非侵入式负载识别
非侵入式在线实时电力负荷识别方法及识别系统与设计方案
图片简介:本技术属于物联网和大数据技术领域，涉及一种非侵入式在线实时电力负荷识别方法及识别系统。
它解决了现有设计不够合理等技术问题。
本方法包括下述步骤：A、获得实时电力信号；B、非侵入式负荷识别分析；C、结果反馈。
系统包括至少一个连接在居民侧配电箱上的嵌入式设备终端，嵌入式设备终端与云端相连，云端与后台服务器相连，后台服务器上连接数据存储器且能将分析结果传送至对应于居民侧配电箱的终端设备。
优点在于：对于居民侧用户使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率；能为家庭提供整体的能源解决方案；算法效率可以达到在线和实时的效果。
技术要求1.一种非侵入式在线实时电力负荷识别方法，其特征在于，本方法包括下述步骤：A、获得实时电力信号：实时采集居民侧配电箱(1)的实时电力数据，然后将采集到的实时电力数据进行转换以获得实时电力信号；B、非侵入式负荷识别分析：将实时电力信号进行小波变换去噪、核密度估计检测事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、提取电力信号特征，从而获得对应于居民侧配电箱(1)的每个家用电器的功耗数据和实时状态信息；C、结果反馈：将分析获得的居民侧配电箱(1)的每个家用电器的功耗数据和实时状态信息反馈给与居民侧配电箱(1)相应的居民侧用户。
2.根据权利要求1所述的非侵入式在线实时电力负荷识别方法，其特征在于，在上述的步骤B中，①小波变换去噪：设定实时电力信号yi与真实电力信号f(xi)关系为：yi＝f(xi)+ei,i∈{1,...,n}，其中，ei为误差，n为自然数；根据小波变换的原理：φ(x)＝I(0,1)(x)；其中，为尺度系数，为细节系数，为基函数；设定误差ei服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；选取阀值为：其中，N为信号长度，为鲁棒估计量；②核密度估计检测事件：将去噪后的实时电力信号用核密度估计方法估计信号分布情况，密度函数如下：其中，K为密度函数，y是原始信号，xi是密度函数的期望值，h是密度函数的带宽，若信号分布具有两个或两个以上的峰值点，则判断结果为有事件发生，否则无事件；③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号：对于有事件发生的实时电力信号，判断是否有周期性信号存在，计算信号的自相关系数：若信号内部存在相关性，即自相关系数不小于0.95，则采用Hodrick–Prescott filter优化算法求解去周期性信号，具体实现过程如下：求解结果为去周期性信号，其中，y为原始信号，λ为惩罚系数；所述的去周期性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；④聚类电力信号：根据提取到的趋势信号，再用基于密度聚类的算法求解出离群点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核心点、边界点或噪声点；删除噪声点；为距离在阀值之内的所有核心点之间赋予一条边；每组连通的核心点形成一个簇；将每个边界点指派到一个与之关联的核心点的簇中；从而实现用基于密度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；⑤提取电力信号特征：利用深度学习进行特征压缩及无监督的基于密度的聚类算法进行特征识别。
非介入式负荷辨识模组预置唯一性标识及校验算法说明
非介入式负荷辨识模组预置唯一性标识
及校验算法说明
一、非介入式负荷辨识模组唯一性标识
非介入式负荷辨识模组唯一性标识由硬件标识O和软件标识组成（）。
当模组生产企业送检时，模组预置唯一性标识如下：
二、非介入式负荷辨识模组校验算法
模组校验算法由模组硬件标识的序列号、软件标识的算法标识和收到检验指令的时间三部分计算得到，其结构如下表所示。
校验结果计算：从序列号、算法标识和模组收到校验指令的月日时三部分中，选取每一部分的最高位字节相加，校验结果取其加和的最低位字节。
如表例所示：应取98+FF+08+14+03=01B6,则
校验结果为B6；此时如模组收到软件标识动态校验指令(),则应回复FF081403B6。
三、资产管理编码
模组预置资产管理编码(4103)应为32个字节的00；外观应符合Q/GDW12181.2-2021的有关要求。
基于SSA-SVM的非侵入式负荷识别
第１３卷㊀第３期Ｖｏｌ．１３Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年３月㊀Ｍａｒ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０３－０１４３－０５中图分类号：ＴＭ９３３；ＴＭ９２５文献标志码：Ａ基于ＳＳＡ－ＳＶＭ的非侵入式负荷识别李梓彤，杨㊀超（贵州大学电气工程学院，贵阳５５００２５）摘㊀要：针对目前非侵入式负荷监测方法对负荷特征相近的电器识别准确率不高的问题，本文提出了一种基于麻雀搜索算法（ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ，ＳＳＡ）优化支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）的负荷识别方法㊂该方法除了采用传统的有功和无功作为特征外，还采用了基波功率因数和频域电流谐波幅值作为新特征，同时使用麻雀搜索算法对支持向量机的核心参数进行优化，建立负荷识别模型，实现对家用电器的有效监测㊂进而采用ＡＭＰｄｓ数据集对算法进行测试，通过对比分析，验证了本文所提方法的有效性㊂关键词：非侵入式负荷监测；麻雀搜索算法；支持向量机；参数优化Ｎｏｎ－ｉｎｔｒｕｓｉｖｅｌｏａｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｐａｒｒｏｗＳｅａｒｃｈＡｌｇｏｒｉｔｈｍＯｐｔｉｍｉｚｅｄＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅＬＩＺｉｔｏｎｇ，ＹＡＮＧＣｈａｏ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗａｃｃｕｒａｃｙｏｆｃｕｒｒｅｎｔｎｏｎ－ｉｎｖａｓｉｖｅｌｏａｄｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｓｉｎｉｄｅｎｔｉｆｙｉｎｇｅｌｅｃｔｒｉｃａｌｐｒｏｄｕｃｔｓｗｉｔｈｓｉｍｉｌａｒｌｏａｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｌｏａｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ（ＳＳＡ）ａｎｄｏｐｔｉｍｉｚｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｉｓｍｅｔｈｏｄｎｏｔｏｎｌｙｕｓｅｓｔｒａｄｉｔｉｏｎａｌａｃｔｉｖｅｐｏｗｅｒａｎｄｒｅａｃｔｉｖｅｐｏｗｅｒａｓｆｅａｔｕｒｅｓ，ｂｕｔａｌｓｏｕｓｅｓｆｕｎｄａｍｅｎｔａｌｐｏｗｅｒｆａｃｔｏｒａｎｄｈａｒｍｏｎｉｃａｍｐｌｉｔｕｄｅｏｆｃｕｒｒｅｎｔｉｎｆｒｅｑｕｅｎｃｙｄｏｍａｉｎａｓｎｅｗｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｎｕｓｅｓｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅｔｈｅｃｏｒｅｐａｒａｍｅｔｅｒｓｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ．Ａｆｔｅｒｔｈａｔ，ｔｈｅｌｏａｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｔｏｒｅａｌｉｚｅｔｈｅｅｆｆｅｃｔｉｖｅｍｏｎｉｔｏｒｉｎｇｏｆｈｏｕｓｅｈｏｌｄａｐｐｌｉａｎｃｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅａｌｇｏｒｉｔｈｍｉｓｔｅｓｔｅｄｗｉｔｈＡＭＰｄｓｄａｔａｓｅｔ，ａｎｄｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｉｓｍｅｔｈｏｄｉｓｖｅｒｉｆｉｅｄｂｙｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ．ʌＫｅｙｗｏｒｄｓɔｎｏｎ－ｉｎｔｒｕｓｉｖｅｌｏａｄｍｏｎｉｔｏｒｉｎｇ；ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ基金项目：贵州省科学技术基金（黔科合基础［２０１９］１１００）㊂作者简介：李梓彤（１９９８－），女，硕士研究生，主要研究方向：非侵入式负荷监测；杨㊀超（１９７１－），女，副教授，主要研究方向：配电网规划及电能质量管理㊂通讯作者：杨㊀超㊀㊀Ｅｍａｉｌ：７８５６２２５３９＠ｑｑ．ｃｏｍ收稿日期：２０２２－０４－１８０㊀引㊀言随着现代社会的快速发展，智能电网成为一个被广泛讨论的新概念［１］㊂居民用户对精准的用电服务需求不断增长，目前电网公司只向用户提供总电量数据㊂非侵入式负荷监测（ｎｏｎ－ｉｎｔｒｕｓｉｖｅｌｏａｄｍｏｎｉｔｏｒｉｎｇ，ＮＩＬＭ）技术最早由Ｈａｒｔ提出［２］，具体来说是在电力负荷总进线处获取负荷数据（电压㊁电流㊁功率等），采用模式识别算法，通过分析负荷特征量，实现用户侧负荷类型的辨识及能耗分解㊂与传统的侵入式负荷监测方法相比，ＮＩＬＭ具有运维简便㊁基础成本低㊁信息安全性强㊁不侵犯用户隐私等优势㊂ＮＩＬＭ整个流程分为数据的采集和处理㊁事件检测㊁特征提取㊁负荷辨识等步骤㊂近年来，国内外众多学者对ＮＩＬＭ进行了大量研究，目前研究重点主要在于负荷特征的提取以及负荷识别算法的优化两个部分㊂其中，特征提取主要分为暂态特征和稳态特征，并且功率是最常使用的特征，文献［３］针对低采样率下识别准确率低的问题提出一种基于极大似然法的负荷识别算法，采用整数规划和最大似然法进行负荷识别，平均识别准确率超过８５％㊂文献［４］将标准化后的负荷电压㊁电流㊁Ｖ－Ｉ轨迹生成真彩可视化图像，并将其作为卷积神经网络（ＣＮＮ）的输入进行负荷辨识㊂文献［５］以稳态电流的时域和频域信息作为特征，然后采用随机森林进行特征选择得到最优特征集，最后使用遗传算法优化极限学习进行负荷识别㊂文献［６］先以有功无功作为特征采用Ｋ－Ｍｅａｎｓ聚类进行初步分类，然后再使用带有颜色特征的Ｖ－Ｉ轨迹作为ＡｌｅｘＮｅｔ神经网络的输入进行精细化分类㊂文献［７］在低频采样下采用支持向量机进行负荷识别，对大功率电器的识别效果较好，但对小功率电器识别效果差㊂除了时域特征外还有很多研究人员采用频域特征，文献［８］采用电流谐波幅值作为特征，在此基础上提出差量特征提取的方法，最后使用模糊聚类进行负荷识别，但对功率相近的纯电阻电器识别准确率不高㊂文献［９］以有功功率㊁基波功率因数㊁电压电流三次谐波含量差作为特征，采用优化后的模糊聚类算法进行识别，实现了对低功率用电设备的辨识㊂针对负荷特征相似的电器，文献［１０］以奇次谐波电流为负荷特征，并使用ＡｄａＢｏｏｓｔ算法进一步筛选特征，采用Ｋ邻近与核线性判别方法相结合进行负荷识别㊂文献［１１］中除了考虑传统的电气特征外，还加入了室外温度㊁大气压强等非电气特征作为输入，采用随机森林算法进行负荷识别，对于电气特征相似的负荷具有良好的识别准确率㊂综上所述，针对负荷识别算法的研究有很多，但大部分算法涉及的负荷种类较少，应用场景也比较简单，且大部分采用的是有功㊁无功等传统特征作为输入㊂针对上述问题，本文在有功㊁无功功率的基础上，加入基波功率因数和谐波特征作为输入，提出一种基于麻雀搜索算法优化支持向量机的负荷识别方法，以提高负荷识别的准确率㊂１㊀电气量负荷特征有功功率Ｐ和无功功率Ｑ是负荷监测的重要特征，当电气运行状态发生变化时，有功㊁无功产生相应的变化，不同电器稳态运行时有功㊁无功存在差异，但有功和无功功率不能直接测量，需要通过电压电流数据进一步计算得到，计算公式如下：Ｐ＝ð¥ｋ＝０Ｐｋ＝ð¥ｋ＝０ＵｋＩｋｃｏｓφｋ()（１）Ｑ＝ð¥ｋ＝０Ｑｋ＝ð¥ｋ＝０ＵｋＩｋｓｉｎφｋ()（２）㊀㊀其中，Ｕｋ表示用电设备第ｋ次电压谐波的有效值；Ｉｋ表示用电设备第ｋ次电流谐波的有效值；φ为功率因数角㊂有功㊁无功虽然可以识别出绝大部分电器，但容易发生特征重叠现象，因此引入基波功率因数，推得的数学公式如下：λ１＝Ｐ１㊀Ｐ２１＋Ｑ２１（３）㊀㊀其中，Ｐ１为基波有功功率，Ｑ１为基波无功功率㊂此外，不同种类电器的谐波信息也不尽相同，可以作为用电负荷特征，通过快速傅里叶变换（ｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ）可以将稳态电流的时域信号转换为频域信号，本文采用三次谐波电流幅值作为负荷特征，ＦＦＴ对稳态电流信号的谐波分解如下：ｆｔ()＝ｃ０＋ð¥１ｃｍｓｉｎｍωｔ＋φｍ()（４）㊀㊀其中，ｃ０为直流分量；ｃｍ为各次谐波的幅值；ｍω为各次谐波的角频率；φｍ为各次谐波的相位角㊂２㊀基于ＳＳＡ－ＳＶＭ的非侵入式负荷识别２．１㊀麻雀搜索算法麻雀搜索算法（ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ，ＳＳＡ）［１２］是２０２０年提出的一种群体优化算法㊂该算法通过不断更新个体的位置，模拟麻雀的觅食和反捕食行为㊂相比传统的优化算法，该算法结构简单，控制参数少，且寻优能力强，收敛速度快㊂在麻雀搜索算法中，将种群分为发现者㊁跟随者和预警者㊂种群具有以下特征：发现者通常拥有较高的能源储备，为所有的跟随者提供觅食方向，只要能找到更好的食物来源，每只麻雀都可以成为发现者，但发现者和跟随者在整个种群中的比例是固定的㊂对此研究内容拟做阐释分述如下㊂（１）初始化麻雀种群位置㊂研究给出的数学表述如下：Ｘ＝Ｘ１，１Ｘ１，２Ｘ２，１Ｘ２，２Ｘ１，ｄＸ２，ｄ︙︙Ｘｎ，１Ｘｎ，２︙︙︙Ｘｎ，ｄéëêêêêêêùûúúúúúú（５）㊀㊀其中，ｎ为麻雀数量，ｄ表示要优化的变量维度㊂所有麻雀的适应值可由如下公式来描述：ＦＸ＝ｆＸ１，１Ｘ１，２ Ｘ１，ｄ[]()ｆＸ２，１Ｘ２，２ Ｘ２，ｄ[]()︙︙︙︙︙ｆＸｎ，１Ｘｎ，２ Ｘｎ，ｄ[]()æèççççççöø÷÷÷÷÷÷（６）㊀㊀其中，ＦＸ中每行表示个体麻雀的适应值㊂在ＳＳＡ中，适应值较好的发现者在搜索过程中优先获得食物㊂４４１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀（２）种群中发现者负责寻找食物的方向和位置，引导追随者向食物移动㊂发现者位置更新如下：Ｘｔ＋１ｉ，ｊ＝Ｘｔｉ，ｊ㊃ｅｘｐ－ｉα㊃ｉｔｅｒｍａｘæèçöø÷㊀Ｒ２＜ＳＴＸｔｉ，ｊ＋Ｑ㊃Ｌ㊀㊀㊀㊀㊀Ｒ２ȡＳＴìîíïïïï（７）㊀㊀其中，ｔ表示当前迭代次数；Ｘｔｉ，ｊ表示迭代ｔ次时第ｉ个麻雀的第ｊ维值；ｉｔｅｒｍａｘ表示最大迭代次数；αɪ（０，１］是一个随机数；Ｒ２ɪ［０，１］表示报警值；ＳＴɪ［０．５，１］表示安全阈值；Ｑ是服从正态分布的一个随机数；Ｌ是１ˑｄ维的矩阵，矩阵中的每个元素都是１㊂发现者位置更新规则如下：若Ｒ２＜ＳＴ，意味着周围没有捕食者，发现者可以进入广泛搜索模式㊂若Ｒ２ȡＳＴ，则意味着有麻雀发现了捕食者，所有麻雀都需迅速飞往安全区域㊂（３）跟随者㊂会频繁地监视发现者，进而争夺食物㊂跟随者的位置更新方式如下：Ｘｔ＋１ｉ，ｊ＝Ｑ㊃ｅｘｐＸｔｗｏｒｓｔ－Ｘｔｉ，ｊｉ２æèçöø÷㊀㊀㊀㊀ｉ＞ｎ２Ｘｔ＋１ｐ＋Ｘｔｉ，ｊ－Ｘｔ＋１ｐ㊃Ａ＋㊃Ｌ㊀ｉɤｎ２ìîíïïïï（８）其中，Ｘｗｏｒｓｔ表示当前全局最差位置；Ｘｐ为发现者占据的最佳位置；Ａ是１和－１的１ˑｄ维矩阵，Ａ＋＝ＡＴ（ＡＡＴ）－１㊂当ｉ＞ｎ２时，第ｉ个跟随者处于较差位置，需飞往其他区域进行觅食㊂当ｉɤｎ２时，跟随者ｉ将在最佳位置Ｘｐ附近觅食㊂（４）预警者㊂一般占种群的１０％ ２０％，当个体麻雀感知到危险时，会迅速向安全区域移动，其位置更新如下：㊀Ｘｔ＋１ｉ，ｊ＝Ｘｔｂｅｓｔ＋β㊃Ｘｔｉ，ｊ－Ｘｔｂｅｓｔ㊀㊀ｆｉ＞ｆｇＸｔｉ，ｊ＋Ｋ㊃Ｘｔｉ，ｊ－Ｘｔｗｏｒｓｔｆｉ－ｆｗ()＋εæèçöø÷㊀ｆｉ＝ｆｇìîíïïïï（９）其中，Ｘｂｅｓｔ表示当前全局最优位置；β为步长控制参数，服从均值为０㊁方差为１的正态分布；Ｋɪ－１，１[]是一个随机数；ε为常数，用于避免分母为０；ｆｉ表示当前个体的适应度值，ｆｇ㊁ｆｗ分别表示当前全局最优和最差的适应度值㊂当ｆｉʂｆｇ时，麻雀位于种群的边缘位置，容易遇到危险，需要向最优位置移动来获得更高的适应度值㊂当ｆｉ＝ｆｇ时，麻雀处于种群中心位置，当意识到危险时，该麻雀向其他同伴靠近，以此远离危险区域㊂２．２㊀支持向量机支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）是一种基于统计学理论的监督型学习算法［１３］，常用于小样本的分类㊂主要思想是通过核函数将低维样本映射到高维空间，从而在高维空间中求出最优分类超平面使得样本线性可分㊂当样本集为Ｔ＝ｘｉ，ｙｉ()｜ｉ＝１，２， ，Ｎ{}，ｘｉɪＲｄ，ｙｉɪＹ＝１，２， ，Ｍ{}，最优分类超平面方程如下：ｗＴｘ＋ｂ＝０（１０）㊀㊀其中，ｘ为输入样本；ｗ为权重向量；ｂ为偏置量㊂目标函数为：ｍｉｎ１２ ｗ ２＋Ｃðｎｉ＝１ξｉｓ．ｔ．ｙｉ（ｗＴｘｉ＋ｂ）ȡ１－ξｉìîíïïïï（１１）㊀㊀其中，Ｃ为惩罚因子；ξｉ为松弛常量，ξｉȡ０，ｉ＝１，２， ，ｎ㊂ＳＶＭ的分类模型为：ｆｘ()＝ｓｇｎðＮｉ＝１αｉｙｉＫｘｉ，ｘ()＋ｂ()（１２）㊀㊀其中，αｉ为样本训练中得到的拉式乘子；Ｋｘｉ，ｘ()为核函数；ｇ为核函数半径；ｂ为对应的偏差㊂Ｃ和ｇ的选择决定了ＳＶＭ分类效果的好坏，需要对这２个变量进行寻优来得到更好的模型㊂２．３㊀ＳＳＡ－ＳＶＭ算法在ＮＩＬＭ的实现算法流程如图１所示㊂ＳＳＡ－ＳＶＭ负荷识别具体步骤如下㊂更新种群适应度值，与之前的最优值进行比较，选取更好的麻雀位置结束最优S S A -S V M 分类模型通过S S A 得到最优参数c ,g 是否达到最大迭代次数否是更新意识到危险的麻雀位置更新发现者和跟随者位置计算初始麻雀的适应度值初始化S S A 参数开始图１㊀ＮＩＬＭ方法流程图Ｆｉｇ．１㊀Ｎｏｎ－ｉｎｔｒｕｓｉｖｅｌｏａｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ５４１第３期李梓彤，等：基于ＳＳＡ－ＳＶＭ的非侵入式负荷识别㊀㊀（１）首先提取负荷特征作为模型的输入㊂建立训练集和测试集样本㊂（２）初始化麻雀搜索算法具体参数㊂包括麻雀数量㊁最大迭代次数㊁发现者和预警者麻雀所占比例㊁ＳＶＭ参数（Ｃ，ｇ）的上边界和下边界㊂（３）计算初始所有麻雀的适应度值㊂根据适应度高低按照比例将麻雀分为发现者和跟随者㊂确定当前最优适应度值ｆｇ和该麻雀对应的最优位置Ｘｂｅｓｔ㊂（４）根据预警值的大小，按照式（７）更新发现者的位置，根据式（８）更新跟随者的位置㊂（５）根据式（９）更新意识到危险的的麻雀位置，使其迅速向安全区域移动㊂（６）计算当前所有麻雀的适应度值，并与之前的最优适应度值进行比较，取全局最优的适应度值以及对应的麻雀位置㊂（７）判断是否达到最大迭代次数㊂若满足条件则输出最优参数，得到最优模型；否则转向步骤（３）㊂㊀㊀由于ＳＶＭ的惩罚因子Ｃ和核函数参数ｇ的选取对分类效果影响很大，本文采用麻雀搜索算法对Ｃ和ｇ进行寻优，以得到最优的ＳＳＡ－ＳＶＭ分类模型㊂３㊀算例分析本文采用ＡＭＰｄｓ数据集［１４］进行识别效果验证，该数据集记录了２０１２年４月１日到２０１４年３月３日期间加拿大一户居民住宅的能耗数据，其中包含了２１个电表数据㊁２个水表数据和２个天然气表数据㊂用电数据包括有功㊁无功㊁视在功率㊁电压㊁电流㊁频率㊁基波功率因数等，采样频率为１ｍｉｎ㊂本文从中选取５种常用的用电设备作为验证，电器类别标签记为１，２，３，４，５㊂负荷信息见表１㊂表１㊀负荷信息表Ｔａｂ．１㊀Ｌｏａｄｉｎｆｏｒｍａｔｉｏｎｔａｂｌｅ标签名称Ｐ／Ｗ１卧室灯２１２洗衣机１００ ５００３干衣机２５０ ５０００４冰箱１００ １５０５热泵１２００ ２０００㊀㊀ＳＳＡ－ＳＶＭ算法的训练集和测试集包含４个负荷特征，分别是有功功率㊁无功功率㊁基波功率因数和三次谐波电流幅值，形成特征向量：Ｆ＝［Ｅ１，Ｅ２，Ｅ３，Ｅ４］㊀㊀其中，随机选取８０％的样本数据作为训练集，２０％的样本数据作为测试集㊂ＳＳＡ－ＳＶＭ算法参数设定：麻雀数量为１０，发现者比例为７０％，跟随者比例为３０％，预警麻雀比例为２０％，预警值为０．６㊂最大迭代次数为２０，ＳＶＭ参数（Ｃ，ｇ）的下边界设置为［０．１，２－５］，上边界设置为［１０，２４］㊂以分类预测错误率作为优化的目标函数值，ＳＳＡ优化ＳＶＭ后的分类效果及适应度曲线如图２所示㊂0.140.120.100.080.060.040.022468101214161820 0适应度值（分类错误率）图２㊀ＳＳＡ－ＳＶＭ适应度曲线Ｆｉｇ．２㊀ＳＳＡ－ＳＶＭｆｉｔｎｅｓｓｃｕｒｖｅ㊀㊀使用Ｍａｔｌａｂ软件对本文提出ＳＳＡ－ＳＶＭ负荷识别模型进行测试，经ＳＳＡ优化后得到的最优参数为：Ｃ＝６．２６１１，ｇ＝１２．６０４８㊂得到最优的分类模型后，用测试集样本进行验证，结果如图３所示㊂为了测试模型的性能，模型的识别准确率计算公式为：Ａｃｃｕｒａｃｙ＝１－１ＮðＮｉ＝１ｙｉ－ｙ＾ｉæèçöø÷ˑ１００％（１３）其中，Ｎ为测试集中样本总数目；ｙｉ为测试集中样本的真实标签值；ｙ＾ｉ为模型预测的测试集输出值㊂实际测试集分类预测测试集分类5.04.54.03.53.02.52.01.51.0050100150200250测试集样本类别标签图３㊀ＳＳＡ－ＳＶＭ分类结果Ｆｉｇ．３㊀ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆＳＳＡ－ＳＶＭａｌｇｏｒｉｔｈｍ㊀㊀为了体现ＳＳＡ－ＳＶＭ算法的负荷识别效果，使用相同的数据集，分别采用传统的ＳＶＭ算法和ＧＡ－ＳＶＭ算法进行负荷识别，其分类结果如图４㊁图５所示㊂３种方法的负荷识别准确率见表２㊂６４１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀实际测试集分类预测测试集分类5.04.54.03.53.02.52.01.51.0050100150200250测试集样本类别标签图４㊀传统ＳＶＭ分类结果Ｆｉｇ．４㊀ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆＳＶＭａｌｇｏｒｉｔｈｍ实际测试集分类预测测试集分类5.04.54.03.53.02.52.01.51.0050100150200250测试集样本类别标签图５㊀ＧＡ－ＳＶＭ分类结果Ｆｉｇ．５㊀ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆＧＡ－ＳＶＭａｌｇｏｒｉｔｈｍ表２㊀３种算法识别准确率对比Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ％标签传统ＳＶＭＧＡ－ＳＶＭＳＳＡ－ＳＶＭ１１００１００１００２３７．５０９２．５０９５．００３９２．８６１００１００４７３．９１７３．９１９７．８３５１００１００１００总准确率８２．６１９３．４８９８．６９㊀㊀由表２可以看出，ＳＳＡ－ＳＶＭ算法比其他２种算法整体上有更高的识别准确率，测试准确率可达到９８．６９％，且对于多状态电器的识别效果要比传统ＳＶＭ和ＧＡ－ＳＶＭ好㊂４㊀结束语针对负荷特征相近的电器识别准确率不高的问题，本文提出了一种基于ＳＳＡ－ＳＶＭ的负荷识别模型，首先在传统有功㊁无功功率及基波功率因数的基础上引入电流谐波作为特征，然后采用ＳＳＡ算法对ＳＶＭ的核心参数Ｃ和ｇ进行寻优，通过ＳＳＡ－ＳＶＭ模型实现负荷识别，实验结果表明，本文方法在多场景情况下具有较高的识别准确率及稳定性㊂参考文献［１］余贻鑫．智能电网的技术组成和实现顺序［Ｊ］．南方电网技术，２００９，３（０２）：１－５．［２］ＨＡＲＴＧＷ．Ｎｏｎｉｎｔｒｕｓｉｖｅａｐｐｌｉａｎｃｅｌｏａｄｍｏｎｉｔｏｒｉｎｇ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ，１９９２，８０（１２）：１８７０－１８９１．［３］ＫＯＮＧＬｉａｎｇ，ＹＡＮＧＤｏｎｇｓｈｅｎｇ，ＬＵＯＹａｎｈｏｎｇ．Ｎｏｎ－ｉｎｔｒｕｓｉｖｅｌｏａｄｍｏｎｉｔｏｒｉｎｇａｎｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｍｅｔｈｏｄ［Ｃ］／／２０１７ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｎｅｒｇｙＩｎｔｅｒｎｅｔ（ＩＣＥＩ）．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ：ＩＥＥＥ，２０１７：２６８－２７２．［４］丁昊，杨乐，石鸿凌，等．利用数据可视化实现智能非侵入式负荷辨识［Ｊ］．华中科技大学学报（自然科学版），２０２１，４９（１０）：８５－９０．［５］安琪，王占彬，安国庆，等．基于随机森林－遗传算法－极限学习机的非侵入式负荷识别方法［Ｊ］．科学技术与工程，２０２２，２２（０５）：１９２９－１９３５．［６］解洋，梅飞，郑建勇，等．基于Ｖ－Ｉ轨迹颜色编码的非侵入式识别方法［Ｊ］．电力系统自动化，２０２２，４６（０４）：９３－１０２．［７］ＤＵＦＯＵＲＬ，ＧＥＮＯＵＤＤ，ＪＡＲＡＡ，ｅｔａｌ．Ａｎｏｎ－ｉｎｔｒｕｓｉｖｅｍｏｄｅｌｔｏｐｒｅｄｉｃｔｔｈｅｅｘｉｂｌｅｅｎｅｒｇｙｉｎａｒｅｓｉｄｅｎｔｉａｌｂｕｉｌｄｉｎｇ［Ｃ］／／２０１５ＩＥＥＥＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＮｅｔｗｏｒｋｉｎｇＣｏｎｆｅｒｅｎｃｅＷｏｒｋｓｈｏｐｓ（ＷＣＮＣＷ）．ＮｅｗＯｒｌｅａｎｓ，ＬＡ，ＵＳＡ：ＩＥＥＥ，２０１５：６９－７４．［８］孙毅，崔灿，陆俊，等．基于差量特征提取与模糊聚类的非侵入式负荷监测方法［Ｊ］．电力系统自动化，２０１７，４１（０４）：８６－９１．［９］杜刃刃，杨超，蒲阳．基于稳态特征和ＩＧＷＯ－ＦＣＭ模糊聚类的非侵入式负荷监测方法［Ｊ］．电测与仪表，２０２１，５８（０１）：１５２－１５７．［１０］宋旭帆，周明，涂京，等．基于ｋ－ＮＮ结合核Ｆｉｓｈｅｒ判别的非侵入式负荷监测方法［Ｊ］．电力系统自动化，２０１８，４２（０６）：７３－８０．［１１］李如意，张鹏，刘永光，等．基于随机森林的分侵入式家庭负荷辨识方法［Ｊ］．电测与仪表，２０２１，５８（０４）：９－１６．［１２］ＸＵＥＪｉａｎｋａｉ，ＳＨＥＮＢｏ．Ａｎｏｖｅｌｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅｏｐｔｉｍ－ｉｚａｔｉｏｎａｐｐｒｏａｃｈ：Ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．Ｓｙｓ－ｔｅｍｓＳｃｉｅｎｃｅａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，２０２０，８（１）：２２－３４．［１３］丁世飞，齐丙娟，谭红艳．支持向量机理论与算法研究综述［Ｊ］．电子科技大学学报，２０１１，４０（０１）：２－１０．［１４］ＭＡＫＯＮＩＮＳ，ＰＯＰＯＷＩＣＨＦ，ＢＡＲＴＲＡＭＬ，ｅｔａｌ．ＡＭＰｄｓ：Ａｐｕｂｌｉｃｄａｔａｓｅｔｆｏｒｌｏａｄｄｉｓａｇｇｒｅｇａｔｉｏｎａｎｄｅｃｏ－ｆｅｅｄｂａｃｋｒｅｓｅａｒｃｈ［Ｃ］／／２０１３ＩＥＥＥＥｌｅｃｔｒｉｃａｌＰｏｗｅｒＥｎｅｒｇｙＣｏｎｆｅｒｅｎｃｅ（Ｅｐｅｃ）．Ｈａｌｉｆａｘ，ＮＳ，Ｃａｎａｄａ：ＩＥＥＥ，２０１４：１－６．７４１第３期李梓彤，等：基于ＳＳＡ－ＳＶＭ的非侵入式负荷识别。
《基于域适应的非侵入式负荷识别方法研究》
《基于域适应的非侵入式负荷识别方法研究》篇一一、引言随着智能电网的快速发展，非侵入式负荷监测（NILM）技术已成为电力负荷分析的重要手段。
该技术通过分析电力线路中的总电量数据，进而辨识出各种用电设备的能耗情况。
然而，传统的非侵入式负荷识别方法在面对不同地域、不同时间以及不同用电环境时，往往存在识别准确率不高的问题。
为了解决这一问题，本文提出了一种基于域适应的非侵入式负荷识别方法，旨在提高在不同环境下的识别准确率。
二、研究背景及现状非侵入式负荷监测技术通过分析电力线路中的总电量数据，可以有效地辨识出各种用电设备的能耗情况。
然而，由于不同地域、不同时间以及不同用电环境的影响，传统的非侵入式负荷识别方法往往存在识别准确率不高的问题。
近年来，随着机器学习和深度学习技术的发展，许多学者开始尝试将这些技术应用于非侵入式负荷识别中，取得了一定的成果。
但是，当面临跨域问题，即源域和目标域的数据分布不一致时，传统的机器学习和深度学习方法的性能会受到严重影响。
因此，如何解决跨域问题，提高非侵入式负荷识别的准确率，成为了一个亟待解决的问题。
三、基于域适应的非侵入式负荷识别方法针对上述问题，本文提出了一种基于域适应的非侵入式负荷识别方法。
该方法主要包括以下步骤：1. 数据预处理：对源域和目标域的电力数据进行预处理，包括去噪、归一化等操作，以保证数据的准确性和一致性。
2. 特征提取：利用深度学习技术，从预处理后的电力数据中提取出有意义的特征。
3. 域适应：通过域适应技术，将源域和目标域的数据进行对齐，减小两者之间的分布差异。
具体而言，可以采用基于深度学习的域对抗神经网络（Domain Adversarial Neural Network）等方法进行域适应。
4. 负荷识别：将经过域适应处理后的特征输入到分类器中，进行负荷识别。
分类器可以采用支持向量机、随机森林等机器学习算法。
四、实验与分析为了验证本文提出的基于域适应的非侵入式负荷识别方法的有效性，我们进行了大量的实验。
面向社区的非侵入式负荷识别与分解
面向社区的非侵入式负荷识别与分解随着社区的发展和人口的增长，对公共设施和能源的需求也不断增加。
为了实现对能源的高效利用和减少能源的浪费，技术应运而生。
负荷识别与分解是指通过对社区中各个用电设备的负荷进行监测和分析，实现对负荷进行识别和分解的过程。
非侵入式负荷识别与分解是指不需要对设备进行任何改造或添加额外传感器的情况下，通过对社区总体负荷特征的监测和分析，实现对各个用电设备负荷的识别和分解。
非侵入式负荷识别与分解技术主要包括两个步骤：负荷特征提取和负荷分解。
负荷特征提取是指通过对社区总体负荷的实时监测和数据采集，提取出各个用电设备负荷的特征信息，如功率、电流、电压等。
负荷分解是指通过对负荷特征进行分析和处理，识别出各个用电设备的负荷，并将其分解出来。
非侵入式负荷识别与分解技术的实现主要依赖于智能电表和智能电网技术。
智能电表可以实时监测和记录社区总体负荷的变化，并通过通信技术将数据传输给智能电网系统。
智能电网系统通过对接收到的负荷数据进行特征提取和分析，利用机器学习和数据挖掘等技术，实现对负荷的识别和分解。
非侵入式负荷识别与分解技术的应用可以帮助社区实现对能源的可持续利用和管理。
通过对各个用电设备负荷的识别和分解，可以了解每个设备的能耗情况，帮助用户合理安排用电时间，减少能源的浪费。
同时，对于能源供应商来说，也可以通过对负荷的识别和分解，实现对能源供应的优化和调度，提高能源的利用效率。
面向社区的非侵入式负荷识别与分解技术具有广泛的应用前景和市场潜力。
它可以应用于住宅小区、商业综合体、工业园区等各类社区，实现对负荷的精准识别和分解。
随着技术的不断发展和成熟，非侵入式负荷识别与分解技术将为社区能源管理带来更大的便利和效益，推动社区能源的可持续发展。
基于事件检测的住宅用电负荷非侵入式识别研究
本文采集典型住宅用电负荷工作电压、电流波形数据,在分析用 电负荷电气特征的基础上,分别利用基于滑动窗的双边累计和方 法与C4.5决策树方法进行用电负荷投切事件检测和用电设备性 质分类与主要用电设备识别,主要工作包括:采集典型住宅用电 负荷的工作电压、电流波形数据,利用傅立叶谐波分析法,研究 用电负荷的稳态电气特征,将实验的家庭用电负荷分为电阻类、 无功类、电子类和复杂类等四类,并评估了基于稳态电气特征参 数进行非侵入式负荷识别用电负荷投切事件检测。
由于典型住宅用电负荷有功功率数值范围较广启动暂态过程持续时间和功率变化速度不同部分电器设备工作时基波有功功率波动较大等特点对基波有功功率进行了中值滤波提出了针对基于滑动窗的双边累计和方法的改进算法以提高事件检测的电器适应性
基于事件检测的住宅用电负荷非侵入 式识别研究
非侵入式负荷识别是利用电能用户进线处采集的电压、电流波 形数据,通过对数据的处理和特征分析,完成用户用电设备性质 的分类和主要用电设备的识别。对于电力用户而言,非侵入式负 荷识别能够使电力用户更为详细地了解各类用电设备的电能消 耗,引导用户在电价激励的机制下主动参与电网的“削峰填谷”; 对于电网而言,能更为真实地了解电力系统的负荷组成,为提高 电能利用效率提供依据,有很好的理论意义和实用意义。
投切事件是指用电负荷投入或者切除的电气行为。由于典型住 宅用电负荷有功功率数值范围较广、启动暂态过程持续时间和 功率变化速度不同、部分电器设备工作时基波有功功率波动较 大等特点,对基波有功功率进行了中值滤波,提出了针对基于滑 动窗的双边累计和方法的改进算法,以提高事件检测的电器适应 性。
为尽可能地利用不同特征参数的优势,分别采用C4.5决策树方法 和k近邻学习算法进行负荷的类间识别和类内识别。采用C4.5决 策树方法,利用24个实验对象5s稳态的基波功率因数、电流-电 压3次谐波含量差和电流2次谐波含量的数据作为训练数据集,以 这些特征参数的信息增益率为依据确定了决策树内部节点的顺 序和分裂属性阈值,从而建立了负荷决策树类间识别模型;采用k 近邻学习算法,以欧氏距离为依据,在基波有功功率?基波无功功 率相平面内进行负荷类内识别。
居民负荷非侵入式监测装置及其识别方法研究
居民负荷非侵入式监测装置及其识别方法探究摘要：为了提高居民用电设备的能效，增进节能减排，对居民平时用电负荷进行监测与分析显得尤为重要。
本文探究了一种非侵入式的居民负荷监测装置，并介绍了一种用于识别负荷类型的方法。
该装置使用了一种基于振幅采样的电流检测技术，通过检测负载电流信号的特征来识别负荷类型。
并结合支持向量机算法构建了一个识别模型，最终完成了负载识别的猜测任务。
试验结果表明，该装置与方法在居民负荷测试与识别方面具有良好的性能和好用性。
关键词：非侵入式监测，居民负荷，负载识别，振幅采样，支持向量机1、背景与意义随着世界能源消耗的不息增加，节能减排已经成为各个国家和地区的共同关注和追求。
其中，居民平时家电用电所占比例较大，因此如何提高居民用电设备的能效，降低不必要能源消耗，成为了亟待解决的问题。
为此，不少探究者开始关注居民平时用电负荷的监测与分析。
通过监测负荷，可以更加精确地评估电力消耗，针对性地提出节能减排的措施。
传统的负荷监测通常接受传感器或附加装置的方式实现，比如在电路上串联电流互感器，实现电流检测；或嵌入式检测芯片，实现负载类型识别。
这些方法不仅占用了额外的空间和成本，可能会影响电路的正常运行，同时也存在操作复杂、实现困难等问题。
针对这些问题，探究者们开始关注非侵入式的负荷监测方法。
其中，基于电流信号的检测方法更为常见，但如何提取有效的特征、如何识别不同类型的负载，是非侵入式监测需要解决的问题。
2、相关工作近年来的一些探究，提出了不少用于负载识别的方法。
比如，使用自适应小波神经网络对电流信号进行特征提取和分类的方法，以及在时间域上构建能够识别三相电源中不同电动机的神经网络模型等。
这些方法都在不同场景下实现了非侵入式负荷监测，但是由于受到采集数据质量和噪声等因素的影响，性能难以保证。
同时，也出现了一些基于振幅采样的负载识别方法。
比如，使用手机传感器采集家庭用电设备的震动信号，利用不同设备的震动特征进行分类识别等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3、电参数采集模块的论证与选择
方案一：采用 STM32 做为电参数采集模块的主控，其处理速度快，可以实时处理数 据，降低传输时所需传输的数据量，减少丢包风险，但是其拥有较为明显缺点——功耗
三、电路与程序设计.................................................. 3 1、电路的设计...................................................................................................... 3 （1）RN8209G 测量电路设计 ....................................................................3 （2）电流互感测量电路设计...................................................................... 4 （3）电源...................................................................................................... 4 2、程序的设计...................................................................................................... 4 （1）程序功能描述...................................................................................... 4 （2）程序设计思路...................................................................................... 4
蓝牙数据传输
监测模式
模式选择
学习模式
显示用电器件 状态
对数据进行处 理
获取并保存特 征参数
图 3-2-2 接收端流程图
无线显示端
监-1 测试框图
2、测试条件与仪器
测试条件：检查多次，仿真电路和硬件电路必须与系统原理图完全相同，并且检查 无误，硬件电路保证无虚焊。
其采样算法流程如下：
初始化时间 t= 1;
设置 u=(u1,u2,⋯,uN)的值，并初始化初始状态 Θ(t)=u
重复以下的过程：
令 t=t+1
2
对每一维：i=1,2,⋯N θ(t)1∼p(θ1∣θ(t−1)2,⋯,θ(t−1)N) θ(t)2∼p(θ2∣θ(t)1,⋯,θ(t−1)N) ⋯ θ(t)N−1∼p(θN−1∣θ(t)1,⋯,θ(t−1)N) θ(t)N∼p(θN∣θ(t)1,⋯,θ(t)N−1) 直到 t=T
5
测试仪器：（见表 4-1）
表 4-1 测试仪器清单
序号
仪器名称
型号
指标
1
数字万用表 FLUKE17B+
2
双踪示波器
1102E
100MHz
3
单相电参数测 远方 PF9802
试仪
数量 2 1 1
3、测试结果及分析
（1）测试结果(数据)
表 4-2 在市电情况下，测试 7 种不同状态的用电器情况
序号
电压/V
通过 MSP430F2618 的 Timer_A 定时器，定时读取 AD 值和定时与 RN8209G 通讯获 取数据，再通过蓝牙把数据包发送至远程显示模块进行数据处理与显示，设计流程如下：
4
开始
系统初始化
参数采集
蓝牙数据传输
图 3-2-1 监测端流程图
四、测试方案与测试结果
1、测试方案
开始
系统初始化
四、测试方案与测试结果.............................................. 5 1、测试方案.......................................................................................................... 5 2、测试条件与仪器.............................................................................................. 5 3、测试结果及分析.............................................................................................. 6
电流/MA
功率因数
特征参数
1
219.56
45
0.235
3
2
218.46
8500
1.00
7
3
220.34
35
0.679
2
4
216.51
103
0.546
4
5
219.66
27
0.543
5
6
217.54
47
0.876
6
7
220.13
5
1.00
1
从表 4-2 所测数据可以看出，器件能很好的根据电流和功率因数将不同序号的用电
图 2-2-1 吉布斯采样仿真结果
三、电路与程序设计
1、电路的设计
（1）RN8209G 测量电路设计
图 3-1-1 RN8209G 测量电路
3
（2）电流互感测量电路设计
图 3-1-2 电流互感测量电路 （3）电源
电源由变压部分、滤波部分、稳压部分组成。为整个系统提供 5V 与 3.3V 的电压， 使系统正常稳定工作。
假设对信号进行放大的门限值设置为 3V，因此，进行放大时，线路上最大电流为：
I MAX
= VMAX 150 R
=
3 150 56
= 0.88A
因此，需要根据电流大小对采样电路进行分别处理。
2、基于 Gibbs 采样的机器学习
Gibbs 采样是 Metropolis-Hastings 采样算法的特殊形式，即找到一个已知的分布，使 得接受率α=1。这样，每次的采样都会被接受，可以提高 MCMC 的收敛速度。
2017 年全国大学生电子设计竞赛
单相用电器分析监测装置（K 题）
2017 年 8 月 12 日
摘要
本文介绍了利用 RN8209G、KCS121、TI-CC2640 等芯片与器件作为采集电 路，基于 TI 的 MSP430、STM32 的单相用电器分析检测装置。该系统利用电能 测量芯片与电流互感采样电路配合，通过测量系统的电压、电流、功率因素与电 流波形等数据，并利用基于有功功率与负荷的波形特征分析的识别方法进行特征 参数提取与负载识别。并且该系统利用了基于 Gibbs 采样的机器学习算法，实现 了在学习模式下对陌生负载的特征参数提取与识别。符合基本的设计规范。实测 结果表明，本系统实现了题目要求的全部指标。 关键词：MSP430；特征参数提取；Gibbs 采样
二、系统理论分析与计算
1、电流互感模块设计
根据题目需求，要求最小的用电器件电流为 5ma.因此采用匝变比为 150 的电流互感
线圈。通过合理的外部电路处理，就可以实现题目要求。
当流经最小电流 5ma，电流互感在采样电阻为 56 欧时输出电压为：
VOUT =
I R = 150
5 56 = 1.9mv 150
二、系统理论分析与计算.............................................. 2 1、电流互感模块设计.......................................................................................... 2 2、基于 Gibbs 采样的机器学习 ..........................................................................2
2、程序的设计
（1）程序功能描述 根据题目要求软件部分主要实现对数据采集与分析与键盘的设置和显示。 1）键盘实现功能：切换工作模式。 2）显示部分：显示电压值、频段、步进值、信号类型、频率。 3）数据采集与分析部分：利用 485 总线与 AD 获取数据，并且利用基于 Gibbs 采
样的机器学习方法进行处理。 （2）程序设计思路
6
附录 1：源程序
#include "led.h" #include "delay.h" #include "key.h" #include "sys.h" #include "lcd.h" #include "usart.h" #include "rs485.h" #include "timer.h"
1
较大，难以达到 15mA 的电流限制要求。 方案二：MSP430 作为采集模块的主控，将采集的所有数据实时传输，降低此处单
片机的运算量从而降低功耗。但是由于实时传输会导致数据丢包的风险加大。因此我们 采用了 TI 的 CC2540 蓝牙模块，在保证低功耗的同时，并且利用蓝牙 4.0 的特性，降低 丢包率。综上所述，我们采用方案二。