一種基於電流分解的非侵入式負載監測方法及系統的製作方法
2023-05-06 01:30:26
專利名稱：一種基於電流分解的非侵入式負載監測方法及系統的製作方法
技術領域：
本發明涉及計算機應用技術領域，特別涉及一種基於電流分解的非侵入式負載監測方法及系統。
背景技術：
2008年IBM提出〃智慧地球〃的概念，將智慧地球描述為「更透徹的感知、更全面的互聯互通、更深入的智能化」。美國政府在智慧地球提出不久之後也將智能電網作為其「新能源救市計劃」中的重要部分提上日程。與我們熟知的傳統電網比較起來，智能電網意味著儘可能獲取更多信息，更注重於使用者間的交互，通過解析信息提供更到位的服務。智能電錶等用戶端設備直接與用戶接觸，指導用戶用電行為，是智能電網不同於傳統電網的重要體現。通過給出有關設備上的詳細用電情況，能夠有效的減小用戶對用電行為的認識偏差，優化用戶的使用習慣，從而得到更好的節電效果。因此，有效獲取用電環境(家庭、生產環境等)中有關設備上的詳細用電信息，是智能電網領域用戶端信息採集的關鍵技術。在不影響用電環境的情況下，從外部獲取各個設備上的詳細用電信息的監測技術，被稱為非侵入式負載監測(NILM)技術。到目前為止，非侵入式負載監測技術主要包括兩大類1.基於穩態分析的負載監測技術此類技術首先為每個用電設備定義多個運行狀態(穩態)，並在訓練階段為每個運行狀態建立對應的特徵；在開始監測後，通過將採集到的全局信息與已知的特徵集合的比對，獲取當前狀態下所有用電設備的運行狀態；最終根據預先定義的運行狀態，給出有關設備上的詳細用電信息。2.基於暫態事件的負載監測技術此類技術首先為每個用電設備定義多個暫態事件，並在訓練階段為每個暫態事件建立對應的特徵；在開始監測後，通過將採集到的全局信息與已知的特徵集合的比對，判斷當前狀態下是否發生暫態事件；當有暫態事件發生時，根據事件定義，修改對應設備的運行狀態，最終給出有關設備上的詳細用電信息。雖然上述兩種技術都支持非侵入式負載監測，滿足智能電網領域用戶端信息採集的需求，但是這兩種技術都對用電設備做出了類似的假設設備具有相對穩定的運行狀態，確定運行狀態後可以根據已知的信息，獲得設備的詳細用電信息。而隨著時代進步，用電設備的行為日益彈性化，使得這一假設不再適用，不能獲得準確的用電信息。例如在同樣時間段中，運行遊戲程序的電腦相對於單純瀏覽網頁消耗更多的電力，空閒與繁忙的功耗差異可能超過30%。
發明內容
針對用電設備的彈性用電行為，本方法對通過設備的電流的相空間建模，直接將採集到的總電流分解到各個設備上。不再對複雜的運行狀態進行估計，直接利用電流信息計算有關設備上的詳細用電信息。為實現上述目的，本發明提供一種基於電流分解的非侵入式負載監測方法，該方法包括步驟1，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；步驟2，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；步驟3，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。進一步的，所述步驟I包括步驟11，採集每一個用電設備正常工作時的電流與電壓信號；步驟12，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合；步驟13，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。進一步的，所述步驟2包括步驟21，所述採集單元實時獲取所有用電設備的電流與電壓信號；步驟22，所述計算單元將所述電流與電壓信號向量化，獲得總電流的向量集合。進一步的，所述步驟3包括步驟31，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法； 步驟32，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。所述非侵入式負載監測方法還包括步驟4，完成分解後，對分解結果進行誤差分析；步驟5，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。為實現上述目的，本發明還提供一種基於電流分解的非侵入式負載監測系統，該系統包括訓練模塊，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；預處理模塊，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成總電流向量；分解模塊，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總電流向量，從而獲得每一個用電設備的實時電流向量。進一步的，所述訓練模塊包括第一採集模塊，採集每一個用電設備正常工作時的電流與電壓信號；第一向量化模塊，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合；第一流形構造模塊，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。進一步的，所述預處理模塊包括
第二採集模塊，所述採集單元實時獲取所有用電設備的電流與電壓信號；第二向量化模塊，所述計算單元將所述電流與電壓信號向量化，獲得所有用電設備的向量集合。進一步的，所述分解模塊包括算法選取模塊，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法；算法執行模塊，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。所述非侵入式負載監測系統還包括分析模塊，完成分解後，對分解結果進行誤差分析；處理模塊，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。本發明的有益功效在於，1.本發明不依賴於設備狀態的判斷，直接分解電流現有非侵入式負載監測技術大多首先進行設備狀態的估計，之後再完成用電信息的分析。此類方法有著一個直接的缺陷，當家庭中存在負載動態變化的彈性設備時，分析精度會有明顯的下降。而本發明直接對設備的電流相空間建模，不依賴於設備的運行狀態判斷，能夠有效分解多種負載動態變化的彈性設備產生的電流。2.本發明在分解電流的計算方法中，使用多種最優化方法，極大提高電流分解精度現有非侵入式負載監測技術大多首先進行設備狀態的估計，此步驟的估計準確性大約在95%左右，在此基礎上進行的用電信息分析精度大約在90%左右，當家庭中存在多個彈性設備時，精度還會有10%左右的下滑。而本發明簡化了計算步驟，同時使用最優化方法直接分解設備電流，有效追蹤各個設備的電流變化情況，能夠將電流分解的平均精度提高到95%。以下結合附圖和具體實施例對本發明進行詳細描述，但不作為對本發明的限定。
圖1是本發明的基於電流分解的非侵入式負載監測方法流程圖；圖2是本發明的基於電流分解的非侵入式負載監測系統示意圖；圖3是本發明的訓練階段流程圖；圖4是本發明的分解階段流程圖；圖5是本發明的用電設備結構示意圖。
具體實施例方式圖5是本發明的用電設備結構示意圖。該結構實現包括三個主要部件採集單元、計算單元與顯示單元，其中採集單元是主要的輸入裝置，用電設備電流分解系統通過在家庭電網入口附近安裝採集單元，獲取整個家庭中的電流電壓信息。採集單元中的電流傳感器可以使用基於霍爾效應的磁場感應晶片，利用電磁感應的原理實現非侵入式的電流數據採集。而電壓傳感器直接接入市電電路即可與所有用電設備並聯，測量其上的電壓。在分解算法中，計算信號的向量表示時，要求數據的採集頻率高於某一閾值，在本發明的一個實施例中算法使用短時傅立葉變換時，要求每個周期中包括256個採樣點，即對50Hz的交流電需要有12. 8kHz的採樣頻率。計算單元是整個分解系統的核心，整個家庭的電流電壓信息在此處被分解到各個用電設備上，得到各個設備的實時用電信息。計算單元處於整個分解系統的中央，從採集單元得到實時採集的數據，經過計算後將分解結果傳遞到顯示單元。在本發明的實施例中，任意具備足夠計算能力的設備都可以作為系統中計算單元。因此，計算單元既可以獨立實現，也可以與採集單元共用一個處理器，構成類似智能電錶的新型採集設備；還可以與顯示單元共用一個處理器，構成類似智能終端的新型顯示設備。顯示單元是系統與用戶交互的主要單元，除了基本的顯示與交互功能以外，還需要能夠對實時的用電信息進行統計與分析，並且支持數據的存儲與管理功能。顯示單元從計算單元中獲取到家庭中各個用電設備的實時用電信息，對各個用電設備以及整個家庭的歷史用電信息和實時用電信息進行更新，並將這些內容保存到資料庫或其他媒體中；另一方面，顯示單元需要實現一套有效的用戶交互界面，包括圖形化的顯示界面，將用電信息以轉化為用戶能夠理解的形式，反饋給用戶；同時用戶能夠指出系統分析失真的部分，並反饋給分解系統，從而提高以後分解的精度。本發明的關鍵技術集中在計算單元所使用的電流分解算法中。算法流程可以分為兩個階段訓練階段和分解階段。訓練階段是為每個用電設備建立計算模型的必要階段。在這一階段中分別採集每一個設備正常工作時的電流與電壓信號；之後將採集到的數據轉換為預先設定的向量表示；由採集到的實際數據構造當前設備電流相空間的統計流形。此階段不需要同時進行所有電器的訓練，因此可以由用戶自己在家庭中完成，也可以有設備提供商或第三方機構完成。但從訓練的效果角度以及實現此階段所需的勞動量上分析，由設備提供商或者第三方機構完成訓練階段，並將結果發送到各個用戶，能夠更加精確和有效地完成此階段。此階段中獲得的各個統計流形將被存入資料庫，在下一階段中使用。分解階段是進行用電設備電流分解的主要階段。在這一階段中需要將採集單元安裝於電網入口處，採集整個家庭的電流與電壓信號；而後將採集到的數據傳入計算單元，轉換為向量表示；同時從資料庫中取出家庭中所有已知設備的統計流形，並按照各個統計流形的數學特徵選取合適的最優化方法；在已知總用電信息的情況下，通過計算整個家庭中各個設備上最有可能的電流分布情況；由獲得的各個設備的電流信息推導出具體用電信息，最終將這些信息傳輸到顯示單元完成顯示與後續的統計處理。圖1是是本發明的基於電流分解的非侵入式負載監測方法流程圖。如圖1所示，該方法包括步驟1，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；步驟2，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；步驟3，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。完成信號的向量表示。利用短時傅立葉變換或小波變換等方法，將獲得的電流電壓等信號從時域轉化到頻域，將一個基本周期的信號波形轉換為高維向量空間中的一個孤立點，使用一個頻域信號的高維向量或矩陣表示一段時間的電路信號波形；技術效果變換後，信號能夠更為直觀表示出其上的物理意義，例如，能夠支持對諧波功率，無功功率等
物理量的直接計算。建立設備電流相空間的統計學模型。利用微分幾何中流形的概念以及統計學的相關方法，根據預先採集的單個設備的用電信息，將每個設備的電流信號相空間(在高維向量空間中信號可能出現區域)表示為一個統計流形，即一系列支持微分幾何方法的平滑概率分布函數，其中，流形的幾何結構是從電路理論的角度對設備進行刻畫，而其上的概率分布則表述了設備在運行時電流的取值分布；技術效果對每一個用電設備，其上電流的所有取值都包含在一個統計流形中，能夠利用此流形計算對應設備以特定電流工作的概率。構造電流分解的計算方法。根據多種運籌學中的最優化計算方法，結合已知的各個設備對應的統計流形，建立多種電流分解方法；當需要進行分解時，能夠根據情況選取最有效的方法，完成對總電流的分解；技術效果針對複雜的家庭用電環境，通過這種複合分解方法，從採集的總電流中分解出通過各個設備的電流，並保證在系統正常工作中分解獲得的平均電流精度在95%以上。進一步的，所述步驟I包括步驟11，採集每一個用電設備正常工作時的電流與電壓信號；步驟12，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合；步驟13，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。進一步的，所述步驟2包括步驟21，所述採集單元實時獲取所有用電設備的電流與電壓信號；步驟22，所述計算單元將所述電流與電壓信號向量化，獲得總電流的向量集合。進一步的，所述步驟3包括步驟31，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法。步驟32，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。所述步驟31中提到的最優化算法主要包括最小二乘法、最大似然估計、最小風險法以及最小化最大熵方法。所述非侵入式負載監測方法還包括步驟4，完成分解後，對分解結果進行誤差分析；步驟5，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。圖3是本發明的訓練階段流程圖。如圖3所示，訓練階段開始後，需要判斷是否已經完成所有用電設備的訓練。如果沒有則選取一個待測設備，部署訓練環境。訓練階段需要採集各個用電設備正常運行時的電流電壓信息，然後計算單元對採集到的電流信息進行短時傅立葉變換，從而獲得在頻域空間中每一時刻電流對應的向量表示。可以使用256維的頻域向量表示設備一個周期中的電流信息，採集數據需保證每個周期256個以上的採樣點，因此選擇12. SkHz作為採樣頻率。而對特定用電設備，在獲取足夠長的時間(所謂「足夠長的時間」是指這段時間內包括此設備正常使用時可能出現的所有工作狀態)的電流向量之後，之後開始計算其工作電流所屬的統計流形。本方法以概率密度均勻分布的線性流形作為描述設備電流相空間的數學抽象，計算方法為主成分分析將採集到所有電流向量(行向量)組成一個矩陣，對此矩陣進行主成分分析，選取方差貢獻率大於95%的主成分對應的特徵向量構造此設備的線性流形，也就是電流向量必須滿足線性流形方程。將得到的特徵向量存入資料庫，以供分解階段使用。直到所有用電設備完成訓練，訓練階段結束。圖4是本發明的分解階段流程圖。如圖4所示，分解階段根據訓練階段獲得的所有設備的電流相空間對實時採集的家庭總電流進行分解。在分解階段中，第一步是從資料庫載入家庭中所有電器(用電設備)的統計流形。開啟採集單元，獲取實時的總電流，電壓數據。然後判斷此時是否收到分解停止命令，如果沒有收到，則利用採集單元在電網入口處獲取家庭中的總電流數據，數據的採集頻率與訓練階段相同，計算單元將數據經過短時傅立葉變換得到當前時刻總電流對應的頻域向量表示。然後根據現場情況選取分解算法，進行電流分解。本實施例中的分解方法選取最小二乘法，由基爾霍夫定律可知，任意時刻，總電流是等於各個設備上的電流之和，同時各個設備的電流向量都屬於其線性流形。因此在分解階段中，已知總電流和各個電器線性流形，即可以得到由兩類方程組成的方程組基爾霍夫方程與線性流形對應的方程。此方程組為超定方程組，不能使用通常的求解方法。本分解階段中使用最小二乘法求解方程組，求解誤差最小化的各個設備上的電流。在本分解階段中需考慮到求解過程中可能發生的異常情況(使用新的設備、設備損壞等)。在完成分解計算後，對分解結果進行誤差分析比較分解得到的各個電流值之和與總電流的數值關係，通過對其中偏差值的分析，判斷是否有異常發生，並對可能出現的異常進行處理。對於正常的分解結果，從計算單元傳入顯示單元完成最後的數據處理，根據各個設備上的電流向量，結合家庭內的電壓信息，計算各個設備上的功率與能耗，並將結果存入資料庫以備用戶查閱。在本分解階段中，分解後得到的電流向量為電流頻域表示，可以與對應時刻的電壓向量直接計算得到功率信息，無需轉換回時域。在本實施例中，分解階段將一直持續執行，直到用戶對分解系統發出分解停止的命令。圖2是是本發明的基於電流分解的非侵入式負載監測系統流程圖。如圖2所示，該系統包括訓練模塊100，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；預處理模塊200，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；分解模塊300，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。完成信號的向量表示。利用短時傅立葉變換或小波變換等方法，將獲得的電流電壓等信號從時域轉化到頻域，將一個基本周期的信號波形轉換為高維向量空間中的一個孤立點，使用一個頻域信號的高維向量或矩陣表示一段時間的電路信號波形；技術效果變換後，信號能夠更為直觀表示出其上的物理意義，例如，能夠支持對諧波功率，無功功率等
物理量的直接計算。建立設備電流相空間的統計學模型。利用微分幾何中流形的概念以及統計學的相關方法，根據預先採集的單個設備的用電信息，將每個設備的電流信號相空間(在高維向量空間中信號可能出現區域)表示為一個統計流形，即一系列支持微分幾何方法的平滑概率分布函數，其中，流形的幾何結構是從電路理論的角度對設備進行刻畫，而其上的概率分布則表述了設備在運行時電流的取值分布；技術效果對每一個用電設備，其上電流的所有取值都包含在一個統計流形中，能夠利用此流形計算對應設備以特定電流工作的概率。構造電流分解的計算方法。根據多種運籌學中的最優化計算方法，結合已知的各個設備對應的統計流形，建立多種電流分解方法；當需要進行分解時，能夠根據情況選取最有效的方法，完成對總電流的分解；技術效果針對複雜的家庭用電環境，通過這種複合分解方法，從採集的總電流中分解出通過各個設備的電流，並保證在系統正常工作中分解獲得的平均電流精度在95%以上。進一步的,所述訓練模塊100包括第一採集模塊110，採集每一個用電設備正常工作時的電流與電壓信號；第一向量化模塊120，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合;第一流形構造模塊130，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。進一步的，所述預處理模塊200包括第二採集模塊210，所述採集單元實時獲取所有用電設備的電流與電壓信號；第二向量化模塊220，所述計算單元將所述電流與電壓信號向量化，獲得總電流的
向量集合。進一步的，所述分解模塊300包括算法選取模塊310，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法。算法執行模塊320，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。所述算法選取模塊310中提到的最優化算法主要包括最小二乘法、最大似然估計、最小風險法以及最小化最大熵方法。所述非侵入式負載監測系統還包括分析模塊400，完成分解後，對分解結果進行誤差分析；處理模塊500，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。
圖3是本發明的訓練階段流程圖。如圖3所示，訓練階段開始後，需要判斷是否已經完成所有用電設備的訓練。如果沒有則選取一個待測設備，部署訓練環境。訓練階段需要採集各個用電設備正常運行時的電流電壓信息，然後計算單元對採集到的電流信息進行短時傅立葉變換，從而獲得在頻域空間中每一時刻電流對應的向量表示。可以使用256維的頻域向量表示設備一個周期中的電流信息，採集數據需保證每個周期256個以上的採樣點，因此選擇12. SkHz作為採樣頻率。而對特定用電設備，在獲取足夠長的時間(所謂「足夠長的時間」是指這段時間內包括此設備正常使用時可能出現的所有工作狀態)的電流向量之後，之後開始計算其工作電流所屬的統計流形。本方法以概率密度均勻分布的線性流形作為描述設備電流相空間的數學抽象，計算方法為主成分分析將採集到所有電流向量(行向量)組成一個矩陣，對此矩陣進行主成分分析，選取方差貢獻率大於95%的主成分對應的特徵向量構造此設備的線性流形。將得到的特徵向量存入資料庫，以供分解階段使用。直到所有用電設備完成訓練，訓練階段結束。圖4是本發明的分解階段流程圖。如圖4所示，分解階段根據訓練階段獲得的所有設備的電流相空間對實時採集的家庭總電流進行分解。在分解階段中，第一步是從資料庫載入家庭中所有電器(用電設備)的統計流形。開啟採集單元，獲取實時的總電流，電壓數據。然後判斷此時是否收到分解停止命令，如果沒有收到，則利用採集單元在電網入口處獲取家庭中的總電流數據，數據的採集頻率與訓練階段相同，計算單元將數據經過短時傅立葉變換得到當前時刻總電流對應的頻域向量表示。然後根據現場情況選取分解算法，進行電流分解。由基爾霍夫定律可知，任意時刻，總電流是等於各個設備上的電流之和，同時各個設備的電流向量都屬於其線性流形。因此在分解階段中，已知總電流和各個電器線性流形，即可以得到由兩類方程組成的方程組基爾霍夫方程與線性流形對應的方程。本分解階段中使用最小二乘法求解方程組，求解誤差最小化的各個設備上的電流。在本分解階段中需考慮到求解過程中可能發生的異常情況(使用新的設備、設備損壞等)。在完成分解計算後，對分解結果進行誤差分析，比較分解得到的各個電流值與總電流的數值關係，判斷是否有異常發生，並對可能出現的異常進行處理。對於正常的分解結果，從計算單元傳入顯示單元完成最後的數據處理，根據各個設備上的電流向量，結合家庭內的電壓信息，計算各個設備上的功率與能耗，並將結果存入資料庫以備用戶查閱。在本分解階段中，分解後得到的電流向量為電流頻域表示，可以與對應時刻的電壓向量直接計算得到功率信息，無需轉換回時域。在本實施例中，分解階段將一直持續執行，直到用戶對分解系統發出分解停止的命令。當然，本發明還可有其它多種實施例，在不背離本發明精神及其實質的情況下，熟悉本領域的技術人員當可根據本發明作出各種相應的改變和變形，但這些相應的改變和變形都應屬於本發明所附的權利要求的保護範圍。
權利要求
1.一種基於電流分解的非侵入式負載監測方法，其特徵在於，包括步驟I，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；步驟2，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；步驟3，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。
2.如權利要求1所述的非侵入式負載監測方法，其特徵在於，所述步驟I包括步驟11，採集每一個用電設備正常工作時的電流與電壓信號；步驟12，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合；步驟13，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。
3.如權利要求1所述的非侵入式負載監測方法，其特徵在於，所述步驟2包括步驟21，所述採集單元實時獲取所有用電設備的電流與電壓信號；步驟22，所述計算單元將所述電流與電壓信號向量化，獲得總電流的向量集合。
4.如權利要求1所述的非侵入式負載監測方法，其特徵在於，所述步驟3包括步驟31，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法；步驟32，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。
5.如權利要求1所述的非侵入式負載監測方法，其特徵在於，所述非侵入式負載監測方法還包括步驟4，完成分解後，對分解結果進行誤差分析；步驟5，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。
6.一種基於電流分解的非侵入式負載監測系統，其特徵在於，包括訓練模塊，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；預處理模塊，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；分解模塊，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。
7.如權利要求6所述的非侵入式負載監測系統，其特徵在於，所述訓練模塊包括 第一採集模塊，採集每一個用電設備正常工作時的電流與電壓信號；第一向量化模塊，將所述電流與電壓信號向量化，獲得每一個用電設備的向量集合； 第一流形構造模塊，根據所述向量集合，構造出該用電設備的統計流形，直到完成所有用電設備的訓練。
8.如權利要求6所述的非侵入式負載監測系統，其特徵在於，所述預處理模塊包括第二採集模塊，所述採集單元實時獲取所有用電設備的電流與電壓信號；第二向量化模塊，所述計算單元將所述電流與電壓信號向量化，獲得總電流的向量集入口 ο
9.如權利要求6所述的非侵入式負載監測系統，其特徵在於，所述分解模塊包括 算法選取模塊，所述計算單元載入各個用電設備的統計流形，根據統計流形的性質選取分解時使用的最優化算法；算法執行模塊，使用所述最優化算法，結合所述各個用電設備的統計流形，對所述總電流的向量集合進行分解，得到各個設備上的電流。
10.如權利要求6所述的非侵入式負載監測系統，其特徵在於，所述非侵入式負載監測系統還包括分析模塊，完成分解後，對分解結果進行誤差分析；處理模塊，如果誤差在接受範圍內，所述計算單元根據所述每一個用電設備的實時電流向量計算每一個用電設備的功率，並將所述功率傳入顯示單元；否則進行異常處理。
全文摘要
本發明提供一種基於電流分解的非侵入式負載監測方法及系統，該方法包括步驟1，對每一個用電設備進行訓練，獲得所述每一個用電設備的統計流形，並將所述統計流形存入資料庫；步驟2，在電網入口處安裝採集單元，實時獲取所有用電設備的用電數據，並將所述用電數據轉換成計算統計流形的向量表示，獲得總電流的向量集合；步驟3，計算單元載入所述每一個用電設備的統計流形，根據所述統計流形分解所述總統計流形，從而獲得每一個用電設備的實時電流向量。本發明直接將採集到的總電流分解到各個設備上，不再對複雜的運行狀態進行估計，而是直接利用電流信息計算有關設備上的詳細用電信息，保證獲得準確而詳細的用電信息。
文檔編號G01R19/14GK103018611SQ20121057956
公開日2013年4月3日 申請日期2012年12月27日 優先權日2012年12月27日
發明者劉晶傑, 徐志偉, 聶磊 申請人:中國科學院計算技術研究所