一种非侵入式电力负荷识别方法技术

本发明专利技术公开了一种非侵入式电力负荷识别方法，包括如下步骤：步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；步骤2：利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；步骤3：采用k‑means聚类法对待分类样本特征进行优化；步骤4：用欧式距离最近匹配原则进行识别。该方法解决了现有技术中当噪声信号，干扰信号存在时电力负荷识别精确度不高的问题。解决了用电器的有功无功功率接近时，辨识效果较差的问题。提高了非侵入式电力负荷分解的准确性与分解效率。

A noninvasive power load identification method

【技术实现步骤摘要】
一种非侵入式电力负荷识别方法
本专利技术属于智能用电及能效监测
，具体涉及一种非侵入式电力负荷识别方法。
技术介绍
非侵入式电力负荷识别技术也称为非侵入式电力负荷监测技术，是一种通过在居民电力用户入口处安装一个监测装置对用户总端口的用电信息进行采集，分析入口处总电流、总电压的信息来辨识居民用户每个或每类用电器的启停状态和工作状态。通过该项技术，可以将用电器的使用结果反馈给用户从而对用户的用电行为进行指导，有利于促进用户节约用电，实现节能降耗。相比于传统的侵入式监测技术，该项技术的实现，不需要安装大量的传感器或者监测设备，大大减少了安装成本以及后期维护的时间与费用。具有结构简单、安装调试方便、经济成本低、覆盖范围广、可靠性强的优势。对于个体用户:可以根据监测信息及时了解用电器的工作状态，便于自主优化用电行为以节约电能；同时可以帮助用户快速准确清除电器故障，提髙生活质量。对于工厂，公共建筑场所：通过该项技术可以科学地制定规划方案、提供用电建议；对停电故障做出准确监测和定位；设定安全容量报警，保证电力线路的安全，发现隐蔽性用电情况。在能效智能监测管理方面：该项技术在负荷实时电量统计、历史数据查询分析及用电预测、能耗评价、用电行为监控、节能策略执行情况校核，数据驱动的高级分析等方面发挥着重要的作用。该项技术对于我国绿色、持续、可协调发展、推进能源生产和消费革命具有非常重要的使用价值和研究意义。现有的非侵入式电力负荷识别技术主要是根据电力负荷的电气特征建立电力负荷模型，然后利用模式识别，优化技术实现电力负荷的分解，大多数的辨识是针对单一用电器的识别。同时，大多数的研究并没有很好地解决高噪声，大功率非平稳负荷波动干扰下多类负荷混合运行中的负荷分解。在实际的使用过程中，由于噪声，干扰信号的存在负荷的识别率大大降低。
技术实现思路
本专利技术的目的是提供一种非侵入式电力负荷识别方法，解决了现有技术中当噪声信号、干扰信号存在时电力负荷识别精确度不高的问题。本专利技术所采用的技术方案是，一种非侵入式电力负荷识别方法，包括以下步骤：步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；步骤2：利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；步骤3：采用k-means聚类法对待分类样本特征进行优化；步骤4：用欧式距离最近匹配原则进行识别。本专利技术的特点还在于：步骤2的具体过程为：步骤2.1：确定分解信号的长度L定义一个周期的采集信号由至少600个负荷数据点够成，待分解的信号的长度至少为一个周期的信号长度，选定信号的长度L，长度为L的用电器的电流信号为x(t)；步骤2.2：根据信号的极大值，极小值点绘制信号的包络曲线，求出信号上下包络线的平均值，获取信号h1(t)；步骤2.3：将两个连续筛选的分解信号的标准差作为迭代停止的判定准则，将h1(t)当作信号x(t)，重复步骤2.2，经过k次重复，直至得到的信号h1k(t)满足迭代停止的判定准则停止迭代；步骤2.4：将信号h1k(t)从原始信号中分离，对剩余的信号分量r1(t)进行EMD分解，得到待分类样本特征。步骤3的具体过程为：步骤3.1：确定聚类的类别数目K；K＝2n；步骤3.2：从分解后的每类负荷样本中任意选择一组负荷特征作为聚类的初始中心。步骤4的具体过程为：步骤4.1：对待分类数据进行遍历，根据最近匹配原则，计算数据到各个聚类中心的距离，根据距离的大小，将数据划分到离它最近的聚类中心；步骤4.2：计算每个聚类中心的平均值，将聚类中心的平均值作为新的聚类中心，并判断聚类函数是否满足收敛条件或者满足迭代次数，如果满足则将步骤4.1得到的聚类结果作为样本特征，否则重复步骤4.1；步骤4.3：比较待分类样本特征与特征库中的样本特征之间的欧氏距离进行分类，通过计算待识别用电器的特征分量与特征库中的特征分量之间的欧式距离，将计算后的欧式距离进行从小到大的排序，距离哪个特征最近则待识别的特征就是哪一类。步骤1中的采集装置为STM32的非侵入式电力负荷采集装置，所述电流特征为离散序列。本专利技术的有益效果是：本专利技术一种非侵入式电力负荷识别方法通过对用电器的电流信号或者功率信号进行采集，利用经验模态分解方法(EMD)对用电器的电流特征进行分解提取特征，采用k-means聚类方法对特征进行优化，通过欧式距离最近匹配原则进行识别。该方法解决了现有技术中当噪声信号，干扰信号存在时电力负荷识别精确度不高的问题。解决了用电器的有功无功功率接近时，辨识效果较差的问题。提高了非侵入式电力负荷分解的准确性与分解效率。附图说明图1是本专利技术一种非侵入式电力负荷识别方法流程图；图2是采用经验模态分解法对用电器的电流特征进行分解的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种非侵入式电力负荷识别方法，如图1所示，包括如下步骤：步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；其中，步骤1中的采集装置为STM32的非侵入式电力负荷采集装置，所述电流特征为离散序列。步骤2：如图2所示，利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；步骤2.1：确定分解信号的长度L定义一个周期的采集信号由至少600个负荷数据点够成，待分解的信号的长度至少为一个周期的信号长度，选定信号的长度L，长度为L的用电器的电流信号为x(t)，本实施例中L＝1000；步骤2.2：根据信号的极大值，极小值点绘制信号的包络曲线，求出信号上下包络线的平均值，获取信号h1(t)：对信号x(t)进行曲线拟合，分别拟合出信号的上包络线eupp(t)、下包络线elow(t)。计算上下包络线的平均值而信号h1(t)为待分解的信号x(t)减去m1(t)得到的：即h1(t)＝x(t)-m1(t)；步骤2.3：将两个连续筛选的分解信号的标准差作为迭代停止的判定准则，判定准则的定义为：一般sd＝0.2～0.3，将h1(t)当作信号x(t)，重复步骤2.2，经过k次重复，直至得到的信号h1k(t)满足迭代停止的判定准则停止迭代；步骤2.4：将信号h1k(t)从原始信号中分离：令c1(t)＝h1k(t)，定义新的变量c1(t)就是从原始信号中分解到的第一个基本的特征分量，此信号中包含原始信号中最短的周期分量，将此信号c1(t)从原始的信号中进行分离得到信号r1(t)：r1(t)＝x(t)-c1(t)；对剩余的信号分量r1(t)进行EMD分解，得到待分类样本特征，即：rN(t)为经过N次分解后得到的剩余信号分量，原始电流信号x(t)并不能被完全的进行分解，rN(t)信号不可能为零，可以将得到的特征量的个数作为分解终止的条件。本专利技术将得到的前四本文档来自技高网...

【技术保护点】
1.一种非侵入式电力负荷识别方法，其特征在于，包括如下步骤：/n步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；/n步骤2：利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；/n步骤3：采用k-means聚类法对待分类样本特征进行优化；/n步骤4：用欧式距离最近匹配原则进行识别。/n

【技术特征摘要】
1.一种非侵入式电力负荷识别方法，其特征在于，包括如下步骤：
步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；
步骤2：利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；
步骤3：采用k-means聚类法对待分类样本特征进行优化；
步骤4：用欧式距离最近匹配原则进行识别。


2.如权利要求1所述的一种非侵入式电力负荷识别方法，其特征在于，所述步骤2的具体过程为：
步骤2.1：确定分解信号的长度L
定义一个周期的采集信号由至少600个负荷数据点够成，待分解的信号的长度至少为一个周期的信号长度，选定信号的长度L，长度为L的用电器的电流信号为x(t)；
步骤2.2：根据信号的极大值，极小值点绘制信号的包络曲线，求出信号上下包络线的平均值，获取信号h1(t)；
步骤2.3：将两个连续筛选的分解信号的标准差作为迭代停止的判定准则，将h1(t)当作信号x(t)，重复步骤2.2，经过k次重复，直至得到的信号h1k(t)满足迭代停止的判定准则停止迭代；
步骤2.4：将信号h1k(t)从原始信号中分离，对剩余的信号分量r1(t)进行EMD分解，得到待分类样本特征...

【专利技术属性】
技术研发人员：梁炎明，刘倩，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61