CN111355243A - 一种用电负荷辨识方法及装置 - Google Patents

Abstract

本发明涉及一种用电负荷辨识方法及装置，所述方法包括：获取负荷供电入口处的电流信号的分离信号；利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。本发明提供的技术方案，通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，并利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态，打破了大多数分离算法依据经验选取有用信息的缺陷，减小了计算量，提高了工作效率。

Description

一种用电负荷辨识方法及装置

技术领域

本发明涉及电力负荷识别技术领域，具体涉及一种用电负荷辨识方法及装置。

背景技术

电力需求侧管理作为智能电网建设中的重要组成部分，是实现全社会合理节能节电的重要手段。需求侧管理包括能效管理、负荷管理以及燃料替代和节约能源等。家电负荷识别作为负荷管理的关键技术之一，可以在线监测各类家电的使用情况，实现电费的分类计量。这不仅可以使用户及时了解自己的用电情况，引导用户自觉采取节能措施，减少电费支出，也有助于电力公司了解用户负荷构成，实现与用户实时互动，加强负荷侧管理实现降低峰谷差、节约能源等目的。

家电负荷识别方法中，传统的侵入式法需要在每个家电负荷内部安装采集传感装置，不但成本较高，而且安装维护复杂；非侵入式负荷监测(NILM：Non-Intrusive LoadMonitoring)方法通过在电力入口处采集家庭内部总的用电信息，利用信号分析与处理方法进行负荷辨识，从而获得各负荷的使用信息，其成本低，易于安装且适合在线监测。

非侵入式负荷监测方法中包括以负荷分类为基础进行负荷识别，选择具有区分性的负荷特征进行训练得到不同的类别，但以分类为基础的负荷识别方法其重点和难点在于找到一些具有辨识性的家电特征；而以分解为基础的识别方法重点在于建立包含不同设备特征的模型。常用的信号分离方法中大多需要凭借经验选取有用信号并且处理速度较慢。

发明内容

针对现有技术的不足，本发明的目的是通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，并利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态，打破了大多数分离算法依据经验选取有用信息的缺陷，减小了计算量，提高了工作效率。

本发明的目的是采用下述技术方案实现的：

一种用电负荷辨识方法，其改进之处在于，所述方法包括：

获取负荷供电入口处的电流信号的分离信号；

利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

优选的，所述获取负荷供电入口处的电流信号的分离信号，包括：

利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。

进一步的，所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，包括：

a.初始化采样时刻t＝t₀，t₀为采样初始时刻；

b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声；

c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号，获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数；

d.若获取的本征模式函数的组数为M，则进入步骤e，若获取的本征模式函数的组数小于M，则返回步骤b；

e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值；

f.判断采样时刻t是否满足t＝t_end，若是，则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值，并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，若否，则令t＝t+1，并返回所述步骤b。

具体的，所述步骤c，包括：

按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号：

上式中，X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号，n∈[1,N]，N为本征模式函数中本征模式函数分量的总数量；r(t)为X(t)分解后的余量，c_n(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量；

则c₁(t),c₂(t)...c_n(t)...c_N(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。

具体的，所述步骤e中，按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值：

上式中，

为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数中第n个本征模式函数分量的平均值；

其中，按下式确定

上式中，c_i,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。

具体的，所述步骤f中，利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，包括：

S1.按下式设置矩阵C：

上式中，n∈[1,N]，N为本征模式函数的总数量；t∈[1,L]，L为采样时刻总数；

为t时刻第n个本征模式函数的平均值；

S2.利用主成分分析算法获取矩阵C的降维矩阵Y；

S3.利用FastICA算法获取所述降维矩阵的解混矩阵W；

S4.所述分离信号为Y与W^T的乘积。

优选的，所述利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态，包括：

以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入，获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号；

利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。

进一步的，所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程，包括：

获取单负荷运行时负荷供电入口处的稳态电压和稳态电流；

以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本，以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练，获取所述预先建立的单负荷对应的递推最小二乘识别模型。

进一步的，所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态，包括：

g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值；

h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值，则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数，并执行步骤i；否则，所述单负荷处于关闭状态；

i.若所述自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态；

其中，t∈[1,L]，L为采样时刻总数；l∈[1,Z]，Z为时间间隔总数；ρ(l)为第l个时间间隔对应的自相关系数，X为第二检验阈值。

具体的，所述步骤g，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t)：

ε(t)＝I-I(t)

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}：

上式中，t∈[1,L]，L为采样时刻总数，I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号，I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。

具体的，所述步骤h，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l)：

上式中，l∈[1,Z]，Z为时间间隔总数；t∈[1,L]，L为采样时刻总数；σ²(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差；

其中，按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ²(t)：

一种用电负荷辨识装置，其改进之处在于，所述装置包括：

获取单元，用于获取负荷供电入口处的电流信号的分离信号；

确定单元，用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的技术方案，通过获取负荷供电入口处的电流信号的分离信号，利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态，打破了大多数分离算法依据经验选取有用信息的缺陷，减小了计算量，提高了工作效率；

本发明提供的技术方案，通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，打破了大多数分离算法依据经验选取有用信息的缺陷，提高了分离准确率；通过对负荷供电入口处的电流信号添加正态分布的白噪声，并利用经验模态分解算法分解添加正态分布的白噪声的负荷供电入口处的电流信号，可有效抑制由于异常扰动以及本征模式函数分量不连续造成的模态混叠；采用主成分分析法进行降维处理，改善了进行FastICA处理时速度慢的问题，减小了计算量，提高了工作效率。

附图说明

图1是本发明实施例中一种用电负荷辨识方法的流程图；

图2是本发明实施例中负荷供电入口处的电流信号；

图3是本发明实施例中的分离信号；

图4是本发明实施例中的自相关系数；

图5是本发明实施例中一种用电负荷辨识装置的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

本发明提供了一种用电负荷辨识方法，如图1所示，所述方法包括：

101.获取负荷供电入口处的电流信号的分离信号；

102.利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

进一步的，所述步骤101，包括：

利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。

具体的，所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，包括：

a.初始化采样时刻t＝t₀，t₀为采样初始时刻；

b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声；

例如，如图2所示的负荷供电入口处的电流信号；

c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号，获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数；

d.若获取的本征模式函数的组数为M，则进入步骤e，若获取的本征模式函数的组数小于M，则返回步骤b；

e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值；

f.判断采样时刻t是否满足t＝t_end，若是，则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值，并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，若否，则令t＝t+1，并返回所述步骤b。

具体的，所述步骤c，包括：

按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号：

上式中，X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号，n∈[1,N]，N为本征模式函数中本征模式函数分量的总数量；r(t)为X(t)分解后的余量，c_n(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量；

则c₁(t),c₂(t)...c_n(t)...c_N(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。

具体的，所述步骤e中，按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值：

上式中，

为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数中第n个本征模式函数分量的平均值；

其中，按下式确定

上式中，c_i,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。

具体的，所述步骤f中，利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，包括：

S1.按下式设置矩阵C：

上式中，n∈[1,N]，N为本征模式函数的总数量；t∈[1,L]，L为采样时刻总数；

为t时刻第n个本征模式函数的平均值；

S2.利用主成分分析算法获取矩阵C的降维矩阵Y；

S3.利用FastICA算法获取所述降维矩阵的解混矩阵W；

S4.所述分离信号为Y与W^T的乘积；

例如，如图3所示分离信号，所述分离信号包括三组数据。

进一步的，所述步骤102，包括：

以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入，获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号；

利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。

具体的，所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程，包括：

获取单负荷运行时负荷供电入口处的稳态电压和稳态电流；

以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本，以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练，获取所述预先建立的单负荷对应的递推最小二乘识别模型。

具体的，所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态，包括：

g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值；

h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值，则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数，并执行步骤i；否则，所述单负荷处于关闭状态；

i.若所述自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态；

其中，t∈[1,L]，L为采样时刻总数；l∈[1,Z]，Z为时间间隔总数；ρ(l)为第l个时间间隔对应的自相关系数，X为第二检验阈值；

具体的，所述步骤g，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t)：

ε(t)＝I-I(t)

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}：

上式中，t∈[1,L]，L为采样时刻总数，I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号，I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。

具体的，所述步骤h，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l)：

上式中，l∈[1,Z]，Z为时间间隔总数；t∈[1,L]，L为采样时刻总数；σ²(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差；

其中，按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ²(t)：

例如，在实际应用中，获取的所有时间间隔对应的自相关系数中，存在大于等于90％的时间间隔对应的自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态；

如图4所示的获取的自相关系数，第二检验阈值为0.0933，图5中a为分离信号中的第一组数据与负荷A对应的递推最小二乘识别模型的输出信号的残差间的自相关系数，图5中b为分离信号中的第一组数据与负荷B对应的递推最小二乘识别模型的输出信号的残差间的自相关系数，图5中c为分离信号中的第一组数据与负荷C对应的递推最小二乘识别模型的输出信号的残差间的自相关系数；从图5中可以看出三组自相关系数存在大于等于90％的时间间隔对应的自相关系数满足

或/和

则负荷A、B和C均处于工作状态。

本发明提供的技术方案，通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，打破了大多数分离算法依据经验选取有用信息的缺陷，提高了分离准确率；通过对负荷供电入口处的电流信号添加正态分布的白噪声，并利用经验模态分解算法分解添加正态分布的白噪声的负荷供电入口处的电流信号，可有效抑制由于异常扰动以及本征模式函数分量不连续造成的模态混叠；采用主成分分析法进行降维处理，改善了进行FastICA处理时速度慢的问题，减小了计算量，提高了工作效率。

本发明还提供一种用电负荷辨识装置，如图5所示，所述装置包括：

获取单元，用于获取负荷供电入口处的电流信号的分离信号；

确定单元，用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

进一步的，所述获取单元，用于：

利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。

具体的，所述获取单元，还包括：

初始化模块，用于初始化采样时刻t＝t₀，t₀为采样初始时刻；

更新模块，用于对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声；

第一获取模块，用于利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号，获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数；

第一判断模块，用于若获取的本征模式函数的组数为M，则进入第一确定模块，若获取的本征模式函数的组数小于M，则返回更新模块；

第一确定模块，用于将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值；

第二判断模块，用于判断采样时刻t是否满足t＝t_end，若是，则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值，并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，若否，则令t＝t+1，并返回所述步骤更新模块。

具体的，所述第一获取模块，还包括：

第一确定子模块，用于按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号：

上式中，X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号，n∈[1,N]，N为本征模式函数中本征模式函数分量的总数量；r(t)为X(t)分解后的余量，c_n(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量；

则c₁(t),c₂(t)...c_n(t)...c_N(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。

具体的，所述第一确定模块，还包括：

第二确定子模块，用于按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值：

上式中，

为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数中第n个本征模式函数分量的平均值；

第三确定子模块，用于按下式确定

上式中，c_i,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。

具体的，所述第二判断模块，还包括：

设置子模块，用于按下式设置矩阵C：

上式中，n∈[1,N]，N为本征模式函数的总数量；t∈[1,L]，L为采样时刻总数；

为t时刻第n个本征模式函数的平均值；

第一获取子模块，用于利用主成分分析算法获取矩阵C的降维矩阵Y；

第二获取子模块，用于利用FastICA算法获取所述降维矩阵的解混矩阵W；

第四确定子模块，用于所述分离信号为Y与W^T的乘积。

进一步的，所述确定单元，包括：

第二获取模块，用于以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入，获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号；

第二确定模块，用于利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。

具体的，所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程，包括：

获取单负荷运行时负荷供电入口处的稳态电压和稳态电流；

以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本，以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练，获取所述预先建立的单负荷对应的递推最小二乘识别模型。

具体的，所述第二确定模块，还包括：

第三获取子模块，用于获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值；

第一判断子模块，用于若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值，则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数，并执行第二判断子模块；否则，所述单负荷处于关闭状态；

第二判断子模块，用于若所述自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态；

其中，t∈[1,L]，L为采样时刻总数；l∈[1,Z]，Z为时间间隔总数；ρ(l)为第l个时间间隔对应的自相关系数，X为第二检验阈值。

具体的，所述第二确定模块，还包括：

第五确定子模块，用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t)：

ε(t)＝I-I(t)

第六确定子模块，用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}：

上式中，t∈[1,L]，L为采样时刻总数，I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号，I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。

具体的，所述第二确定模块，还包括：

第七确定子模块，用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l)：

上式中，l∈[1,Z]，Z为时间间隔总数；t∈[1,L]，L为采样时刻总数；σ²(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差；

第八确定子模块，用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ²(t)：

例如，在实际应用中，获取的所有时间间隔对应的自相关系数中，存在大于等于90％的时间间隔对应的自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种用电负荷辨识方法，其特征在于，所述方法包括：

获取负荷供电入口处的电流信号的分离信号；

利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

2.如权利要求1所述的方法，其特征在于，所述获取负荷供电入口处的电流信号的分离信号，包括：

利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。

3.如权利要求2所述的方法，其特征在于，所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号，包括：

a.初始化采样时刻t＝t₀，t₀为采样初始时刻；

b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声；

c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号，获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数；

d.若获取的本征模式函数的组数为M，则进入步骤e，若获取的本征模式函数的组数小于M，则返回步骤b；

e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值；

f.判断采样时刻t是否满足t＝t_end，若是，则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值，并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，若否，则令t＝t+1，并返回所述步骤b。

4.如权利要求3所述的方法，其特征在于，所述步骤c，包括：

按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号：

上式中，X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号，n∈[1,N]，N为本征模式函数中本征模式函数分量的总数量；r(t)为X(t)分解后的余量，c_n(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量；

则c₁(t),c₂(t)...c_n(t)...c_N(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。

5.如权利要求3所述的方法，其特征在于，所述步骤e中，按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值：

上式中，

为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数中第n个本征模式函数分量的平均值；

其中，按下式确定

上式中，c_i,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。

6.如权利要求5所述的方法，其特征在于，所述步骤f中，利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号，包括：

S1.按下式设置矩阵C：

上式中，n∈[1,N]，N为本征模式函数的总数量；t∈[1,L]，L为采样时刻总数；

为t时刻第n个本征模式函数的平均值；

S2.利用主成分分析算法获取矩阵C的降维矩阵Y；

S3.利用FastICA算法获取所述降维矩阵的解混矩阵W；

S4.所述分离信号为Y与W^T的乘积。

7.如权利要求1所述的方法，其特征在于，所述利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态，包括：

以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入，获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号；

利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。

8.如权利要求7所述的方法，其特征在于，所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程，包括：

获取单负荷运行时负荷供电入口处的稳态电压和稳态电流；

以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本，以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练，获取所述预先建立的单负荷对应的递推最小二乘识别模型。

9.如权利要求7所述的方法，其特征在于，所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态，包括：

g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值；

h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值，则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数，并执行步骤i；否则，所述单负荷处于关闭状态；

i.若所述自相关系数满足

或/和

则所述单负荷处于工作状态；否则，所述单负荷处于关闭状态；

其中，t∈[1,L]，L为采样时刻总数；l∈[1,Z]，Z为时间间隔总数；ρ(l)为第l个时间间隔对应的自相关系数，X为第二检验阈值。

10.如权利要求9所述的方法，其特征在于，所述步骤g，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t)：

ε(t)＝I-I(t)

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}：

上式中，t∈[1,L]，L为采样时刻总数，I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号，I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。

11.如权利要求9所述的方法，其特征在于，所述步骤h，包括：

按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l)：

上式中，l∈[1,Z]，Z为时间间隔总数；t∈[1,L]，L为采样时刻总数；σ²(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差；

其中，按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ²(t)：

12.一种用电负荷辨识装置，其特征在于，所述装置包括：

获取单元，用于获取负荷供电入口处的电流信号的分离信号；

确定单元，用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。

Images