本公開屬于負(fù)荷監(jiān)測(cè)，尤其涉及一種基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法、系統(tǒng)、設(shè)備和介質(zhì)。

背景技術(shù)：

1、隨著智能電網(wǎng)的發(fā)展，對(duì)消費(fèi)者的用電模式進(jìn)行分析并提供節(jié)能指導(dǎo)越發(fā)重要。一種相對(duì)簡(jiǎn)單直接的方式是設(shè)置一個(gè)能夠每隔幾秒或更高采樣率的侵入式設(shè)備，來定期確定家庭總電力消耗。然而在實(shí)際場(chǎng)景中，用這種方式監(jiān)測(cè)用電情況既不方便，成本也更加昂貴。在這種背景下，非侵入式負(fù)荷監(jiān)測(cè)nilm（non-intrusive?load?monitoring）這一概念應(yīng)運(yùn)而生，nilm也稱為能量分解，旨在利用家庭的總負(fù)荷消耗情況來推斷特定電器的使用情況，而不需要額外的傳感器。因此，nilm為實(shí)際場(chǎng)景中的能耗監(jiān)控提供了一個(gè)經(jīng)濟(jì)有效的解決方案。

2、對(duì)于基于負(fù)荷事件的nilm方法，其關(guān)鍵是特征提取。許多研究集中在識(shí)別電器的傳統(tǒng)物理特性，如電流、功率或從測(cè)量中導(dǎo)出的各種統(tǒng)計(jì)屬性。然而，達(dá)到的分類識(shí)別的準(zhǔn)確性尚未達(dá)到期望的水平。傳統(tǒng)的基于物理量提取一維特征的方法運(yùn)算速度快，但這些特征通常是不夠穩(wěn)定的，因?yàn)樵夹蛄械奈⑿_動(dòng)會(huì)帶來一些特征的明顯變化。因此需要引進(jìn)一些更具穩(wěn)定性質(zhì)的特征。

3、拓?fù)鋽?shù)據(jù)分析（簡(jiǎn)稱tda）是數(shù)據(jù)分析領(lǐng)域內(nèi)一個(gè)相對(duì)較新的分支，它利用來自拓?fù)鋵W(xué)的技術(shù)來分析數(shù)據(jù)。tda已經(jīng)在一些領(lǐng)域中有成功的應(yīng)用，例如生物分子化學(xué)、藥物設(shè)計(jì)、圖像分析、時(shí)間序列數(shù)據(jù)分析和網(wǎng)絡(luò)分析。特別地，d3r挑戰(zhàn)賽的獲勝者已經(jīng)將tda納入他們的算法方法中。此外，tda可以與包括深度學(xué)習(xí)及統(tǒng)計(jì)學(xué)方法在內(nèi)的一些機(jī)器學(xué)習(xí)技術(shù)進(jìn)行技術(shù)上的協(xié)同融合。隨著技術(shù)的不斷更新，一些深度學(xué)習(xí)的算法也被用來改進(jìn)傳統(tǒng)的特征提取方法，但這些方法所提取的特征不具有明確的數(shù)理意義，并且要消耗較長(zhǎng)的運(yùn)算時(shí)間。

4、因此，有必要提供一種新的基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法、系統(tǒng)、設(shè)備和介質(zhì)解決上述技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本公開的目的就在于為了解決上述問題而提供一種基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法、系統(tǒng)、設(shè)備和介質(zhì)。

2、本公開通過以下技術(shù)方案來實(shí)現(xiàn)上述目的：

3、一種基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法，包括以下步驟：

4、獲取基于一個(gè)周波有功功率所生成的時(shí)間序列；

5、對(duì)所述時(shí)間序列進(jìn)行特征提取，得到統(tǒng)計(jì)特征；

6、對(duì)所述時(shí)間序列進(jìn)行相空間重構(gòu)，并計(jì)算其相空間的拓?fù)涮卣鳎?/p>

7、將所述統(tǒng)計(jì)特征和相空間的所述拓?fù)涮卣鬟M(jìn)行拼接，得到拼接特征；

8、將所述拼接特征輸入機(jī)器學(xué)習(xí)分類器，以得到最終的負(fù)荷辨識(shí)結(jié)果。

9、作為本公開的進(jìn)一步優(yōu)化方案，所述統(tǒng)計(jì)特征包括絕對(duì)能量、平均值、標(biāo)準(zhǔn)差、偏度、峰度、絕對(duì)平均變化量、平均二階差分中心和中位數(shù)。

10、作為本公開的進(jìn)一步優(yōu)化方案，對(duì)所述時(shí)間序列進(jìn)行特征提取，得到統(tǒng)計(jì)特征包括：

11、設(shè)定為周波有功功率序列；

12、所述絕對(duì)能量為時(shí)間序列各分量的平方和，計(jì)算公式如下：

13、；

14、所述平均值為時(shí)間序列的均值，計(jì)算公式如下：

15、；

16、所述標(biāo)準(zhǔn)差的計(jì)算公式如下：

17、；

18、所述偏度為時(shí)間序列的三階標(biāo)準(zhǔn)化矩，計(jì)算公式如下：

19、；

20、所述峰度為時(shí)間序列的四階標(biāo)準(zhǔn)化矩，計(jì)算公式如下：

21、；

22、所述絕對(duì)平均變化量為時(shí)間序列連續(xù)變化值絕對(duì)值的均值，計(jì)算公式如下：

23、；

24、所述平均二階差分中心為時(shí)間序列二階變化的均值，計(jì)算公式如下：

25、；

26、所述中位數(shù)為時(shí)間序列中每個(gè)值由小到大排列的中位數(shù)。

27、作為本公開的進(jìn)一步優(yōu)化方案，對(duì)所述時(shí)間序列進(jìn)行相空間重構(gòu)包括：

28、將一維時(shí)間序列用表示，給定延時(shí)參數(shù)，t時(shí)刻對(duì)應(yīng)的takens相空間重構(gòu)點(diǎn)定義為：

29、；

30、其中，d為嵌入維數(shù)，；

31、給定參數(shù)d和，相空間重構(gòu)將時(shí)間序列轉(zhuǎn)化為點(diǎn)云數(shù)據(jù)。

32、作為本公開的進(jìn)一步優(yōu)化方案，所述拓?fù)涮卣靼ㄘ惖贁?shù)、振幅和持續(xù)熵。

33、作為本公開的進(jìn)一步優(yōu)化方案，計(jì)算相空間的拓?fù)涮卣靼ǎ?/p>

34、在相空間重構(gòu)的基礎(chǔ)上，對(duì)所述點(diǎn)云數(shù)據(jù)進(jìn)行過濾，得到過濾復(fù)形；

35、基于所述過濾復(fù)形得到持續(xù)圖；

36、將所述持續(xù)圖用表示，計(jì)算貝蒂數(shù)、振幅和持續(xù)熵；貝蒂數(shù)為考慮重?cái)?shù)意義下的所述持續(xù)圖d中點(diǎn)的個(gè)數(shù)；振幅為所述持續(xù)圖d中點(diǎn)離對(duì)角線的最遠(yuǎn)距離；持續(xù)熵為所述持續(xù)圖d的香農(nóng)熵，公式如下：

37、；

38、；

39、其中，為所述持續(xù)圖中第i個(gè)點(diǎn)的橫坐標(biāo)，為持續(xù)圖中第i個(gè)點(diǎn)的縱坐標(biāo)。

40、作為本公開的進(jìn)一步優(yōu)化方案，所述機(jī)器學(xué)習(xí)分類器采用xgboost分類器。

41、一種基于功率時(shí)間序列特征的負(fù)荷辨識(shí)系統(tǒng)，、包括：

42、數(shù)據(jù)獲取模塊，用于獲取基于一個(gè)周波有功功率所生成的時(shí)間序列；

43、統(tǒng)計(jì)特征提取模塊，用于對(duì)所述時(shí)間序列進(jìn)行特征提取，得到統(tǒng)計(jì)特征；

44、拓?fù)涮卣饔?jì)算模塊，用于對(duì)所述時(shí)間序列進(jìn)行相空間重構(gòu)，并計(jì)算其相空間的拓?fù)涮卣鳎?/p>

45、特征拼接模塊，用于將所述統(tǒng)計(jì)特征和相空間的所述拓?fù)涮卣鬟M(jìn)行拼接，得到拼接特征；

46、負(fù)荷辨識(shí)模塊，用于將所述拼接特征輸入機(jī)器學(xué)習(xí)分類器，以得到最終的負(fù)荷辨識(shí)結(jié)果。

47、作為本公開的進(jìn)一步優(yōu)化方案，所述統(tǒng)計(jì)特征包括絕對(duì)能量、平均值、標(biāo)準(zhǔn)差、偏度、峰度、絕對(duì)平均變化量、平均二階差分中心和中位數(shù)。

48、作為本公開的進(jìn)一步優(yōu)化方案，所述統(tǒng)計(jì)特征提取模塊對(duì)所述時(shí)間序列進(jìn)行特征提取，得到統(tǒng)計(jì)特征包括：

49、設(shè)定為周波有功功率序列；

50、所述絕對(duì)能量為時(shí)間序列各分量的平方和，計(jì)算公式如下：

51、；

52、所述平均值為時(shí)間序列的均值，計(jì)算公式如下：

53、；

54、所述標(biāo)準(zhǔn)差的計(jì)算公式如下：

55、；

56、所述偏度為時(shí)間序列的三階標(biāo)準(zhǔn)化矩，計(jì)算公式如下：

57、；

58、所述峰度為時(shí)間序列的四階標(biāo)準(zhǔn)化矩，計(jì)算公式如下：

59、；

60、所述絕對(duì)平均變化量為時(shí)間序列連續(xù)變化值絕對(duì)值的均值，計(jì)算公式如下：

61、；

62、所述平均二階差分中心為時(shí)間序列二階變化的均值，計(jì)算公式如下：

63、；

64、所述中位數(shù)為時(shí)間序列中每個(gè)值由小到大排列的中位數(shù)。

65、作為本公開的進(jìn)一步優(yōu)化方案，所述拓?fù)涮卣饔?jì)算模塊對(duì)所述時(shí)間序列進(jìn)行相空間重構(gòu)包括：

66、將一維時(shí)間序列用表示，給定延時(shí)參數(shù)，t時(shí)刻對(duì)應(yīng)的takens相空間重構(gòu)點(diǎn)定義為：

67、；

68、其中，d為嵌入維數(shù)，；

69、給定參數(shù)d和，相空間重構(gòu)將時(shí)間序列轉(zhuǎn)化為點(diǎn)云數(shù)據(jù)。

70、作為本公開的進(jìn)一步優(yōu)化方案，所述拓?fù)涮卣靼ㄘ惖贁?shù)、振幅和持續(xù)熵。

71、作為本公開的進(jìn)一步優(yōu)化方案，所述拓?fù)涮卣饔?jì)算模塊計(jì)算相空間的拓?fù)涮卣靼ǎ?/p>

72、在相空間重構(gòu)的基礎(chǔ)上，對(duì)所述點(diǎn)云數(shù)據(jù)進(jìn)行過濾，得到過濾復(fù)形；

73、基于所述過濾復(fù)形得到持續(xù)圖；

74、將所述持續(xù)圖用表示，計(jì)算貝蒂數(shù)、振幅和持續(xù)熵；貝蒂數(shù)為考慮重?cái)?shù)意義下的所述持續(xù)圖d中點(diǎn)的個(gè)數(shù)；振幅為所述持續(xù)圖d中點(diǎn)離對(duì)角線的最遠(yuǎn)距離；持續(xù)熵為所述持續(xù)圖d的香農(nóng)熵，公式如下：

75、；

76、；

77、其中，為所述持續(xù)圖中第i個(gè)點(diǎn)的橫坐標(biāo)，為持續(xù)圖中第i個(gè)點(diǎn)的縱坐標(biāo)。

78、作為本公開的進(jìn)一步優(yōu)化方案，所述機(jī)器學(xué)習(xí)分類器采用xgboost分類器。

79、一種電子設(shè)備，包括處理器、通信接口、存儲(chǔ)器和通信總線，其中，處理器、通信接口和存儲(chǔ)器通過通信總線完成相互間的通信；

80、存儲(chǔ)器，用于儲(chǔ)存計(jì)算機(jī)程序；

81、處理器，用于執(zhí)行存儲(chǔ)器所儲(chǔ)存的程序時(shí)，實(shí)現(xiàn)基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法。

82、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)基于功率時(shí)間序列特征的負(fù)荷辨識(shí)方法。

83、本公開的有益效果在于：

84、本公開針對(duì)電氣和智能電網(wǎng)領(lǐng)域的非侵入式負(fù)荷監(jiān)測(cè)nilm應(yīng)用，在特征提取這一步驟中，為了提高有功功率在設(shè)備分類識(shí)別的準(zhǔn)確性，使用tda作為特征提取的方法，從有功功率中挖掘大量非線性形狀特征以識(shí)別負(fù)荷，與其他方法的實(shí)驗(yàn)結(jié)果的對(duì)比，證明了該方法在分類識(shí)別準(zhǔn)確性和計(jì)算時(shí)間方面的優(yōu)越性。