[发明专利]基于量子遗传优化的非侵入式电器负荷识别方法

说明书

本发明公开了基于量子遗传优化的非侵入式电器负荷识别方法，具体通过利用实测负荷电流及电压数据，获得电流有效值，并通过量子遗传算法进行对比寻优得出最优解，最终确定电器的具体负荷类型。本发明的在非侵入式电器负荷识别方法在遗传优化电器识别算法上，将量子遗传算法应用到非侵入式电器识别技术中，提高了寻找最优解的解空间数量，在识别结果上提升了多种设备同时运行的精准率，同时也降低了时间复杂度。

技术领域

本发明涉及非侵入式电力负荷识别技术领域，特别涉及一种基于量子遗传优化的非侵入式电器负荷识别方法。

背景技术

随着智能电网的发展，电力负荷中居民用户用电负荷所占的比重越来越大，作为电力负荷的重要组成部分，居民用户域负荷日益引起社会的广泛关注。居民用户域的负荷在线监测是实现居民用户用电可视化的基础，它有助于用户了解家庭内不同时段各电器设备的具体能耗情况，据此来制定合理的用电计划，完善能源消费结构，促进能源有效利用，减少家庭电费开支。居民用户域负荷在线监测对推进整个社会的节能减排、缓解能源危机起着重要的作用。

传统的侵入式电力负荷监测系统需要在各个负载前加装传感器，综合成本高，施工非常复杂，对原有线路也造成破坏。而非侵入式电力负荷监测NILM系统仅需在住户进户线总开关处或者工业车间总线上安装一个传感器就能获知每个/类电器的使用情况，并且成本低，施工方便，不对用户造成用电干扰，有望发展成为新一代智能电表的核心技术，为电力用户和整个社会带来多方面的效益。

负荷辨识算法是NILM的核心内容，研究人员提出了很多不同的理论和算法。George.W.Hart教授首先提出了一种通过监测电力人口处所有用电设备总的有功功率和无功功率的变化量来辨识负荷的方法。Robertson等人采用小波变换技术，通过对几个未知的暂态信息进行分类的方法进行负荷辨识。由于负荷稳态特征存在局限性，利用暂态特征辨识成为研究重点。

上述方法均是通过对暂态特征量的提取、转化来实现负荷辨识，但由于切入点比较单一，考虑到实际环境下暂态特征的不确定性其准确度将受到影响，暂态、稳态特征结合的方法也受到了关注。且随着智能算法的发展，有研究者利用智能算法进行负荷辨识的研究。

发明内容

本发明的目的是基于上述背景技术，提供一种基于量子遗传优化的非侵入式电器负荷识别方法，利用实测负荷电流及电压数据，获得电流有效值，通过量子遗传算法寻优，寻找最优解，最终确定电器的具体负荷类型。

为了达到上述的技术效果，本发明采取以下技术方案：

基于量子遗传优化的非侵入式电器负荷识别方法，包括以下步骤：

A.采集电器设备电流及电压数据，并通过对采集的电流及电压数据进行预处理得到有效的电流数据；

具体的，在采集电器设备电流及电压数据前会预设一个采集周期N，则将对采集周期N时间段内的电器设备的电流及电压数据进行采集，一般具体的采集周期N的时长可根据具体需求而设定，如可设定为20秒或30秒等；

通过对采集的电流及电压数据进行预处理得到有效的电流数据即为该类电器设备的单个样本数据，其中，优选同一种类电器设备需采集多份电流及电压数据并求取其平均值，从而减小误差；

同时，步骤A中对采集的电流及电压数据进行预处理即是对采集到的直接数据进行计算处理得到需要的有效的数据，比如电流有效值，功率等需求的数据，不同的数据类型其计算方式不同，且各计算处理方式均为现有技术中已有的计算方法，此处不再赘述。

其中，在得到每种电器设备的有效电流数据后再通过电压相位对齐找到M域的电流起点，根据电流起点计算每类电器M域内的电流幅值的最大值，最小值等，具体的，M域就是采样周期中的数据波形进行相位对齐获取的一个波段，且该波段内获取的数据个数具体为m个。

B.配置量子遗传算法参数；