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

背景技術：

1、隨著智能電網(wǎng)的發(fā)展，對消費者的用電模式進行分析并提供節(jié)能指導越發(fā)重要。一種相對簡單直接的方式是設置一個能夠每隔幾秒或更高采樣率的侵入式設備，來定期確定家庭總電力消耗。然而在實際場景中，用這種方式監(jiān)測用電情況既不方便，成本也更加昂貴。在這種背景下，非侵入式負荷監(jiān)測nilm（non-intrusive?load?monitoring）這一概念應運而生，nilm也稱為能量分解，旨在利用家庭的總負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為實際場景中的能耗監(jiān)控提供了一個經(jīng)濟有效的解決方案。

2、對于基于負荷事件的nilm方法，其關鍵是特征提取。許多研究集中在識別電器的傳統(tǒng)物理特性，如電流、功率或從測量中導出的各種統(tǒng)計屬性。然而，達到的分類識別的準確性尚未達到期望的水平。傳統(tǒng)的基于物理量提取一維特征的方法運算速度快，但這些特征通常是不夠穩(wěn)定的，因為原始序列的微小擾動會帶來一些特征的明顯變化。因此需要引進一些更具穩(wěn)定性質(zhì)的特征。

3、拓撲數(shù)據(jù)分析（簡稱tda）是數(shù)據(jù)分析領域內(nèi)一個相對較新的分支，它利用來自拓撲學的技術來分析數(shù)據(jù)。tda已經(jīng)在一些領域中有成功的應用，例如生物分子化學、藥物設計、圖像分析、時間序列數(shù)據(jù)分析和網(wǎng)絡分析。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可以與包括深度學習及統(tǒng)計學方法在內(nèi)的一些機器學習技術進行技術上的協(xié)同融合。隨著技術的不斷更新，一些深度學習的算法也被用來改進傳統(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，并且要消耗較長的運算時間。

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

技術實現(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間序列特征的負荷辨識方法、系統(tǒng)、設備和介質(zhì)。

2、本公開通過以下技術方案來實現(xiàn)上述目的：

3、一種基于功率時間序列特征的負荷辨識方法，包括以下步驟：

4、獲取基于一個周波有功功率所生成的時間序列；

5、對所述時間序列進行特征提取，得到統(tǒng)計特征；

6、對所述時間序列進行相空間重構，并計算其相空間的拓撲特征；

7、將所述統(tǒng)計特征和相空間的所述拓撲特征進行拼接，得到拼接特征；

8、將所述拼接特征輸入機器學習分類器，以得到最終的負荷辨識結果。

9、作為本公開的進一步優(yōu)化方案，所述統(tǒng)計特征包括絕對能量、平均值、標準差、偏度、峰度、絕對平均變化量、平均二階差分中心和中位數(shù)。

10、作為本公開的進一步優(yōu)化方案，對所述時間序列進行特征提取，得到統(tǒng)計特征包括：

11、設定為周波有功功率序列；

12、所述絕對能量為時間序列各分量的平方和，計算公式如下：

13、；

14、所述平均值為時間序列的均值，計算公式如下：

15、；

16、所述標準差的計算公式如下：

17、；

18、所述偏度為時間序列的三階標準化矩，計算公式如下：

19、；

20、所述峰度為時間序列的四階標準化矩，計算公式如下：

21、；

22、所述絕對平均變化量為時間序列連續(xù)變化值絕對值的均值，計算公式如下：

23、；

24、所述平均二階差分中心為時間序列二階變化的均值，計算公式如下：

25、；

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

27、作為本公開的進一步優(yōu)化方案，對所述時間序列進行相空間重構包括：

28、將一維時間序列用表示，給定延時參數(shù)，t時刻對應的takens相空間重構點定義為：

29、；

30、其中，d為嵌入維數(shù)，；

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

32、作為本公開的進一步優(yōu)化方案，所述拓撲特征包括貝蒂數(shù)、振幅和持續(xù)熵。

33、作為本公開的進一步優(yōu)化方案，計算相空間的拓撲特征包括：

34、在相空間重構的基礎上，對所述點云數(shù)據(jù)進行過濾，得到過濾復形；

35、基于所述過濾復形得到持續(xù)圖；

36、將所述持續(xù)圖用表示，計算貝蒂數(shù)、振幅和持續(xù)熵；貝蒂數(shù)為考慮重數(shù)意義下的所述持續(xù)圖d中點的個數(shù)；振幅為所述持續(xù)圖d中點離對角線的最遠距離；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個點的橫坐標，為持續(xù)圖中第i個點的縱坐標。

40、作為本公開的進一步優(yōu)化方案，所述機器學習分類器采用xgboost分類器。

41、一種基于功率時間序列特征的負荷辨識系統(tǒng)，、包括：

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

43、統(tǒng)計特征提取模塊，用于對所述時間序列進行特征提取，得到統(tǒng)計特征；

44、拓撲特征計算模塊，用于對所述時間序列進行相空間重構，并計算其相空間的拓撲特征；

45、特征拼接模塊，用于將所述統(tǒng)計特征和相空間的所述拓撲特征進行拼接，得到拼接特征；

46、負荷辨識模塊，用于將所述拼接特征輸入機器學習分類器，以得到最終的負荷辨識結果。

47、作為本公開的進一步優(yōu)化方案，所述統(tǒng)計特征包括絕對能量、平均值、標準差、偏度、峰度、絕對平均變化量、平均二階差分中心和中位數(shù)。

48、作為本公開的進一步優(yōu)化方案，所述統(tǒng)計特征提取模塊對所述時間序列進行特征提取，得到統(tǒng)計特征包括：

49、設定為周波有功功率序列；

50、所述絕對能量為時間序列各分量的平方和，計算公式如下：

51、；

52、所述平均值為時間序列的均值，計算公式如下：

53、；

54、所述標準差的計算公式如下：

55、；

56、所述偏度為時間序列的三階標準化矩，計算公式如下：

57、；

58、所述峰度為時間序列的四階標準化矩，計算公式如下：

59、；

60、所述絕對平均變化量為時間序列連續(xù)變化值絕對值的均值，計算公式如下：

61、；

62、所述平均二階差分中心為時間序列二階變化的均值，計算公式如下：

63、；

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

65、作為本公開的進一步優(yōu)化方案，所述拓撲特征計算模塊對所述時間序列進行相空間重構包括：

66、將一維時間序列用表示，給定延時參數(shù)，t時刻對應的takens相空間重構點定義為：

67、；

68、其中，d為嵌入維數(shù)，；

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

70、作為本公開的進一步優(yōu)化方案，所述拓撲特征包括貝蒂數(shù)、振幅和持續(xù)熵。

71、作為本公開的進一步優(yōu)化方案，所述拓撲特征計算模塊計算相空間的拓撲特征包括：

72、在相空間重構的基礎上，對所述點云數(shù)據(jù)進行過濾，得到過濾復形；

73、基于所述過濾復形得到持續(xù)圖；

74、將所述持續(xù)圖用表示，計算貝蒂數(shù)、振幅和持續(xù)熵；貝蒂數(shù)為考慮重數(shù)意義下的所述持續(xù)圖d中點的個數(shù)；振幅為所述持續(xù)圖d中點離對角線的最遠距離；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個點的橫坐標，為持續(xù)圖中第i個點的縱坐標。

78、作為本公開的進一步優(yōu)化方案，所述機器學習分類器采用xgboost分類器。

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

80、存儲器，用于儲存計算機程序；

81、處理器，用于執(zhí)行存儲器所儲存的程序時，實現(xiàn)基于功率時間序列特征的負荷辨識方法。

82、一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)基于功率時間序列特征的負荷辨識方法。

83、本公開的有益效果在于：

84、本公開針對電氣和智能電網(wǎng)領域的非侵入式負荷監(jiān)測nilm應用，在特征提取這一步驟中，為了提高有功功率在設備分類識別的準確性，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別負荷，與其他方法的實驗結果的對比，證明了該方法在分類識別準確性和計算時間方面的優(yōu)越性。