一种基于LMD和k近邻算法的非侵入式负荷监测方法技术

本发明专利技术公开了一种基于LMD和k近邻算法的非侵入式负荷监测方法，包括通过LMD算法将数据在保持原始信号的幅度和频率变化特性前提下自适应分解为多乘积分量，同时将数据集中的低维有功功率特征分解为多维特征分量，获得该功率数据对应的电气设备详细的负载特性；建立改进的k近邻算法模型，给定的测试样本，计算出待测样本与其多个相邻测试样本之间的欧式距离，将类别数量最多的标签识别为测试集数据的标签，并增加距离权重值再分类以减少在数据收集过程中误差扰动而导致的负荷识别错误；获取用户侧的功率数据，对功率数据特征分解后并带入训练好的模型；对分类结果采用余弦函数进行近似程度判断，并与相似度阈值进行比较，最后得到辨识结果。得到辨识结果。得到辨识结果。

【技术实现步骤摘要】
一种基于LMD和k近邻算法的非侵入式负荷监测方法


[0001]本专利技术涉及非侵入式负荷分解
，具体涉及一种基于LMD和k近邻算法的非侵入式负荷监测方法。

技术介绍

[0002]电力在日常生活和工业系统中无处不在，是社会稳定和幸福的重要因素。智能电力系统可以及时获取用户需求和电力分解情况。负荷监测是实现智能电力分解的关键步骤，因此负荷监测的重要性不言而喻。负载监测的方法可以分为两种：侵入式和非侵入式。侵入式负荷监测方法是在每个用户的电气设备上安装传感器，以获取运行数据。非侵入式负载监测(Non
‑
Intrusive Load Monitoring，NILM)不需要安装传感器。侵入式测量可以真实反映运行数据，但需要为所有用户安装监控设备，成本高，用户难以接受。NILM可以在不安装传感器的情况下实现诸如故障分析之类的电力分析，通过测量接入点的电气元件并分析单个电气设备的负载特性，实现了接入电气设备的识别。NILM不对用户设备进行任何更改，并保证正常用电，以实现用电分解。因此，随着智能电网的发展，NILM变得越来越重要。它使用户能够更好地了解自己的负荷特性，引导用户改变用电习惯，达到节能目的。负荷监测技术可以预测电力需求，更好地进行电力调度，减少不必要的能源消耗，实现发电端和用电端之间的良好互动。
[0003]NILM技术在国内外已发展多年，研究主要包括两个部分：一是样本特征提取的研究，使用不同的数据处理来获得特征信号；另一个是机器学习方法的研究。尽管学者们对这些部分进行了深入的研究，但不完整的样本或不显著的特征信号可能会导致较差的机器学习模型，使诊断结果不准确。负荷辨识算法在理论上已较为丰富，但在实际应用中尚未得到大规模的推广，因分类齐全、型号多样的负荷特征数据库较难建立，同时现有负荷辨识算法对于数据采样频率要求较高，所以在实际应用方面还有待加强。

技术实现思路

[0004]1.所要解决的技术问题：
[0005]针对上述技术问题，本专利技术提供一种基于LMD和k近邻算法的非侵入式负荷监测方法，在训练时间成本不增加的基础上，提高非侵入式负荷分解精度。
[0006]2.技术方案：
[0007]一种基于LMD和k近邻算法的非侵入式负荷监测方法，其特征在于：包括以下步骤：
[0008]步骤一、获取作为用户侧采集的功率数据的给定的测试样本；所述功率数据包括电流、电压的时序数据；
[0009]步骤二、通过LMD算法将步骤一获得的数据在保持原始信号的幅度和频率变化特性前提下自适应分解为多乘积分量，同时将数据集中的低维有功功率特征分解为多维特征分量，获得该功率数据对应的电气设备详细的负载特性；
[0010]步骤三、建立改进的k近邻算法模型，给定的测试样本，计算出步骤二得到的待测
样本与其多个相邻测试样本之间的欧式距离，将类别数量最多的标签识别为测试集数据的标签，并增加距离权重值再分类以减少在数据收集过程中误差扰动而导致的负荷识别错误；
[0011]步骤四：获取用户侧的功率数据，对功率数据基于步骤二的特征分解后并带入步骤三中训练好的模型；
[0012]步骤五、对步骤四后得到的分类结果采用余弦函数进行近似程度判断，计算待测样本的特征向量与特征库中该分类结果同种类别样本的均值点的近似程度，并与相似度阈值进行比较，最后得到辨识结果。
[0013]进一步地，步骤四中，用户侧的功率数据通过数据采集设备进行采集；所述数据采集设备包括智能用电设备、智能电表。
[0014]进一步地，步骤二具体包括以下步骤：
[0015]S21：对数据进行处理，通过分析训练样本数据集，对收集到的电气设备有功功率特性进行分解，计算每个采集周期的功率信号P(t)的局部平均函数m
11
(t)和包络估计函数a
11
(t)；其中第j个采集周期的局部平均值m
j
和局部振幅a
j
可以通过下面的方程得到：
[0016][0017][0018](1)式中，n
j
，n
j+1
分别表示第j、j+1个采集周期的功率数据的局部极值点；
[0019]按照时间的顺序依次连接局部均值m
j
和局部振幅a
j
，以获得局部均值函数m
j
(t)和包络估计函数a
j
(t)；
[0020]S22:如公式(2)计算出信号S
11
(t)，并以S
11
(t)作为原始信号重复上述过程，以迭代计算S
12
(t)
……
S
1n
(t)，直至S
1n
(t)是纯FM信号；在迭代过程中，将生成如公式(2)的一系列FM信号；
[0021][0022]S23:通过将包络信号a1(t)和FM信号S
1n
(t)相乘而得到第一个pf分量p1(t)；如下面的公式所示：
[0023]P1(t)＝a1(t)S
1n
(t)(3)
[0024]基于公式(3)依次得到PF分量k次循环即：p2(t)、p3(t)
…
p
k
(t)及其对应的平衡函数u(t)；
[0025][0026]经过k次循环迭代的分解后，原始的功率信号被分解为k个PF分量和一个余量u
k
(t)，即
[0027][0028]从而实现了基于LMD分解将数据集中的低维有功功率特征分解为多维特征分量。
[0029]进一步地，步骤三包括以下步骤：
[0030]S31:将给定的测试样本划分训练集与验证集，建立传统的k近邻算法模型；对于验证集中的待测样本，分析待测样本与训练集中所有样本z
j
的距离；其中采用欧式距离作为k近邻算法的距离衡量公式：
[0031][0032](6)式中，d
euc
表示待测样本和训练集中所有样本的距离；Z
l
表示待分类样本的第L个特征；z
lj
表示第j个训练样本的第l个特征，m表示训练样本的特征个数；
[0033]将所有待测样本与训练集中所有样本的距离的计算结果按照增序排列，在训练集中选择k个点与待测样本Z距离最小，含有这k个点的待测样本Z的邻域记作N
k
(Z)；最后在N
k
(Z)中将类别数量最多的标签识别为该待测样本Z的类别c
Z
，分类表决函数如下所示；
[0034][0035]式(7)中G为所有样本种类总合；class(c
zj
)为训练样本z
j
的种类；为逻辑函数，当其值为假时返回0，否则返回1，通过叠加计算确定k近邻数据中最多的类别，并认为该待测样本是此类别；
[0036]S32:按照距离递增排序选择前k个样本，并计算k个样本的距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LMD和k近邻算法的非侵入式负荷监测方法，其特征在于：包括以下步骤：步骤一、获取作为用户侧采集的功率数据的给定的测试样本；所述功率数据包括电流、电压的时序数据；步骤二、通过LMD算法将步骤一获得的数据在保持原始信号的幅度和频率变化特性前提下自适应分解为多乘积分量，同时将数据集中的低维有功功率特征分解为多维特征分量，获得该功率数据对应的电气设备详细的负载特性；步骤三、建立改进的k近邻算法模型，给定的测试样本，计算出步骤二得到的待测样本与其多个相邻测试样本之间的欧式距离，将类别数量最多的标签识别为测试集数据的标签，并增加距离权重值再分类以减少在数据收集过程中误差扰动而导致的负荷识别错误；步骤四：获取用户侧的功率数据，对功率数据基于步骤二的特征分解后并带入步骤三中训练好的模型；步骤五、对步骤四后得到的分类结果采用余弦函数进行近似程度判断，计算待测样本的特征向量与特征库中该分类结果同种类别样本的均值点的近似程度，并与相似度阈值进行比较，最后得到辨识结果。2.根据权利要求1所述的一种基于LMD和k近邻算法的非侵入式负荷监测方法，其特征在于：步骤四中，用户侧的功率数据通过数据采集设备进行采集；所述数据采集设备包括智能用电设备、智能电表。3.根据权利要求1所述的一种基于LMD和k近邻算法的非侵入式负荷监测方法，其特征在于：步骤二具体包括以下步骤：S21：对数据进行处理，通过分析训练样本数据集，对收集到的电气设备有功功率特性进行分解，计算每个采集周期的功率信号P(t)的局部平均函数m
11
(t)和包络估计函数a
11
(t)；其中第j个采集周期的局部平均值m
j
和局部振幅a
j
可以通过下面的方程得到：可以通过下面的方程得到：(1)式中，n
j
，n
j+1
分别表示第j、j+1个采集周期的功率数据的局部极值点；按照时间的顺序依次连接局部均值m
j
和局部振幅a
j
，以获得局部均值函数m
j
(t)和包络估计函数a
j
(t)；S22:如公式(2)计算出信号S
11
(t)，并以S
11
(t)作为原始信号重复上述过程，以迭代计算S
12
(t)
……
S
1n
(t)，直至S
1n
(t)是纯FM信号；在迭代过程中，将生成如公式(2)的一系列FM信号；
S23:通过将包络信号a1(t)和FM信号S
1n
(t)相乘而得到第一个pf分量p1(t)；...

【专利技术属性】
技术研发人员：李梓滔，任权策，刘昕禹，王子卓，朱瑞琪，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：