基于非侵入式量测技术的居民节律检测方法技术

本发明专利技术公开了基于非侵入式量测技术的居民节律检测方法，该方法包括以下步骤：建立含已知负荷功率和电流谐波信息的原始负荷特征库，运用非监督学习方法构造每个用户独有的负荷字典；通过分析居民的实时用电数据，求解混合整数规划问题，即可得出居民房间内电器的种类和运行状态；设计基于电力大数据的决策树模型，对居民昼夜节律进行检测。本发明专利技术提供的基于非侵入式量测技术的居民节律检测方法能为相关政府、科研机构提供研究居民节律的基本数据，具有广大的社会价值和科研价值。

【技术实现步骤摘要】
基于非侵入式量测技术的居民节律检测方法
本专利技术涉及居民节律检测方法，具体涉及基于非侵入式量测技术的居民节律检测方法，属于智能物联网

技术介绍
现代社会随着人造光源和用电设备的普及和生活内容的丰富，人类社会一直以来的日出而作、日落而息的生活习惯被打破，作息时间越来越不规律。生物节律紊乱引起的早衰性疾病(包括卵巢早衰等)和代谢性紊乱疾病(包括糖尿病、肥胖症等)以及癌症的发病率正在逐年增加。随着这些健康问题的日益突出，人类生物节律相关的研究吸引着越来越多研究机构和学者们的关注。为了研究人的作息时间，需要一种长时间的、大规模的、可靠的、能代表普遍情况的数据来源，电力大数据就是一个绝佳的选择。随着电网的大规模升级，通讯技术的发展，智能电表和高级计量系统的不断普及，当前电力系统在提供可靠电能供给的同时能够提供巨量的用电数据。以往，这些数据主要被用在负荷预测、需求侧响应、智能用能管理等传统领域。而并没有将其应用于居民节律的检测，即通过对一个地区居民的用电情况进行研究处理和分析，进而得到大规模(百万甚至千万)人类样本的生物节律。凭借电力大数据，我们将发现几十年之内人类生物节律的变迁，将有能力研究人类生物节律紊乱与疾病和衰老之间的规律，将为未来智慧养老项目提供可靠的居民节律数据，推动未来大数据工程进步。
技术实现思路
本专利技术所要解决的技术问题是：提供基于非侵入式量测技术的居民节律检测方法，以非侵入的方式测出居民房间内电器的种类和运行状态，同时设计基于电力大数据的决策树模型，对居民昼夜节律进行准确检测，进一步提高未来社区网格化管理的效率。本专利技术为解决上述技术问题采用以下技术方案：基于非侵入式量测技术的居民节律检测方法，包括如下步骤：步骤1，根据已知电器的负荷功率信息和电流谐波信息建立原始负荷特征库，所述原始负荷特征库包括电器的有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流以及电器编号；步骤2，设定第一阈值，获取居民房间内所有电器整体的功率曲线，当功率曲线上前、后两个时刻的功率变化量超过第一阈值时，判断为有效功率变化，否则为无效功率变化；当判断为有效功率变化时，采用基于可变窗口的快速暂态事件检测方法判断功率曲线是否进入稳态；步骤3，对于居民房间内只有基波电流数据的负荷，依照其功率判别其种类；对于居民房间内的其他负荷，首先在原始负荷特征库中找到其有功功率和功率因数满足条件的类别，即其有功功率在满足条件的类别对应的有功功率下限和有功功率上限之间，其功率因数与满足条件的类别对应的功率因数相同，然后根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类；从而得到居民房间内所有负荷的种类；步骤4，对于居民房间内的每种负荷，获取其功率发生变化前的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，以及功率发生变化后的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，并计算其功率发生变化前后这四个数据对应的差值，采用非监督学习方法对所有差值进行训练，得到负荷字典；当检测到某个负荷存在至少两次功率变化时，将所有次功率变化对应的差值取平均再进行训练，得到负荷字典；步骤5，将居民房间内所有电器的用电数据用负荷字典的原子进行稀疏表示，用电数据包括有功功率、无功功率、基波电流、三次谐波电流、五次谐波电流、七次谐波电流，进行负荷分解，将上述负荷分解问题转化为混合整数规划问题，用L1范数求解方法求解混合整数规划问题，从而得到居民房间内所有负荷的运行状态；步骤6，根据居民房间内所有负荷的种类以及所有负荷的运行状态，构建决策树起床模型和决策树睡觉模型，根据决策树起床模型和决策树睡觉模型检测居民昼夜节律。作为本专利技术的一种优选方案，所述步骤1的具体过程如下：测量某个电器所有型号对应的负荷功率信息和电流谐波信息，包括有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流，对该电器的上述七个量进行概括，得到该电器的初始负荷特征；对所有电器重复前述操作得到初始负荷特征库，对初始负荷特征库中的数据进行归一化，并对每个电器进行编号，得到原始负荷特征库。作为本专利技术的一种优选方案，步骤2所述采用基于可变窗口的快速暂态事件检测方法判断是否达到稳态，具体过程如下：设定第二阈值，以功率曲线上功率发生跳变的时刻为中心，向左、右两边延伸窗口，当功率发生跳变的时刻左边相邻五个时刻对应的功率标准差小于第二阈值，且功率发生跳变的时刻右边相邻五个时刻对应的功率标准差小于第二阈值时，判断功率曲线进入稳态。作为本专利技术的一种优选方案，步骤3所述根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类，具体过程如下：对于待判别负荷，获取其负荷运行时的基波电流、三次谐波电流、五次谐波电流、七次谐波电流四个向量，对这四个向量进行归一化，计算归一化后的向量在各个满足条件的类别上的投影，选择投影结果最大时对应的类别作为待判别负荷的种类。作为本专利技术的一种优选方案，步骤6所述决策树起床模型的构建过程为：将时间、开灯、打开厨具、打开与起床有关的家用电器作为样本属性值，将是否发生起床事件作为标记值和预测目标，以信息增益最大为目标构造决策树起床模型。作为本专利技术的一种优选方案，步骤6所述决策树睡觉模型的构建过程为：将时间、关灯、关闭与睡觉有关的家用电器作为样本属性值，将是否发生睡觉事件作为标记值和预测目标，以信息增益最大为目标构造决策树睡觉模型。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术依靠电力大数据本身的可靠性和几乎24小时不间断的数据采集特性，分析“无法观测、大量、无偏、长时间、大范围”的人类节律，实现对节律的长期稳定的观测，为未来社区网格化管理、生物医学领域、政府民政系统等提供可靠的数据支持。2、本专利技术提供的基于非侵入式量测技术的居民节律检测方法能为相关政府、科研机构提供研究居民节律的基本数据，具有广大的社会价值和科研价值。附图说明图1是本专利技术基于非侵入式量测技术的居民节律检测方法的流程图。图2是负荷特征库的示例。图3是居民房间内冰箱打开时的整体功率曲线。图4是决策树模型结构。图5是决策树起床模型结构。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。如图1所示，为本专利技术基于非侵入式量测技术的居民节律检测方法的流程图，该方法的具体步骤如下：1、首先将字典学习算法应用于非侵入式量测技术，使得进行负荷分解时不必进行事件检测，而是直接用稳态数据得到负荷组成。根据已知负荷功率和电流谐波信息建立一个原始负荷特征库,并在此基础上运用非监督学习方法构造每个用户独有的负荷字典。本专利技术通过功率特征(包括有功功率和无功功率)和谐波特征相结合来识别和分本文档来自技高网...

【技术保护点】
1.基于非侵入式量测技术的居民节律检测方法，其特征在于，包括如下步骤：/n步骤1，根据已知电器的负荷功率信息和电流谐波信息建立原始负荷特征库，所述原始负荷特征库包括电器的有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流以及电器编号；/n步骤2，设定第一阈值，获取居民房间内所有电器整体的功率曲线，当功率曲线上前、后两个时刻的功率变化量超过第一阈值时，判断为有效功率变化，否则为无效功率变化；当判断为有效功率变化时，采用基于可变窗口的快速暂态事件检测方法判断功率曲线是否进入稳态；/n步骤3，对于居民房间内只有基波电流数据的负荷，依照其功率判别其种类；对于居民房间内的其他负荷，首先在原始负荷特征库中找到其有功功率和功率因数满足条件的类别，即其有功功率在满足条件的类别对应的有功功率下限和有功功率上限之间，其功率因数与满足条件的类别对应的功率因数相同，然后根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类；从而得到居民房间内所有负荷的种类；/n步骤4，对于居民房间内的每种负荷，获取其功率发生变化前的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，以及功率发生变化后的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，并计算其功率发生变化前后这四个数据对应的差值，采用非监督学习方法对所有差值进行训练，得到负荷字典；当检测到某个负荷存在至少两次功率变化时，将所有次功率变化对应的差值取平均再进行训练，得到负荷字典；/n步骤5，将居民房间内所有电器的用电数据用负荷字典的原子进行稀疏表示，用电数据包括有功功率、无功功率、基波电流、三次谐波电流、五次谐波电流、七次谐波电流，进行负荷分解，将上述负荷分解问题转化为混合整数规划问题，用L1范数求解方法求解混合整数规划问题，从而得到居民房间内所有负荷的运行状态；/n步骤6，根据居民房间内所有负荷的种类以及所有负荷的运行状态，构建决策树起床模型和决策树睡觉模型，根据决策树起床模型和决策树睡觉模型检测居民昼夜节律。/n...

【技术特征摘要】
1.基于非侵入式量测技术的居民节律检测方法，其特征在于，包括如下步骤：
步骤1，根据已知电器的负荷功率信息和电流谐波信息建立原始负荷特征库，所述原始负荷特征库包括电器的有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流以及电器编号；
步骤2，设定第一阈值，获取居民房间内所有电器整体的功率曲线，当功率曲线上前、后两个时刻的功率变化量超过第一阈值时，判断为有效功率变化，否则为无效功率变化；当判断为有效功率变化时，采用基于可变窗口的快速暂态事件检测方法判断功率曲线是否进入稳态；
步骤3，对于居民房间内只有基波电流数据的负荷，依照其功率判别其种类；对于居民房间内的其他负荷，首先在原始负荷特征库中找到其有功功率和功率因数满足条件的类别，即其有功功率在满足条件的类别对应的有功功率下限和有功功率上限之间，其功率因数与满足条件的类别对应的功率因数相同，然后根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类；从而得到居民房间内所有负荷的种类；
步骤4，对于居民房间内的每种负荷，获取其功率发生变化前的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，以及功率发生变化后的基波电流、三次谐波电流、五次谐波电流、七次谐波电流，并计算其功率发生变化前后这四个数据对应的差值，采用非监督学习方法对所有差值进行训练，得到负荷字典；当检测到某个负荷存在至少两次功率变化时，将所有次功率变化对应的差值取平均再进行训练，得到负荷字典；
步骤5，将居民房间内所有电器的用电数据用负荷字典的原子进行稀疏表示，用电数据包括有功功率、无功功率、基波电流、三次谐波电流、五次谐波电流、七次谐波电流，进行负荷分解，将上述负荷分解问题转化为混合整数规划问题，用L1范数求解方法求解混合整数规划问题，从而得到居民房间内所有负荷的运行状态；
步骤6，根据居民房间内所有负荷的种类以及所有负荷的运行状态，构建决策树起床模型和决策树睡觉模型，根据决策树起床模型和决策树睡觉模型检测居民昼夜节律。


2.根据权利要求1所述基于非侵...

【专利技术属性】
技术研发人员：胡秦然，任鹏宇，王竞泽，许汪洋，于子韵，刘汉仪，薛惠文，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32