[发明专利]基于有监督分类的非侵入式电瓶车充电检测方法及系统

说明书

基于有监督分类的非侵入式电瓶车充电检测方法及系统，方法包括：每天每分钟采集居民用电总数据并进行预处理；基于相关系数法计算不同类的预处理后用电总数据之间的相关性并进行特征量选择；从预处理后用电总数据中去除冗余特征量后得到用电数据；利用用电数据中的各特征量，基于Fisher分类器法建立Fisher分类准则函数；建立使得Fisher分类准则函数达到极大值的线性分类器；将用电数据划分为训练集和测试集；利用训练集对线性分类器进行训练，利用测试集对训练好的线性分类器进行电瓶车充电行为的检测。本发明为基于非侵入式负荷监测方法辨识单一异常用电设备的相关研究应用提供支撑。

技术领域

本发明属于电力负荷非侵入式监测技术领域，具体涉及基于有监督分类的非侵入式电瓶车充电检测方法及系统。

背景技术

非侵入式负荷监测与分解(non-intrusive load monitoring anddisaggregation， NILMD)由George Hart提出，其仅需在用户入户电线处进行信号量测与采集，通过负荷分解方法识别用电设备信息，获取用户用电规律和能耗情况等数据。现有技术1(CN111244954A)“一种非入侵式负荷辨识方法及装置”，根据电力供给入口处的电能数据提取暂态阶段的负荷辨识特征量，根据负荷辨识特征量和预置负荷库确定负荷类型，预置负荷库存有负荷辨识特征量与负荷类型的对应关系。现有技术2(CN109492667A)“一种用于非侵入式电力负荷监测的特征选择辨识方法”，通过特征选择提高为辨识负荷事件建立的机器学习分类模型的辨识性能。现有技术3(CN110321390A)“基于有监督和无监督算法结合的负荷曲线数据可视化方法”，解决了现有非侵入负荷识别的稳态特征有限、在实际工况复杂的情况下辨识准确度较低的技术问题。

综上，以现有技术1至3为代表的非侵入式负荷识别的关键步骤为事件检测、特征选择和负荷识别。在事件检测方面提出了一种基于滑动窗的双边累积和事件检测算法，可以有效、准确地检测到电气设备的投切时刻。在特征选择方面，利用谐波电流特征构建多层感知分类器进行电器负荷识别。在负荷识别方面，学者们提出一种基于模板滤波的居民负荷快速辨识算法，对采集电流进行滤波量化，使用阈值判决函数确定电器负荷状态。模式识别与机器学习是当下的研究热点，主要算法如聚类、神经网络、支持向量机、贝叶斯分类、隐式马尔可夫模型、深度学习等。然而，现有技术都存在对数据精度要求高，其中现有技术1需要ms 级暂态特征数据，现有技术2需要分离负荷启停时间需要秒级数据，现有技术3 主要针对稳态特征较明显的负荷，无法检测相似负荷。目前电瓶车充电检测方法均采用秒级及毫秒级数据，秒级及毫秒级数据可以捕捉到电瓶车充电的启停瞬间的电气量如电流功率的变化，从而采用滑动窗进行事件检测能够监测电瓶车充电状态，对于采集装置的动作频率和采集精度的要求都显著提升，加大了应用成本。目前尚无采用分钟级数据进行电瓶车充电检测，因为相对于秒级及毫秒级数据，分钟级数据丢失了很多信息，这其中就包括各类电器的启停事件，尤其是在实际过程中，居民用户电器种类繁多且参数差异较大，用电行为多样，各类电器的启停不具有规律性，且家用电器大多具有电气特征相似的特点(如电流、功率相近)，更难通过事件检测的方式区分各类电器。因此若通过滑动窗事件检测方法以分钟级数据对电瓶车充电进行检测的准确率非常低。

因此，需要针对居民用户电瓶车入户充电行为的现状，对含有电瓶车充电行为的用户用电数据进行特征分析，研究一种基于有监督分类的非侵入式电瓶车充电检测方法及系统。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供基于有监督分类的非侵入式电瓶车充电检测方法及系统，对居民用电数据进行特征分析，基于用电数据样本对Fisher分类器进行训练，利用Fisher分类器对测试样本数据进行辨识，筛选出存在电瓶车充电行为的用户，保证居民用户的用电安全，有效规避电瓶车入户充电引发火灾的风险，为基于非侵入式负荷监测方法辨识单一异常用电设备的相关研究应用提供支撑。

本发明采用如下的技术方案。