[发明专利]一种基于支持向量机和V-I曲线特征的负荷识别方法

权利要求书

1.一种基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：包括以下步骤：

S1、获取用电数据获取，并进行预处理；

S2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；

S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；

S4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。

2.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述用电数据包括：电流、电压及功率。

3.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述S2中，通过功率的有效值变化判断事件发生，当所述功率的有效值变化大于阈值，则有事件发生，否则不存在事件发生。

4.根据权利要求3所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述判断方法包括：

设定S1预处理得到的视在功率：S₁，…，S_t，S_t+1，…；事件开始时间t_on为t秒，事件结束时间t_off为t+TL秒；事件探测窗每次移动的步长为L；

则总视在功率变化量ΔS_t＝S_t+1-S_t，S_t为t秒时的总视在功率；

当ΔS_t＞S_on1时，事件探测窗开始移动并计算ΔS_t+1，ΔS_t+2，…，直到ΔS_t+TL＜S_on1，S_on1为事件检测功率变化阈值，S_on2为能检测到的最小的事件功率变化值；

若S_t+TL-S_t＜S_on2，则有负荷在t～t+TL秒内发生状态变化，即不存在事件发生。

5.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取的方法包括以下步骤：

首先对事件前后T秒内的电压电流波形进行平滑和插值处理；

然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；

再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；

最后将V-I曲线的特征作为负荷印记。

6.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用谐波特征提取方法对事件发生后的电压电流信号进行特征提取的方法为：通过快速傅里叶变换将时域内的电流信号转换为频域内的频谱信号，如式(1)所示；

式(1)中，i₀为直流分量，i_k为第k次谐波电流幅值，kω为第k次谐波分量角频率，为第k次谐波分量初相角；从所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记。

7.根据权利要求6所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述谐波分量包括：谐波次数和谐波幅值。

8.根据权利要求7所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：谐波次数的第三次和第五次，谐波幅值为第六次谐波的幅值。

9.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述S4包括以下步骤：

S41、给定输入数据和学习目标：X＝{X₁,X₂,…,X₈}，y＝{y₁,y₂,…,y_N}，其中，y_i表示识别结果i＝1,2,…,8，N为用电器数；若输入数据所在的特征空间存在作为决策边界的超平面H，则超平面H将所输入的数据按正类和负类分开，并使任意样本的点到超平面H的距离大于等于1，则分类问题如式(2)所示：

式(2)中，ω、b分别为超平面的法向量和截距；

S42、最优分类超平面，得到分类间隔最大的超平面，则所述分类问题化简为如下最优化问题：

使用拉格朗日乘子法求解式(3)，以ω、b为变量引入拉格朗日乘子α_i≥0,i＝1,···,l得到：

将式(3)所描述的问题转化为对偶形式得：

y_i(ω·x_i+b)-1≥0,i＝1,···,l (7)

α_i≥0,i＝1,···,l (8)

α_i(y_i(ω·x_i+b)-1)＝0,i＝1,···,l (9)

式(5)和式(6)中，L_p为上述最优化问题的对偶形式的目标函数；

将式(5)、式(6)、式(7)、式(8)及式(9)进行化简得：

S43、对偶形式与原优化问题具有相同的最优点，于是原优化问题转化为：

S44、根据式(11)计算得到最优分类超平面的法向量：

最终的判别函数为：

式(13)中，z为样本点到超平面的距离；即通过f(z)得到SVM分类器分类结果。