[发明专利]非侵入式负荷监测方法

权利要求书

1.一种非侵入式负荷监测方法，其特征在于，包括：

设备分类预测子流程：

第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；

第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；

第三步：基于清洗过的用电数据，提取能够体现用电设备运行状态的特征；

第四步：根据提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；

第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；

新设备识别子流程：

第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；

第二步：根据记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；

对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、U_I轨迹的斜率和面积、U_I轨迹精细斜率的平均值和方差与1到32次谐波；

第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；

第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；

若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将新设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；

分类器自我训练子流程：

第一步：

设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；

当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；

第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；

第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；

第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；

第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；

第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。