一种基于多类型特征交互的云端协同非介入负荷辨识方法

摘要

本发明公开一种基于多类型特征交互的云端协同非介入负荷辨识方法，以电力负荷为研究对象从负荷特征入手，非介入负荷辨识终端基于高频采样,提取有功功率、无功功率、三次谐波和二次谐波，构建终端负荷特征库，进行家庭电器辨识并将无法确定类别的电器的时空特征上送云端；其次云端辨识能力提升，构建包含固有特征、时空特征及统计特征组成的云侧历史特征库；最后构建云端闭环升级机制，云侧将差异性特征回送终端完善终端电器特征库，综合实现不确定电器细化识别能力提升。引入多类型特征交互的云端协同负荷辨识模式，应用轻量级邻近辨识方法，基于云端协同可以进一步提高辨识电器细粒度和精度，对于辨识特征相近的电器具有良好的辨识准确性。

权利要求

1.一种基于多类型特征交互的云端协同非介入负荷辨识方法，其特征在于，包括以下步骤：步骤一，非介入负荷辨识终端对家庭电器高频采样,提取家庭电器的有功功率、家庭电器的无功功率、家庭电器的三次谐波和家庭电器的二次谐波；

步骤二，非介入负荷辨识终端提取家庭电器的基本特征构造终端电器特征库；

步骤三，非介入负荷辨识终端进行家庭电器常规负荷辨识并提取基本特征的特征量，并将无法确定类别的家庭电器的差异性特征上送云端；

步骤四，云端根据非介入负荷辨识终端上送基本特征的特征量，构建云端历史特征库，云端历史特征库包含固有特征、时间特征及统计特征；

步骤五，云端基于k近邻分类算法和云端历史特征库进行云端负荷辨识，确定无法确定类别的家庭电器类别；云端保存非介入负荷辨识终端上传的所有数据，对于非介入负荷辨识终端实时上传的新的数据则直接和云端保存的已有数据匹配，采用距离云端保存的已有数据最近属性的分类作为新的数据的分类；

步骤六，构建云端闭环升级机制：云端将家庭电器的差异性特征回送非介入负荷辨识终端；

步骤七，非介入负荷辨识终端根据云端反馈的家庭电器的差异性特征，完善终端电器特征库，实现非介入负荷辨识终端在实际现场的实时负荷辨识；

步骤四中，统计特征包括变异系数F15、平滑系数F16和平均值F17；

变异系数F15表示无量纲波动程度，平滑系数F16表示表电器叠加程度。

2.根据权利要求1所述的一种基于多类型特征交互的云端协同非介入负荷辨识方法，其特征在于：步骤二中，非介入负荷辨识终端提取家庭电器特征，构造终端电器特征库，终端电器特征库包括电器开启有功变化F1、电器开启无功变化F2、电器开启三次谐波变化F3、电器开启二次谐波变化F4、单位窗口内连续启停次数F5、电器开启有功变化率F6、电器开启无功变化率F7、电器开启三次谐波变化率F8和电器开启二次谐波变化率F9。

3.根据权利要求1所述的一种基于多类型特征交互的云端协同非介入负荷辨识方法，其特征在于：步骤四中，固有特征包括电器开启有功变化F1、电器开启无功变化F2、电器开启三次谐波变化F3、电器开启二次谐波变化F4、电器关断有功变化F5、电器关断无功变化F6、电器关断三次谐波变化F7、电器关断二次谐波变化F8、有功连续启停次数F9和连续启停平均时间间隔F10。

4.根据权利要求1所述的一种基于多类型特征交互的云端协同非介入负荷辨识方法，其特征在于：步骤四中，时间特征包括电器开启时刻F11、电器关断时刻F12、电器运行时长F13和平均每天电器运行次数F14。

说明书

一种基于多类型特征交互的云端协同非介入负荷辨识方法

技术领域

[0001] 本发明属于用电信息采集领域，涉及一种居民负荷辨识方法，具体涉及一种基于多类型特征交互的云端协同非介入负荷辨识方法，即以电力负荷为研究对象从负荷特征入手，引入多类型特征交互的云端协同负荷辨识模式，应用轻量级邻近辨识方法，与其它方案比较，该方法基于云端协同可以进一步提高辨识电器细粒度和精度，尤其对于辨识特征相近的电器具有良好的辨识准确性。

背景技术

[0002] 随着社会的发展，家用电器种类越来越多，居民家用电器类型丰富且特征量相似电器种类纷繁，相似原理的电器导致其暂态的“启停”特性类似，给非介入辨识带来电器类型不确定、辨识精度有待提升的难题。

[0003] 有学者提出一种高频采集模式下的非侵入式负荷在线监测方法，基于构建的负荷种类库通过贝叶斯分类模型实现负荷种类判断，也有学者提出可分别通过有功和无功功率、动态时间弯曲(DTW)算法、核Fisher判别算法进行负荷识别。当前的负荷辨识主要通过两种方法构建数据库，第一是通过预先试验，对常用的电器进行录播；第二是依赖于公共数据集。这两种方法对于预先得到数据质量均有很高的要求，且只能得到常用的家用电器，而对各个用户的特异性电器无从下手。

[0004] 因此，现阶段无法确定的电器频出，且随着用户的增多，负荷辨识成功率也越来越低。现有技术难以很高效地保障辨识的实时性和准确度，尤其是相似电器辨识能力，亟需新的技术手段进行突破。

发明内容

[0005] 针对上述方法的特点与弊端，本发明创造性地提出了基于多类型特征交互的云端协同非介入负荷辨识模式，以电力负荷为研究对象从负荷特征入手，首先非介入负荷辨识终端基于高频采样,提取有功功率、无功功率、三次谐波、二次谐波等数据，构建终端负荷特征库，进行家庭电器辨识并将无法确定类别的电器的特征量上送云端；其次云端辨识能力提升，构建包含固有特征、时间特征及统计特征组成的17维的云侧历史特征库；最后构建云端闭环升级机制，云侧将差异性特征回送终端完善终端电器特征库，综合实现不确定电器细化识别能力提升。本发明引入多类型特征交互的云端协同负荷辨识模式，应用轻量级邻近辨识方法，与其它方案比较，该方法基于云端协同可以进一步提高辨识电器细粒度和精度，尤其对于辨识特征相近的电器具有良好的辨识准确性。

[0006] 本发明提出一种基于多类型特征交互的云端协同非介入负荷辨识方法，包括以下步骤：

[0007] 步骤一，非介入负荷辨识终端对家庭电器高频采样,提取家庭电器的有功功率、家庭电器的无功功率、家庭电器的三次谐波和家庭电器的二次谐波；

[0008] 步骤二，非介入负荷辨识终端提取家庭电器的基本特征，构造终端电器特征库；

[0009] 步骤三，非介入负荷辨识终端进行家庭电器常规负荷辨识并提取基本特征的特征量，并将无法确定类别的家庭电器的差异性特征上送云端；

[0010] 步骤四，云端根据非介入负荷辨识终端上送的特征量，构建云端历史特征库，云端历史特征库包含固有特征、时间特征及统计特征；

[0011] 步骤五，云端基于k近邻分类算法和云端历史特征库进行云端负荷辨识，确定无法确定类别的家庭电器类别；云端保存非介入负荷辨识终端上传的所有数据，对于非介入负荷辨识终端实时上传的新的数据则直接和云端保存的已有数据匹配，采用距离云端保存的已有数据最近属性的分类作为新的数据的分类；

[0012] 步骤六，构建云端闭环升级机制：云端将家庭电器的差异性特征回送非介入负荷辨识终端；

[0013] 步骤七，非介入负荷辨识终端根据云端反馈的家庭电器的差异性特征，完善终端电器特征库，实现非介入负荷辨识终端在实际现场的实时负荷辨识。

[0014] 优先地，步骤二中，非介入负荷辨识终端提取家庭电器特征，构造终端电器特征库，终端电器特征库包括电器开启有功变化F1、电器开启无功变化F2、电器开启三次谐波变化F3、电器开启二次谐波变化F4、单位窗口内连续启停次数F5、电器开启有功变化率F6、电器开启无功变化率F7、电器开启三次谐波变化率F8和电器开启二次谐波变化率F9。

[0015] 优先地，步骤四中，固有特征包括电器开启有功变化F1、电器开启无功变化F2、电器开启三次谐波变化F3、电器开启二次谐波变化F4、电器关断有功变化F5、电器关断无功变化F6、电器关断三次谐波变化F7、电器关断二次谐波变化F8、有功连续启停次数F9和连续启停平均时间间隔F10。

[0016] 优先地，步骤四中，时间特征包括电器开启时刻F11、电器关断时刻F12、电器运行时长F13和平均每天电器运行次数F14。

[0017] 优先地，步骤四中，统计特征包括变异系数F15、平滑系数F16和平均值F17，变异系数F15表示无量纲波动程度，平滑系数F16表示表电器叠加程度。

[0018] 与现有技术相比，本发明方法进行了一下的改进：

[0019] 进一步改进在于：步骤一所述的非介入负荷辨识终端高频采样,采用的智能终端设备基于高频采样，可充分且全面地获取负荷特征。

[0020] 进一步改进在于：步骤二所述的构造终端负荷特征库，将能完成电器负荷辨识的特征量尽可能多地考虑在内，最大限度保证特征库的完整性。

[0021] 进一步改进在于：步骤四所述的云端根据终端上送的特征量，计算构建云侧历史特征库，创造性地提出构建了包含固有特征、时间特征、统计特征三大特征的17维云侧历史特征库，是云端协同负荷辨识准确率的重要保障。

[0022] 进一步改进在于：步骤六所述的构建云端闭环升级机制，保证了终端负荷辨识能力提升，使终端具备实时负荷辨识能力，所述云端协同非介入负荷辨识方法是具备普适性和实时辨识能力提升的负荷辨识方法。

附图说明

[0023] 图1，基于多类型特征交互的云端协同非介入负荷辨识基本架构图；

[0024] 图2，基于多类型特征交互的云端协同非介入负荷辨识方法执行流程图；

具体实施方式

[0025] 为了使发明实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

[0026] 根据图1、2所示，本实施例提出的一种基于多类型特征交互的云端协同非介入负荷辨识方法，包括以下步骤：

[0027] 步骤一，非介入负荷辨识终端基于高频采样,提取有功功率、无功功率、三次谐波、二次谐波。

[0028] 步骤二，非介入负荷辨识终端提取家庭电器特征，构造终端电器特征库，如下表：

[0029]

[0030]

[0031] 步骤三，非介入负荷辨识终端进行家庭电器常规负荷辨识，提取特征量，并将无法确定类别的电器的差异性特征上送云端。

[0032] 步骤四，云端根据非介入负荷辨识终端上送特征量，计算构建包含固有特征、时间特征及统计特征组成的17维的云侧历史特征库，如下表特征量：

[0033]

[0034] 步骤五，云端基于KNN算法和17维的云端历史特征库，进行云端负荷辨识；其中KNN算法原理为：云端记住所有的历史数据，对于新的数据则直接和历史数据匹配，采用距离历史数据最近属性的分类作为新的数据的分类。

[0035] 步骤六，构建云端闭环升级机制，云侧将家庭电器的差异性特征回送终端。

[0036] 步骤七，终端根据云端反馈的家庭电器的差异性特征，完善终端电器特征库，实现非介入负荷辨识终端在实际现场的实时负荷辨识。

[0037] 如上所述，本发明公开了一种基于多类型特征交互的云端协同非介入负荷辨识方法。以电力负荷为研究对象从负荷特征入手，首先非介入负荷辨识终端基于高频采样,提取有功功率、无功功率、三次谐波、二次谐波等数据，构建终端负荷特征库，进行家庭电器辨识并将无法确定类别的电器的特征量上送云端；其次云端辨识能力提升，构建包含固有特征、时间特征及统计特征的云侧历史特征库；最后构建云端闭环升级机制，云侧将差异性特征回送非介入负荷辨识终端完善终端电器特征库，综合实现不确定电器细化识别能力提升。本发明引入多类型特征交互的云端协同负荷辨识模式，应用轻量级邻近辨识方法，与其它方案比较，该方法基于云端协同可以进一步提高辨识电器细粒度和精度，尤其对于辨识特征相近的电器具有良好的辨识准确性。

[0038] 由于交流电网有效分量为工频单一频率，因此任何与工频频率不同的成分都可以称之为谐波，谐波是正弦波，每个谐波都具有不同的频率，幅度与相角。谐波可以区分为偶次与奇次性，在电力系统中，正常供电频率是50HZ，所谓"三次谐波"，就是在50HZ的电路中，夹杂有150HZ的交流正弦波，这个150HZ的交流正弦波由于是50HZ的三倍，于是称之为三次谐波。

[0039] 本发明方法中，非介入负荷辨识终端进行家庭电器常规负荷辨识并提取特征量是现有技术，为现有技术中的负荷辨识技术。步骤5中，新的数据、所有数据和已有数据均是指非介入负荷辨识终端上传的特征量，非介入负荷辨识终端会实时上传新提取的特征量数值，即新的数据，所以下一秒非介入负荷辨识终端实时上传的数据就是新的数据。家庭电器的基本特征即为终端电器特征库，特征量指基本特征对应的数值，差异性特征包含于基本特征中，云端就是根据差异性特征构建更加全面的特征库。

[0040] 以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，应当指出：在不脱离本发明原理及设计精神的前提下，本技术领域的普通技术人员对本发明的技术方案做出的若干改进和润饰，均应纳入本发明权利要求书确定的保护范围内。