[发明专利]一种基于波形数据特征分析的用电负荷识别方法

说明书

本发明提供一种基于波形数据特征分析的用电负荷识别方法，该方法包括以下步骤：电器特征数据获取、用电过程数据获取；对前述步骤获取的数据从各维度分别进行归一化处理，对预处理后的样本数据集再进行特征提取，根据特征进行分类，将分类特征与电器部件、用电过程对应关系的数据作为负荷识别过程的机器学习或者分类决策的数据源，建立分类决策模型，进行负荷识别；本发明通过对不同类型的电器进行分解，提取出不同部件的谐波数据特征模型，通过组合特征适应不同电器类型的变化，提高了负荷识别的准确度。

技术领域

本发明属于用电负荷识别领域，更具体地，涉及一种基于波形数据特征分析的用电负荷识别技术。

背景技术

随着电力物联网的不断建设，电力需求侧管理呈现出逐步往精细化方向发展的趋势。这既是电力用户对能效管理和用电经济性的需要，也是社会管理精细化管理和治理的需求之一。

非介入式用电负荷识别作为需求侧的精细化管理的关键技术之一，通过实时监控用户各用电设备的类别、运行状态与耗电情况等信息，为电能高效调度与电网结构优化提供了重要参考依据。负荷识别的结果可以为用户提供家用电器、企业用电设备的运行情况与功耗等信息，为合理提升能效管理水平提供了基础。同时，在社会治理方面，用电负荷识别也具有非常重要的意义。例如，针对高校宿舍规范用电行为，用电负荷识别技术可以分辨出宿舍是否违规使用了大功率电器以及使用的时间和电器类型等信息给管理方，为减少电气安全事件的发生提供了监测手段。用电负荷识别还可以为智慧社区及居家安全管理提供技术手段，为减少独居老人的生活风险提供支持。

目前，非介入式用电负荷识的算法大多采用数据挖掘、机器学习、神经网络等基于统计分析的方法，分析的数据基础是对用电的电压、电流波形数据进行采样的波形数据。这些算法比较成熟，可以在预先输入的电器特征样本，例如V-I轨迹图像特征等典型的电器设备特征数据，并进行训练和学习后进行有效的电器类型识别。但是现有技术存在以下两个问题：

1、分析、识别时间长。基于统计和学习的方法，需要输入大量样本，并且识别过程需要长时间的统计分析；

2、随着电器技术的改变，现有方案需要不断输入新的样本，否则识别率会降低。

因此针对用电负荷识别的上述问题，本发明提出了电器组合特征的识别方法，并且采用瞬态特征数据作为判断依据之一。

发明内容

本发明的目的是针对现有非介入式负荷识别过程中存在的问题，提出一种基于波形数据特征分析的用电负荷识别方法，有效提高负荷识别的效率和识别准确度。

本发明的技术方案是：

一种基于波形数据特征分析的用电负荷识别方法，该方法包括以下步骤：

S1、电器特征数据获取步骤：对现有电器构成进行部件分解，根据不同部件的电气特征，获取波形数据，提取相应的特征数据；

S2、用电过程数据获取步骤：对电器部件的各用电过程进行数据采集，提取相应的特征数据；

S3、建立分类决策模型：对步骤S1和S2获取的数据从各维度分别进行归一化处理，对预处理后的样本数据集再进行特征提取，根据特征进行分类，将分类特征与电器部件、用电过程对应关系的数据作为负荷识别过程的机器学习或者分类决策的数据库，建立分类决策模型；

S4、负荷识别：实时获取待识别负荷的电网波形数据，提取特征数据；将待识别数据输入分类决策模型，匹配到对应的电器类型、部件、以及用电过程的组合。

进一步地，所述的特征数据为瞬态特征，包括谐波特征数据、V-I特征数据和功率特征数据。

进一步地，所述的用电过程包括设备启动、停止和运行过程中。

进一步地，谐波特征数据采用21次以上的高频谐波特征分析数据。