“泰迪杯”挑战赛 -利用非侵入式负荷检测进行高效率数据挖掘（完整数学模型）

目录

1 研究背景与意义

2 变量说明

3 问题分析

4 问题一
4.1 数据预处理
4.1.1 降噪处理
4.1.2 数据变换
4.2 负荷特征分析
4.2.1 暂态特征
4.2.2 稳态特征

5 问题二
5.1 相似度与权系数
5.2 模型建立
5.3 模型求解

6 问题三
6.1 事件检测算法
6.2 模型建立
6.3 模型求解

7 问题四
7.1 负荷识别决策树算法
7.2 模型建立
7.3 模型求解

8 结论

参考文献

1 研究背景与意义

与常规的连接在入户线上的电能表只能获得总能耗数据不同，电力分项计量可以对连接到入户线后的建筑物内各个用电设备所消耗的电能进行独立计量。分项计量技术目前主要分为两种：一种在总负荷内部为每个用电设备配备带有数字通信功能的传感器，通过通讯网络采集各用电设备的用电信息，这种方式称为侵入式电力负荷监测；另一种仅在电网的用户入口处安装一个传感器，通过采集和分析用户用电总功率或总电流来监测每个或每类用电设备的用电功率和工作状态，从而了解用户家中每个或每类用电设备的耗电情况和用电规律，这种方式称作非侵入式电力负荷监测与分解，这一技术量测得到的是整个线路上的电压、电流数据，它们可以看作是各个用电设备的电压、电流数据的叠加，它最重要的是如何从采集到的整条线路的电压、电流数据中“分解” 出每个用电设备独立的用电数据，这种技术具有简单、经济、可靠和易于迅速推广应用等优势，更加适用于居民用户。

电力分项计量的一系列技术，是将电器识别作为物联网的一个重要研究方向，从物理层面去真正查看、操控物联网设备，达到绝对可信的要求，这是未来物联网的目标。同时，电力分项计量对于电力公司准确预测电力负荷、科学制定电网调度方案、提高电力系统稳定性和可靠性有着重要意义；对用户而言可以帮助用户了解用电设备的使用情况、提高用户的节能意识、促进科学合理用电。不仅如此，分项计量还可以针对能耗数据来实现设备老化、故障预警的功能，在我们的生产、生活中有非常实际的意义。

2 变量说明

3 问题归纳分析

根据题目要求及所提供数据，对所提的四个问题简要归纳如下：本题主要在已知设备 1至设备 11 的各个采样点的设备数据（包括有功功率，无功功率，操作记录等数据），以及一个周期内的周波数据，谐波数据的基础上，对数据进行处理和分析，找出识别不同设备的负荷印记，分析已提取的负荷印记并用以识别各个单一负荷以及多负荷识别。

本文主要针对不同的用电设备从以下角度进行分析：

第一，设备是启/停二状态设备还是有限多状态设备。

此问题中，涉及设备状态的档位划分，即将档位用数学语言表示。本文根据其电流、有功功率、无功功率等数据的复合结果，按照从小到大的顺序将有限多状态和启/停状态设备的各个设备状态进行划分并标号。设备 YD1-YD11 的状态划分如下：

第二，设备是纯电阻设备还是非纯电阻用电设备。

纯电阻电器，电流只有热效应，其 V-I 轨迹曲线是类似于直线的一个曲线（即曲线面积接近于 0）；而非纯电阻电器，电流除了产生热效应，还产生其它效应，将电能转化为其它能（化学能、机械能等），它的 V-I 轨迹围成了类似椭圆的曲线。

在问题一中，本文除了提取各个设备的各个档位的 V-I 轨迹特征，还提取了 4 种暂态特征和 4 种稳态特征的负荷印记特征，比较全面的含盖了用电设备的运行特征。

在问题二中，在问题一提取的负荷特征的基础上，用待识别的单一设备和设备库的数据进行识别匹配。即考虑的多种因素转化相应的评价标准，利用对应的负荷特征进行相似度匹配，负荷印记区分出不同设备，并量化其定义特征，从而识别出待识别设备。

第三，设备的工作有功功率和无功功率的关系。

对于问题三，首先对设备的有功功率和无功功率变化进行了分析，设定合理的功率改变阈值，采用事件检测算法对事件发生时间点检测。在此基础上根据有功、无功功率的均值与方差的负荷特征，建立了 0-1 二次规划的优化模型。该模型中，以各个设备的各个档位的关闭为 0，开启为 1，以优化其误差$ϵ$为目标，在事件检测算法的基础上，很好的识别出用电设备组的状态、操作与其对应的操作时间。

第四，设备工作时产生的谐波特征。

在问题四中，首先利用负荷识别决策树算法，识别出各个用电设备，其次利用上一章中单个负荷的特征参数建立完成负荷识别所需的数据库，包括平均功率数据库和谐波幅值数据库，最后建立 0-1 二次规划模型，确定出用电设备组的转态、操作及操作时间。

4 问题一分析及求解

对于问题一的解答，主要采取以下几个步骤，如图 1 所示：

4.1 数据预处理

4.1.1 降噪处理

由于各个设备的采样数据点较多，数据波动较大，数据中含有突变点，突变点在求平均值的过程中会影响到结果的准确性，因此需要对数据中的突变点和异常点进行清理。文采用小波分解$Wk$值的方法检测并区分异常点和突变点[1]。在数学上，利用 Lipschitz 指数(用v 表 示)表述函数的光滑程度：函数越光滑$v$越大。由于阶跃函数的$v$值为 0，因此斜坡函数较阶跃函数更光滑连续，其$v$值为 1。Mallat 等人在 1992 年建立 Lipschitz 指数与小波系数的关系，并以此提出小波变换模极大值原理，其中小波变换模极大值与 Lipschitz 指数关系如下：

v > 0时，小波系数随小波尺度的增大而增大；
v = 0时，小波系数与尺度无关。

利用此关系可以检测并区分异常值和突变点，具体算法如下：

步骤 1．在两个小波尺度下对拟合残差$e_t，t=1,2,...$进行在线小波分解；

步骤 2．计算两尺度下小波分解系数的模，并计算差值得到$E_k$；

步骤 3．异常点、突变点检测：

1. 步骤 1 中未出现模极大值点处，并且步骤 2 中 $E_k$没有突变，说明此处$W_k$值曲线始终维持在零附近，没有发生变化，说明此处既没有异常点也没有突变点；

2. 步骤 1 中出现模极大值，而步骤 2 中 $E_k$没有摸极大值点，说明此处两尺度下小波系数相同，应为异常点所在处；

3. 步骤1和步骤2中均存在模极大值点，说明两尺度下小波系数不同，应为突变点所在处。通过上述异常值检验方法检验了 YD1-YD11 的有功功率数据，图 2 是某设备的某段时间的异常点检测结果。

4.1.2 数据变换

我们通过小波降噪的原理来进行数据变换。在信号检测中经常存在噪声污染，为了更加精准的研究信号传输变化，往往会采用降噪的方法进行去除噪声。常见的降噪方法有：希尔伯特变换降噪法、小波变换降噪方法、傅里叶分析降噪处理法等。由于小波分析是一种对信号降噪最普遍方法， 并且在信号低频部分降噪处理中具有良好的频率分辨率，因此，本文采用小波包降噪法去除信号中复高斯白噪声。

小波降噪是利用噪声在时域和频域内的差别，实现有效的信噪分离，从而获得较为理想的降噪效果。

设信号$X(t)$被噪声污染后为$S(n)$其基本噪声模型可以表示为：

$S(t)=X(t)+\sigma e(t)$。 （1）

其中，$e(t)$为噪，$\sigma$为噪声强度[2]。

利用小波降噪对信号降噪的过程分为：（1）信号进行小波分解；（2）信号进行小波重构[2]。由于一般噪声信号包含具有较高频率的细节中，因此利用门限阀值等形式对所分解的小波系数进行处理。于是小波降噪分为如下几个步骤：

1、小波系数分解
根据多尺度分析方法，设信号$S(t)\in V_0$可以将其投影到$V1$空间和$W1$空间，分解成$V1$空间的概貌和$W1$空间的细节部分。再将$V1$空间的信号投影继续分解，可以分成$V2$空间和$W2$ 空
间。如此继续，最终可以将信号$S(t)$分解投影到$W_1,W_2,,,,W_j$ 空间中去，分解模型示意图
如下所示：

其中信号的多尺度数学分解过程如下：

${\varphi }_{j,k}(t)=2^{-\frac{1}{2}}\varphi (2^{-2}t-k)$。 （2）

上面两式分别表示在不同尺度$j$下，随着$k$的位移，张成不同的尺度空间和小波空间 { W j } j ∈ Z \{ W_j\}_{j \in Z} { Wj​}j∈Z​，则信号$S(t)$可分解成：

$S(t)={\sum }_k{c}_{j,k}{\varphi }_{j,k}(t)+{\sum }_k{d}_{j,k}{\psi }_{j,k}(t)$。 （3）

其中，$c_{j,k}$和$d_{j,k}$分别为尺度空间的尺度系数和小波系数。

2、小波阈值处理

小波分析用于降噪的核心步骤就是对信号经过小波分解后的系数确定阈值。在小波变换中，对各层系数降噪所需的阈值一般根据原始信号的信号噪声比来选取，即通过波各层分解系数的标准差来求取。在得到信号噪声强度$\sigma$后，可以根据信号噪声强度确定各层的阈值，即：

KaTeX parse error: Expected 'EOF', got '}' at position 25: …1g(n)* \sigma} }̲。(4)

其中$n$为信号长度。

在求得阈值以后，有两种在信号作用阈值的方法：（1）令所有绝对值小于阈值的信号点的值为0，即硬阈值为$d_1(t)$；（2）软阈值$d_2(t)$计算公式分别为：

$$\begin{gathered} d_{1}t=\{\begin{array}{l} \\ t,|t|>T\\ 0,|t|\le T\end{array} \end{gathered}$$

(5)

$$\begin{gathered} d_{2}t=\{\begin{array}{l} \\ t-T,|t|>T\\ t+T,|t|\le -T\\ 0,其他\end{array} \end{gathered}$$

(6)

3、小波信号重构

信号重构过程与信号分解过程相似，只是方向相反，在对小波系数进行阈值处理后，再根据信号测试结果，将信号分解恢复降噪后的信号。

综上，经过小波降噪后，获取出降噪后的数据，然后通过 Matlab 软件绘制出降噪后的波形图。基于篇幅，此处以$Y{D}_1$的周波数据的一个采样周期为例，给出其降噪后的信号。

4.2 负荷特征分析

负荷特征是指电器处于运行状态时某个物理量所表现出来的特性，是负荷识别的重要依据，本文通过对各个用电设备的数据分析，提取了两类负荷特征——暂态特征和稳态特征；这里的稳态特征分析认为负荷运行是稳定状态，而暂态分析考虑到过渡过程。通过对特征的分析，将各个负荷特征转化为可量化的负荷特征，这些特征可以有效地区分各个用电设备，从而达到区分各个设备的目的。

4.2.1 暂态特征

暂态特征是指电器工作状态发生转变时所表现出来的特征，研究发现主要负荷的暂态特征是比较明显的，它不像稳态特征那样具有重叠性，并且较之稳态特征能为负荷识别提供更多的信息用于负荷识别。暂态特征的不足在于为了获取暂态数据需要较高的采样频率，这就要求数据采样装置需要对系统进行持续不间断的监测，才不会遗漏负荷投入/切除运行时稍纵即逝的暂态过程。

暂态特征主要包括暂态过渡时间、电流均值及均方根、冲击电流功率倍数、瞬时电压、瞬时电流、瞬时功率等。其提取方法相对而言较为复杂，常用方法有频谱分析、小波分析等频域及小波域分析方法。负荷的暂态特征是比较明显的，并且负荷的暂态特征不像稳态特征那样具有重叠性，然而唯一的局限性就是为了获取暂态数据需要较高的采样频率。下面就对电流均值及均方根、暂态过渡时间和冲击电流功率倍数 4 种非侵入式负荷监测中的暂态特征的实现方法与负荷特点进行分析：

均值与均方根
1、均值（直流分量），通常对应于某段时间电压或电流的均值，而在正式的定义中，计算信号均值需要在某段时间上对信号波形进行积分。信号$i(t)$的时间均值表达式如下：

$⟨i(t)⟩=\frac{1}{T}{\int }_0^{T}x(t)dt$。 （7）

其中，T是积分时间。

2、均方根，表征信号相对均值的起伏和波动。使用信号$i(t)$的均方根来表征交流波形的电压，该值定义为：

$i_{rms}=\sqrt{\frac{1}{t}{\int }_0^{T}i(t)dt}$。 （8）

显然，对于不同的信号波形，均方值和均方根给出量化这些时变电信号的合理测量。均方根实际上是对信号平方的平均值求平方根；通过对信号的均值和均方根的正式定义，相应的电流的均值和均方根是类似的定义。

研究表明，电阻性负载开启后直接进入稳态，没有暂态过程，而非阻性电器启动时存在电磁暂态过程，一些电器的暂态过程伴随有 3-9 倍冲击电流(功率)的出现，具有非常强的辨识性。暂态开关特性可用暂态过渡时间和冲击倍数两个物理量来表示[3]。

1、暂态过渡时间
设暂态过程开始时间为$t_{ton}$，暂态过程结束时间为$t_{toff}$，则暂态过渡时间$\Delta t$可通过下式计算：

$\Delta t=t_{toff}-t_{ton}$。 （9）

2、冲击电流(功率)倍数
设电器投入前的稳态电流为$I_{s1}$暂态开关过程中的电流最大值为$I_{peak}$，电器投入后的稳态电流为$I_{s2}$，则冲击电流倍数$K_I$的计算公式为：

$K_I=\frac{I_{peak}-I_{s1}}{I_{s2}-I_{s1}}$。 （10）

同理，冲击功率倍数$K_P$的计算公式：
$K_p=\frac{p_{peak}-p_{s1}}{p_{s2}-p_{s1}}$。 （11）

其中，$p_{peak}$为暂态开关过程中的功率最大值，$p_{s1}$为电器投入前的稳态平均功率，$p_{s2}$为电器投入后的稳态平均功率。根据上面的介绍以及附件 1 中提供的单一态数据，我们得到如下的数据表格：

从上表可以看出，不同的设备由于结构与工艺的差别，用电负荷从开启到稳定状态的过渡阶段的变化形式各不相同；纯电阻型负荷直接从开启进入到稳态，而其它负荷在启动时会含有脉冲电流，启动的时间、脉冲大小各不相同，不同用电负荷的开关暂态各不相同，因此暂态特征可以用作区分用电设备。

4.2.2 稳态特征

稳态特征是指电器运行状态稳定时所表现出的特征，换句话说，稳态特征是两种稳定运行状态某些特性分析差异的结果。被用于负荷识别的稳态特征参数包括有功功率、无功功率、电流谐波、功率因数、V-I 轨迹等。稳态特征易于采集和检测，应用较多，本文研究将用到V-I 轨迹、功率特征和谐波矩阵。

1、V-I 轨迹
香港大学的 Lam 等于 2007 年提出了二维的电压-电流（V-I）轨迹法。他们利用稳态时一个周期的电压电流数据来绘制 V-I 轨迹，进而根据轨迹的形状特征分辨出不同的负荷。V-I 轨迹法主要采纳的形状特征包括曲率、斜率、总面积、左右分区面积、不对称性、相交点、轨迹循环方向以及中间分区的峰值等。为避免不同负荷的电压、电流幅度差异对 V-I轨迹大小的影响，需要在比较形状特征前对两个参数做归一化处理。利用附件 1 提供的周波数据，以归一化后的电压为横坐标，归一化后的电流为纵坐标绘制部分设备的 V-I 曲线，如图所示：

从上图可以看出，对于电阻型负荷，如电热水壶，V-I 是一条直线，而对于微波炉这类含有谐波含量较高的负荷，V-I 至少含有一个交点，且它们轨迹相差十分明显，因此结合 V-I轨迹作为负荷识别分解的特征&#