一种基于DTW算法的非侵入式家居负荷行为识别的装置
文献发布时间:2023-06-19 11:14:36
技术领域
本发明涉及家居负荷行为识别技术领域,具体为一种基于DTW算法的非侵入式家居负荷行为识别的装置。
背景技术
负荷监测技术发展的势头正旺,电力客户用电行为识别也成为了亟待解决的问题。目前供电公司安装的大部分电能表都不能实现电力客户用电的分类计量,只是笼统的统计用户的总电量,不利于供电公司掌握家庭负荷消耗情况,无法进一步实现对用户分类管理,无法提供差异化服务。
如何选取有效的特征量及识别算法,来表征和求解负荷的用电行为成为了研究的重中之重。国内外学者提出了许多数据处理方法,如聚类算法,鸡群算法,微分进化算法等。建立家用负荷标准数据库,通过变点检测算法来检测事件,采集数据并通过聚类算法来进行负荷识别。
通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。采用模糊聚类的方法确定电器的电流、电压稳态数据的特征参数,再通过微分进化算法进行负荷分解。虽然许多国内外学者的文献都实现了负荷的识别与分解,却都存在着算法收敛性差,特征量选取不典型等诸多问题。
上述算法多采用负荷稳态数据作为识别特征量,如电压、电流、能耗的变化值等等,而对家居负荷开、关等暂态过程很难做到实施捕捉。
为此提出一种基于DTW算法的非侵入式家居负荷行为识别的装置将家用负荷开、关时的暂态波形和功率变化值作为特征量,可有效的识别出家庭用电的各项负荷用电数据。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于DTW算法的非侵入式家居负荷行为识别的装置。
为实现上述目的,本发明提供如下技术方案:
一种基于DTW算法的非侵入式家居负荷行为识别的装置,包括用户进线口处统一安装的家用电能表和非侵入式负荷检测模块,所述非侵入式负荷检测模块包括依次连接的阙值设定模块、触发器、数据采集模块、家用电器负荷数据库、参考模板数据库、匹配模块以及分析模块;
所述电能表的输出端连接于数据采集模块的输入端,所述非侵入式负荷检测模块的输出端连接有家用配电箱,所述家用配电箱电性连接有家用电器。
所述阙值设定模块用于设定家用电器使用时的功率阈值,所述触发器用于开启数据采集模块,并通过数据采集模块采集数据。
所述数据采集模块将家用电器开、关时的暂态波形和功率变化值作为特征量,采集识别出家庭用电的各项负荷用电数据,根据用户房屋电表的总负荷消耗曲线,识别出各个家用电器随时间的消耗功率。
所述家用电器的负荷识别方法具体为:
步骤1:采集数据,在用户进线口处统一安装家用电能表和非侵入式负荷检测模块,监测有功功率,当数据达到设定的阈值时,非侵入式负荷检测模块的触发器动作,采集数据;
步骤2:建立家用电器负荷数据库,提取各个种类的家用电器功率波形,组成参考模板数据库,以备后续匹配;
步骤3:将参考模板与待识别模板进行匹配,计算累计失真量进而求出二者之间的相似度;
步骤4:比较各组相似度的结果,测试模板则属于相似度最接近于1的那一类。
所述家用电器的负荷特性数据样本集可表示为:
式中Pm(n)为电器m在第n个采样点对应的功率值;m为电器种类;n为采样点的个数;
根据各家用电器的功率数据,k1,k2,…,Km表示为负荷的开启时间系数,则负荷总功率的计算公式为:
设实际采样得到的总负荷功率数据表示为:
y(n)=[y(1),y(2),…,y(k),…y(n)] (3)
式中y(k)表示为第k个采样点监测得到的总功率值:n表示采样个数;用d(x,y)来表征采集得到的总功率数据y(n)和拟合的总功率数据x(n)之间的相关程度;定义d(x,y)为二者之间的失真量;
为减少程序设计麻烦,这里采用卡方检验法来表征相似度:
x(n)和y(n)为两个不含负数值的特征向量,失真量越接近于零,则相似度越高;
与常用的欧式距离相比卡方检验法避免了根号运算,规避了计算冗余,接下来对数据进行归一化处理,使其位于[0,1]之间;
取:
式中a=max x(n);b=max y(n),于是定义相似度:
用于量度两数据之间的贴近程度,当s(x,y)越大时,两向量越接近,完全匹配时s(x,y)=1,因此,算法的求解目标便可表示为:求得一个恰当的拟合信号x(n),使s(x,y)接近于1,即求出一组最佳的k1,k2,…,km值使得拟合数据和总负荷数据二者之间的相关性程度越强。
与现有技术相比,本发明的有益效果是:将家用负荷开、关时的暂态波形和功率变化值作为特征量,可有效的识别出家庭用电的各项负荷用电数据,通过非侵入式负荷识别,可以使用户对家庭负荷消耗情况了如指掌,生成各家电负荷的用电账单。同时,这些数据上传到供电公司,便于供电公司对用户分类管理,实现客户的差异化服务。
附图说明
图1为本发明系统示意图;
图2为本发明家用电器的负荷识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种基于DTW算法的非侵入式家居负荷行为识别的装置,包括用户进线口处统一安装的家用电能表和非侵入式负荷检测模块,所述非侵入式负荷检测模块包括依次连接的阙值设定模块、触发器、数据采集模块、家用电器负荷数据库、参考模板数据库、匹配模块以及分析模块;
所述电能表的输出端连接于数据采集模块的输入端,所述非侵入式负荷检测模块的输出端连接有家用配电箱,所述家用配电箱电性连接有家用电器。
所述阙值设定模块用于设定家用电器使用时的功率阈值,所述触发器用于开启数据采集模块,并通过数据采集模块采集数据。
所述数据采集模块将家用电器开、关时的暂态波形和功率变化值作为特征量,采集识别出家庭用电的各项负荷用电数据,根据用户房屋电表的总负荷消耗曲线,识别出各个家用电器随时间的消耗功率。
如何选取有效的特征量及识别算法,来表征和求解负荷的用电行为成为了研究的重中之重。国内外学者提出了许多数据处理方法,如聚类算法,鸡群算法,微分进化算法等。建立家用负荷标准数据库,通过变点检测算法来检测事件,采集数据并通过聚类算法来进行负荷识别。
通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。采用模糊聚类的方法确定电器的电流、电压稳态数据的特征参数,再通过微分进化算法进行负荷分解。虽然许多国内外学者的文献都实现了负荷的识别与分解,却都存在着算法收敛性差,特征量选取不典型等诸多问题。
上述算法多采用负荷稳态数据作为识别特征量,如电压、电流、能耗的变化值等等,而对家居负荷开、关等暂态过程很难做到实施捕捉。
为此提出一种基于动态时间规整(Dynamic Time Warping,DTW)算法的非侵入式行为识别方法,将家用负荷开、关时的暂态波形和功率变化值作为特征量,可有效的识别出家庭用电的各项负荷用电数据。
针对非侵入式家居负荷提出一种行为识别方法,可根据用户房屋电表的总负荷消耗曲线,识别出各个家用电器随时间的消耗功率。不同的设备具有不同的实际功耗,已知一个房屋中所有的用电器的额定功率,并将所有用电器的功率集合在一起形成这个住户的数据库。
通过计算总负荷曲线的变化,与住户的数据库进行比对,匹配出最有可能的负荷开关状态,从而识别出住户用电行为。行为识别一般包含两个步骤:特征量选取和行为识别算法选择。首先,选取特征量是识别的关键。
所述家用电器的负荷特性数据样本集可表示为:
式中Pm(n)为电器m在第n个采样点对应的功率值;m为电器种类;n为采样点的个数;
根据各家用电器的功率数据,k1,k2,…,Km表示为负荷的开启时间系数,则负荷总功率的计算公式为:
设实际采样得到的总负荷功率数据表示为:
y(n)=[y(1),y(2),…,y(k),…y(n)] (3)
式中y(k)表示为第k个采样点监测得到的总功率值:n表示采样个数;用d(x,y)来表征采集得到的总功率数据y(n)和拟合的总功率数据x(n)之间的相关程度;定义d(x,y)为二者之间的失真量;
为减少程序设计麻烦,这里采用卡方检验法来表征相似度:
x(n)和y(n)为两个不含负数值的特征向量,失真量越接近于零,则相似度越高,
与常用的欧式距离相比卡方检验法避免了根号运算,规避了计算冗余,接下来对数据进行归一化处理,使其位于[0,1]之间,便于比较不同取值范围内向量的差异;
取:
式中a=max x(n);b=max y(n),于是定义相似度:
用于量度两数据之间的贴近程度,当s(x,y)越大时,两向量越接近,完全匹配时s(x,y)=1,因此,算法的求解目标便可表示为:求得一个恰当的拟合信号x(n),使s(x,y)接近于1,即求出一组最佳的k1,k2,…,km值使得拟合数据和总负荷数据二者之间的相关性程度越强。
算法流程:
采用DTW匹配算法用于识别家庭用电行为。DTW算法即动态时间规整算法,它将距离测度计算与时间规整方法结合在一起。是一种在语音识别、行为识别领域常用的一种智能算法。我们把它延伸使用在电力负荷识别的问题里面,发现其可以很容易地实现不同长度模板间的匹配;
一般情况下,能用于计算特征矢量间的相似度差异的方法均可用于DTW算法,如欧式距离、马氏距离等。而本文采用卡方检验法来避免根号运算。
由家用电器负荷信息库建立参考模板R={R(1),R(2),...,R(M)},待识别模板T={T(1),T(2),...,T(N)},其中,R(m)和T(n)为其内部特征矢量且维数相同。定义d[T(n
DTW算法的目标在于寻找一条最优路径,使得通过该路径累计计算得到的DT(N),R(M[])在所有路径中最小。有如下迭代过程:
D[T(n
其中:
D[T(n
D[T(n
由上述迭代过程计算参考模板与待识别模板的最小累计失真量。将待识别模板与参考模板逐一匹配,则待识别模板属于与参考模板相似度最接近于1的那一类。下面就非侵入式家用电器的负荷识别方法总结如下步骤,流程图见图2。
步骤1:采集数据,在用户进线口处统一安装家用电能表和非侵入式负荷检测模块,监测有功功率,当数据达到设定的阈值时,非侵入式负荷检测模块的触发器动作,采集数据;
步骤2:建立家用电器负荷数据库,提取各个种类的家用电器功率波形,组成参考模板数据库,以备后续匹配;
步骤3:将参考模板与待识别模板进行匹配,计算累计失真量进而求出二者之间的相似度;
步骤4:比较各组相似度的结果,测试模板则属于相似度最接近于1的那一类。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
- 一种基于DTW算法的非侵入式家居负荷行为识别的装置
- 一种基于非侵入式负荷监测的窃电行为识别方法与装置