[发明专利]一种基于经验小波变换的用户用电负荷特征提取方法

说明书

本发明公开了一种基于经验小波变换的用户用电负荷特征提取方法，包括：用经验小波变换分解用户用电负荷数据为多个经验小波函数分量；对每个经验小波函数进行Hilbert变换，并将Hilbert谱在时频联合域中进行表示；计算每个分量与原始负荷数据归一化相关系数，根据相关度选取规则设定合适的阈值，选取与原始负荷数据相关度较高的有效分量，对所提取的有效分量的能量进行2范数求解，将求解结果组合构成能综合表征用户用电特性的特征矢量。该方法结合了小波分析和经验模式分解方法的优点，通过自适应地分割傅里叶频谱，构造正交小波滤波器组，将单一信号分解为多个具有紧支撑傅立叶频谱的调幅‑调频分量，实现不同频率特征信息的分离。

技术领域

本发明涉及电力系统用户用电负荷特征提取领域，尤其涉及一种基于经验小波变换的用户用电负荷特征提取方法。

背景技术

目前越来越多的传感器、智能仪表被装入智能配电网中，用来获取电力网络的实时数据。其中，用户用电负荷数据在电网运行决策的制定方面起着重要作用，因此对用电负荷数据进行特征提取研究对于支持电网的安全、经济、可靠运行有着重要的理论意义和实际价值。

目前信号特征提取常用的方法有：傅里叶变换、小波分析方法、小波包分析方法和希尔伯特-黄变换等。傅里叶变换采用全局正弦量，虽能够有效地将信号划分为频率不同的各个分量，但会导致局域性信息的缺失。小波和小波包变换虽然可用于分析非平稳信号，但实际应用时还需解决小波基的选择问题，不具备自适应性。希尔伯特-黄变换方法中涉及的经验模态分解算法，弥补了之前方法依赖于先验知识选取基函数的弊端，但此算法缺乏有力的数学理论支撑并且在信号处理过程中会出现模式混叠现象。经验小波变换方法解决了理论基础不足和算法适应性的问题，旨在构建一个由信号特性直接产生的基函数，进而通过设计一个适当的小波滤波器组对信号不同的模式进行提取。

发明内容

本发明的目的在于，给出了一种基于经验小波变换的用电负荷特征提取方法，为分析用户用电特性提供了有效手段。

本发明涉及一种一种基于经验小波变换的用户用电负荷特征提取方法，包括如下步骤：

将用户原始用电负荷数据作为原始信号采用经验小波变换方法进行分解，获得多个经验小波函数分量；

通过对所述获得的每个经验小波函数分量进行Hilbert变换，得到表征各个分量瞬时幅值和瞬时频率的Hilbert谱，并将其Hilbert谱在时-频联合域中进行表示，从而建立用户原始用电负荷数据信号的时频表示；

计算用户原始用电负荷数据与各经验小波函数分量的归一化相关系数，筛选出与用户原始用电负荷数据相关度较高的有效分量；

根据有效分量构建用户用电负荷数据特征矢量，将此特征矢量作为识别用户原始用电负荷特征输出。

进一步，对原始信号进行傅里叶变换得到其Fourier频谱，通过对Fourier频谱的自适应分割构造经验小波滤波器组，提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)信号成分，将信号成分中包含不同频率特征信息的分量进行分离，得到多个涵盖不同频率特征信息的经验小波函数分量。

其中，筛选是根据相关度选取规则设定合适的阈值以选取相关度高、能够反映用户用电负荷特征的有效分量，达到去除伪分量以及无关干扰项的目的。

进一步，根据有效分量构建用电负荷数据特征矢量的方法为计算每个有效分量的能量，并对所述能量进行2范数求解，将求解结果进行组合，构造出能综合表征用户用电特性的特征矢量。

另外，当归一化相关系数大于等于0.5时，视为相关度高。

附图说明

图1是本发明的一种基于经验小波变换的用户用电负荷特征提取方法的步骤框图；

图2是传感器采集的原始用户用电负荷数据示意图；