[发明专利]一种非侵入式负荷监测方法

说明书

本发明涉及一种非侵入式负荷监测方法，包括：步骤S1，使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型；步骤S2，采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数；步骤S3，根据步骤S1和步骤S2的结果，采用决策树和最近邻分类器进行机器学习的协同训练；步骤S4，采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型。本发明鲁棒性强，不受噪声干扰，降低信号被噪声污染的影响。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种非侵入式负荷监测方法。

背景技术

随着能源互联网时代的到来，清洁发电、高效配电、便捷用电等方面给智能电网带来了全新的变革。非侵入式负荷监测技术(Non-intrusive electric load monitoringsystem，NILMS)作为一种比较前沿的监测电气设备工作情况的技术，无需“近负荷”安装传感设备，仅仅通过监测和分析配电进线处的电压、电流等信号，获取用户内部表征不同类型负荷用电行为的负荷特征。该技术将会在提高负荷预测精度、帮助用户优化用电及节能、辅助盗电监管和设备故障检测等领域中展现其优良的性能，是目前电网配电侧智能化研究的热点。

由于非侵入式负荷监测技术仅以入口处电流、电压等电力信息进行分析获得内部负荷种类、能耗等，因此其准确率通常受负荷特征、负荷辨识算法的影响。对此，国内外相关学者进行了广泛且深入的研究，提出了许多效果卓越的辨识方法。非侵入式负荷辨识算法可以分为三大类，第一类是以k-means为代表的非监督学习聚类，第二类是以训练学习为依据的监督学习方法，另外一类是以小样本为学习对象面向大样本的半监督学习。非监督学习聚类在数据集比较分散的情况下会出现问题，而监督学习方法需要投入大量的人力去标记样本，并且无自主学习能力。

目前，半监督学习算法已在多方面的研究领域中展现其优良的性能。半监督式机器学习技术由于其通过协同训练两个分类器，能处理没有标记的记录和需要进行预测的两类未标记数据的能力而受到广泛关注。但是现有技术中，单纯的半监督机器学习仍未表现出其优势特征，在学习过程当中仍需投入大量人力来做标记。

发明内容

本发明所要解决的技术问题在于，提供一种非侵入式负荷监测方法，鲁棒性强，不受噪声干扰。

为了解决上述技术问题，本发明提供一种非侵入式负荷监测方法，包括：

步骤S1，使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型；

步骤S2，采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数；

步骤S3，根据步骤S1和步骤S2的结果，采用决策树和最近邻分类器进行机器学习的协同训练；

步骤S4，采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型。

进一步地，所述步骤S2中，当长度为6时，低通滤波器的六个系数具有以下方程：

进一步地，将低通滤波器的六个系数的方程用参数a和b表示为：

对每一个参数a和b的组合，通过求解低通滤波器的六个系数的方程来获得对应的低通滤波器的系数集合，每一个解对应一个小波函数W。

进一步地，所述步骤S2使用相对偏差Δ即X和Z对应点的偏差的平方和与其平均值偏差的平方和来衡量误差大小，如下所示：

相对偏差Δ的值接近于0表示高度相似，反之，若值接近于1，则表示目标信号X与小波函数W的相似性不高；通过普式分析法搜索相对偏差Δ的最小值，获得匹配的小波函数W^*。