40，用于將采集到的電壓離散信號和電流離散信號進行預處理。

計算單元50，用于根據(jù)電力供給入口處的電壓離散信號中各個采樣點對應的瞬時電壓以及電流離散信號中各個采樣點對應的瞬時電流，計算負荷特征。

第一識別單元60，用于根據(jù)負荷特征進行負荷識別，得到第二數(shù)據(jù)。

第二識別單元70，用于將第一數(shù)據(jù)與第二數(shù)據(jù)進行加權(quán)，識別出負荷種類。

可選地，建立單元20包括：監(jiān)測子單元、建立子單元。監(jiān)測子單元，用于分別監(jiān)測典型用電負荷的電壓、電流波形。建立子單元，用于采用特征提取算法提取典型用電負荷的穩(wěn)態(tài)特征(有功功率，電流各次諧波)，建立用電負荷標準特征數(shù)據(jù)庫。

可選地，預處理單元40包括：去噪子單元。去噪子單元，用于將采集到的電壓離散信號和電流離散信號通過卡爾曼濾波器進行去噪。

可選地，第一識別單元60通過以下算法中的一種來根據(jù)負荷特征進行負荷識別：粒子群算法、遺傳算法、聚類算法。

可選地，負荷特征為總有功功率、電流各次諧波。

在本發(fā)明的上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關(guān)描述。

在本發(fā)明所提供的幾個實施例中，應該理解到，所揭露的技術(shù)內(nèi)容，可通過其它的方式實現(xiàn)。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可為個人計算機、服務器或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、只讀存儲器(ROM，Read-OnlyMemory)、隨機存取存儲器(RAM，Random Access Memory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。