[发明专利]一种基于机器学习的非侵入式检测方法

说明书

本发明公开了一种基于机器学习的非侵入式检测方法，包括：通过移动终端设置对应的用电器的最大工作功率Pmax；采集用电器的电压电流数据，生成时间‑功率连续数据；用离散采样系统处理采集数据，得到时间‑功率的离散数据；计算时刻t的离散数据的功率变化量ΔP，若ΔP=0为稳态过程；若ΔP0为暂态过程；以t为起点，t+N为终点在MCU中记录该时间段功率曲线；采集用电器的电流电压值，识别用电器状态；如果处于暂态过程，与上一个功率时间曲线比对；如果在此后的N个时间点内，发现PP_max或者出现暂态过程的时间点间隔小于预设的N，则发出警报信息。本方法其能准确测量家用用电器的各项参数.通过组网来实现特定区域内的各个用电器的参数的检测。

技术领域

本发明涉及电网数据的采集技术领域，具体涉及一种基于机器学习的非侵入式检测方法。

背景技术

随着全球资源环境压力的不断增大，建设更加安全、可靠、环保、经济的智能电网成为全球电力行业的共同目标。目前在发电、输电、配电、用电这一链条中，电网和终端用户的互动相对薄弱，影响了电力系统的整体性能和效率。要想真正地实现智能电网与用户的互动，使用户真正地参与到电力市场中，为系统的运行和资产管理带来巨大的效益，应该为智能电网提供详细的用电设备用电参数，使用户感觉从智能电表中获益。

而传统的负荷监测多以侵入式为主，所谓侵入式就是为了实现监测目的在每个被监测设备的电流输出端加设硬件装置进行数据采集，再由相关分析软件进行处理以获取故障或其他运行信息，这种方式可能会对原设备的正常工作造成影响且所需的检测硬件装置数量大，增加了其安装、使用、维护的成本。

为了解决侵入式负荷监测的问题，因此非侵入式负荷监测的研究就显得尤为重要。近年来，很多研究者们对NILM进行了研究。负荷辨识算法是非侵入式负荷监测系统的核心内容，研究人员也因此提出了很多不同的理论和算法。比较典型的相关研究有： Hart以Hz采样频率测得负荷的有功无功的阶跃变化，然后将变化量对应到被测系统中的设备，不足之处在于单靠功率变化量识别设备类型对于功率差异较小的电气设备辨识准确度不高，且需预先获取各家电负荷的运行功率值；Srinivasan等开发了一种基于神经网络的利用不同负荷产生谐波特性进行辨识的方法。香港大学提出一种基于多特征参数的家用电器用电状况在线监测算法。该方法对家用电器的特征参数进行宏观与微观层面的分析研究，提取出电流波形、有功、无功、谐波含量、瞬时导纳等家用电器的多特征参数。并提取出家用电器启停状态事件检测和负荷分解辨识算法。但论文中缺少对家电暂态特征参数的研究提取。

上述研究中大多数研究集中在居民用户，其数据可通过实验或调研的方式相对容易地获得，但针对工商业用户的研究偏少，因此在研究对象和实际应用方案方面均可拓展。

国内外的研究差距也比较大，国外已发布了可用于负荷分解研究的数据集，如REDD、BLUED、AMPds、UK-DALE等，但国内尚无可用的公开数据，从而制约了针对国内用户的NILM系统发。非侵入式负荷监测系统由于所需硬件安装少，以及较好的经济性，变得越来越受到人们的关注，并成为了未来负荷监测的发展趋势之一。

综上所述，目前关于NILM研究所采用的辨识算法理论均较为复杂，运算量大；在信号采集方面，将稳态参数和暂态参数协同提取研究的较少。而高效的负荷分解方法和复杂场景下的强适应NILMD实用化的基本需要。为此，一方面可借鉴数学优化、模式识别等领域的研究成果，在关键技术上进行创新，克服各类方法的缺陷；另一方面还需完善NILMD的框架，如：对不同场景可采用不同的技术，以提高方案对场景的适应性。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于机器学习的非侵入式检测方法，其能准确测量家用用电器的各项参数.通过组网来实现特定区域内的各个用电器的参数的检测。

2.技术方案：

一种基于机器学习的非侵入式检测方法，其特征在于：