[發明專利]基于變點檢測和改進KNN算法的非侵入式負荷識別方法

有效

• 申請號: 202110317472.X
• 申請日: 2021-03-25
• 公開（公告）號: CN112949563B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 孫耀杰;胡敏政;延菲;李昕然;馬磊;孫潔
• 申請（專利權）人: 復旦大學;珠海復旦創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 張磊

1.一種基于變點檢測和改進KNN算法的非侵入式負荷識別方法，其特征在于具體步驟如下：

(1)所述非侵入式負荷識別方法由非侵入式負荷識別系統實現，所述系統由供電系統、電信號采集系統、總線分線器、負荷分解模塊和各類待測用電器組成，供電系統通過第一斷路器連接電信號采集系統，電信號采集系統連接負荷分解模塊，電信號采集系統連接總線分線器，總線分線器通過不同斷路器分別連接各類待測用電器，供電系統用于電信號采集系統的供電；各個斷路器用于分別控制用電器切入和投出動作；電信號采集系統用于采集總線分線器處的電壓、電流電信號數據；待測用電器可選擇多種不同種類的用電器，用于特征集建立以及測試；總線分線器用于將不同各類待測用電器并入總線，實現負荷的混疊，模擬實際用電場景；

(2)建立特征集，將單一用電器投入非侵入式負荷識別系統，使用上述電信號測量系統，測量該單一用電器穩定運行時的電壓數據u(t)、電流數據i(t)，對一個周期的用電器數據進行傅里葉變換，取基波電壓相位為0作為基準點，提取一個周期內的電壓瞬時值u(t)、該周期的電流瞬時值數據i(t)，得到該周期內電壓數據u_T(t)、該周期內電流數據i_T(t)，依據u_T(t)，i_T(t)，做出V-I軌跡，并提取高次諧波、有功功率以及無功功率，將二值化的V-I軌跡、高次諧波、有功功率以及無功功率作為該用電器的特征集；對不同種用電器重復該步驟，可分別得到不同用電器特征集；

(3)多種用電器混疊投入測試，在一段時間t內，將多種用電器投入或切出，通過電信號采集系統，得到t秒內的該周期的電壓瞬時采樣離散值U(i)、該周期的電流瞬時采樣離散值I(i)，計算有功功率，公式(1)為有功功率的定義表達式，公式(2)為離散數據下的有功功率計算方法；

其中：P為該周期內的有功功率，T為周期，u(t)、i(t)分別為該周期的電壓和電流瞬時值；

此步驟采用的有功功率計算方法為公式(2)所示：

P為該周期內的有功功率，T為周期，U(i)、I(i)為該周期的電壓和電流瞬時采樣離散值，Fs為采樣頻率；

(4)變點檢測與特征提取，基于t時間段內的有功功率，采用雙邊CUSUM算法或標準差偏離倍數法，確定有功功率P變化的時間點，即用電器投入時間點t_m；提取時間區間分別為[t_m，t_m+1]以及[t_m-1，t_m]內的一個周期的電流電壓信號，變點前的一個周期內電壓為U_off，變點前的一個周期內電流為I_off，變點后的一個周期內電壓為U_on，變點后的一個周期內的電流為I_on，定義作V-I軌跡的橫坐標縱坐標I_m＝I_on-I_off，以U_m-I_m作出未知負荷的V-I軌跡作為軌跡特征，并且對U_m、I_m進行傅里葉變換，提取諧波幅值、無功功率作為幅值特征；

(5)負荷識別，將步驟(4)中的軌跡特征以及幅值特征分別與已知電器特征集中的電氣特征計算綜合相似度，采用改進型KNN算法，分別求出待測符合與各類已知負荷特征集的綜合相似度，取最大相似度的結果，作為未知負荷的預測結果。

2.根據權利要求1所述的方法，其特征在于：步驟(5)中的負荷識別方法采取平均分配權重的KNN算法，屬于改進型KNN算法，用平均分配權重的KNN算法計算綜合相似度包含以下步驟：

(5.1)每個類別訓練樣本的權重之和設置為1，平均分配時，每個樣本分配到的權重僅與其所屬類別包含的樣本個數相關，權重weight(T_j)計算方法如下：

weight(T_j)＝1/size(C_Tj) (3)

其中，size(C_Tj)表示T_j所屬類別包含的訓練樣本數目；

(5.2)計算待測樣本與所有訓練樣本的V-I軌跡相似度和幅值相似度，分別記為Sim1和Sim2：

sim1＝1/(1+dist1) (4)

sim2＝1/(1+dist2) (5)

其中，dist1和dist2分別為兩個樣本間V-I軌跡的距離和幅值的距離，均為歐氏距離；

(5.3)按照Sim1的大小降序排列，取前K個軌跡相似度最大的訓練樣本作為當前測試樣本的K最近鄰；

(5.4)計算當前測試樣本與K最近鄰T_j(j＝1,2,…,K)的軌跡特征與幅值特征的綜合相似度Sim：

sim(a，T_j)＝sim1(a，T_j)×weight(T_j)+sim2(a，T_j) (6)

(5.5)統計待測樣本與K個最近鄰中各類的總綜合相似度，取總綜合相似度最大的類作為預測結果。