一种基于V-I轨迹特征图像重构的组合特征设计方法与流程

一种基于v-i轨迹特征图像重构的组合特征设计方法
技术领域
1.本发明属于非侵入式负荷用电监测技术领域，尤其涉及一种基于v-i轨迹特征图像重构的组合特征设计方法。


背景技术：

2.非侵入式负荷用电监测技术(non-intrusive load monitoring，nilm)是了解用户用电特性的主要方法，其可完成负荷内部设备级的、细粒度的用电行为监测，为分析负荷用电行为、优化负荷用能模式提供数据上的依据和指导，是用户参与电网双向互动的重要支撑技术。
3.nilm通过在电力线入户处安装负荷监测装置，使用nilm软件对全屋电信号进行分析，即可完成负荷监测任务，实现对监测区域内电器的运行监测。nilm软件主要实现了数据采样与处理、电器运行特征提取、电器辨识3大功能步骤，其基本原理在于通过合适的方法从电器运行采样数据中提取电器运行特征，再使用智能算法是对电器运行特征进行识别，从而得知当前采样时间段下是监测区域内的哪一种电器在运行，进而综合多采样时间段的设备识别结果，实现对监测区域内电器的运行监测。
4.可见，电器运行特征的提取是nilm技术的关键环节，所提取的电器运行特征要能准确反映电器的运行特性，并且在不同类的电器间相互区别。目前，电器运行特征的提取一般通过特征指标或按特定方法构建的组合特征指标的计算实现，常用的电器运行单项特征包括功率类和波形类2类。
5.功率类特征反映了电器运行时的能耗特性，是最基本且十分常用的电器特征。其具有计算简便、所需数据量少的优点，但功率特征本身在区分不同类电器时的区分度有限，多适用于监测区域内电器的种类和数量较少，且各电器的功率值相互差别的应用场景。常用的功率类特征包括有功功率、无功功率、功率因数、功率波形和电量等。
6.波形特征一般指电器运行电流的波形特征，反映了电器内部电路的响应特性。因此，波形特征与电器的功能密切相关，往往能更准确的反映电器的运行特点，并具有一定的鲁棒性。常用的波形特征包括：1)峰值、均值、峰谷差等电流波形形态指标；2)电流谐波分量值及其含有率；3)电压-电流轨迹。电压-电流轨迹是指以电压、电流采样值分别作为横、纵坐标绘制的曲线，其可以有效反映负荷的动态阻性特性，是目前准确性较高的单项电器运行特征。
7.上述电器特征呈现出种类繁多、各有利弊的特点；与此同时，由于监测区域内不同设备的电能消耗模式和电路响应特性相互差别，同一设备特征对不同用电设备的适应性也不相同。因此，现有的相关技术方案大多采用设计组合电器特征的方式进行电器运行特征的提取，从而实现整体上对监测区域内各电器运行特点更为准确地描述。
8.目前，将功率特征类特征和波形类特征进行组合是一种主流的特征组合方式，现有的特征组合方式主要有：1)有功、无功功率和电压-电流轨迹；2)有功、无功、视在功率和电流幅值；3)有功、无功功率和总谐波失真系数等。其中，相比于第1种特征组合，第2种和第
3项种合特征在反映电器运行特性的准确度上较差，近年来应用较少。
9.对于有功、无功功率和电压-电流轨迹这一种特征组合方式而言，由于有功、无功功率是数值形式的电器运行特征，而电压-电流轨迹是图像形式的电器运行特征，两类特征在融合时存在一定困难，使得目前基于该组合电器运行特征的nilm方法多采用“两阶段识别”的模式，其步骤如下：
10.1)基于电器运行时的有功、无功功率特征，使用聚类算法、bp神经网络等以数值为方法输入的分类算法，对电器的种类进行初步的识别，其结果多指向几种电器。
11.2)在以上电器类别初步识别结果的基础上，基于电器运行时的v-i轨迹特征，使用卷积神经网络等以图像为方法输入的分类算法，对电器的种类进行精细辨识，其结果仅指向某一种电器。可见，上述“两阶段识别”的方法步骤较复杂，求解效率低。


技术实现要素：

12.本发明的目的在于提供一种基于v-i轨迹特征图像重构的电器运行特征提取方法，该方法实现数值形式的有功、无功功率特征与图像形式的v-i轨迹特征的融合，提升了方法的解算效率，同时仍保持了原nilm方法的电器辨识准确度。
13.为实现上述目的，本发明提供了一种基于v-i轨迹特征图像重构的组合特征设计方法，包括以下步骤：
14.s1：基于电器稳态运行时的电压、电流采样数据计算电器的有功、无功功率特征；
15.s2：基于电器稳态运行时的电压、电流采样数据计算电器的稳态v-i轨迹特征；
16.s3：以被监测区域内电器的有功、无功功率的最大值和最小值为基准，对步骤s1中所得的有功、无功功率特征值进行归一化，使其取值映射到区间[0,1]内；
[0017]
s4：将电器稳态v-i轨迹特征和映射后的有功、无功功率特征进行组合。
[0018]
作为进一步技术改进，所述基于电器稳态运行时的电压、电流采样数据计算电器的有功、无功功率特征，包括以下步骤：
[0019]
通过快速傅里叶变换对电压、电流采样数据进行分解变换，得到基波和各次谐波电压、电流的有效值和相位，计算有功、无功功率特征值；
[0020]
设快速傅里叶变换后的k阶频域信号为x(k)＝ak jbk，则其模值与相角为|x(k)|和arg(x(k))；经过快速傅里叶变换分解后的各次电压、电流有效值与相角的计算如式(1)-(3)所示：
[0021][0022]
[0023][0024]
其中，v
(0)
和i
(0)
分别为基波电压、电流的有效值；v
(k)
和i
(k)
分别为k次谐波电压、电流的有效值；和分别为k次谐波电压、电流相位角；n为信号采样长度；
[0025]
根据快速傅里叶变换理论，时域电压、电流信号可表示为：
[0026][0027][0028]
其中，f为电信号的频率；
[0029]
计算电器的有功、无功功率特征，如式(6)-(7)所示。
[0030][0031][0032]
作为进一步技术改进，所述基于电器稳态运行时的电压、电流采样数据计算电器的稳态v-i轨迹特征，通过设备v-i轨迹有效反映负荷的动态阻性特性；所述设备v-i轨迹是指以设备运行电压、电流的采样值分别作为横、纵坐标绘制的曲线，所述设备v-i轨迹的构建方法包括以下步骤：
[0033]
s2.1：提取负荷运行稳定后的一个完整周期内的所有电压和有功电流数据，然后对提取的数据进行归一化处理，其计算公式为：
[0034][0035][0036]
式中，i(t)和v(t)分别为一个完整周期内在t时刻的采样点的电流值和电压值；i
min
和i
max
分别为一个周期内电流的最小值和最大值；v
min
和v
max
分别为一个周期内电压的最小值和最大值；
[0037]
s2.2：设置设备v-i轨迹的v-i轨迹图，所述v-i轨迹图的分辨率设为32
×
32dpi，将归一化的电压、电流数据分别乘以32再向下取整，得到一组小于等于32的整数电压、电流数据(i
mn
,v
mn
)；
[0038]imn
＝floor(im×
32)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0039]vmn
＝floor(vm×
32)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0040]
式中，floor(
·
)表示向下取整函数；
[0041]
s2.3：创建一组32
×
32的零矩阵，将步骤s2.2中所得的电压、电流数据值所指向的零矩阵中的第i
mn
行、第v
mn
列元素赋值为1，如此重复直至遍历步骤s2.2中所得的所有电压、
电流数据，即可得到设备的v-i轨迹矩阵a。
[0042]
作为进一步技术改进，所述以被监测区域内电器有功、无功功率的最大值和最小值为基准，对步骤s1中所得有功、无功功率特征值进行归一化，使其取值映射到区间[0,1]内，方法如下：
[0043][0044][0045]
其中，p
′
和q
′
分别为映射后的有功、无功功率特征取值；p和q分别为基于电器稳态运行时的电压、电流采样数据计算得到的有功、无功功率特征取值；p
max
和p
min
分别为被监测区域内电器有功功率的最大值和最小值；q
max
和q
min
分别为被监测区域内电器无功功率的最大值和最小值。
[0046]
作为进一步技术改进，所述将电器稳态v-i轨迹特征和映射后的有功、无功功率特征进行组合，包括以下步骤：
[0047]
s4.1生成一张34
×
32的全零值矩阵a
′
；
[0048]
s4.2将矩阵头部32
×
32区域的子矩阵替换为所述v-i轨迹矩阵a，将矩阵第33行元素的值全部替换为映射后的有功功率特征值p
′
，将矩阵第34行元素的值全部替换为映射后的无功功率特征值q
′
；
[0049]
s4.3：根据灰度图理论将矩阵转换为黑白图像，至此，实现基于v-i轨迹特征图像重构的电器运行特征提取。
[0050]
与现有技术相比，本发明具有以下有益的技术效果：
[0051]
本发明实现数值形式的有功、无功功率特征与图像形式的v-i轨迹特征的融合，简化了现有基于电器“功率 v-i轨迹”组合特征的nilm方法的步骤，提升了方法的解算效率，同时仍保持了原nilm方法的电器辨识准确度。
附图说明
[0052]
为了更清楚地说明本发明实施例，下面将对实施例所需要的附图作简要介绍，显而易见，下面描述中的附图仅为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前，可以依据此附图得到其他的附图。
[0053]
图1为基于v-i轨迹特征图像重构的nilm方法流程图。
[0054]
图2为现有基于电器“功率 v-i轨迹”组合特征的nilm方法流程图。
具体实施方式
[0055]
下面结合附图对本公开实施例进行详细描述。
[0056]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可
以相互组合。基于本公开中的实施例，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他实施例，都属于本公开保护的范围。
[0057]
实施例
[0058]
如附图1所示，本实施例提供了一种基于v-i轨迹特征图像重构的组合特征设计方法，包括以下步骤：
[0059]
s1：基于电器稳态运行时的电压、电流采样数据计算电器的有功、无功功率特征；
[0060]
s2：基于电器稳态运行时的电压、电流采样数据计算电器的稳态v-i轨迹特征；
[0061]
s3：以被监测区域内电器的有功、无功功率的最大值和最小值为基准，对步骤s1中所得的有功、无功功率特征值进行归一化，使其取值映射到区间[0,1]内；
[0062]
s4：将电器稳态v-i轨迹特征和映射后的有功、无功功率特征进行组合。
[0063]
所述基于电器稳态运行时的电压、电流采样数据计算电器的有功、无功功率特征，包括以下步骤：
[0064]
通过快速傅里叶变换对电压、电流采样数据进行分解变换，得到基波和各次谐波电压、电流的有效值和相位，计算有功、无功功率特征值；
[0065]
设快速傅里叶变换后的k阶频域信号为x(k)＝ak jbk，则其模值与相角为|x(k)|和arg(x(k))；经过快速傅里叶变换分解后的各次电压、电流有效值与相角的计算如式(1)-(3)所示：
[0066][0067][0068][0069]
其中，v
(0)
和i
(0)
分别为基波电压、电流的有效值；v
(k)
和i
(k)
分别为k次谐波电压、电流的有效值；和分别为k次谐波电压、电流相位角；n为信号采样长度；
[0070]
根据快速傅里叶变换理论，时域电压、电流信号可表示为：
[0071][0072][0073]
其中，f为电信号的频率；
[0074]
计算电器的有功、无功功率特征，如式(6)-(7)所示。
[0075]
[0076][0077]
所述基于电器稳态运行时的电压、电流采样数据计算电器的稳态v-i轨迹特征，通过设备v-i轨迹有效反映负荷的动态阻性特性；所述设备v-i轨迹是指以设备运行电压、电流的采样值分别作为横、纵坐标绘制的曲线，所述设备v-i轨迹的构建方法包括以下步骤：
[0078]
s2.1：提取负荷运行稳定后的一个完整周期内的所有电压和有功电流数据，然后对提取的数据进行归一化处理，其计算公式为：
[0079][0080][0081]
式中，i(t)和v(t)分别为一个完整周期内在t时刻的采样点的电流值和电压值；i
min
和i
max
分别为一个周期内电流的最小值和最大值；v
min
和v
max
分别为一个周期内电压的最小值和最大值；
[0082]
s2.2：设置设备v-i轨迹的v-i轨迹图，所述v-i轨迹图的分辨率设为32
×
32dpi，将归一化的电压、电流数据分别乘以32再向下取整，得到一组小于等于32的整数电压、电流数据(i
mn
,v
mn
)；
[0083]imn
＝floor(im×
32)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0084]vmn
＝floor(vm×
32)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0085]
式中，floor(
·
)表示向下取整函数；
[0086]
s2.3：创建一组32
×
32的零矩阵，将步骤s2.2中所得的电压、电流数据值所指向的零矩阵中的第i
mn
行、第v
mn
列元素赋值为1，如此重复直至遍历步骤s2.2中所得的所有电压、电流数据，即可得到设备的v-i轨迹矩阵a。
[0087]
所述以被监测区域内电器有功、无功功率的最大值和最小值为基准，对步骤s1中所得有功、无功功率特征值进行归一化，使其取值映射到区间[0,1]内，方法如下：
[0088][0089][0090]
其中，p
′
和q
′
分别为映射后的有功、无功功率特征取值；p和q分别为基于电器稳态运行时的电压、电流采样数据计算得到的有功、无功功率特征取值；p
max
和p
min
分别为被监测区域内电器有功功率的最大值和最小值；q
max
和q
min
分别为被监测区域内电器无功功率的最大值和最小值。
[0091]
所述将电器稳态v-i轨迹特征和映射后的有功、无功功率特征进行组合，包括以下步骤：
[0092]
s4.1生成一张34
×
32的全零值矩阵a
′
；
[0093]
s4.2将矩阵头部32
×
32区域的子矩阵替换为所述v-i轨迹矩阵a，将矩阵第33行元
素的值全部替换为映射后的有功功率特征值p
′
，将矩阵第34行元素的值全部替换为映射后的无功功率特征值q
′
；
[0094]
s4.3：根据灰度图理论将矩阵转换为黑白图像，至此，实现基于v-i轨迹特征图像重构的电器运行特征提取。
[0095]
对比文献“王守相,郭陆阳,陈海文,邓欣宇.基于特征融合与深度学习的非侵入式负荷辨识算法[j].电力系统自动化,2020,44(09):103-110.”所提基于电器“功率 v-i轨迹”组合特征的nilm方法，根据文献所述，该nilm方法在测试数据集上的电器辨识平均准确度为90％。
[0096]
基于本发明简化的nilm方法。采用与上述文献相同的测试数据对简化nilm方法的电器辨识准确度进行验证，得到电器辨识的准确度统计结果如表1所示，其平均准确度可达90.5％，提高了准确度。
[0097]
表1基于v-i轨迹特征图像重构的nilm方法的电器识别准确度
[0098][0099]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。