一种非侵入式负荷监测多变量暂态特征提取方法

技术领域

本发明涉及暂态特征提取技术领域，特别涉及一种非侵入式负荷监测多变量暂态特征提取方法。

背景技术

根据统计建筑用能消耗了大量的能源。研究显示，通过对用户内部常见负荷进行监控与信息反馈，可以有效提升用户用能效率。在现有的各种监控方案中，非侵入式负荷监测(NILM)因其成本低、可靠性高、数据完整性好、易于实现等优点而备受关注。

NILM主要包括三个过程：数据采集、特征提取、推理和学习，其中特征提取的准确性对NILM系统整体效果将起到决定性作用。绝大多数暂态特征提取的相关研究都聚焦于如何准确定位提升暂态过程的起止时刻，而忽视了NILM系统获取的多维数据在暂态特征提取过程中相互辅助的效果。然而，实际工程用户内部常用设备可能高达数十种，其中不乏暂态过程持续时长可变且功率波形复杂的连续变化型负荷，这些设备随机运行产生的暂态信号在不同维度信号中的暂态特征提取难度各有不同。

发明内容

本发明所要解决的技术问题在于，提供一种非侵入式负荷监测多变量暂态特征提取方法，可以提高非侵入式负荷监测系统暂态特征提取的精度。

为解决上述技术问题，作为本发明的一方面，提供一种非侵入式负荷监测多变量暂态特征提取方法，其至少包括如下步骤：

步骤S10，根据负荷对应的多变量数据，建立对应的多维时间序列，所述多维度时间序列的特征编号分别对应于基本有功功率时间序列、无功功率时间序列、三次电流谐波、五次电流谐波、七次电流谐波；

步骤S11，根据预先确定的多元滑动窗算法构建一多变量暂态特征检测通用模型；

步骤S12，在所述多变量暂态特征检测通用模型中，根据所述多元滑动窗算法，移动预定尺寸的窗口，计算当前窗口内决策函数值；

步骤S13，将所述决策函数值并与比较阈值进行比较，对暂态过程起止时刻进行定位；

步骤S14，根据获得的起止时刻，截取暂态过程起止时刻区间内的多维向量，计算获得对应的暂态特征。

优选地，所述步骤S10进一步包括：

根据实时监测的负荷数据，定义一组输入的多维时间序列为x

令

优选地，所述步骤S11进一步包括：

在多元滑动窗算法中，预设第一个包含w/2个采样点的窗口和最后一个包含w/2个采样点的窗口为暂态过程检测输入样本，另设包含u个采样点的窗口作为跨步窗口，跨步窗口中的数据不参与暂态过程检测计算；

则每个向量x

通过动态修正统计参数来建模分析t

其中，在“无变化”假设H

在“有变化”假设H

优选地，在1Hz低频数据场景中，所述w和u分别取值为20和5。

优选地，所述步骤S12进一步包括：

步骤S120，建立贝叶斯信息准则(BIC)基本模型，包括：

在假设H

其中λ是一个惩罚因子，理想情况下等于1；

步骤S121，根据下式进行BIC决策函数计算，获得决策函数值g

比较阈值h≥1

优选地，所述步骤S13进一步包括：

如果计算获得当前滑窗对应的g

根据预设的滑窗参数u、w，反推暂态过程起止时刻，确定暂态起始时刻为t

优选地，所述步骤S14进一步包括：

根据暂态起始时刻t

根据非侵入式负荷监测系统的需要计算暂态特征，至少包括：起止时刻点的有功功率差量，起止时刻点的无功功率差量。

实施本发明实施例，具有如下的有益效果：

本发明提供了一种非侵入式负荷监测多变量暂态特征提取方法。该方法充分考虑NILM面临的多设备运行产生的差异化暂态过程复杂数据场景，在基本有功功率时间序列、无功功率时间序列的基础上融合三次、五次、七次等电流谐波时间序列，采用多变量高斯分布模型描述高维时间序列数据分布，并利用模型的均值向量和协方差矩阵描述时间序列数据点突变情况，本发明提供的进行多变量暂态过程定位与特征提取的过程，保证了非侵入式负荷监测系统暂态特征提取精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明提供的一种非侵入式负荷监测多变量暂态特征提取方法的一个实施例的主流程示意图。

图2是本发明中涉及的不同用户场景下多设备差异化暂态特性示意图；

图3是本发明涉及的多元窗口边距滑动法示意图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，示出了本发明提供的一种非侵入式负荷监测多变量暂态特征提取方法的一个实施例的主流程示意图。一并结合图2至图3所示，在本实施例中，不同用户场景下的各维度数据，如图2所示，显然暂态信号在不同维度信号中的暂态特征提取难度各有不同。本发明提供的方法进一步包括如下的步骤：

步骤S10，根据负荷对应的多变量数据，建立对应的多维时间序列，所述多维度时间序列的特征编号分别对应于基本有功功率时间序列、无功功率时间序列、三次电流谐波、五次电流谐波、七次电流谐波；

根据实时监测的负荷数据，首先定义设一组输入的多维时间序列为x

令

步骤S11，根据预先确定的多元滑动窗算法构建一多变量暂态特征检测通用模型。

更具体地，由于目标设备暂态不一定是短时突变，在多元滑动窗算法中，分别预设第一个包含w/2个采样点的窗口(位于图3左侧)和最后一个包含w/2个采样点的窗口(位于图3右侧)作为暂态过程检测输入样本，另设包含u个采样点的窗口(位于图3中间)作为跨步窗口，跨步窗口中的数据不参与暂态过程检测计算。参数w和u需根据用户数据场景进行选择，通常在1Hz低频数据场景中可分别设为20和5。

则每个向量x

接下来，通过动态修正统计参数(即平均向量和/或协方差矩阵)来建模分析t

其中，在“无变化”假设H

在“有变化”假设H

步骤S12，在所述多变量暂态特征检测通用模型中，根据所述多元滑动窗算法，移动预定尺寸的窗口，计算当前窗口内决策函数值；

从上可知，H

更具体地，所述步骤S12进一步包括：

步骤S120，建立贝叶斯信息准则(Bayesian Information Criterion，BIC)基本模型。

在本实施例中，给出了基于贝叶斯信息准则检测器的决策函数g

在假设H

其中λ是一个惩罚因子，理想情况下等于1；

步骤S121，根据下式进行BIC决策函数计算，获得决策函数值g

可以理解的是，BIC决策函数为：

g

对式(7)的决策函数，采用最大似然估计(Maximum Likelihood Estimators，MLEs)进行最大化，则协方差矩阵和平均向量按如下计算：

其中，

根据式3和式7，BIC决策规则为：

其中，

步骤S13，将所述决策函数值并与比较阈值进行比较，对暂态过程起止时刻进行定位；

根据上述步骤，如果g

步骤S14，根据获得的起止时刻，截取暂态过程起止时刻区间内的多维向量，计算获得对应的暂态特征。

根据暂态起始时刻t

进而，根据非侵入式负荷监测系统的需要计算暂态特征，例如，计算起止时刻点的有功功率差量，起止时刻点的无功功率差量等。此过程为本领域技术人员所熟知，在此不进行赘述。

实施本发明实施例，具有如下的有益效果：

本发明提供了一种非侵入式负荷监测多变量暂态特征提取方法。该方法充分考虑NILM面临的多设备运行产生的差异化暂态过程复杂数据场景，在基本有功功率时间序列、无功功率时间序列的基础上融合三次、五次、七次等电流谐波时间序列，采用多变量高斯分布模型描述高维时间序列数据分布，并利用模型的均值向量和协方差矩阵描述时间序列数据点突变情况，本发明提供的进行多变量暂态过程定位与特征提取的过程，保证了非侵入式负荷监测系统的暂态特征提取精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。