[发明专利]一种非侵入式家用电器负荷识别方法

说明书

本发明公开一种非侵入式家用电器负荷识别方法。所述方法包括：基于极限学习机建立待监测家庭的家用电器分类器；实时采集待监测家庭用电总线上的电压和电流，并检测是否发生家用电器启停事件；将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列；对暂态数据序列进行小波变换，获取所述家用电器的负荷暂态特征，对稳态数据序列进行FFT变换，获取所述家用电器的负荷稳态特征，将负荷暂态特征和负荷稳态特征组合成负荷特征向量；将所述负荷特征向量输入家用电器分类器，得到发生启停事件的家用电器的类别。与现有技术只采用FFT变换提取负荷特征相比，本发明能够提高负荷特征向量的区分度，进而提高负荷识别的准确度。

技术领域

本发明属于家用电器负荷识别技术领域，具体涉及一种非侵入式家用电器负荷识别方法。

背景技术

家用电器的负荷识别不仅能够提高居民用户对家用电器消耗具体情况的了解，调整用电措施，积极响应国家节能政策，还能够为电网和售电公司制定电能能耗管理和供需侧联动策略提供有力的参考依据。目前，国内外的居民家庭用电负荷监测技术主要有侵入式和非侵入式两种。其中侵入式家庭用电负荷监测需要在各个电器的供电处装备一个监测模块，虽然监测精度较高，但存在成本高、部署施工难度大、维护困难等缺陷。而非侵入式负荷监测(Non-Intrusive Load Monitoring，NILM)系统则只需测量用户家庭进电总线上的电流和电压信号，就可监测到各类家电的运行状态和耗电数据，成本较低、部署简单且易于更新维护。NILM系统的实现步骤一般包括信号采集和处理、电器启停事件检测、负荷特征提取与负荷特征库建立、以及电器负荷识别分类这几步。从采用的负荷识别算法来看，主要分为监督式和非监督式，其中监督式的识别准确率普遍较高。这些NILM方法的实现大多是通过采集大量电器特征量来建立各种电器的特征库，然后应用聚类方法、隐马尔可夫模型、神经网络学习、支持向量机模型等智能算法来实现电器负荷的分类识别。

现有的NILM方法在提取负荷特征时，一般只提取电器稳态特征，由于很多不同中电器会存在稳态特征相似的情形，因而这种做法的有效性存在很大的局限；而有些NILM方法虽然既提取了稳态特征，也提取了暂态特征，但在提取暂态特征时只采用了适合分析稳态信号的FFT算法，仅仅从频谱特性上标识负荷特性，忽略了电器启动时暂态阶段负荷的时域上的特性，无法捕捉全面的暂态负荷特性，使这些方法无法区分哪些暂态特征拥有相近的频谱分量，而这些频谱分量在时域上分布不同的不同种电器负荷。上述问题影响了负荷识别精度的提高。

发明内容

为了解决现有技术中存在的上述问题，本发明提出一种非侵入式家用电器负荷识别方法。

为实现上述目的，本发明采用如下技术方案：

一种非侵入式家用电器负荷识别方法，包括以下步骤：

步骤1，基于极限学习机建立待监测家庭的家用电器分类器；

步骤2，实时采集待监测家庭用电总线上的电压和电流，并检测是否发生家用电器启停事件；

步骤3，如果发生家用电器启停事件，将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列。对暂态数据序列进行小波变换，获取所述家用电器暂态过程的时频谱特性，作为负荷暂态特征；对稳态数据序列进行FFT变换，获取所述家用电器稳态过程的频谱特性，作为负荷稳态特征。将负荷暂态特征和负荷稳态特征组合成负荷特征向量；

步骤4，将所述负荷特征向量输入所述家用电器分类器，得到发生启停事件的家用电器的类别。

与现有技术相比，本发明具有以下有益效果：