一种电流信号的分割方法转让专利
申请号 : CN202010417633.8
文献号 : CN111461081B
文献日 : 2022-01-18
发明人 : 袁杰 , 徐磊 , 吴鹏
申请人 : 江苏电力信息技术有限公司 , 国网江苏省电力有限公司
摘要 :
权利要求 :
1.一种电流信号的分割方法,其特征在于包括以下步骤:
1)对电流信号进行下采样,只保留区间最大值和最小值,同时根据最值计算差得到顶点;
2)根据顶点拐点检测出元段起始点,得到初始元段;
3)分别对初始元段进行普通合并、自相似段合并和联合相似段合并,得到合并后的分段;
4)对分段边界点进行调整,得到更准确的边界点;
5)去掉检测出的待机电流和过冲电流,留下工作电流;
步骤1)具体为:
步骤1保留采样区间最大值和最小值:设原始信号为S,长度为LS,下采样比例为Rds=1/Nds,即Nds个点采样一个点,按下述方法进行下采样:
P2p+1=max{Sq},q∈[Nds·p+1,Nds·(p+1)],p∈[0,
步骤2在顶点处进行取值:
在前述下采样得到的点中,每Nv个点采样得到一个顶点Vk:Vk=max{Pi}‑min{Pj}其中(k‑1)*Nv+1≤i,j≤k*Nv;
步骤5)具体为:
步骤1检测待机电流;
第i段的电流满足以下条件时认为是处于待机状态:其中T2=min(P5{Vk}+1,P95{Vk});
上式中median()表示中位数;
步骤2检测过冲电流;
当第i段Seci满足以下条件时认为其是过冲电流段:其中 上式中width(Seci)表示第i段的宽度,表示第k段的起始点和结束点的范围在范围内;T3取值设为5秒,t设置为10。
2.根据权利要求1所述的电流信号的分割方法,其特征在于:步骤2)具体为:步骤1下采样得到的顶点满足条件C1:(Vk>Vk‑1and Vk>Vk+1)or(Vk
步骤2记录其起始位置、均值属性。
3.根据权利要求1所述的电流信号的分割方法,其特征在于:步骤3)具体为:步骤1相邻的两个分段符合C2:且:
T1=min((P95{Vk}‑P5{Vk})/100,P5{Vk},P10{Vk}/2)条件时进行普通合并,其中 表示第m段所有采样点平均值,P5{Vk}表示集合V中所有值的5百分位数,而P95{}表示95百分位数,P10表示10百分位数;
步骤2当某一段与其相邻段的一部分相似,即相似度大于0.9时,则将这段与相邻段合并;设第i段长度小于第i+1段,定义它们间的自相似度如下式所示:而S(Seci,Secj)=Seci·Secj/(|Seci|·|Secj|);
其中Seci,Secj的长度相同,Secj是Seci+1的一部分;
步骤3相邻的两个分段符合;
CS(Seci,Seci+1)=argmaxSS(Seci∪Seci+1,Secj),j≠i,i+1条件时进行联合相似段合并,其中,第i段Seci与第i+1段Seci+1的联合相似度定义为这两段合并成一段后与其它段的相似度的最大值;当其联合相似度大于0.9时即将这两段合并。
4.根据权利要求1所述的电流信号的分割方法,其特征在于:步骤4)具体为:设第i和i+
1个分段的精调前起始和结束点 搜寻半径r,其中第i段所有点的平均值 和第i+1段所有点的平均值计算第i个分段精调后的结束点 和第i+1个分段精调后的起始点 其中步骤1计算第i段平均值与第i+1段平均值的几何平均值;
步骤2如果 则:
找到第i段中值大于g的最后一个点的位置j;
从j开始直到 位置范围内找到值大于g的最后一个点的位置k;
否则:
找到第i+1段中值大于g的第一个点的位置j;
从 开始直到j位置范围内找到值大于g的第一个点的位置k;
说明书 :
一种电流信号的分割方法
技术领域
背景技术
合电压和电流并在不需要安装子电表的情况下监测电器的使用情况。已经有很多特征提取
方法被提出用于非侵入式负荷监测,例如小波特征、电压‑电流轨迹、电流谐波、有功/无功
功率以及自动学习出的深度特征等等。在文献[Non‑Intrusive Load Monitoring Using
Semi‑Supervised Machine Learning and Wavelet Design]中,通过使用小波设计和
procrustes分析匹配一组新的小波到负载类型来提取信号特征。但在他们的方法中,按照
负载类别的不同使用的小波需要从大量的小波中选择,从而使其在未知电器场景下的使用
受到一定的限制。V‑I轨迹类特征从Voltage‑Current(V‑I)的轨迹图中抽取不同的特征来
描述不同电器的工作状态。已提出的V‑I轨迹类特征有环方向、封闭面积、平均曲线非线性、
自相交次数、中分割倾斜度、左右分割面积等等。然而,噪声信号对V‑I轨迹的影响较大,容
易导致V‑I轨迹各种特征的突变。电流谐波特征从高频电流谐波中提取模、模比率等特征来
区分的电器。然而,要想得到较好的效果,一般要求信号的采样频率达到1MHZ及以上,这给
电流谐波特征的应用带来巨大的障碍。文献[Non‑Intrusive Load Monitoring by Novel
Neuro‑Fuzzy Classification Considering Uncertainties]对多种家用电器的有功和无
功数据进行聚类分析,将各类中心作为每种电器的功率负荷特征,以此进行训练和识别。有
功/无功功率特征很难区分功率差不多的电器。深度学习方法需要大量标注数据进行有监
督或半监督学习,而标注数据在实际场景中往往是昂贵和稀少的,这极大的限制了它们发
展。虽然很多工作都使用功率特征,然而在NILM问题中电流比功率特征更为有效。
发明内容
95百分位数,P10表示10百分位数。
段的相似度的最大值。当其联合相似度大于0.9时即将这两段合并;
范围内。T3取值设为5秒,t设置为10。
附图说明
具体实施方式
95百分位数,P10表示10百分位数。
段的相似度的最大值。当其联合相似度大于0.9时即将这两段合并;
范围内。T3取值设为5秒,t设置为10。
种电流。