[發(fā)明專利]一種基于支持向量機和V-I曲線特征的負荷識別方法

在審

• 申請?zhí)枺?/td>: 201911133730.8
• 申請日: 2019-11-19
• 公開（公告）號: CN111027408A
• 公開（公告）日: 2020-04-17
• 發(fā)明（設計）人: 謝雄威;蔣雯倩;梁捷;楊舟;卿柏元;李剛;韋杏秋;李金瑾;陳玨羽;林秀清
• 申請（專利權）人: 廣西電網(wǎng)有限責任公司電力科學研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 南寧東智知識產(chǎn)權代理事務所(特殊普通合伙) 45117
• 代理人: 巢雄輝;裴康明

1.一種基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：包括以下步驟：

S1、獲取用電數(shù)據(jù)獲取，并進行預處理；

S2、對所述S1預處理后的數(shù)據(jù)判斷是否有事件發(fā)生；若存在事件發(fā)生，則進入S3，否則進入S1；

S3、采用V-I曲線提取方法和諧波特征提取方法對事件發(fā)生后的電壓電流信號進行特征提取和組合，得到負荷特征；

S4、將S3得到的負荷印記作為負荷特征，對所述S2判斷得到的事件進行基于SVM的負荷識別，識別得到用戶家庭中處于工作狀態(tài)的用電器。

2.根據(jù)權利要求1所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述用電數(shù)據(jù)包括：電流、電壓及功率。

3.根據(jù)權利要求1所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述S2中，通過功率的有效值變化判斷事件發(fā)生，當所述功率的有效值變化大于閾值，則有事件發(fā)生，否則不存在事件發(fā)生。

4.根據(jù)權利要求3所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述判斷方法包括：

設定S1預處理得到的視在功率：S₁，…，S_t，S_t+1，…；事件開始時間t_on為t秒，事件結束時間t_off為t+TL秒；事件探測窗每次移動的步長為L；

則總視在功率變化量ΔS_t＝S_t+1-S_t，S_t為t秒時的總視在功率；

當ΔS_t＞S_on1時，事件探測窗開始移動并計算ΔS_t+1，ΔS_t+2，…，直到ΔS_t+TL＜S_on1，S_on1為事件檢測功率變化閾值，S_on2為能檢測到的最小的事件功率變化值；

若S_t+TL-S_t＜S_on2，則有負荷在t～t+TL秒內(nèi)發(fā)生狀態(tài)變化，即不存在事件發(fā)生。

5.根據(jù)權利要求1所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述采用V-I曲線提取方法對事件發(fā)生后的電壓電流信號進行特征提取的方法包括以下步驟：

首先對事件前后T秒內(nèi)的電壓電流波形進行平滑和插值處理；

然后，T秒內(nèi)每秒取一周期電壓電流波形并對電壓波形進行傅里葉變換，后取基波電壓相角為0的點作為電壓電流波形初始采樣點；

再將電壓電流波形各周期相同位置采樣點取平均值，以電壓為橫坐標，電流為縱坐標繪制V-I曲線；

最后將V-I曲線的特征作為負荷印記。

6.根據(jù)權利要求1所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述采用諧波特征提取方法對事件發(fā)生后的電壓電流信號進行特征提取的方法為：通過快速傅里葉變換將時域內(nèi)的電流信號轉(zhuǎn)換為頻域內(nèi)的頻譜信號，如式(1)所示；

式(1)中，i₀為直流分量，i_k為第k次諧波電流幅值，kω為第k次諧波分量角頻率，為第k次諧波分量初相角；從所述頻譜信號中提取諧波分量，得到負荷設備在頻域上的特征信息，將頻域特征即作為負荷印記。

7.根據(jù)權利要求6所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述諧波分量包括：諧波次數(shù)和諧波幅值。

8.根據(jù)權利要求7所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：諧波次數(shù)的第三次和第五次，諧波幅值為第六次諧波的幅值。

9.根據(jù)權利要求1所述基于支持向量機和V-I曲線特征的負荷識別方法，其特征在于：所述S4包括以下步驟：

S41、給定輸入數(shù)據(jù)和學習目標：X＝{X₁,X₂,…,X₈}，y＝{y₁,y₂,…,y_N}，其中，y_i表示識別結果i＝1,2,…,8，N為用電器數(shù)；若輸入數(shù)據(jù)所在的特征空間存在作為決策邊界的超平面H，則超平面H將所輸入的數(shù)據(jù)按正類和負類分開，并使任意樣本的點到超平面H的距離大于等于1，則分類問題如式(2)所示：

式(2)中，ω、b分別為超平面的法向量和截距；

S42、最優(yōu)分類超平面，得到分類間隔最大的超平面，則所述分類問題化簡為如下最優(yōu)化問題：

使用拉格朗日乘子法求解式(3)，以ω、b為變量引入拉格朗日乘子α_i≥0,i＝1,···,l得到：

將式(3)所描述的問題轉(zhuǎn)化為對偶形式得：

y_i(ω·x_i+b)-1≥0,i＝1,···,l (7)

α_i≥0,i＝1,···,l (8)

α_i(y_i(ω·x_i+b)-1)＝0,i＝1,···,l (9)

式(5)和式(6)中，L_p為上述最優(yōu)化問題的對偶形式的目標函數(shù)；

將式(5)、式(6)、式(7)、式(8)及式(9)進行化簡得：

S43、對偶形式與原優(yōu)化問題具有相同的最優(yōu)點，于是原優(yōu)化問題轉(zhuǎn)化為：

S44、根據(jù)式(11)計算得到最優(yōu)分類超平面的法向量：

最終的判別函數(shù)為：

式(13)中，z為樣本點到超平面的距離；即通過f(z)得到SVM分類器分類結果。