[发明专利]基于盲源分离的非侵入式负荷监测方法及系统

权利要求书

1.一种基于盲源分离的非侵入式负荷监测方法，其特征在于，包括以下步骤：

对家庭混合负荷信号建立盲源分离模型，运用独立成分分析，从混合信号中分离出具有独立性和非高斯性的源信号，具体为：

p_y＝WP

运用独立成分分析的限制条件包括：(1)源信号在统计上相互独立，统计独立性意味即使知道了未知源信号的其中一个也不能估计出其他的任意源信号；(2)独立的源信号中至多存在一个高斯信号，对于高斯信号而言，它包含高阶信息量为零，而对于独立分量分析来说，高阶统计信息是实现其功能的本质，这也是ICA与其他因子分析、主成分分析等数据处理方式的区别。

2.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，对混合总负荷信号进行预处理，包括信号的中心化和白化，信号的中心化是将混合负荷信号矢量减去其平均值，到零均值矢量，具体为：

对去掉平均值后的混合负荷需要经过特征分解进行白化处理，将零均值信号进行线性变换，使得负荷功率信号中的每个分量不具相关性并有单位方差，具体为：

3.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，利用负熵作为信号非高斯性最大化的判据，当不同的随机信号具有相同的协方差矩阵，那么具有高斯分布的随机信号的熵最大，具体为：

J[y]＝H_G(y)-H(y)

当负熵取得最大值时，就可以从混合信号得到独立的分离信号，负熵值越大，信号分离的效果就越好；

实践中负熵的计算要复杂的多，所以需要对负熵进行简单的估计使用负熵最大化原理的新近似，该近似通常比传统的、基于累积的近似要精确得多，具体为：

J(y_i)∝[E{G(y_i)}-E{G(g)}]²

对比函数G的选取影响着负熵估计的鲁棒性能，首先，具有计算的简单性：对比函数应该能够快速计算；其次，在对分离信号进行逐个估计时，要考虑分离信号的顺序。

4.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，使用FastICA固定点算法解决盲源分离问题，根据定点递推，对目标函数进行迭代寻找最优解，利用非线性找到任何非高斯分布的直接独立分量。

5.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，用数据的估计值来代替期望，并且最好是样本平均值，经过预处理后的混合负荷信号进行优化迭代，得到满足收敛条件的分离矩阵。

6.如权利要求1所述的一种基于盲源分离的非侵入式负荷监测方法，其特征在于，得到的分离负荷信号为源负荷信号的精确估计值，并引入相似系数作为评价分离信号与源负荷信号的相似性，具体为：

7.一种基于盲源分离的非侵入式负荷监测系统，其特征在于，包括：

混合负荷信号采集模块，被配置为：利用智能电表在家庭入户总线处测量家庭总负荷，以总负荷为盲源分离模型的输入；

信号预处理模块，被配置为：利用中心化和白化处理测量的混合负荷数据，去均值以得到零均值矢量，并进行特征分解使混合负荷信号中的每个分量不具相关性并有单位方差；

非高斯判据模块，被配置为：利用近似的负熵最大化作为分离出独立信号的方向，信号间互信息最小化的同时，找到负熵最大化的方向；

迭代求解模块，被配置为：利用盲源分离对混合负荷信号进行分析，利用FastICA算法对经过预处理的混合信号进行迭代求解，利用负熵最大化确立目标函数，找到非高斯性最强的信号，并找到最优分离矩阵；

获取分离信号模块，被配置为：利用分离矩阵计算分离信号，对分离信号进行复制的补偿，并按一定的顺序输出，从而得到源负荷信号的精确估计值。