[发明专利]一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法

说明书

本发明公开了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测(NILM)方法，应用于智能电网技术领域，所述的方法包括：1)利用电流均方值的跳变量实现电器投切事件的检测；2)利用电流的可加性实现电器事件信号与叠加信号的分离；3)从事件电流中以电流基本周期(0.02s)为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P‑Q‑THD)；4)训练随机森林模型以预测事件样本从属于不同电器类型的概率，同时对不同设备类别单独训练权重自适应的k近邻(k‑NN)模型；5)预测时，采用随机森林模型预测事件样本从属于不同电器类型的概率排序，根据排序结果依次输入到对应的二分类模型进行分类。本发明所设计的NILM方案能够在1Hz的不同量级的电信号采样频率下保持高效电器事件识别性。

技术领域

本发明属于智能电网领域，特别涉及一种事件驱动的非侵入式电力负荷监测方法。

背景技术

人类对化石能源的大量消耗不但引发了能源危机的问题，更导致气候变化成为当今世界面临的另一大难题。可再生能源(例如太阳能，风能，地热能等)和提高能源利用效率是两种主要的提高能源的可持续性的方法。可再生能源的产生仍然十分有限且不是很稳定，因此对能源使用进行有效管理以提高能源效率是至关重要。作为智能电网的重要组成部分，负载监控(LM)正成为减少电网损耗和降低能耗的有效途径。从家庭消费者的角度来看，了解日常用电的详细信息、提供汇总和分解级别的能源账单可以通过引导用户的行为改变来减少能源消耗。从供电侧的角度看，通过构建消费者的行为分类模型，有助于他们结合消费者的需求以及电网负荷状况，通过“削峰填谷”的方式来平衡供需来维持电网的稳定。

LM分为以硬件为中心的侵入式负载监控(ILM)和以软件为中心的非侵入式负载监控(NILM)两种类型。传统的ILM相对较容易获取单个设备的消耗信息，但是其安装成本高且涉嫌侵犯用户隐私。相反，NILM仅需要通过智能计量设备在用户住宅电力入口处进行监控，安装和维护成本较低，具有高度可扩展性。有关于NILM的研究主要围绕着两个方面展开，分别是：(1)设备用电数据的获取以及设备负荷特征提取；(2)负荷识别与分解的模型的建立。在特征方面，现有大多数研究都只是基于暂态或基于稳态提取特征，而单一的使用暂态或者稳态特征都存在片面性，且都没有考虑时间维度。即使使用了暂稳态组合特征，也很难对多维度的组合特征进行联合地建模和挖掘。模型方面，无论是基于事件的还是非基于事件的NILM模型都存在一个共性：它们都在试图用一个通用模型去实现设备的分解与识别，而不具备有针对性，用所有类型的数据训练得到的通用模型实际上是对所有设备类型的一种折中，其目的是为了得到一种所有类型识别效果的全局最优，对单个类别来说往往不是最优的。不同类型设备具有不同的电气特性，例如加热器是一种纯电阻设备，而白炽灯与电风扇同属于线性设备。过去的研究很少有关于设备特征依赖性的研究。

基于以上问题，本发明提出了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方案。将基于事件的NILM多分类问题转化为多个二分类问题，采用随机森林模型预测事件样本从属于不同电器类型的概率，根据排序结果依次输入到对应的二分类模型进行分类，对不同设备类别单独训练独立二分类模型，得到各个设备类型识别的最优解。采用了一种可训练权重的k-NN模型，能够针对不同的设备类型自适应学习最优的特征权重，充分挖掘设备负载的个性化。

发明内容

为了解决上述不足，本发明提出了一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测识别方法。

为解决上述技术问题，本发明提供的技术方案主要包括以下步骤：

S1，利用电流均方值的跳变量实现电器投切事件的检测；

S2，利用电流的可加性实现电器事件信号与叠加信号的分离；

S3，从事件电流中以电流基本周期为单位提取两组电流轨迹特征，分别是电流波形多维度统计特征以及有功、无功功率和谐波含量特征(P-Q-THD)；