一种基于波形数据特征分析的用电负荷识别方法

技术领域

本发明属于用电负荷识别领域，更具体地，涉及一种基于波形数据特征分析的用电负荷识别技术。

背景技术

随着电力物联网的不断建设，电力需求侧管理呈现出逐步往精细化方向发展的趋势。这既是电力用户对能效管理和用电经济性的需要，也是社会管理精细化管理和治理的需求之一。

非介入式用电负荷识别作为需求侧的精细化管理的关键技术之一，通过实时监控用户各用电设备的类别、运行状态与耗电情况等信息，为电能高效调度与电网结构优化提供了重要参考依据。负荷识别的结果可以为用户提供家用电器、企业用电设备的运行情况与功耗等信息，为合理提升能效管理水平提供了基础。同时，在社会治理方面，用电负荷识别也具有非常重要的意义。例如，针对高校宿舍规范用电行为，用电负荷识别技术可以分辨出宿舍是否违规使用了大功率电器以及使用的时间和电器类型等信息给管理方，为减少电气安全事件的发生提供了监测手段。用电负荷识别还可以为智慧社区及居家安全管理提供技术手段，为减少独居老人的生活风险提供支持。

目前，非介入式用电负荷识的算法大多采用数据挖掘、机器学习、神经网络等基于统计分析的方法，分析的数据基础是对用电的电压、电流波形数据进行采样的波形数据。这些算法比较成熟，可以在预先输入的电器特征样本，例如V-I轨迹图像特征等典型的电器设备特征数据，并进行训练和学习后进行有效的电器类型识别。但是现有技术存在以下两个问题：

1、分析、识别时间长。基于统计和学习的方法，需要输入大量样本，并且识别过程需要长时间的统计分析；

2、随着电器技术的改变，现有方案需要不断输入新的样本，否则识别率会降低。

因此针对用电负荷识别的上述问题，本发明提出了电器组合特征的识别方法，并且采用瞬态特征数据作为判断依据之一。

发明内容

本发明的目的是针对现有非介入式负荷识别过程中存在的问题，提出一种基于波形数据特征分析的用电负荷识别方法，有效提高负荷识别的效率和识别准确度。

本发明的技术方案是：

一种基于波形数据特征分析的用电负荷识别方法，该方法包括以下步骤：

S1、电器特征数据获取步骤：对现有电器构成进行部件分解，根据不同部件的电气特征，获取波形数据，提取相应的特征数据；

S2、用电过程数据获取步骤：对电器部件的各用电过程进行数据采集，提取相应的特征数据；

S3、建立分类决策模型：对步骤S1和S2获取的数据从各维度分别进行归一化处理，对预处理后的样本数据集再进行特征提取，根据特征进行分类，将分类特征与电器部件、用电过程对应关系的数据作为负荷识别过程的机器学习或者分类决策的数据库，建立分类决策模型；

S4、负荷识别：实时获取待识别负荷的电网波形数据，提取特征数据；将待识别数据输入分类决策模型，匹配到对应的电器类型、部件、以及用电过程的组合。

进一步地，所述的特征数据为瞬态特征，包括谐波特征数据、V-I特征数据和功率特征数据。

进一步地，所述的用电过程包括设备启动、停止和运行过程中。

进一步地，谐波特征数据采用21次以上的高频谐波特征分析数据。

进一步地，谐波特性包括：电压、电流各次谐波含有量、谐波功率、谐波总畸变率、监测网中各节点之间在不同时间段内的谐波上下游关系。

进一步地，分类决策模型采用K-Means聚类分析、决策树分类和支持向量机算法。

本发明的有益效果：

本发明通过采用瞬态特征数据和稳态特征数据相结合的识别方法，提高了识别的准确度。稳态特征数据分析采用现有的数据挖掘、机器学习等算法；瞬态特征数据采用电器运行过程中的谐波分析，尤其是21次以上的高频谐波特征分析。

本发明通过对不同类型的电器进行分解，提取出不同部件的谐波数据特征模型，从而提出电器的组合特征。通过组合特征可以适应不同电器类型的变化，提高了负荷识别的准确度。

本发明。

本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了本发明的技术方案实施流程图

图2示出了本发明的特征数据采集和分析流程图。

图3示出了本发明的典型压缩机部件V-I轨迹图像。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

如图1所示，一种基于波形数据特征分析的用电负荷识别方法，包括以下步骤：

1、典型电器特征分解

典型电器特征分解是对现有典型的电器构成进行分解，同时根据不同部件的电气特征，根据波形数据提取出相应的特征数据主要包括谐波分析等瞬态特征。例如冰箱由压缩机、冷凝器、电气系统及附件等电气部分组成；空调由制冷压缩机、冷凝器、毛细管、蒸发器、电动机等电气部分组成。

2、电器特征部件数据分析

对压缩机、冷凝器等电器部件的用电过程采集的数据进行特征提取，包括设备启动、停止和运行过程中的V-I特征、功率特征、谐波特征，再对这些数据进行归一化处理，之后进行特征提取，并基于特征样本数据集，重建样本数据集。这些样本数据集作为后期负荷识别过程的机器学习或者分类决策的数据源。

V-I特征：V-I轨迹特征属于高频特征，能够反映设备稳态运行时的电流波形、阻抗特性等设备特征。V-I轨迹通常从高频聚合数据中提取，假设每次只打开一个电器部件设备，可以通过计算打开事件前后的稳态电压、电流差值来提取单个设备的电压电流波形，进而提取V-I轨迹。图3示出了本发明的压缩机部件V-I轨迹图像。

谐波特征：谐波(harmonics)是一个周期电气量的正弦波分量，其频率为基波频率的整数倍。谐波的一个重要指标就是总谐波畸变率(THD)，定义为畸变波形因谐波引起的偏离正弦波形的程度。谐波特性包括谐波的频率、含有量、总畸变率等几种数据特征的组合。电器启动、关闭、运行阶段，产生的谐波特性都有差异。

3、特征样本数据，

波形数据分析后，需要对这些数据进行归一化处理，之后进行特征提取，并基于特征样本数据集，重建样本数据集。这些样本数据集作为负荷识别过程的机器学习或者分类决策的数据源，进行机器学习，建立分类模型。

4、实时波形特征数据分析

负荷识别时，高频采样入户的电网波形数据，包括应用使用的有功功率、电压、电流、谐波、电压噪声等暂态和稳态数据。然后对负荷特征各维数据进行归一化操作，对预处理后的数据集进行特征分析。

我们以谐波特性分析为例，采用基于监测数据的谐波源分析和定位模型，定位谐波来源并分离出特定的谐波特性进行分类匹配。

谐波数据筛选：计算电压、电流各次谐波含有量、计算谐波功率、计算谐波总畸变率、计算监测网中各节点之间在不同时间段内的谐波上下游关系、分离出某时间点特定的谐波特性样本集；

5、电器类型识别

在经过波形特征数据分析和提取后，我们根据特征类型进行分类匹配，采用分类决策模型，即使用K-Means聚类分析、决策树分类、支持向量机等算法将样本数据分类，得到电器类型、部件、以及用电过程的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。