[发明专利]一种基于非侵入式负荷分解的家电智能识别与监测方法

权利要求书

1.一种基于非侵入式负荷分解的家电智能识别与监测方法，其特征在于，包括如下步骤：

1)利用互感装置分别采集不同家用电器不同工作状态的电气参数；

2)根据每个家用电器不同工作状态的电气参数提取该家用电器不同工作状态的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征，并建立负荷特征数据集；

3)利用互感装置采集家用电器供电总线上的电气参数；

4)对步骤3)得到的电气参数小波分解，获取单个家用电器的电气参数；

5)提取步骤4)得到的单个家用电器的电气参数的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征；

6)将单个家用电器的波形特征、P-Q特征、瞬时功率特征、周波特征和谐波特征与步骤2)所述的负荷特征数据集中的特征参数进行匹配，得到对应的家用电器的工作状态；

步骤2)和步骤5)中的：

(1)波形特征的提取是采用如下公式获得：

电流信号平均值：

电流信号均方根：

电流信号最大值：I_(MAX)ij＝max I_ij(t),t＝1,...,N

电流信号超调量：

其中，I_ij(t)为第i个设备中第j个状态t时刻的电流信号；N为时间总长度；AVG为平均值简称；RMS为均方根简称；MAX为最大值简称；

(2)P-Q特征的提取是采用如下公式获得：

有功功率平均值：

无功功率平均值：

功率因数平均值：

有功功率标准差：

无功功率标准差：

功率因数标准差：

其中，P_ij(t)为第i个设备中第j个状态t时刻的有功功率；Q_ij(t)为第i个设备中第j个状态t时刻的无功功率；F_ij(t)为第i个设备中第j个状态t时刻的功率因数；N为时间总长度；SD为标准差简称；

(3)瞬时功率特征的提取是采用如下公式获得：

P_ij(t)＝U_ij(t)I_ij(t)

其中，I_ij(t)为第i个设备中第j个状态t时刻的电流信号；U_ij(t)为第i个设备中第j个状态t时刻的电压信号；

(4)经过小波变换后电流、电压信号周波特征的提取是采用如下公式获得：

电流跨度ΔI_ij：

电压跨度ΔU_ij：

其中，为第i个设备第j个状态电流信号周波中第l次周波；为第i个设备第j个状态电压信号周波中第l次周波；N为时间总长度；

(5)经过小波变换后电流信号谐波特征的提取：

因为电流互感器采集的经过小波变换后电流信号是三角函数的线性组合，所以其电流信号I(t)可以用傅里叶级数表示为：

其中，f为电流信号频率；I(t)为电流互感器采集到的经过小波变换后电流信号；a_n为傅里叶级数中第n次奇次谐波分量的系数；b_n为傅里叶级数中第n次偶次谐波分量的系数；i₀/2为傅里叶级数中电流函数的直流分量；c_n为第n次谐波的幅值；

(5.1)根据用傅里叶级数表示的电流信号I(t)公式提取电流信号波形的谐波数据；

(5.2)计算每个时刻点的电流信号谐波数据的均值

其中，T表示时间总长度；第i个设备第j个工作状态中第l次谐波；

(5.3)利用主成分分析方法对电流信号谐波数据的均值进行分析

首先计算电流信号谐波数据的均值协方差矩阵，

其中，M表示数据维度，然后，计算电流信号谐波数据的均值协方差矩阵的特征值λ和特征向量ξ，在主成分分析计算特征向量之后，利用Mean-Shift算法对主成分特征向量进行浓缩，所述的Mean-Shift算法包括：

(5.3.1)在主成分中随机选择一个向量作为中心向量center；

(5.3.2)找出距离中心向量center在随机范围之内的所有向量，记做集合H，认为这些向量属于簇C；

(5.3.3)计算从中心向量center开始到集合H中每个向量的距离向量，将这些距离向量相加，得到向量shift；

(5.3.4)center＝center+shift，即center沿着shift的方向移动，移动距离是||shift||；

(5.3.5)重复第(5.3.2)～(5.3.4)步，直到shift的值很小，即迭代到收敛，此时集合M中所有元素即归为一类主成分，使得主成分得以浓缩。