基于非侵入式负荷监测的低频数据商超用电行为检测方法

本发明涉及电力负荷监测与用电行为分析，尤其涉及一种基于非侵入式负荷监测的低频数据商超用电行为检测方法。

背景技术：

1、非侵入式负荷监测技术通过在用户总进线处采集用电数据，利用算法解析内部各类电器的运行状态和功率消耗，无需在每台设备上安装传感器，具有成本低、施工简单、用户接收度高的优势。该技术自上世纪80年代由hart教授提出以来，经过数十年的发展，已成为智能用电领域的重要研究方向。

2、目前，nilm技术已在家居场景中取得了较好的应用效果。国内外学者针对居民负荷提出了大量基于隐马尔可夫模型、深度学习及组合优化的负荷分解方法，能够有效识别冰箱、洗衣机、空调等家用设备的运行状态。部分研究已成功将卷积神经网络和序列到序列模型应用于居民用电数据的负荷分解，在公开数据集上取得了较高的识别准确率。

3、在商业建筑领域，已有少数研究尝试将nilm技术应用于负荷监测。部分文献提出了基于高频采样数据的商业楼宇负荷分解方法，通过采集电压、电流波形数据实现设备级别的用电监测。在工程应用方面，已有专利公开了基于非侵入式负荷监测的工商业设备故障诊断方法以及基于非介入式监测的商业场所违规用电识别系统，这些方案通常依赖高频数据采集设备或在用户侧安装专用监测终端。

4、面向商业用户场景的nilm应用仍面临诸多困难，现有技术方案主要存在以下不足：

5、其一，现有nilm方法多依赖高频采样数据，大量研究基于秒级甚至毫秒级的电压电流波形数据进行负荷识别，对数据采集硬件的采样频率和计算能力要求较高，需要部署专用采集设备。而目前商超普遍部署的智能电表通常以15分钟甚至更长时间间隔记录电能累计值，这些海量存在的低频数据在现有技术中尚未被有效利用。

6、其二，商业负荷与居民负荷存在本质差异。商业建筑中设备种类繁杂、功率等级跨度大，照明系统、空调主机、冷柜群组、电梯等设备同时运行，其负荷特征相互叠加，分解难度远高于居民场景。现有方法通常直接套用居民场景的nilm方案，未充分考虑商业负荷的特殊性，导致识别准确率偏低。

7、其三，商业负荷具有强时序关联性。商超中多个用电设备可能按固定工序或营业时段同时启停，例如照明系统、收银系统和空调主机通常在营业前集中启动，而居民负荷通常无此特征。现有方法通常假设各设备独立运行，未能充分利用这种时序关联性进行建模，在多设备同时启停的场景下分解精度下降。

8、其四，商超夜间用电行为监管缺乏有效的技术手段。部分商户利用夜间闭店时段进行“民电商用”违规用电，或存在夜间违规住人并使用大功率电器的安全隐患。传统电表仅能记录总用电量，无法提供设备级别的用电行为证据，导致现场稽查缺乏精准线索，现有nilm方案也较少针对夜间异常用电场景进行专项设计。

9、综上所述，亟需一种能够利用商超现有低频电表数据、充分考虑商业负荷特殊性与时序关联性、具有实际部署可行性的用电行为评估方法，以填补商业场景nilm应用的技术空白，并为违约用电稽查和设备安全管理提供可靠的技术支撑。

技术实现思路

1、本发明提供一种基于非侵入式负荷监测的低频数据商超用电行为检测方法，以克服上述技术问题。

2、为了实现上述目的，本发明的技术方案是：

3、一种基于非侵入式负荷监测的低频数据商超用电行为检测方法，具体包括以下步骤：

4、s1：以预置的间隔周期获取商超总进线处智能电表的低频数据；且所述低频数据包括电能累计值序列与三相电流数据以及功率因数数据；

5、s2：根据电能累计值序列获取电能增量序列；根据电能增量序列获取完整的平均功率序列；

6、s3：从s2获取的平均功率序列中，提取商超预设夜间时段的夜间平均功率序列；根据夜间平均功率序列构建判定基线区间，并采用滑动窗口机制对判定基线区间进行动态更新获取实时判定基线区间；

7、s4：基于所述实时判定基线区间，对实时获取的功率数据进行异常事件判定获取异常事件；并通过结合三相电流数据以及功率因数数据，对所述异常事件进行特征提取获取多维度电气特征向量；

8、且所述多维度电气特征向量包括有功功率增量、功率因数变化量、a相电流的变化量、c相电流的变化量、事件发生时间段的编码及事件持续时间；

9、s5：根据所述多维度电气特征向量构建设备特征矩阵；根据所述特征矩阵对异常事件进行聚类分析，获取异常事件聚类簇并配置异常设备类型标签；

10、s6：基于步骤s1实时采集待用电行为检测的测试事件数据，并根据步骤s2至s4获取对应的测试电气特征向量；基于测试电气特征向量与异常事件聚类簇中每个簇中心的欧式距离，将测试事件分配到距离最近的异常事件聚类簇中以输出对应的异常设备类型标签，进而实现基于非侵入式负荷监测的低频数据商超用电行为检测。

11、进一步的，所述s2具体包括步骤：

12、s21：根据电能累计值序列且获取电能增量序列，对应的表达式为：

13、

14、式中：表示相邻时刻电能累计值的差值且；表示第个间隔周期所对应的电能累计值；表示第个间隔周期所对应的电能累计值；

15、s22：对电能增量序列进行中值滤波处理，获取滤波电能增量序列；

16、s23：根据所述滤波电能增量序列，获取完整的平均功率序列且，对应的表达式为：

17、

18、式中：表示第个间隔周期所对应的平均功率；表示采样间隔时长。

19、进一步的，所述s3具体包括步骤：

20、s31：基于步骤s2提取商超预设夜间时段的夜间平均功率序列；根据夜间平均功率序列获取夜间有序序列且且；表示第个夜间时段的夜间功率；

21、s32：确认所述夜间有序序列是否服从正态分布；

22、若是，则构建判定基线区间为；表示夜间有序序列的均值；表示夜间有序序列的标准差；表示设计参数；

23、若否，则采用四分位距法构建判定基线区间为；q1表示第一四分位数；q3表示第三四分位数；表示四分位距且；

24、s33：采用滑动窗口机制对判定基线区间进行动态更新获取实时判定基线区间；且所述滑动窗口机制具体为：基于预设的时间窗口长度l对判定基线区间进行划分，获取窗口数据集；在每个预置更新周期到达时执行以下操作：将当前最新一个完整更新周期的夜间功率数据加入窗口数据集，同时剔除窗口内最早一个更新周期的夜间功率数据，并同步保持窗口数据集的总量恒定l以获取更新后的窗口数据集；基于更新后的窗口数据集，重复执行步骤s32，并在确认服从正态分布时，更新判定基线区间，或在确认不服从正态分布时，重新计算第一四分位数q1、第三四分位数q3以及四分位距iqr，进而更新判定基线区间。

25、进一步的，所述s4具体包括步骤：

26、s41：基于所述实时判定基线区间，对实时获取的功率数据进行异常事件判定获取异常事件，具体包括：

27、将实时获取的功率数据与建立的判定基线区间进行比较；

28、若实时功率高于实时判定基线区间的基线上界；则将对应的事件判定为高异常事件；

29、若实时功率低于实时判定基线区间的基线下界；则将对应的事件判定为低异常事件；

30、若实时功率位于实时判定基线区间内；则将对应的事件判定为正常背景负荷事件；

31、s42：将所述高异常事件与低异常事件统一定义为异常事件；

32、并通过结合三相电流数据以及功率因数数据，对所述异常事件进行特征提取获取多维度电气特征向量且；且所述多维度电气特征向量包括有功功率增量、功率因数变化量、a相电流的变化量、c相电流的变化量、事件发生时间段的编码及事件持续时间，其表达式为：

33、

34、

35、

36、

37、

38、式中：表示异常事件发生t时刻的功率；表示异常事件发生t时刻的功率因数；表示异常事件发生t时刻的a相电流；表示异常事件发生t时刻的c相电流；表示事件发生t时刻之前a相电流稳态均值；表示事件发生t时刻之前c相电流稳态均值；表示功率因数基准值；表示功率基准值；表示从事件首次超出基线区间的时刻t开始，到功率回落至基线区间内的时刻为止的持续时间。

39、进一步的，所述s5具体包括步骤：

40、s51：将m个异常事件的多维度电气特征向量按行排列，获取m6的设备特征矩阵；

41、s52：采用z-score标准化对设备特征矩阵进行归一化处理，获取归一化设备特征矩阵；

42、s53：基于肘部法则根据归一化设备特征矩阵确定k-means聚类算法的最优聚类数量k；

43、s54：采用k-means++算法对所述归一化设备特征矩阵进行聚类分析，获取异常事件聚类簇；

44、s55：获取每个异常事件所属异常事件聚类簇的簇标签、以及各异常事件聚类簇的簇中心在标准化空间中的特征向量；簇标签即为异常设备类型标签；

45、s56：将各簇中心从标准化空间还原至原始量纲空间，以得到各异常事件聚类簇的可解释中心特征向量；

46、s57：基于所述可解释中心特征向量，对各异常事件聚类簇配置异常设备类型标签。

47、进一步的，所述s6具体包括步骤：

48、s61：基于步骤s1实时采集的用于用电行为检测的测试事件数据，并根据步骤s2至s4获取对应的测试电气特征向量；

49、基于测试电气特征向量与异常事件聚类簇中每个簇中心的欧式距离；且所述欧式距离计算公式为：

50、

51、式中：表示事件特征向量即测试电气特征向量的第维分量；表示异常事件聚类簇中簇中心向量的第维分量；

52、s62：基于步骤s61计算得到各测试事件与各异常事件聚类簇中心的欧氏距离，将测试事件分配至距离最近的异常事件聚类簇，并以该聚类簇对应的异常设备类型标签作为该测试事件的分类结果；

53、s63：基于获取的分类结果，根据预设的结构化字段生成预警信息；且所述结构化字段依次包括事件发生时间、事件持续时段、功率增量数值、判定设备类型以及判定依据；进而实现基于非侵入式负荷监测的低频数据商超用电行为检测与预警。

54、本发明提供了一种基于非侵入式负荷监测的低频数据商超用电行为检测方法，其有益效果如下：

55、（1）根据电能累计值序列获取电能增量序列，根据电能增量序列获取完整的平均功率序列；本发明通过针对低频数据的差值-滤波-转换预处理顺序，即采用“先计算电能增量、再执行中值滤波、最后转换为平均功率”的处理顺序，其依据在于数据噪声主要源于电能计量环节，先在源头剔除异常值可避免其污染后续功率计算结果；若调换中值滤波与功率转换的顺序，异常值将先参与功率计算并污染功率序列，即使后续再滤波也无法修正已受污染的数据，实现了对低频数据的有效处理以便于后续商超用电行为的检测精度；

56、（2）根据夜间平均功率序列构建判定基线区间，并采用滑动窗口机制对判定基线区间进行动态更新获取实时判定基线区间；本发明通过iqr非参数化基线配合滑动窗口动态更新机制，能够实现判定基线区间的动态自适应更新，有效降低误报与漏报；

57、（3）对异常事件进行特征提取获取多维度电气特征向量；根据多维度电气特征向量进行聚类分析，获取异常事件聚类簇并配置异常设备类型标签；本发明通过事件前稳态基准的多维增量提取与聚类规则固化方法，能够进行多维度特征的融合，以实现设备级用电行为识别。