一种用于不同电负载(102、103、104)的系统(100)包括被构造为感测不同电负载中的每一个电负载的电压和电流信号(107)的传感器(106)；具有多个层(110)的分层负载特征数据库(108)，其中该层中的一个层(112)包括多个不同负载类别；以及处理器(114)。处理器从传感器中获得不同电负载中的对应一个电负载的电压和电流波形；将电压‑电流轨迹映射到包括多个单元的网格，向该单元中的每个单元分配0或1的二进制值；从被映射的单元的网格中提取多个不同特征作为不同电负载中的对应一个电负载的图形标记；从数据库中导出不同电负载中的对应一个电负载的类别；以及识别不同电负载中的对应一个电负载的多个不同电负载类型中的一个电负载类型。
1.一种用于识别多个不同电负载(102、103、104)的负载类型的系统(100)，该系统包括：多个传感器(106)，其被构造为感测该不同电负载中的每一个电负载的电压信号(107)和电流信号(107)；
分层负载特征数据库(108)，包括多个层(110)，所述层中的一层(112)包括多个不同负载类别；以及处理器(114)，其被构造(116)为：
从该传感器获取该不同电负载中的对应一个电负载的电压波形和电流波形；
将电压-电流轨迹映射到包括多个单元的网格，基于所述电压-电流轨迹是否穿过所述单元中的每个单元，所述单元中的每个单元被分配0或1的二进制值；
从该被映射的单元的网格中提取多个不同特征作为该不同电负载中的该对应一个电负载的图形标记；
从该分层负载特征数据库中导出该不同电负载中的该对应一个电负载的类别；以及识别该不同电负载中的该对应一个电负载的多个不同电负载类型中的一个电负载类型。
2.如权利要求1所述的系统(100)，其中该分层负载特征数据库包括所述层中的三个层；其中所述层的第一层(112，L1)包括该不同的负载类别；其中所述层的第二层(L2)包括所述不同负载类别中的每一个负载类别的多个不同的负载子类别；以及其中所述层的第三层(L3)包括所述不同负载子类别的该不同电负载类型。
3.如权利要求1所述的系统(100)，其中该不同负载类别包括电阻负载、电抗主导的负载、具有功率因数校正电路的电子负载、不具有功率因数校正电路的电子负载、包括使用变压器升高电压的线性电源的电负载、相角可控负载以及复合结构。
4.如权利要求1所述的系统(100)，其中所述不同特征是8个不同特征。
5.如权利要求1所述的系统(100)，其中所述网格包括限定所述单元的计数的第一水平轴和限定所述单元的所述计数的第二垂直轴；其中所述计数是正的复整数N；其中N＝2Δ+
1；并且其中所述不同特征是从分组中选择的，该分组包括：(1)位于该第一水平轴的第一位置和该第二垂直轴的位置Δ+1的该单元中的一个单元的二进制值；(2)位于该第一水平轴的位置Δ+1和该第二垂直轴的位置Δ+1的该单元中的一个单元的二进制值；(3)沿该网格中从左下角到右上角的对角线的所有单元的二进制值的乘积确定的二进制值，用于指示该电压-电流轨迹是线性(64)还是非线性；(4)所述单元的具有相邻坐标的连续统数，具有所有所述单元内的一个单元的二进制值，以指示该电压-电流轨迹和对应于该第一水平轴的该电压波形的最大值和最小值的平均的交点的数量；(5)该电压-电流轨迹的零或若干自相交点的计数；(6)该电压-电流轨迹与对应于该第一水平轴的该电压波形的最大值和最小值的平均的1.3倍线的交点的数量；(7)中心水平线-段(68)的存在，其占整个第一水平轴的至少30％并且如果该中心水平线-段的至少50％与该电压-电流轨迹的部分重叠；以及(8)位于该第一水平轴的该位置Δ+1和该第二垂直轴的第一位置的单元中的一个单元的二进制值。
6.如权利要求1所述的系统(100)，其中该电压波形和该电流波形的每一者包括形式为(vk,ik)的总共K个数据点，其中：k＝1，…，K；其中vk和ik分别是采样数据点k的电压值和电流值；其中通过下式计算该电压波形和该电流波形的最大值和最小值：vmax＝max vk；
其中v0和i0两者是该对应的最大值和最小值的平均值，其形成所述单元的该网格的中心点；其中Δ限定所述网格的尺寸；其中其中所述处理器进一步被构造成从该电压波形和该电流波形中生成两个序列，分别为：{v0-dv·Δ,v0-dv·(Δ-1),…,v0,…,v0+dv·(Δ-1),v0+dv·Δ}，以及{i0-di·Δ,i0-di·(Δ-1),…,i0,…,i0+di·(Δ-1),i0+di·Δ}；
其中所述两个序列中的每一个序列具有N＝2Δ+1个元素；其中所述单元的该网格包括具有N个所述单元的第一轴和具有N个所述单元的第二轴；以及其中向所述单元中的每一个单元分配位置值(v0+dv·x,i0+di·y)和二进制模型值Bx,y，其被初始化为0。
7.如权利要求6所述的系统(100)，其中所述处理器进一步被构造为将该电压波形和该电流波形的一个半周期映射到所述单元的该网格，并将所述K个数据点中的每一个数据点分配到所述单元中的具有所述二进制模型值Bx,y为1的对应一个单元。
8.如权利要求1所述的系统(100)，其中所述处理器进一步被构造为确定该被映射的电压-电流轨迹所包含的自相交点的数量。
9.如权利要求1所述的系统(100)，其中从监督自组织映射(SSOM)中导出该不同电负载类型中的该对应一个电负载类型的该类别。
10.如权利要求1所述的系统(100)，其中从使用竞争学习而训练的自组织映射(SOM)或自组织特征映射(SOFM)中导出该不同电负载类型的该对应一个电负载类型的类别。
11.一种用于识别多个不同电负载(102、103、104)的负载类型的方法，所述方法包括：感测(106)该不同电负载的每一个电负载的电压信号(107)和电流信号(107)；
提供包括多个层(110)的分层负载特征数据库(108)，所述层的一个层(112)包括多个不同负载类别；
用所述处理器获取该不同电负载中的对应一个电负载的电压波形和电流波形；
用所述处理器将电压-电流轨迹映射到包括多个单元的网格，基于所述电压-电流轨迹是否穿过所述单元中的每个单元，所述单元中的每个单元被分配0或1的二进制值；
用所述处理器从该被映射的单元的网格中提取多个不同特征作为该不同电负载中的对应一个电负载的图形标记；
用所述处理器从该分层负载特征数据库中导出该不同电负载中的该对应一个电负载的类别；以及用所述处理器识别该不同电负载中的该对应一个电负载的多个不同电负载类型中的一个电负载类型。
包括具有该电压波形和该电流波形的每一者的总共K个形式为(vk,ik)的数据点，其中k＝1,…,K；其中vk和ik分别是采样数据点k的电压值和电流值；其中通过下式计算该电压波形和该电流波形的最大值和最小值：vmax＝max vk；
其中v0和i0两者是该对应的最大值和最小值的平均值，其形成所述单元的网格的中心点；其中Δ限定所述网格的尺寸；其中以及
{v0-dv·Δ,v0-dv·(Δ-1),…,v0,…,v0+dv·(Δ-1),v0+dv·Δ}，以及{i0-di·Δ,i0-di·(Δ-1),…,i0,…,i0+di·(Δ-1),i0+di·Δ}；
其中所述两个序列中的每一个序列具有N＝2Δ+1个元素；其中所述单元的该网格包括具有N个所述单元的第一轴和具有N个所述单元的第二轴；以及其中向所述单元中的每一个单元分配位置值(v0+dv·x,i0+di·y)和二进制模型值Bx,y，其被初始化为0。
将该电压波形和该电流波形的一个半周期映射到所述单元的该网格；以及将所述K个数据点的每一个数据点分配到所述单元中的具有所述二进制模型值Bx,y为1的对应一个单元。
确定由该被映射的电压-电流轨迹所包含的自相交点的数量。
15.如权利要求11所述的方法，其中该分层负载特征数据库包括所述层中的三个层；其中所述层的第一层(112，L1)包括该不同的负载类别；其中所述层的第二层(L2)包括所述不同负载类别中的每一个负载类别的多个不同的负载子类别；以及其中所述层的第三层(L3)包括所述不同负载子类别的该不同电负载类型。
16.如权利要求11所述的方法，其中该不同负载类别包括电阻负载、电抗主导的负载、具有功率因数校正电路的电子负载、不具有功率因数校正电路的电子负载、包括使用变压器升高电压的线性电源的电负载、相角可控负载以及复合结构。
17.如权利要求11所述的方法，其中所述不同特征是8个不同特征。
18.如权利要求11所述的方法，其中所述网格包括限定所述单元的计数的第一水平轴和限定所述单元的所述计数的第二垂直轴；其中所述计数是正的复整数N；其中N＝2Δ+1；
并且其中所述不同特征是从分组中选择的，该分组包括：(1)位于该第一水平轴的第一位置和该第二垂直轴的位置Δ+1的该单元中的一个单元的二进制值；(2)位于该第一水平轴的位置Δ+1和该第二垂直轴的位置Δ+1的该单元中的一个单元的二进制值；(3)沿该网格中从左下角到右上角的对角线的所有单元的二进制值的乘积确定的二进制值，用于指示该电压-电流轨迹是线性(64)还是非线性；(4)所述单元的具有相邻坐标的连续统数，具有所有所述单元内的一个单元的二进制值，以指示该电压-电流轨迹和对应于该第一水平轴的该电压波形的最大值和最小值的平均的交点的数量；(5)该电压-电流轨迹的零或若干自相交点的计数；(6)该电压-电流轨迹与对应于该第一水平轴的该电压波形的最大值和最小值的平均的1.3倍线的交点的数量；(7)中心水平线-段(68)的存在，其占整个第一水平轴的至少
30％并且如果该中心水平线-段的至少50％与该电压-电流轨迹的部分重叠；以及(8)位于该第一水平轴的该位置Δ+1和该第二垂直轴的第一位置的单元中的一个单元的二进制值。
19.如权利要求11所述的方法，其中从监督自组织映射(SSOM)中导出该不同电负载类型中的该对应一个电负载类型的该类别。
20.如权利要求11所述的方法，其中从使用竞争学习而训练的自组织映射(SOM)或自组织特征映射(SOFM)中导出该不同电负载类型的该对应一个电负载类型的类别。
采用图形电负载分类以识别多个不同电负载类型中的一个电
负载类型的方法和系统
[0001] 相关申请的交叉引用
[0002] 本申请要求于2013年6月7日提交的美国专利申请序列号No.13/912,819的优先权和权益，其通过引用并入本文。
[0003] 在国家能源技术实验室能源部授予的DE-EE0003911的政府支持下作出本发明。
技术领域
[0004] 所公开的概念一般涉及电负载，并且更特别地涉及识别不同类型的电负载的方法。所公开的概念还涉及用于识别不同类型的电负载的系统。
背景技术
[0005] 2012年，商业和住宅建筑中的电负载消耗了美国总电量的大约75％。然而大部分该电量使用被浪费，并且经常忽视对该使用的管理。许多采用外部电源、远程控制、持续显示器或电池充电器的电器在关闭或待机模式中连续地吸收电力。具有外部电源的电负载还被称作插入式电负载(PEL)(或一些情况中的其它各种电负载)。PEL是主要负载类别中的一种负载类别，并且导致比诸如加热和通风的任意其它终端使用服务器更多的使用。
[0006] 在美国每年待机电力导致超过1000亿kWh并付出超过100亿美金。通过适当的能量管理可节省多达该花费的75％。为了实现能源部(DOE)对住宅建筑到2020年以及对商业建筑到2025年限定的净零能量建筑(Net-Zero-Energy-Building)目标，需要考虑PEL的有效监测和管理。得知PEL的类型对实现有效解决方案是关键的。
[0007] 由于在1980年代的非侵入负责监测(NILM)的提出，许多在先提案已经寻求开发各种NILM解决方案。Du等人在Proc.2010IEEE能源转换会议和展览会，2010，pp.4527-33的“A review of identification and monitoring methods for electric loads in commercial and residential buildings”上公开了广泛已知的解决方案。
[0008] 负载识别系统典型地由包括数据获取、数据处理、事件检测、特征提取以及特性指示的一些模块组成。特性指示模块比较所提取的特征与已知负载的特征的数据库，并基于诸如最大相似性或人工神经网络(ANN)的学习结果的预定义规则来识别未知负载。
[0009] 几乎所有现有负载识别方法的性能高度依赖于负载的电标识，其被限定为“负载设备或电器明显具有的电表达”。目的是提取可在预定负载集内唯一地区分单个PEL类型或种类的有用特征。
[0010] 已经提出了许多特征提取方法。例如，对于稳态特征开发，真实且无功功率用于识别负载类型。而且，峰值电流、平均电流和RMS电流值可用于负载识别。施加电流谐波作为用于识别的核心特征，以便主要地寻址这些具有非线性电源的负载。进一步，用于负载识别的电压-电流(V-I)轨迹建模方法使用每个负载的V-I轨迹的纯图形形状特征。此外，可采用诸如瞬时导纳曲线和瞬态功率曲线的一些瞬态特征。
[0011] 对于对应负载分组和子分组的特征提取的开发以及每个负载类型的分配已经是纯数据驱动的。即使许多在先提案证明对于定标的负载组可通过选择适当的特征组来实现令人满意的性能，但是不存在已知的指导方针来驱动优化的特征选择，并且在任意特征组中存在可能的信息冗余。此外，识别性能一般取决于经过研究的特定负载组。相信仍未解决如何很好地将已开发的分类器的性能推广到其它负载组，并且不存在使得每个负载可具有“明显的”表达的一组电标识。
[0012] 由于设备和电器的复杂性和细微差别，如果不是不可能，在使用到电力线的同一接口电路的负载之间进行区分经常是具有挑战的。例如，诸如DVD播放器、线缆或卫星机顶盒以及PC显示器的这些使用具有电流谐波简化的标准直流(DC)电源的PEL，表现非常相似的电标识，并且仅通过使用稳态特征是不可区分的。
[0013] 因此，通常还期望真正有意义的负载分类方法。
[0014] 存在识别不同电负载类型的方法的改进空间。
[0015] 还存在用于识别不同电负载类型的系统的改进空间。
发明内容
[0016] 通过所公开概念的实施例来满足这些和其它需求，其将电压-电流轨迹映射到包括多个单元的网格，每个单元具有二进制值；从被映射的单元的网格中提取多个不同特征作为多个不同电负载的对应一个电负载的图形标记；从分层负载特征数据库中导出不同电负载的对应一个电负载的类别；以及识别不同电负载的对应一个电负载的多个不同电负载类型的一个电负载类型。
[0017] 根据所公开概念的一方面，用于多个不同电负载的系统包括：多个传感器，其被构造为感测不同电负载的每一个电负载的电压信号和电流信号；包括多个层的分层负载特征数据库，该层中的一层包括多个不同负载类别；以及处理器，其被构造为从传感器中获得不同电负载的对应一个电负载的电压波形和电流波形；将电压-电流轨迹映射到包括多个单元的网格，向该单元中的每个单元分配0或1的二进制值；从所映射的单元的网格中提取多个不同特征作为不同电负载中的对应一个电负载的图形标记；从分层负载特征数据库中导出不同电负载中的对应一个电负载的类别；以及识别不同电负载中的对应一个电负载的多个不同电负载类型中的一个电负载类型。
[0018] 作为所公开概念的另一方面，识别多个不同电负载的负载类型的方法，该方法包括：感测不同电负载中的每一个电负载的电压信号和电流信号；提供包括多个层的分层负载特征数据库，该层中的一层包括多个不同负载类别；获取不同电负载中的对应一个电负载的电压波形和电流波形；将电压-电流轨迹映射到包括多个单元的网格，向该单元中的每个单元分配0或1的二进制值；从被映射的单元的网格提取多个不同特征作为不同电负载中的对应一个电负载的图形标记；从分层负载特征数据库中导出不同电负载中的对应一个电负载的类别；以及识别不同电负载中的对应一个电负载的多个不同电负载类型中的一个电负载类型。
附图说明
[0019] 当结合附图阅读时，可从下述优选实施例的描述中得到本公开概念的完整理解，在附图中：
[0020] 图1A-1G是根据本公开概念的实施例在七个负载类别中代表性负载的V-I轨迹的电流相对电压和归一化电流相对归一化电压的图；
[0021] 图2A-2D是四个特定示例负载的V-I轨迹的归一化电流相对归一化电压的图；
[0022] 图3是根据本公开概念的实施例的V-I轨迹的图到二进制单元网格的映射；
[0023] 图4A是根据本公开概念的实施例的包括最大和最小电压值的平均的特定负载的采样电压相对离散采样的图；
[0024] 图4B是包括最大和最小电流值的平均的图4A的特定负载的采样电流相对离散采样的图；
[0025] 图4C是示出最大和最小电压和电流值的平均的图4A的特定负载的V-I轨迹的电流相对电压的图；
[0026] 图5A是根据本公开概念的实施例的包括特定电压采样的特定负载的采样电压相对离散采样的图；
[0027] 图5B是包括特定电流采样的图5A的特定负载的采样电流相对离散采样的图；
[0028] 图5C是示出特定电压和电流采样的图5A的特定负载的V-I轨迹的电流相对电压的图；
[0029] 图6A和6B是根据本公开概念的实施例的二进制单元网格的示例图；
[0030] 图7是根据本公开概念的实施例的V-I轨迹所包含的自交相交点的图；
[0031] 图8是根据本公开概念的实施例的采用图形电负载分类来识别多个不同电负载类型中的一个电负载类型的系统的框图。
具体实施方式
[0032] 本文中使用的术语“数量”将意为一或大于一的整数(即，多个)。
[0033] 本文中使用的术语“处理器”将意为可存储、获取和处理数据的可编程模拟和/或数字设备；计算机；数字信号处理器；控制器；工作站；个人计算机；微处理器；微控制器；微计算机；中央处理单元；主机计算机；迷你计算机；服务器；网络处理器；或任意合适的处理装置或设备。
[0034] 根据本公开概念，通过图形方法进行的电负载分类检查在物理电路和其对应特征之间的关系。连同对电器的全面理解，通过对不同稳态电流波形及其对应电路拓扑之间的关系的理解来驱动特征提取，并且以负载模型驱动方式而不是通过仅数据挖掘(也称为纯数据驱动方式)来限定所生成的特征。从V-I轨迹中提取负载的电标记。首先将V-I轨迹映射到单元的网格，向每个单元分配二进制值。然后从具有二进制值的映射的单元网格中提取一组简单但有效的特征。该建立的关系非常有助于优化特征空间并限定更简单的特征。所公开的对具有二进制值的单元网格的映射的目的是绕过离散傅里叶(DFT)运算并简化所需的计算资源。还提供了用于在先提案中的稳态特征的局限性的描述。
[0035] 名称为“System And Method Employing A Hierarchical Load Feature Database To Identify Electric Load Types Of Different Electric Loads”的美国专利申请公开号No.2013/0138669，其通过引用并入本文，其公开了采用分层负载特征数据库和分类结构作为用于被优化的特征选择的模型驱动指导的系统和方法。
[0036] 本公开的概念适合如公开号No.2013/0138669所公开的分层负载识别框架中的1级分类，并聚焦于稳态特征提取。由于仅使用稳态特征的潜在限制，通过引入公开号No.2013/0138669的分层负载识别框架中的2级和3级的负载识别/分类可以实现针对负载识别的更细精度。
[0037] 分层负载特征数据库包括三层，但是可采用多于三层。第一层或级(1级)是负载类别，第二层或级(2级)是负载子类别，以及第三层或级(3级)是负载类型，其包括多个不同负载类型。
[0038] 第一级的负载类别的非限制性示例包括电阻负载、电抗负载、具有功率因数校正的非线性、不具有功率因数校正的非线性、具有变压器的非线性、具有相角控制的非线性以及复合结构。
[0039] 第二级的负载子类别的非限制性示例包括电阻负载，诸如照明工具、厨房电器和个人护理电器；电抗负载，诸如线性电抗负载和具有机器饱和的非线性；具有功率因数校正的非线性，诸如大显示器、电视设备和其它大型消费者电子设备；不具有功率因数校正的非线性，诸如成像设备、小显示器和电视、个人计算机(PC)、具有电池充电器的电子负载、照明负载和其它小型电子设备；具有变压器的非线性，诸如不具有电池充电器的小型电子设备和具有电池充电器的其它电子设备；以及复合结构，诸如微波炉。
[0040] 第三级的负载类型的一些非限制示例是用于照明工具的白炽灯(<100W)，以及用于厨房和个人护理电器的烤面包机、空间加热器和其它电器。
[0041] 前端电子电路拓扑的负载分类
[0042] 在稳态期间的PEL的电信号，即电压和电流波形，直接相关于其前端电源单元的电路拓扑。第一级，即下表1中的1级，包括七个负载类别：电阻负载(R)；电抗主导的负载(X)；具有功率因数校正电路(P)的电子负载(E-负载)；不具有功率因数校正电路的电子负载(NP)；使用变压器升高电压的线性电源(T)；相位角可控负载(PAC)；以及复合结构(M)。
[0043] 多数电阻负载(R)用于加热、烹饪和照明。该负载的非限制性示例包括空间加热器、咖啡机和白炽灯。对于电抗负载(X)，电器通常由压缩机、电机或制冷机构成。普遍用于电器的电机通常是小型DC电机。在该子类别中的该负载的非限制性示例为电扇、洗衣机、电冰箱和碎纸机。以下两个大分组的电器是在表1中指示为类别P和NP的所有电子负载。由于IEC标准61000-3-2限制所有具有高于75W功率的负载的谐波电流水平，可以认为需要功率因数校正(PFC)模块来满足该要求。因此，类别P指具有PFC的电子负载。高于75W的个人计算机、投影仪、LCD TV、LED TV(以“高质量模式”工作)、等离子TV、家庭影院和游戏机也都属于类别P。相反，类别NP指不使用功率因数校正技术的电子负载。小型设备，诸如手机充电器、便携式DVD播放器、便携式打印机的适配器、扫描仪、传真机和使用喷墨打印机的多功能设备(MFD)、PC显示器、LED TV(以节能模式操作)和PC(以低功率模式操作)是该子类别中的主要负载。类别T中的负载指在前端采用相对小变压器的线性DC电源的这些低功率电器。电池充电器、纸张打孔机和订书机是该类别中的代表性负载的非限制性示例。使用晶闸管相角电压控制的诸如调光器的设备被列在PAC类别中。类别M包括通常具有相对高功耗的电器，以及诸如微波炉和激光打印机的多电气系统。此外，类别M负载还包括操作在一些不同功率水平且在使用期间在这些功率水平之间重复切换的PEL。这些PEL被编程用于以该重复的切换模式方式操作，因为其功能性能在某序列中可需要重复过程。例如，在单个设备中多数高容量打印机具有两个打印引擎并能够在单个通道双面打印。双面打印工作是重复过程：馈送一张纸，打印并向前卷动纸，保持纸直到墨水变干，反向反转纸张以在另一页面上打印，并馈送下一张纸以便快速打印。对两个引擎编程以在该重复过程期间以不同组合操作，并且这些组合可落入到上面列出的一个或一些类别。
[0044] 表1
[0045]
[0046] 插入式负载类别的典型VI轨迹
[0047] 图1A-1G分别示出了在上述负载类别R、X、P、NP、T、PAC和M中的代表性负载的V-I轨迹的电流相对电压的图2，6，10，14，18，22，26以及归一化电流相对归一化电压的图4、8、12、16、20、24、28。由于在第一个步骤中仅考虑1级类别，因此所有的负载在不同类别之间表现非常不同的特性。通过应用相对非常简单的特征空间，实现1级负载类别识别是可行的，这使其成为插入负载识别的低成本、嵌入式系统实施的可能解决方案。
[0048] 从图1A-1G中可观察到来自不同负载类别的归一化V-I轨迹表现不同。基于126组不同PEL类型和模式的操作数据的在先提案概括了存在可被认为用于描述V-I轨迹的八个形状标记：不对称、环路方向、面积、等分线的曲率、自相交点、中段斜率、左段和右段的面积以及中段的峰值。但是因为需要按某顺序或方向遍历整个V-I轨迹，所以计算这些图形标记仍然需要大量计算资源。此外，这些标记被设计用于与IEC标准61000-3-2限定的负载分组类似的负载的分类法。因此，它们不适用于所提出的七种负载类别。此外，如将描述的，从V-I轨迹提取的这些标记不可有效处理每个PEL类型内的多样性以及不同PEL类型之间的相似性。相反，出于负载识别的目的，本公开概念采用可从V-I轨迹中被提取的不同组的标记。此外，不同类别的这些标记是有区别的。
[0049] 现有图形负载标记的约束
[0050] 以上所描述的现有图形负载标记仅基于形状特征。但是相同类别内的PEL的不同模型可配备有相似(但不完全一样)的前端电源拓扑。因此，该PEL表现相似(但不完全一样)的电流波形以及V-I轨迹。在这种情况下，在一些现有图形负载标记中可存在显著不同，但因为这些PEL属于相同类型或类别所以原本认为它们是等同的。此外，一些现有图形标记可不再是真实的或有用的。
[0051] 图2A-2D中分别示出了特定负载的V-I轨迹的归一化电流相对归一化电压的一些示例图30、32、34、36。图2A和2B示出了两个便携式电扇(例如相应地32英寸和9英寸)的V-I轨迹的图30、32。可观察到这两个V-I轨迹具有相似形状，但是具有相当不同的整个V-I轨迹与左段和右段两者的面积值以及中段的峰值。作为另一示例，图2C和2D示出了两个平板电视机(例如相应地LED和LCD)的V-I轨迹的图34、36。可观察到这两个V-I轨迹具有相似形状，但具有相当不同的过零时间(进而不同的左、中和右段值)。此外，由于V-I轨迹的振荡，确定图2C的图34的不对称性、环路方向以及面积是相对复杂的并需要相对大的计算时间。
[0052] V-I轨迹的二进制映射
[0053] 图3示出了V-I轨迹的图38到二进制单元网格40的映射。为了有效地处理相同负载类别中的PEL的V-I轨迹之间的差别并降低误差，所公开的概念首先将V-I轨迹映射到单元的网格。向每个单元分配二进制数(即0或1)。如果V-I轨迹穿过单元，认为该单元被该V-I轨迹占据，则被分配数字值1，如例如图3中为实黑线所示出的。
[0054] 二进制单元网格40是V-I轨迹的广义化，具有相似但不相同的形状的V-I轨迹可具有相同的被映射的二进制单元网格。这是由于两个V-I轨迹可沿着不同的路径穿过单元，但是仍然认为该单元被占据并向该单元分配二进制值1。以下根据本公开概念来限定二进制单元网格映射算法。
[0055] 首先，加载电压和电流数据，假定存在形式为(vk,ik)的总共K个数据点，[0056] 其中：
[0057] k＝1,…,K；以及
[0058] vk和ik分别是采样数据点k的电压和电流值。
[0059] 第二，根据下式计算电压和电流波形的最大值和最小值，即vmax,vmin,imax和imin:
[0060] vmax＝max vk；
[0061] vmin＝min vk；
[0062] imax＝max ik；
[0063] imin＝min ik；
[0064] 以及
[0065]
[0066] 其中：
[0067] v0和i0两者分别是电压和电流的对应最大值和最小值的平均，并且其形成单元网格的中心点。
[0068] 物理上，v0和i0值是相应的电压和电流波形的DC偏移值，其通常由电压和电流传感器(未示出，但见图8的传感器106)的DC偏置和/或波形的正和负半周期之间的不对称引起。在理想情形中，这些DC偏置相对非常小，或者甚至接近0。
[0069] 图4A-4C示出了具有电流波形(图4B)的0.032A的DC偏移(i0)和电压波形(图4A)的0.7V的DC偏移(v0)的示例。图4A示出了特定负载的采样电压相对离散采样的图42。图4B示出了图4A的特定负载的采样电流相对离散采样的图44。图4C示出了图4A的特定负载的V-I轨迹的电流相对电压的图46并且包括v0和i0值的点48。
[0070] 第三，给定预定义参数Δ，如下定义并计算网格的宽度(或尺寸)：
[0071]
[0072]
[0073] 并生成两个序列：
[0074] {v0-dv·Δ,v0-dv·(Δ-1),…,v0,…,v0+dv·(Δ-1),v0+dv·Δ}，以及[0075] {i0-di·Δ,i0-di·(Δ-1),…,i0,…,i0+di·(Δ-1),i0+di·Δ}
[0076] 这里，这些序列两者具有2Δ+1个元素。
[0077] 第四，限定N×N方形单元网格，
[0078] 其中：
[0079] N＝2Δ+1。
[0080] 向(xth,yth)单元分配位置值(v0+dv·x,i0+di·y)和二进制模型值Bx,y，其被初始化为0。
[0081] 第五，如图5A-5C中所示，加载数据点的一个半线周期。电压波形50(图5A)的一个半周期和电流波形52(图5B)的一个半周期从具有正梯度(即电压值从负值穿过零到正值)的51V的电压过零点(图5A)开始，并在具有负梯度(即电压值从正值穿过零到负值)的另一电压过零点53V(图5A)结束。图5B中示出了电流波形52的类似开始点51A和结束点53A(图5B)。在图5C的电压相对电流图54中示出开始点51V、51A，结束点53V、53A，以及一个示例电流/电压采样值(vk,ik)55。
[0082] 第六，开始于在先步骤中加载的数据点的第一数据点51V、51A，以 指示，执行以下循环：
[0083]
[0084] 在以上执行循环中，确定网格中针对y＝Δ+1,Δ+2,…,2Δ+1的每个单元(Δ+1,y)是否被某数据点 占据。如果确定一个单元被该数据点占据，则指示该单元为该数据点的获胜者(winner)。一旦确定获胜者单元，则针对该数据点循环中断(BREAK)(也称为循环终止)。如果该数据点是数据序列中的第一个(即来自第五步的数据点的半周期)，该步骤还将所占据的单元标记为开始单元。
[0085] 第七，通过搜索并确定针对来自第五步的剩余半周期数据点的单元占据而重复第六步。为了加速该执行过程，例如针对每个搜索循环仅考虑在先获胜者的八个相邻单元。
[0086] 第八，从第六步重复预定次数(例如但不限于半个周期中的数据点的数量；几十次或几百次；任何适当的数)。
[0087] 系数Δ限定每个单元的宽度，并且因此限定单元网格内的单元数量。应当基于不同的应用来选择网格的尺寸。如果存在太多单元，则V-I轨迹到二进制单元网格的映射不可有效地处理相似V-I轨迹的变化。但是，如果单元数量不充分，则被映射的二进制单元网格不可正确地代表V-I轨迹。
[0088] 基于二进制V-I单元网格的特征提取
[0089] 除了降低由相同负载类别内的PEL的V-I轨迹之间的差异而引出的误差以外，V-I轨迹到二进制单元网格的映射还可降低失真的影响，但保持图形特性。对于每个PEL类别，本公开概念采用可直接从二进制单元网格识别的新颖的标记组。
[0090] 图6A和6B从图形上描绘了三个关键点或单元(P1，P2，P3)56，58，60和四个关键线(L1，L2，L3，L4)62，64，66，68作为二进制单元网格中的特征。下面给出了可用于相同地表示每个负载类别的一组8个特征的示例：
[0091] (1)特征1：左水平单元(1，Δ+1)的二进制值，图6A中标记为单元P156，其中可适用值包括：0(单元未被占据)和1(单元被占据)；
[0092] (2)特征2：中心单元(Δ+1，Δ+1)的二进制值，图6A中标记为单元P258，其中可适用值包括0(单元未被占据)和1(单元被占据)；
[0093] (3)特征3：反对角线网格单元值的乘积，即在网格中沿着从左下角到右上角的对角线(图6A中标记为线L264)的所有单元的二进制值的乘积。该数也是二进制值并指示V-I轨迹是否是线性，或换句话说，V-I轨迹是否与对角线对准。该特征3的可适用值包括：1(线性)，如图1A所示示例，当V-I轨迹是从左下角到右上角的直线形状时；以及0(非线性)，如图1B-1G所示示例，当反对角线单元中的至少一个反对角线单元未被占据且V-I轨迹不是直线时；
[0094] (4)特征4：所有单元(Δ+1，[1:2Δ+1])内的具有值1的网格单元的连续统的数量，其指示V-I轨迹的相交数量和基础电压v0线(图6A中标记为线L162)；标号1：2Δ+1指示从1到2Δ+1的所有整数；可适用值包括：1(一个单元)和2(两个单元)；
[0095] (5)特征5：是否存在V-I轨迹本身的任意自交相交点(self-crossing intersection)；可适用值包括：0(无)，1(一个相交点)，2(2个相交点)等等；
[0096] (6)特征6：V-I轨迹与1.3v0线(图6A中标记为线L366)的相交点的数量；可适用值包括：1(一个相交点)和2(两个相交点)；
[0097] (7)特征7：中央水平线-段的存在(图6B中标记为线L468)；该线L4占整个水平线的30％，其中在网格中y＝0；如果线的50％与V-I轨迹的部分相重叠，则确定该线存在；可适用值包括：0(无水平线)以及1(有水平线)；以及
[0098] (8)特征8：中上单元(Δ+1，1)的二进制值，图6B中标记为单元P360；可适用值包括：0(单元未被占据)以及1(单元被占据)。
[0099] 自交相交点的数量
[0100] 例如图1G示出了一些电负载的V-I轨迹对其本身自相交。现有提案可建议V-I轨迹所包含的自交相交点的数量可与谐波阶次有关。例如，具有电流的显著三阶(或五阶)谐波分量的模拟负载具有两个(或四个)自交相交点。但是这也可能由类别M中的负载(即，具有多个独立前端电源单元的负载)引起。因此，本公开概念采用通用但低成本的算法来确定V-I轨迹所包含的自交相交点的数量，如图7中所示。
[0101] 第一，读取采样的数据点[0-，0+]的一个半线周期(例如1/120秒)，从负电压值到正电压值过零数据点(表示为0-)开始，并且从正电压值到负电压值过零数据点(表示为0+)结束。
[0102] 第二，对于区域[0-，峰值+]内的每个数据点j，其中峰值+指[0-，0+]中具有最大正电压值的数据点，找到电压值最接近点j的数据点k。
[0103] 第三，通过矢量j指示具有电压值vj和电流值ij的数据点j，并检查数据点序列的电流值{j-1,j,j+1}和{k-1,k,k+1}是否单调上升；如果是，则进行下面第四步，并且如果不是，则从j+1开始重复该第三步。
[0104] 第四，使用以下标准检查数据点k-1＝(vk-1,ik-1)和k+1＝(vk+1,ik+1)是否在由有j-1＝(vj-1,ij-1)和j+1＝(vj+1,ij+1)确定的线的不同侧上：
[0105] {(j+1-j-1)×(j+1-k-1)}·
[0106] {(j+1-j-1)×(j+1-k+1)}<0
[0107] 其中：
[0108] ×指示叉乘；以及
[0109] ·表示点乘。
[0110] 换句话说，针对任意j和k，认为当满足第四步的标准时的示例为自交相交点。
[0111] 数字测试结果
[0112] 本公开概念可结合以下任意或所有的教导使用：(1)名称为“System And Method Employing A Self-Organizing Map Load Feature Database To Identify Electric Load Types Of Different Electric Loads”的美国专利申请公开号No.2013/0138651；(2)名称为“System And Method Employing A Minimum Distance And A Load Feature Database To Identify Electric Load Types Of Different Electric Loads”的美国专利申请公开号No.2013/0138661；以及(3)名称为“System And Method For Electric Load Identification And Classification Employing Support Vector Machine”的美国专利申请序列号No.13/597,324，通过整体引用将其并入本文。
[0113] 根据本公开概念的教导，从具有二进制值的所映射的单元网格中提取的作为结果的二进制V-I特征可被用于以上三个专利申请中任意或所有的公开的分类和识别系统中的输入以导出观测下的负载的类别。参考公开号No.2013/0138669所公开的分层负载识别架构，可应用本公开概念以提供1级负载类别识别所需的特征。通过应用监督的自组织映射(SSOM)或自组织映射(SOM)(也称为自组织特征映射(SOFM))进行负载的分类，该SOM是被训练为使用竞争学习以产生相对低维度(典型二维)离散的训练样本的输入空间的表示的未监督的人工神经网络类型，称为映射，如公开号No.2013/0138651公开的。
[0114] 对五个主要负载类别的测试
[0115] 五个负载类别(即R，X，NP，P和M)覆盖了多数现有PEL。以下描述了通过使用本文所提出的前五个特征识别来自这五个负载类别中的负载的成功率。期望从这五个PEL类别的V-I轨迹的二进制映射所提出的图形标记具有如表2所示的值(其中“X”表示0或1)。
[0116] 表2
[0117]类别 特征1 特征2 特征3 特征4 特征5
R 0 1 1 1 0
X 0 0 0 2 0
NP 1 1 0 1 0
P 0 1 0 1 0
M 0 X 0 2 1或更多
[0118] 针对每个类别，测试若干PEL并且独立地测试每个PEL100次。表3示出了结果。
[0119] 表3
[0120]类别 负载总数 测试总数 正确结果总数 成功率
R 6 600 597 99.5％
X 10 1000 991 99.1％
P 15 1500 1493 99.5％
NP 11 1100 1091 99.2％
M 4 400 395 98.8％
[0121] 概括而言，从V-I轨迹的二进制映射提出的图形标记实现了平均超过99％的准确率。在表3中类别M的负载的识别(即具有多个独立前端电源单元的负载)具有最低精度。这主要是由于在该类别中负载的宽多样性。
[0122] 对所有七种负载类别的测试
[0123] 在该测试中，考虑了所有七种负载类别。期望从这七种PEL类别的V-I轨迹的二进制映射提出的图形标记具有如表4所示的值。
[0124] 表4
[0125]类别 特征1 特征2 特征3 特征4 特征5 特征6 特征7 特征8
R 0 1 1 1 0 1 0 0
X 0 0 0 2 0 2 0 0
NP 1 1 0 1 0 1 1 0
P 0 1 X 1 0 1 1 0
M 0 X 0 2 1或多 2 0 0
T 0 0 0 2 0 2 0 1
PAC X 1 1 1 0 2 1 0
[0126] 在该测试中，测试总共20种负载类型(每个负载类型的一到七个负载模型)。针对每个数据组，选择大约900至大约3000个V-I轨迹，并将其映射到64×64单元网格。表5中示出了结果。
[0127] 表5
[0128]
[0129] 测试结果证实从V-I轨迹的映射所提出的图形标记可实现对相对大负载组和七种目标负载类别的平均超过90％的准确率。主要失败的情况来自相角小于90°的一些PAC负载，这使得负载的特征与对电阻负载所期望的特征相似，由此它们被误分类到R类别。提升感测电压和电流信号的采样率可以帮助改进性能，但是在存储空间可用性和计算负担方面应当考虑权衡。同时，从应用角度来看，如果识别相角相对小的具有调光器的白炽灯为电阻负载，则最终的分类将仍然是可接受的。
[0130] 总结
[0131] 图8示出了用于不同电负载102、103、104的系统100。系统包括被构造为感测不同电负载102、103、104的每一个电负载的电压和电流信号107的传感器106；具有多个层110(L1，L2，L3)的分层负载特征数据库108，层110的第一层112(L1)包括多个不同的负载类别；以及处理器114。处理器114包括程序116，其根据本公开概念的教导从传感器106获取不同电负载102、103、104的对应一个电负载的电压和电流波形；将电压-电流轨迹映射到包括多个单元的网格，向每个单元分配0或1的二进制值(参见例如图3)；从被映射的单元的网格中提取多个不同特征，作为不同电负载102、103、104的对应一个电负载的图形标记；从数据库
108导出不同电负载102、103、104的对应一个电负载的类别；以及识别不同电负载102、103、
104的对应一个电负载的多个不同电负载类型中的一种类型。
[0132] 提出的二进制V-I特征提取的主要优点包括降低负载电流和电压波形的谐波和噪声影响，提供轨迹的图形形状的相对简单的提取，并简化图形特征提取。
[0133] 二进制V-I特征是相对非常容易计算的，并且因为特征值都是整数，所以占用较低的存储。已经评估了初始计算和存储要求，并且结果显示计算图形特征和存储要求的计算量在快速傅里叶变换(FFT)所需的x％的规模。
[0134] 所公开概念采用相对低的计算量成本但准确地提取电负载识别的标记的方法和系统。本公开概念不使用数字信号处理和频域分析，而使用负载之间的V-I轨迹的相似性并将V-I轨迹映射到具有二进制单元值的单元网格。然后针对许多应用提取图形特征。
[0135] 本公开概念与已有的频域特征提取和分析技术相比显著降低计算量。测试结果显示使用所提出的标记可实现平均高于99％的成功率。
[0136] 在已经详细描述本公开概念的具体实施例的同时，本领域的技术人员将理解根据本公开的整体教导可以对这些细节进行各种修改和替换。因此所公开的特定布置仅意为说明而不是对所公开概念的范围的限制，所公开概念的范围将在所附权利要求及其任意和所有等同整体给出。
