[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

说明书

本发明公开了一种基于支持向量机和V‑I曲线特征的负荷识别方法，涉及负荷识别系统技术领域，利用V‑I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点；运用V‑I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率，并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V‑I曲线不好识别小型负荷的缺点；通过基于SVM的负荷识别更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题，使得负荷识别的结果更具有准确性，提高辨识度。此外，本发明方法以非侵入式为出发点，具有经济实用、容易实现的特点。

技术领域

本发明涉及负荷识别系统技术领域，尤其涉及一种基于支持向量机和V-I曲线特征的负荷识别方法。

背景技术

随着电力系统网络的愈加成熟和人工智能快速发展，智能电网也随着二者的结合应运而生，慢慢地发展壮大。而在未来智能电网地规划里，是朝着一个完全自动化的电力传输网络方向发展的，具有监视和控制每个用户和电网节点，保证从电厂到终端用户整个输配电过程中所有节点之间的信息和电能的双向流动的能力。因此，这要求在电网终端要与用户之间形成良好互动，实现更好地用电管理和服务。随着非侵入式负荷监测系统(Non-intrusive Load monitoring system，NILMS)地提出，即在不侵入用户内部设备的前提下，进行负荷识别,得到用户实时用电功率组成。通过统计不同负荷的用电量,用户可以获知详细的电能消耗情况,有效管理用电行为。

在这其中，负荷印记(Load Signature，LS)的提取和良好的负荷识别分类器是决定负荷识别准确性的关键环节。当前国内外学者对基于稳态和暂态的负荷特征提取展开了一系列的研究，稳态特征包括功率、V-I波形、电压噪声和电流谐波等；暂态特征包括瞬时电压、瞬时功率、电压噪声、电流等。而随着机器学习的不断发展，包括线性分类器、支持向量机、神经网络等在内的分类器也广泛被应用于负荷识别中。但是因为不同类型负荷的单一负荷特征往往存在重叠情况，如果只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠，造成的误辨识对结果影响较大。

发明内容

本发明的目的在于提供一种基于支持向量机和V-I曲线特征的负荷识别方法，从而克服了现有只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠的缺点。

为实现上述目的，本发明提供了一种基于支持向量机和V-I曲线特征的负荷识别方法，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。

进一步的，所述用电数据包括：电流、电压及功率。

进一步的，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。

进一步的，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；