一种用于负荷识别的用电负荷特征画像的建立方法与流程

1.本发明属于电力技术领域，特别是涉及一种用于负荷识别的用电负荷特征画像的建立方法。


背景技术：

2.据统计，2009年起电气首次超过用火不慎，成为我国火灾的首要原因，到2016年，电气已成为三成以上亡人火灾的罪魁祸首，近十年间，全国共接报亡人火灾案件10815起，有15193人在火灾中遇难。目前针对用电安全问题大多分为侵入式和非侵入式监测，侵入式采用各类传感器、监控仪表等，在安装维护方面较为繁杂。非侵入式则是监测用户总运行数据，对数据进行分析、分解、识别，辨识判断出危险性负荷或故障电器，具有安装简单维护简单等优点。
3.专利202011391968.3公开了一种基于adaboost模型的负荷特征匹配方法，以负荷v
‑
i曲线轨迹中的图形特征作为识别样本，并为每种负荷定义识别标签，选定适宜的弱识别器，生成增强的强识别器，最终实现负荷识别。使用adaboost识别器可以提炼重要的训练数据特征，减小了训练的维度，加快了训练的速度，并提高了训练的精度。该方法的提出能够对负荷特征进行快速高效准确的匹配，具有良好的经济效益和实用价值。
4.但是，发明专利202011391968.3在实际的辨识中，需要积累一段时间的数据，不能满足特定场景对负荷识别实时性的需求，且该专利应用范围的前提是限定了电气设备的种类，对于新设备或未知设备，不能很好的实现负荷识别的功能。为此，我们提出了一种能够实时判别、快速切断危险性负荷的负荷识别方法。


技术实现要素：

5.本发明的目的在于提供一种用于负荷识别的用电负荷特征画像的建立方法，通过用电负荷特性分析，构建典型负荷模型，建立稳态特征和暂态特征以及时间序列特征提取，解决了现有的负荷识别方法不能满足特定场景对负荷识别实时性的需求，不能很好的实现负荷识别的功能的问题。
6.为解决上述技术问题，本发明是通过以下技术方案实现的：
7.本发明为一种用于负荷识别的用电负荷特征画像的建立方法，具体包括以下步骤：
8.第一步、用电负荷特性分析，构建典型负荷模型：通过对负荷的运行数据的分析，多个维度分析出负荷的特征，建立典型用电设备负荷的电气模型；
9.第二步、稳态特征的建立：运用多元高斯特征模型建立稳态特征的方法，从多维角度建立电气特征库，具体为：
10.采集各电气设备的稳态运行数据，建立多元特征，利用多元高斯分布模型对电气设备进行特征描述，进行样本数据分析；此建立过程由构建多元特征和取最小概率密度为参考边界阈值两大步骤组成；
11.所述多元特征包括有有功功率、无功功率、谐波电流和功率因数；
12.第三步、暂态特征的建立：采集时间序列内电气设备在启动瞬间的变化特征，增加负荷特征的辨识度；
13.所述变化特征包括有功功率的跳变、持续时间和曲线的拟合；
14.第四步、时间序列特征提取：提取的时间序列特征包括有功功率在时间序列上的变化特征、自身启停机的时间占比。
15.进一步地，所述多维角度的维度数量设置为7个，分别为功率、电压u、电流i、2次谐波电流i2、3次谐波电流i3、5次谐波电流i5和7次谐波电流i7；
16.其中，所述功率分为有功功率p和无功功率q。
17.进一步地，所述第二步中的构建多元特征，具体为：
18.均值μ＝(μ1,μ2,μ3,...,μ
p
)
t
，μ1，μ2...μ
p
分别指代各个维度的平均值；
19.对于p维高斯模型，n个样本点的集合y＝{x1,x2,x3,...,x
n
}，这些样本点在空间内构成簇，利用极大似然估计计算均值μ和协方差矩阵∑，数据点x
ip
通过p维列向量描述x
i
＝(x
i1
,x
i2
,......,x
ip
)
t
构成一个样本点，i＝1,2,3...，n。
20.进一步地，所述极大似然估计公式为：
[0021][0022][0023]
其中，所述μ均值，n为样本数，∑为协方差矩阵，x
i
为样本点。
[0024]
进一步地，所述第二步中的取最小概率密度为参考边界阈值，具体为：
[0025]
对于空间内的簇，以簇的边沿作为参考边界，落在边界内区域是对应电气设备的特征区域，利用概率密度函数计算各元素对应的概率密度值，取最小值为参考边界阈值。
[0026]
进一步地，所述概率密度函数为：
[0027][0028]
f
m
＝min(f(x
i
,μ,σ))，x
i
∈y
[0029]
其中，所述x
i
＝(x
i1
,x
i2
,......,x
ip
)
t
，f(x
i
,μ,σ)为各样本点对应的概率密度，取样本点中的最小概率密度值作为边界阈值f
m
，μ为均值，∑为协方差矩阵。
[0030]
本发明具有以下有益效果：
[0031]
1、本发明通过检测用户计量点处的基本电气参数，构建用电负荷的特征画像，使得电气设备具备良好的特征辨识度，为负荷识别提供支撑。
[0032]
2、本发明利用电气设备的稳态和暂态的运行数据，分别从多个维度构建稳态特征、暂态特征和时间序列特征，实现增加负荷特征的辨识度。
[0033]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0034]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
[0035]
图1为一种用于负荷识别的用电负荷特征画像的建立方法的流程图。
[0036]
图2为中值滤波前后对比图。
[0037]
图3为时间序列上的变化特征图。
[0038]
图4为豆浆机运行曲线图。
[0039]
图5为定频空调运行曲线图。
具体实施方式
[0040]
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，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0041]
请参阅图1
‑
5，本发明为一种用于负荷识别的用电负荷特征画像的建立方法，具体包括以下步骤：
[0042]
第一步、用电负荷特性分析，构建典型负荷模型：通过对负荷的运行数据的分析，多个维度分析出负荷的特征，建立典型用电设备负荷的电气模型；
[0043]
第二步、稳态特征的建立：运用多元高斯特征模型建立稳态特征的方法，从多维角度建立电气特征库，具体为：
[0044]
采集各电气设备的稳态运行数据，建立多元特征，利用多元高斯分布模型对电气设备进行特征描述，进行样本数据分析；此建立过程由构建多元特征和取最小概率密度为参考边界阈值两大步骤组成；
[0045]
多元特征包括有功功率、无功功率、谐波电流和功率因数。
[0046]
第三步、暂态特征的建立：采集时间序列内电气设备在启动瞬间内的变化特征，增加负荷特征的辨识度；
[0047]
变化特征包括有有功功率的跳变、持续时间和曲线的拟合。
[0048]
第四步、时间序列特征提取：提取的时间序列特征包括有功功率在时间序列上的变化特征、自身启停机的时间占比。
[0049]
电力负荷的特征选择是负荷识别中的重要一步，辨识度高的负荷特征对于负荷识别有着事半功倍的作用，能够更有利于区分不同种类的用电负荷。nilm中常用的电气特征主要分为稳态特征和暂态特征，稳态特征指电气设备稳定运行时出现的特有电气量，暂态特征指在电气设备启动或停止过程中出现的特有电气量。
[0050]
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点；
[0051]
中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信
号的边缘，使之不被模糊。
[0052]
优选地，多维角度的维度数量设置为7个，分别为功率、电压u、电流i、2次谐波电流i2、3次谐波电流i3、5次谐波电流i5和7次谐波电流i7；
[0053]
其中，功率分为有功功率p和无功功率q。
[0054]
优选地，第二步中的构建多元特征，具体为：
[0055]
均值μ＝(μ1,μ2,μ3,...,μ
p
)
t
，μ1，μ2...μ
p
分别指代各个维度的平均值；
[0056]
对于p维高斯模型，n个样本点的集合y＝{x1,x2,x3,...,x
n
}，这些样本点在空间内构成簇，利用极大似然估计计算均值μ和协方差矩阵∑，数据点x
ip
通过p维列向量描述x
i
＝(x
i1
,x
i2
,......,x
ip
)
t
构成一个样本点，i＝1,2,3...，n；
[0057]
极大似然估计公式为：
[0058][0059][0060]
其中，μ均值，n为样本数，∑为协方差矩阵，x
i
为样本点。
[0061]
优选地，第二步中的取最小概率密度为参考边界阈值，具体为：
[0062]
对于空间内的簇，以簇的边沿作为参考边界，落在边界内区域是对应电气设备的特征区域，利用概率密度函数计算各元素对应的概率密度值，取最小值为参考边界阈值；
[0063]
概率密度函数为：
[0064][0065]
f
m
＝min(f(x
i
,μ,σ))，x
i
∈y
[0066]
其中，x
i
＝(x
i1
,x
i2
,......,x
ip
)
t
，f(x
i
,u,σ)为各样本点对应的概率密度，取样本点中的最小概率密度值作为边界阈值f
m
，μ为均值，∑为协方差矩阵。
[0067]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0068]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。