[发明专利]一种基于均方根和标准差的非侵入式电器识别方法

摘要

本发明公开了一种基于均方根和标准差的非侵入式电器识别方法，通过对不同周期采集的数据进行了相似性判断，只针对不同的数据进行识别，相同的数据则不再重复识别，减少了算法的开销，减少了网络数据上传的流量，同时也可减小后续云端大量数据识别造成的服务器压力，通过不同周期数据的标准差结合电流有效值对电器进行了识别，仅使用了电器的暂态信号，对采集设备要求不是很高，同时算法简单，中利用功率大的电器对波形影响大的特点计算了电器解各电器的电流占比，并重组该解的电流幅值数据，计算得到了其标准差；再按标准差和均方根的分数找出了最优解，能很好地提升识别率准确率。

主权项

1.一种基于均方根和标准差的非侵入式电器识别方法，包括如下步骤：步骤1：选取常用家庭用电负荷作为研究对象，分别采集每种电器n个周期的电流电压幅值数据和基波电流有效值；计算每种电器的电流幅值最大值和最小值以及差值s1、电流有效值的最大值和最小值等数据；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据；步骤2：配置算法的参数：每种电器取值大小；其特征在于，还包括以下步骤：步骤3：算法运行，获取实测数据n个周期的电流电压幅值数据和基波电流有效值；计算电流幅值最大值和最小值以及差值s2；对电压进行相位对齐找到对应的电流起点并截取m个周期的电流幅值数据，计算m周期电流幅值数据的标准差std1，执行步骤4进行数据相似性判断；步骤4：计上次实测电流m周期的标准差为laststd，电流有效值为lastirms，本次电流有效值为irms，laststd与本次电流标准差std1之差的绝对值与标准差阈值Tstd进行对比，小于Tstd标记数据状态Status为False，反之标记状态Status为True；计电流波动阈值为Tirms；如果irms在区间[lastirms*(1‑Tirms)，lastirms*(1+Tirms)]之外，且状态Status为False，则修改Status为True；如果Status为True，认为数据发生了变化，修正lastirms＝irms，laststd＝std1，进入步骤5；Status为False认为数据未发生变化，返回步骤3；步骤5：算法根据电器取值大小生成解空间，电器数量解对应电器的名称，顺序固定；步骤6：遍历解空间变换得到的电器数量，计算该电器数量解下电器电流幅值的最大值与最小值等参数数据，并从步骤1中找到对应电器的电流有效值，计算总的电流有效值并得到各电器的电流占比；根据电流占比得到m周期内各点新的电流幅值数据,计算m周期电流幅值数据的标准差std2；步骤7：根据步骤3得到的参数数据与步骤6的参数数据进行对比，计算步骤6得到的电器数量解是否可行，若可行则行执行步骤8；不可行则返回一个固定值标记该解无效，继续遍历执行步骤6，如果所有解均无效则执行步骤9；步骤8：根据实测获取电流幅值数据与电器解计算得到的电流幅值数据，并对2组数据分别进行归一化处理，计算2组数据对应点之差绝对值并保存到列表Lt1，计算Lt1数据的均方根作为适应度f1，将该解的适应度及对应的解保存到列表L；步骤9：判断步骤7的列表L是否为空列表，若为空则给出界面提示并重新返回步骤3，否则执行步骤4；步骤10：对最终获取的电器适应度列表L按适应度f1排序，标记分数，f1越小，比分越高，计为Pf，按步长size1增减；遍历列表L，计算各适应度对应解的标准差std2与实测数据标准差std1之差的绝对值a1；再次对列表L按a1从小到大排序，标记分数，a1越小，比分越高，计为Pa，按步长size2增减，并计算各解总分Pt；再次对列表L按f1与a1之积fa1进行排序，排序后比较前2项的总分Pt是否一样，一样则取f1更小的一项为最优解，Pt不一样则取第一项为最优解，完成对电器的识别。