CN109813978B - 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 - Google Patents

Abstract

本发明提出一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，防止由于稳态特征相近导致的用电器种类和状态区分问题，实现***智能化优化识别用电器的效果以及提高用电器暂态和稳态过程的识别效果。采取监测存储方式，当基波电流幅值发生变化后，开始存储采样周期，当未检测到多个变化的采样周期后，再通过改进的CUSUM方法识别用电器的暂态过程识别和稳态过程。通过卷积神经网络识别用电器的暂态过程以及C均值聚类法识别用电器稳态间的变化过程结合的手段，识别用电器的种类以及其处于何种工作状态。本发明能够为用户构建动态的个性化的用电器特征数据库。最后，基于正弦叠加公式能获得更加精确的前后稳态间的各频率下电流幅值的改变量。

Description

一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别 方法

技术领域

本发明涉及智能电网领域，尤其涉及一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法。

背景技术

随着不可再生能源的减少，以及温室效应导致的世界极端气候的增加，如何提高能源的使用效率成为了各国实现环保节能的政策中的重要一环。电能做为一种与居民密切相关的能源。在过去，居民通过传统的电表，仅仅只能了解家庭的总的用电情况，难以了解每一个具体的用电器的耗电情况，从而有针对性的选择更加高效节能的用电器，进而降低能耗。因此如何实现像手机电池管理一样让用户能够看见每一个用电器消耗电能情况，同时更进一步的利用大数据为居民推荐节能环保、价廉物美的用电器，是实现智能化节能环保的关键。而随着计算机技术的发展，各个国家的研究机构和公司都开始了相关领域的研究。

目前，国际上识别用电器的方式主要采取侵入式和非侵入式两种。虽然侵入式识别方式具有识别效果精确的优势，但是由于装置安装的不便捷和产品价格高昂，导致这种方式难以进行广泛的市场推广。而非侵入式负荷监测 (Non-Intrusive Load Monitoring，缩写为NILM)只需要在居民用电的总线上安装监测装备，基于当前发展已较为完善的人工智能识别算法、云计算和大数据分布式管理技术，能够仅通过家庭电路总线上的电流和电压的变化，大概率准确的识别用电器种类和状态，能够有效地为用户提供详细的家庭用电***中各个用电器工作状态，受到了国内外大部分研究机构和公司的青睐。

当前，大多数的NILM主要采取是首先对用电器工作的稳态和暂态识别，提取出用电器的稳态特征进行分析。通过采集大量的用电器稳态特征，例如基波电流、谐波电流、有功功率以及无功功率，建立对应用电器的数据库，之后利用用电器的特征数据库、应用聚类、隐马尔可夫链、神经网络、支持向量机和粒子群算法等智能算法，对单个稳态过程中多个用电器可能处于的状态向量求取最优解。

但是，以上方法存在以下问题：

1.某些用电器在稳态下具有极其相近的稳态特征，无法有效的区分用电器的种类；

2.对采集数据库的依存度较高，无法根据家用用电环境的变化，优化用电器识别效果；

3.过去的研究方法由于处于理想研究环境下，未考虑用电器状态改变事件发生的时机和采样数据之间的内在联系，会导致由于某些用电器的自身暂态具有较长的时间，在一个采样周期内仅能采到半个暂态事件，导致为识别***提供错误的采样样例，导致***识别错误。

发明内容

有鉴于此，本发明提出了一种用电器识别准确率高的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法。

本发明的技术方案是这样实现的：本发明提供了一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，包括以下步骤，

S1，采取监测存储方式，当基波电流幅值发生变化后，开始存储采样周期；

S2，当未检测到多个变化的采样周期后，再识别用电器的暂态过程和稳态过程，针对识别出的用电器的暂态过程，执行步骤S3；针对识别出的用电器的稳态过程，执行步骤S4；

S3，通过卷积神经网络识别用电器的暂态过程，进而识别用电器的种类和状态；

S4，通过C均值聚类法识别用电器稳态间的变化过程，进而识别用电器的种类和状态；

S5，结合步骤S3和S4确定用电器的种类和状态。

在以上技术方案的基础上，优选的，所述步骤S1包括，

S1-1，在用电器的总线上监测采样，得到去噪的电流信号，利用滑窗提取基波电流的幅值；

S1-2，利用步骤S1-1中的二维图像进行波峰检测；

S1-3，对步骤S1-2中的二维图像，采用滑窗进行双边CUSUM检测，通过峰值间增加变化或减少变化的累积和与阈值的判断，判断滑窗内基波电流的峰值间是否发生改变；

S1-4，根据阈值，将步骤S1-3中检测到基波电流变化过程的距离靠近的滑窗段进行融合；

S1-5，当采样的样例中检测到变化后开始存储变化前的稳态过程，检测变化开始后的电流信号，直到之后多个采样中均未检测到变化。

进一步优选的，所述步骤S1-1中，利用时段长度为一个基波长度的滑窗，在经过去噪后的采样数据上滑动，在滑窗内部做快速傅里叶变化，提取在基波长度内，基波电流的幅值，忽略掉谐波电流的影响，然后以基波幅值为纵坐标，以采样值中滑窗的序数为横坐标，构建二维图像。

在以上技术方案的基础上，优选的，步骤S2包括，

S2-1，当未检测到多个变化的采样周期后，将步骤S1中的检测到的电流信号进行去噪、拼接，获得暂态过程的电流变化图像，以及暂态前后总电路上的稳态过程的特征值；

S2-2，比较暂态过程两边的稳态过程的有功功率间的变化是否超过阈值，判断该暂态过程后总电路是否加入用电器；若有功功率变化超过阈值，执行步骤 S3或S4，反之，则忽略该段暂态过程，跳转回步骤S1。

在以上技术方案的基础上，优选的，步骤S3包括，将步骤S2得到的拼接后的电流信号添加进基于用电器暂态电流变化数据训练好的卷积神经网络中，识别可能的用电器的种类和状态。

在以上技术方案的基础上，优选的，步骤S4包括，

S4-1，将步骤S2得到的暂态变化前后的稳态特征值进行处理，根据分别获得前后两个稳态过程对应的基波电流、谐波电流以及谐波含量的变化量，生成特征向量；

S4-2，将特征向量输入到C均值聚类的模型中，根据向量距离当前已知的类别的中心的距离，得到可能的用电器种类和状态。

进一步优选的，步骤S4-1中，特征向量中的各个频率下的电流幅值变化特征值基于如下的数学表达式求取：

稳态下的电流可以分解为I＝I₁+I₂+…+I_n；

其中I₁为基波电流，I₂、…、I_n为谐波电流，每一个频率下的电流都可以由正弦函数

表示，A为振幅，ω为角频率，

为初相位，检测出来的暂态两边的稳态间的各个频率下的电流的改变量为：

其中，I_after代表暂态后稳态的同一频率上的电流，I_before代表暂态前稳态的同一频率上的电流，I_diff代表稳态间同一频率上的电流的变化量，基于相关正弦和余弦公式，上式可变化为：

式中A_after，A_before，

皆已知，可求出该频率下的电流幅值改变量，对各个频率的电流求取电流幅值的改变量，同时可求得变化中的谐波含量，生成特征向量。

在以上技术方案的基础上，优选的，所述步骤S5包括，由步骤S3的识别确定用电器属于哪一个类别，由步骤S4确定用电器属于哪一个品牌。

进一步优选的，分别将步骤S3和步骤S4中相同类别的概率乘以权值后相加，取其和的最大值的方式确定用电器属于哪一个类别，其中，权值之和为1，当某个步骤中的类别不存时，对应的概率为0。

本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法相对于现有技术具有以下有益效果：

(1)利用C均值聚类对原始的数据模型依赖性小，随着***的运行，在不断积累用户家庭电路的用电器状态改变特征向量后，训练贴合用户家庭电路中的用电器的特征库，提高了***的对家用电路环境的适应性。这样，不仅可以防止由于电器使用过程中的电器老化，导致的用电器状态特征的改变，也可以收集不同种用电器特征，帮助之后的大数据研究同种用电器。同时，不断优化数据库，而不是单纯的将数据存入数据库，有利于降低数据存储所需的开销。

(2)用电器的暂态虽然多变，但是通过研究可以发现同种用电器具有的独特的暂态特征。利用卷积神经网络识别用电器暂态事件，为识别用电器增加了一个新的维度的有用信息。将暂态事件以及稳态特征结合起来，对用电器精确识别具有很好的帮助。

(3)基于正弦信号叠加的数学原理提取的稳态间的变化量，比未考虑家庭电路中的相位角，简单的将对应频率的电流幅值相减得到变化的特征向量更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法的暂态、稳态变化的数据模型训练模块流程图；

图2为本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法的流程总图；

图3为本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法的改进的CUSUM事件检测流程图；

图4为本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法中结合暂态和稳态变化特征的识别用电器流程图；

图5为C均值聚类模型优化流程图；

图6 为本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法的***框架图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

如图6所示，本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法的***框架图，包括家庭电路总线采集模块、识别模块、暂态、稳态变化的数据模型训练模块、存储数据定时优化模块、家庭电路用电器稳态状态变化特征存储模块和***与用户交互模块。其中，家庭电路总线采集模块将安装在用户的电表箱内，采集用户家庭电路的电压和电流的实时信号，将采样点传输到识别模块进行用电器的事件检测和识别。

在***运行前，需按照图1的方式训练获得基本家用电器的各个状态变化间的暂态和稳态变化的数据特征。具体的，包括以下步骤，

首先获取用电器的开关状态以及多状态间切换时采样点的电流和电压；

然后，区分用电器各状态下的稳态时段和暂态时段；

对于暂态时段，将暂态中的电流图像导入卷积神经网络训练模型，得到暂态过程的电流改变的卷积神经网络模型；

对于稳态时段，将暂态两端的稳态，基于正弦叠加公式获得用电器的状态改变间的特征库，再根据C均值聚类，得到用电器各状态变化间的特征的C均值聚类模型。

由于在家用电器中可以分为三个大类：(1)阻性负荷，一般为电热负荷，有功功率较大，启停冲击极小，甚至没有，代表为电饭煲、电热油汀、电水壶、取暖器；(2)感性负荷，内部具有电机或电感线圈，启停事件常伴波形冲击，代表为荧光灯、电风扇、冰箱、微波炉等；(3)容性负荷，含有启停电源，启停事件常有冲击波形代表为液晶电视、电脑。对每个大类的负荷，提取10种有代表性的用电器，并利用网络爬虫从网上各大购物和评级网站，获得每种用电器最受用户欢迎的5种品牌，对这些品牌的用电器采集他们单一工作状态改变时的电压和电流数据，利用图1的数据训练方法生成家庭电路用电器状态变化的暂态的卷积神经网络模型，以及稳态间变化的C均值聚类模型。

其中，在区分用电器的各状态改变时的暂态和稳态过程的方式采取与 CUSUM不同的基于滑窗的事件探测方法，利用python的pandas和numpy库，将采样的实时电压和电流数据计算得到的实时功率，根据设定的滑窗大小N，将时域上的瞬时功率重构为一个行向量长度为N的新的矩阵，对矩阵的行向量，计算其平均值和方差，若行向量内的方差乘以一个阈值alpha(实验中alpha∈ [0.0.5]的识别效果最佳)超过该行向量内部的平均值，则判断在该行向量电信号发生变化。在该操作后，将相邻的变化的滑窗结合起来，获得其信号的稳态变化区域，进一步得到采样信号的稳态区域。这种方法对单个用电器的状态改变具有比CUSUM更快的且更准确的识别效果，但是不适合多种大小功率的用电器的状态改变状况，因此用于训练数据时单个用电器的暂态和稳态识别。

卷积神经网络模型由caffee image-net训练完成，C均值聚类的数据模型利用python中fuzz的包，利用遗传算法，根据训练数据快速找到合适的C均值聚类数据模型的参数，即cluster的数目以及FPC的值，使得F-scores最高，即获得最佳的C均值聚类模型。能够在完成训练数据后，将暂态的卷积神经网络模型，以及稳态间变化的C均值聚类模型存储暂态、稳态变化的数据模型训练模块中。

如图2所示，本发明的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，包括以下步骤，

S1，采取监测存储方式，当基波电流幅值发生变化后，开始存储采样周期。在对采样信号进行事件检测前，需要对采样的电流和电压信号进行小波滤波，滤除采样数据中的高斯背景白噪音和尖峰毛刺，防止总电路上的噪声在负荷识别的影响。

具体的，如图3所示，所述步骤S1包括，

S1-1，在用电器的总线上监测采样，得到去噪的电流信号，利用滑窗提取基波电流的幅值。具体的，所述步骤S1-1中，利用时段长度为一个基波长度的滑窗，在经过去噪后的采样数据上滑动，在滑窗内部做快速傅里叶变化，提取在基波长度内，基波电流的幅值，忽略掉谐波电流的影响，然后以基波幅值为纵坐标，以采样值中滑窗的序数为横坐标，构建二维图像。

S1-2，利用步骤S1-1中的二维图像进行波峰检测，仅提取这些峰值重构二维图像，降低CUSUM算法的运算量。

S1-3，对步骤S1-2中的二维图像，采用滑窗进行双边CUSUM检测，通过峰值间增加变化或减少变化的累积和与阈值的判断，判断滑窗内基波电流的峰值间是否发生改变。每一次滑窗向右滑动半个滑窗长度。

S1-4，根据阈值，将步骤S1-3中检测到基波电流变化过程的距离靠近的滑窗段进行融合。

S1-5，当采样的样例中检测到变化后开始存储变化前的稳态过程，检测变化开始后的电流信号，直到之后多个采样中均未检测到变化。

S2，当未检测到多个变化的采样周期后，再识别用电器的暂态过程和稳态过程，针对识别出的用电器的暂态过程，执行步骤S3；针对识别出的用电器的稳态过程，执行步骤S4。

具体的，如图4所示，步骤S2包括，

S2-1，当未检测到多个变化的采样周期后，将步骤S1中的检测到的电流信号进行去噪、拼接，获得暂态过程的电流变化图像，以及暂态前后总电路上的稳态过程的特征值。特征值包括有功功率、电压和电流间的相位角，基波电流幅值、奇次谐波幅值，以及谐波含量。该步骤防止了由于用电器暂态时间过长，暂态事件的数据存在于多个采样周期的数据中，导致的暂态事件数据丢失。

S2-2，比较暂态过程两边的稳态过程的有功功率间的变化是否超过阈值，判断该暂态过程后总电路是否加入用电器；若有功功率变化超过阈值，执行步骤 S3或S4，反之，则忽略该段暂态过程，跳转回步骤S1。

S3，通过卷积神经网络识别用电器的暂态过程，进而识别用电器的种类和状态。具体的，步骤S3包括，将步骤S2得到的拼接后的电流信号添加进基于用电器暂态电流变化数据训练好的卷积神经网络中，识别可能的用电器的种类和状态。

S4，通过C均值聚类法识别用电器稳态间的变化过程，进而识别用电器的种类和状态。具体的，步骤S4包括，

S4-1，将步骤S2得到的暂态变化前后的稳态特征值进行处理，根据分别获得前后两个稳态过程对应的基波电流、谐波电流以及谐波含量的变化量，生成特征向量。步骤S4-1中，特征向量中的各个频率下的电流幅值变化特征值基于如下的数学表达式求取：

稳态下的电流可以分解为I＝I₁+I₂+…+I_n；

其中I₁为基波电流，I₂、…、I_n为谐波电流，每一个频率下的电流都可以由正弦函数

表示，A为振幅，ω为角频率，

为初相位，检测出来的暂态两边的稳态间的各个频率下的电流的改变量为：

其中，I_after代表暂态后稳态的同一频率上的电流，I_before代表暂态前稳态的同一频率上的电流，I_diff代表稳态间同一频率上的电流的变化量。基于相关正弦和余弦公式，上式可变化为：

因此，

式中A_after，A_before，

皆已知，可求出该频率下的电流幅值改变量。依照该方法，对各个频率的电流求取电流幅值的改变量，同时可求得变化中的谐波含量，从而生成特征向量。在训练不同状态的稳态间变化的数据模型时，也以该公式求取各频率下的电流幅值改变量为特征值。

S4-2，将特征向量输入到C均值聚类的模型中，根据向量距离当前已知的类别的中心的距离，得到可能的用电器种类和状态。

S5，结合步骤S3和S4确定用电器的种类和状态。具体的，所述步骤S5包括，由步骤S3的识别确定用电器属于哪一个类别，由步骤S4确定用电器属于哪一个品牌。具体的，分别将步骤S3和步骤S4中相同类别的概率乘以权值后相加，取其和的最大值的方式确定用电器属于哪一个类别，其中，权值之和为 1，当某个步骤中的类别不存时，对应的概率为0。

具体的，在CUSUM的事件检测中，根据考虑到功率太小的用电器及时开很长时间也不会消耗太多的电量，基于CUSUM的原理，设置CUSUM的中判断发生变化事件的阈值为0.14，即在电路中，当基波电流幅值累积变化超过 0.14A的时候，及认定为发生变化。

根据实验还发现，空调是所有用电器中拥有最长的暂态过程的用电器，但是考虑到微波炉工作时处于间段工作状态。为了防止在对变化点根据滑窗间的距离进行融合中设定为了满足将空调的暂态过程看成一个整体而导致微波炉的稳态检测中无法检测稳态的稳态，我们通过训练样例，设定阈值为20个周波时长，即将当变化点间的距离小于阈值，即将其融合，获得的一整段暂态过程。对于空调这种长时间暂态的用电器，实验发现在暂态内部也存在某一段基波电流幅值状态较为稳定，将该状态也认定为是空调的一个持续时间较短的稳态过程，对空调达到这一稳态所需要经历的暂态波形以及达到该稳态的稳态间的变化特征进行研究，构建其特征库。

如图5所示，在依赖暂态变化的电流信号以及稳态变化的特征向量识别用电器的种类中，为了实现之后图六中的C均值聚类的算法优化，在将特征向量输入到C均值聚类模型中进行判断后，将以(存入时间，用电器标签，稳态变化的特征向量)存储在云端一个单独数据库中，命名为“用户家庭用电器稳态间变化历史数据库”。

如图6所示，在***工作一个月后，存储数据库定时优化模块会在闲时进行自动的***维护，优化C均值聚类模型。包含了以下几个步骤：

(1)首先，家庭电路用电器特征提取C均值聚类模型包含了存储***初始训练模型的特征向量的数据库(初始向量的时间由***开始运行的初始化时间决定，命名为C均值聚类特征库)，以及通过采集用户家庭电路的数据得到的3 个月的用户家庭用电器稳态间变化历史数据库。当***其中的定时器达到3个月时，以总电流电路的有功功率长时间达到平常家庭电路中的无其他用电器工作时的有功功率为家庭电路闲时的标准，当前家庭电路达到此标准时，将以上提及的两个数据库融合为训练C均值聚类的特征向量数据库。按照80％的训练数据库以及20％的测试数据库在融合后的数据库中随机的选取。

(2)在C均值聚类中，根据上一个更新点的cluster的数目初始化当前的 cluster的数目，为C均值聚类训练模型的参数，通过训练后，得到新的cluster 的中心。

(3)计算各个类中心特征向量彼此之间的correlation值，当类中心向量相似度高达75％时，对两个类进行融合，停止cluster的增加，生成新的C均值聚类模型，并将当前类中的特征向量表现最好前500个特征向量存入到C均值特征数据库中。特征向量的表现由存入时间以及距离类中心的距离决定。将C均值特征数据库中的特征向量的存入时间统一为模型优化的时间，同时，用户家庭用电器稳态间变化历史数据库的数据将被清空。若类间的correlation差距依然很大，则需要继续增加cluster的数目，进行C均值聚类，并重复步骤(2)中的过程。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，其特征在于：包括以下步骤，

S1，采取监测存储方式，对采集到的电流信号求取基波电流幅值,当基波电流幅值发生变化后，开始存储采样周期；所述步骤S1包括，

S1-1，在用电器的总线上监测采样，得到去噪的电流信号，利用滑窗提取基波电流的幅值；步骤S1-1具体包括：利用时段长度为一个基波长度的滑窗，在经过去噪后的采样数据上滑动，在滑窗内部做快速傅里叶变化，提取在基波长度内，基波电流的幅值，忽略掉谐波电流的影响，然后以基波幅值为纵坐标，以采样值中滑窗的序数为横坐标，构建二维图像；

S1-2，利用步骤S1-1中的二维图像进行波峰检测，提取峰值重构二维图像；

S1-3，对重构的二维图像，采用滑窗进行双边CUSUM检测，通过峰值间增加变化或减少变化的累积和与阈值的判断，判断滑窗内基波电流的峰值间是否发生改变；

S1-4，根据阈值，将步骤S1-3中检测到基波电流变化过程的距离靠近的滑窗段进行融合；

S1-5，当采样的样例中检测到变化后开始存储变化前的稳态过程，检测变化开始后的电流信号，直到之后多个采样中均未检测到变化；

S2，当未检测到多个变化的采样周期后，再识别用电器的暂态过程和稳态过程，针对识别出的用电器的暂态过程，执行步骤S3；针对识别出的用电器的稳态过程，执行步骤S4；步骤S2具体包括，

S2-1，当未检测到多个变化的采样周期后，将步骤S1中的检测到的电流信号进行去噪、拼接，获得暂态过程的电流变化图像，以及暂态前后总电路上的稳态过程的特征值；

S2-2，比较暂态过程两边的稳态过程的有功功率间的变化是否超过阈值，判断该暂态过程后总电路是否加入用电器；若有功功率变化超过阈值，执行步骤S3或S4，反之，则忽略该段暂态过程，跳转回步骤S1；

S3，将步骤S2得到的拼接后的电流信号添加进基于用电器暂态电流变化图像训练好的卷积神经网络中，通过卷积神经网络识别用电器的暂态过程，进而识别用电器的种类和状态；

S4，通过C均值聚类法识别用电器稳态间的变化过程，进而识别用电器的种类和状态；

S5，结合步骤S3和S4确定用电器的种类和状态。

2.如权利要求1所述的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，其特征在于：步骤S4包括，

S4-1，将步骤S2得到的暂态变化前后的稳态特征值进行处理，根据分别获得前后两个稳态过程对应的基波电流、谐波电流以及谐波含量的变化量，生成特征向量；

S4-2，将特征向量输入到C均值聚类的模型中，根据向量距离当前已知的类别的中心的距离，得到可能的用电器种类和状态。

3.如权利要求2所述的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，其特征在于：步骤S4-1中，特征向量中的各个频率下的电流幅值变化特征值基于如下的数学表达式求取：

稳态下的电流可以分解为I＝I₁+I₂+…+I_n；

其中I₁为基波电流，I₂、…、I_n为谐波电流，每一个频率下的电流都可以由正弦函数

表示，A为振幅，ω为角频率，

为初相位，检测出来的暂态两边的稳态间的各个频率下的电流的改变量为：

其中，I_after代表暂态后稳态的同一频率上的电流，I_before代表暂态前稳态的同一频率上的电流，I_diff代表稳态间同一频率上的电流的变化量，基于相关正弦和余弦公式，上式可变化为：

式中A_after，A_before，

皆已知，可求出该频率下的电流幅值改变量，对各个频率的电流求取电流幅值的改变量，同时可求得变化中的谐波含量，生成特征向量。

4.如权利要求1所述的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，其特征在于：所述步骤S5包括，由步骤S3的识别确定用电器属于哪一个类别，由步骤S4确定用电器属于哪一个品牌。

5.如权利要求4所述的综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法，其特征在于：分别将步骤S3和步骤S4中相同类别的概率乘以权值后相加，取其和的最大值的方式确定用电器属于哪一个类别，其中，权值之和为1，当某个步骤中的类别不存时，对应的概率为0。

Images