CN111027408A - 一种基于支持向量机和v-i曲线特征的负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机和V‑I曲线特征的负荷识别方法，涉及负荷识别系统技术领域，利用V‑I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点；运用V‑I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率，并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V‑I曲线不好识别小型负荷的缺点；通过基于SVM的负荷识别更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题，使得负荷识别的结果更具有准确性，提高辨识度。此外，本发明方法以非侵入式为出发点，具有经济实用、容易实现的特点。

Description

一种基于支持向量机和V-I曲线特征的负荷识别方法

技术领域

本发明涉及负荷识别系统技术领域，尤其涉及一种基于支持向量机和V-I曲线特征的负荷识别方法。

背景技术

随着电力系统网络的愈加成熟和人工智能快速发展，智能电网也随着二者的结合应运而生，慢慢地发展壮大。而在未来智能电网地规划里，是朝着一个完全自动化的电力传输网络方向发展的，具有监视和控制每个用户和电网节点，保证从电厂到终端用户整个输配电过程中所有节点之间的信息和电能的双向流动的能力。因此，这要求在电网终端要与用户之间形成良好互动，实现更好地用电管理和服务。随着非侵入式负荷监测系统(Non-intrusive Load monitoring system，NILMS)地提出，即在不侵入用户内部设备的前提下，进行负荷识别,得到用户实时用电功率组成。通过统计不同负荷的用电量,用户可以获知详细的电能消耗情况,有效管理用电行为。

在这其中，负荷印记(Load Signature，LS)的提取和良好的负荷识别分类器是决定负荷识别准确性的关键环节。当前国内外学者对基于稳态和暂态的负荷特征提取展开了一系列的研究，稳态特征包括功率、V-I波形、电压噪声和电流谐波等；暂态特征包括瞬时电压、瞬时功率、电压噪声、电流等。而随着机器学习的不断发展，包括线性分类器、支持向量机、神经网络等在内的分类器也广泛被应用于负荷识别中。但是因为不同类型负荷的单一负荷特征往往存在重叠情况，如果只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠，造成的误辨识对结果影响较大。

发明内容

本发明的目的在于提供一种基于支持向量机和V-I曲线特征的负荷识别方法，从而克服了现有只依靠单一负荷特征的非侵入式负荷识别所得出的结果往往并不可靠的缺点。

为实现上述目的，本发明提供了一种基于支持向量机和V-I曲线特征的负荷识别方法，包括以下步骤：

S1、获取用电数据获取，并进行预处理；

S2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；

S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；

S4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。

进一步的，所述用电数据包括：电流、电压及功率。

进一步的，所述S2中，通过功率的有效值变化判断事件发生，当所述功率的有效值变化大于阈值，则有事件发生，否则不存在事件发生。

进一步的，所述判断方法包括：

设定S1预处理得到的视在功率：S₁，…，S_t，S_t+1，…；事件开始时间t_on为t秒，事件结束时间t_off为t+TL秒；事件探测窗每次移动的步长为L；

则总视在功率变化量ΔS_t＝S_t+1-S_t，S_t为t秒时的总视在功率；

当ΔS_t＞S_on1时，事件探测窗开始移动并计算ΔS_t+1，ΔS_t+2，…，直到ΔS_t+TL＜S_on1，S_on1为事件检测功率变化阈值，S_on2为能检测到的最小的事件功率变化值；

若S_t+TL-S_t＜S_on2，则有负荷在t～t+TL秒内发生状态变化，即不存在事件发生。

进一步的，所述采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取的方法包括以下步骤：

首先对事件前后T秒内的电压电流波形进行平滑和插值处理；

然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；

再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；

最后将V-I曲线的特征作为负荷印记。

进一步的，所述采用谐波特征提取方法对事件发生后的电压电流信号进行特征提取的方法为：通过快速傅里叶变换将时域内的电流信号转换为频域内的频谱信号，如式(1)所示；

式(1)中，i₀为直流分量，i_k为第k次谐波电流幅值，kω为第k次谐波分量角频率，

为第k次谐波分量初相角；从所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记。

进一步的，所述谐波分量包括：谐波次数和谐波幅值。

进一步的，谐波次数的第三次和第五次，谐波幅值为第六次谐波的幅值。

进一步的，所述S4包括以下步骤：

S41、给定输入数据和学习目标：X＝{X₁,X₂,…,X₈}，y＝{y₁,y₂,…,y_N}，其中，y_i表示识别结果i＝1,2,…,8，N为用电器数；若输入数据所在的特征空间存在作为决策边界的超平面H，则超平面H将所输入的数据按正类和负类分开，并使任意样本的点到超平面H的距离大于等于1，则分类问题如式(2)所示：

式(2)中，ω、b分别为超平面的法向量和截距；

S42、最优分类超平面，得到分类间隔最大的超平面，则所述分类问题化简为如下最优化问题：

使用拉格朗日乘子法求解式(3)，以ω、b为变量引入拉格朗日乘子α_i≥0,i＝1,···,l得到：

将式(3)所描述的问题转化为对偶形式得：

y_i(ω·x_i+b)-1≥0,i＝1,···,l (7)

α_i≥0,i＝1,···,l (8)

α_i(y_i(ω·x_i+b)-1)＝0,i＝1,···,l (9)

式(5)和式(6)中，L_p为上述最优化问题的对偶形式的目标函数；

将式(5)、式(6)、式(7)、式(8)及式(9)进行化简得：

S43、对偶形式与原优化问题具有相同的最优点，于是原优化问题转化为：

S44、根据式(11)计算得到最优分类超平面的法向量：

最终的判别函数为：

式(13)中，z为样本点到超平面的距离；即通过f(z)得到SVM分类器分类结果。

与现有的技术相比，本发明具有如下有益效果：

本发明所提供的一种基于支持向量机和V-I曲线特征的负荷识别方法，利用V-I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点；运用V-I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率，并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V-I曲线不好识别小型负荷的缺点；通过基于SVM的负荷识别更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题，使得负荷识别的结果(用户家庭中处于工作状态的用电器)更具有准确性，提高辨识度。此外，本发明方法以非侵入式为出发点，具有经济实用、容易实现的特点。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例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个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种基于支持向量机和V-I曲线特征的负荷识别方法的流程图；

图2是本发明实施例的一用户家庭里一段数据的V-I曲线图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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作出创造性劳动的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。

如图1所示，本发明所提供的基于支持向量机和V-I曲线特征的负荷识别方法包括以下步骤：

S1、获取用电数据获取，并进行预处理；用电数据包括：电流、电压及功率等，均从安装于入户端的智能电表中获取。从入户端的智能电表获取的原始数据(用电数据)中存在噪声，将影响负荷印记的提取，因此需要对原始数据进行去噪处理。

S2、对S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1。事件发生的完整过程是指负荷状态转换的整个过程，本发明通过功率的有效值变化来判断事件发生，将功率的有效值变化与设定的阈值作比较，如果大于这个阈值，则有事件发生。具体判断方法如下：

负荷状态转换过程伴随着视在功率的变化，设定S1预处理得到的视在功率(S₁，…，S_t，S_t+1，…)；事件开始时间t_on为t秒，事件结束时间t_off为t+TL秒；事件探测窗每次移动的步长为L，本发明设为L＝1s；

则总视在功率变化量ΔS_t＝S_t+1-S_t，S_t为t秒时的总视在功率；当ΔS_t＞S_on1时，事件探测窗开始移动并计算ΔS_t+1，ΔS_t+2，…，直到ΔS_t+TL＜S_on1，S_on1为事件检测功率变化阈值，S_on2为能检测到的最小的事件功率变化值；如果S_t+TL-S_t＜S_on2，则说明有负荷在t～t+TL秒内发生状态变化(TL表示事件的持续时间)，即不存在事件发生。

S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征。S3具体包括以下步骤：

S31、采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取；首先对事件前后T秒内的电压电流波形进行平滑和插值处理；然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；最后将V-I曲线的特征作为负荷印记。

V-I曲线的形状表征和分类有不同的方法，其中一种方法是使用形状特征来描述形状，V-I曲线上各形状特征如表1所示。

表1 V-I曲线上各形状特征

S32、采用谐波特征提取方法对事件发生后的电压电流信号进行特征提取；通过快速傅里叶变换(fast Fourier transform，FFT)将时域内的电流信号转换为频域内的频谱信号，如式(1)所示，从而得到负荷设备在频域上的特征信息，即提取谐波分量。

式(1)中，i₀为直流分量，i_k为第k次谐波电流幅值，kω为第k次谐波分量角频率，

为第k次谐波分量初相角。关于谐波分量中的谐波次数和谐波幅值，现有研究指出大多数负荷运行时产生的偶次谐波幅度较小，而奇次谐波的幅度较大，一般典型的谐波分量多为2次谐波、3次谐波、5次谐波。本发明选取谐波幅值X₆、三次谐波X₇、五次谐波X₈作为负荷印记。

S33、因为V-I曲线的特性具有区分度较好的优点，但不能够很好地区分小型负荷，而谐波特性的优点是量测简单，具备抗干扰能力，而且能够区分小型负荷，因此，将S31和S32得到的负荷印记作为负荷特征，进行负荷识别。

S4、将S3得到的负荷印记作为负荷特征，对S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。

负荷特征可通过线性分类器进行分类进而获得识别结果。本发明选用V-I曲线与谐波特征作为支持向量机(SVM)分类器的输入，S4包括以下步骤：

S41、给定输入数据和学习目标：X＝{X₁,X₂,…,X₈}，y＝{y₁,y₂,…,y_N}，其中，y_i表示识别结果(i＝1,2,…,8)，N为用电器数；若输入数据所在的特征空间存在作为决策边界(decision boundary)的超平面H:ω^T·X+b＝0，将超平面作为学习目标，则按正类和负类将超平面H分开，并使任意样本的点到超平面H的距离大于等于1，则称对给定输入数据和学习目标的分类问题具有线性可分性，如式(2)所示：

式(2)中，ω、b分别为超平面H的法向量和截距。

S42、最优分类超平面，即得到分类间隔最大的超平面，则上述分类问题可化为如下最优化问题：

使用拉格朗日乘子法求解式(3)，以ω、b为变量引入拉格朗日乘子α_i≥0,i＝1,···,l得到：

由于函数本身是凸的，且满足这些约束的点也形成了一个凸集，故该二次规划问题是一个凸二次规划问题，是不存在局部最小值的，因此SVM方法的最优超平面的思想能够克服局部最小问题；将式(3)所描述的问题转化为对偶形式得：

y_i(ω·x_i+b)-1≥0,i＝1,···,l (7)

α_i≥0,i＝1,···,l (8)

α_i(y_i(ω·x_i+b)-1)＝0,i＝1,···,l (9)

式(5)和式(6)中，L_p为上述最优化问题的对偶形式的目标函数；

将式(5)、式(6)、式(7)、式(8)及式(9)进行化简得：

S43、对偶形式与原优化问题具有相同的最优点，于是原优化问题转化为：

S44、式(11)的解当中只有一小部分不为0，这些x_j,(i∈SV)即支持向量(简称SV)，同时式(11)解出每一个α_i ^*对应一个样本，由之可计算得到最优分类超平面的法向量：

最终的判别函数为：

式(13)中，z为样本点到超平面的距离；即通过f(z)得到SVM分类器分类结果。

对本发明基于支持向量机和V-I曲线特征的负荷识别方法的实施例进行详细说明，以使本领域技术人员更了解本发明：

本发明记录了4个家庭三天内的用电情况。根据低频视在功率数据中负荷功率变化情况，S_on1取30VA，S_on2取100VA，共检测出1553个事件。

根据步骤S3，T分别取3和5，以基波电压相角最接近0的点确定每周期电压、电流波形初始采样点，以电压为横坐标，电流为纵坐标绘制V-I曲线图，并且通过傅里叶变换提取谐波特征进行二者组合。如图2所示，是实际中对一用户家庭里一段数据进行的V-I曲线提取绘制。

将获取到的用户数据进行V-I曲线与谐波负荷印记的提取，然后将其作为SVM分类器的输入，并输出识别结果。本发明共检测出1553个事件，选取1000个样本进行训练，其余样本用于测试。对所监测的4个家庭中各自的8个用电器进行非侵入负荷识别，识别结果的正确率如表2所示：

表2非侵入负荷识别系统的识别结果的正确率

通过表2可以看出，利用V-I曲线和谐波负荷印记组合基于SVM分类器进行训练和识别，所得出的结果正确率有所提高，特别是对大功率用电器识别正确率很高，并且对一些功率波动用电器的识别正确率也很高，能满足客观工程需要。

综上，本发明一种基于支持向量机和V-I曲线特征的负荷识别方法，利用V-I曲线与谐波组合作为负荷印记克服了非侵入式负荷识别中可能产生的误辨识的缺点，运用V-I曲线轨迹的形状特征形成多个负荷印记，增加了负荷辨识的正确率。并辅以电气量经傅里叶变换得出的谐波特征辨识，克服了V-I曲线不好识别小型负荷的缺点。本发明利用支持向量机作为分类器具有很多传统方法没有的优点：如可以比非线性分类器更好地处理非线性分类问题，且不会引起“维数灾难”；它可以处理小样本的机器学习，且不至于陷入局部最小以及过学习、欠学习问题。此外，此方法以非侵入式为出发点，具有经济实用、容易实现的特点。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：包括以下步骤：

S1、获取用电数据获取，并进行预处理；

S2、对所述S1预处理后的数据判断是否有事件发生；若存在事件发生，则进入S3，否则进入S1；

S3、采用V-I曲线提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；

S4、将S3得到的负荷印记作为负荷特征，对所述S2判断得到的事件进行基于SVM的负荷识别，识别得到用户家庭中处于工作状态的用电器。

2.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述用电数据包括：电流、电压及功率。

3.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述S2中，通过功率的有效值变化判断事件发生，当所述功率的有效值变化大于阈值，则有事件发生，否则不存在事件发生。

4.根据权利要求3所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述判断方法包括：

设定S1预处理得到的视在功率：S₁，…，S_t，S_t+1，…；事件开始时间t_on为t秒，事件结束时间t_off为t+TL秒；事件探测窗每次移动的步长为L；

则总视在功率变化量ΔS_t＝S_t+1-S_t，S_t为t秒时的总视在功率；

当ΔS_t＞S_on1时，事件探测窗开始移动并计算ΔS_t+1，ΔS_t+2，…，直到ΔS_t+TL＜S_on1，S_on1为事件检测功率变化阈值，S_on2为能检测到的最小的事件功率变化值；

若S_t+TL-S_t＜S_on2，则有负荷在t～t+TL秒内发生状态变化，即不存在事件发生。

5.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用V-I曲线提取方法对事件发生后的电压电流信号进行特征提取的方法包括以下步骤：

首先对事件前后T秒内的电压电流波形进行平滑和插值处理；

然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，后取基波电压相角为0的点作为电压电流波形初始采样点；

再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；

最后将V-I曲线的特征作为负荷印记。

6.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述采用谐波特征提取方法对事件发生后的电压电流信号进行特征提取的方法为：通过快速傅里叶变换将时域内的电流信号转换为频域内的频谱信号，如式(1)所示；

式(1)中，i₀为直流分量，i_k为第k次谐波电流幅值，kω为第k次谐波分量角频率，

为第k次谐波分量初相角；从所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记。

7.根据权利要求6所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述谐波分量包括：谐波次数和谐波幅值。

8.根据权利要求7所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：谐波次数的第三次和第五次，谐波幅值为第六次谐波的幅值。

9.根据权利要求1所述基于支持向量机和V-I曲线特征的负荷识别方法，其特征在于：所述S4包括以下步骤：

S41、给定输入数据和学习目标：X＝{X₁,X₂,…,X₈}，y＝{y₁,y₂,…,y_N}，其中，y_i表示识别结果i＝1,2,…,8，N为用电器数；若输入数据所在的特征空间存在作为决策边界的超平面H，则超平面H将所输入的数据按正类和负类分开，并使任意样本的点到超平面H的距离大于等于1，则分类问题如式(2)所示：

式(2)中，ω、b分别为超平面的法向量和截距；

S42、最优分类超平面，得到分类间隔最大的超平面，则所述分类问题化简为如下最优化问题：

使用拉格朗日乘子法求解式(3)，以ω、b为变量引入拉格朗日乘子α_i≥0,i＝1,···,l得到：

将式(3)所描述的问题转化为对偶形式得：

y_i(ω·x_i+b)-1≥0,i＝1,···,l (7)

α_i≥0,i＝1,···,l (8)

α_i(y_i(ω·x_i+b)-1)＝0,i＝1,···,l (9)

式(5)和式(6)中，L_p为上述最优化问题的对偶形式的目标函数；

将式(5)、式(6)、式(7)、式(8)及式(9)进行化简得：

S43、对偶形式与原优化问题具有相同的最优点，于是原优化问题转化为：

S44、根据式(11)计算得到最优分类超平面的法向量：

最终的判别函数为：

式(13)中，z为样本点到超平面的距离；即通过f(z)得到SVM分类器分类结果。

Images