用電負載類型識別器的制造方法
【專利摘要】一種用電負載類型識別器，包括信息采集模塊、信息處理模塊、通信模塊。所述裝置同時采用電器的啟動電流特征、電器的基波電壓電流相位差和負載電流頻譜特征作為用電負載類型的識別特征，特征信息豐富；采用包括BP神經(jīng)網(wǎng)絡(luò)分類器和貝葉斯分類器的組合分類器進行識別分類，兼顧BP神經(jīng)網(wǎng)絡(luò)分類器和貝葉斯分類器的特點進行綜合識別，識別準確率高；提供的基波電壓電流相位差和啟動電流特征、負載電流頻譜特征獲取方法簡單、可靠。所述用電負載類型識別器可以用在學(xué)生集體宿舍、辦公場所、集體市場等一些需要進行用電電器管理的集體公共場所，也可以用于需要進行用電負載類型識別與統(tǒng)計的其他需要進行用電設(shè)備管理的場合。
【專利說明】
用電負載類型識別器
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種設(shè)備識別及分類裝置，尤其是涉及一種用電負載類型識別器。
【背景技術(shù)】
[0002] 目前，主流的用電負載性質(zhì)識別方法包括基于負載功率綜合系數(shù)算法的用電負載 識別方法、基于電磁感應(yīng)的用電負載識別方法、基于神經(jīng)網(wǎng)絡(luò)算法的用電負載識別方法、基 于周期性離散變換算法的用電負載識別方法等。各種方法均能夠在一定程度是實現(xiàn)用電負 載性質(zhì)的識別，但由于特征性質(zhì)單一，識別手段單一，普遍存在泛化能力不夠及不能完全準 確識別的問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于，針對現(xiàn)在已有技術(shù)的缺陷，提供一種能夠?qū)崿F(xiàn)高效識別的用 電負載類型識別器。所述用電負載類型識別器包括信息采集模塊、信息處理模塊、通信模 塊。
[0004] 所述信息采集模塊用于采集用電負載的負載電流并轉(zhuǎn)換成電流數(shù)字信號;所述電 流數(shù)字信號被送至信息處理模塊;所述信息處理模塊依據(jù)輸入的電流數(shù)字信號，采用組合 分類器進行用電負載類型識別;所述通信模塊用于發(fā)送信息處理模塊的用電負載類型識別 結(jié)果至上位機。
[0005] 所述組合分類器的輸入特征包括用電負載的啟動電流特征、用電負載的負載電流 頻譜特征和用電負載的基波電壓電流相位差;所述組合分類器包括BP神經(jīng)網(wǎng)絡(luò)分類器和貝 葉斯分類器;所述啟動電流特征包括啟動沖激電流、啟動平均電流、啟動電流沖量。
[0006] 所述信息采集模塊包括電流傳感器、前置放大器、濾波器、A/D轉(zhuǎn)換器;所述信息處 理模塊的核心為DSP，或者為ARM，或者為單片機，或者為FPGA。
[0007] 所述A/D轉(zhuǎn)換器可以采用信息處理模塊的核心中包括的A/D轉(zhuǎn)換器。
[0008] 所述信息采集模塊、信息處理模塊、通信模塊的全部或者部分功能集成在一片SoC 上。
[0009] 所述通信模塊還接收上位機的相關(guān)工作指令;所述通信模塊與上位機之間的通信 方式包括無線通信方式與有線通信方式；所述無線通信方式包括ZigBee、藍牙、WiFi、 433MHz數(shù)傳方式;所述有線通信方式包括485總線、CAN總線、互聯(lián)網(wǎng)、電力載波方式。
[0010] 所述負載電流頻譜特征通過以下方法獲得：
[0011]步驟一、獲取用電負載的穩(wěn)態(tài)電流信號，并將其轉(zhuǎn)換為對應(yīng)的穩(wěn)態(tài)電流數(shù)字信號；
[0012] 步驟二、對穩(wěn)態(tài)電流數(shù)字信號進行傅立葉變換，得到負載電流頻譜特性；
[0013] 步驟三、將負載電流頻譜特性中的η次諧波信號相對幅值作為負載電流頻譜特征， 其中，11 = 1，2，一1;所述1表示諧波最高次數(shù)且1大于等于3。
[0014] 所述組合分類器中，ΒΡ神經(jīng)網(wǎng)絡(luò)分類器為主分類器，貝葉斯分類器為輔助分類器。
[0015] 所述組合分類器進行用電負載類型識別的方法是：當(dāng)主分類器成功實現(xiàn)用電負載 類型識別時，主分類器的用電負載類型識別結(jié)果為組合分類器的識別結(jié)果；當(dāng)主分類器未 能實現(xiàn)用電負載類型識別，且主分類器的識別結(jié)果為2種或者2種以上用電負載類型，將主 分類器輸出的2種或者2種以上用電負載類型識別結(jié)果中，輔助分類器輸出中概率最高的用 電負載類型作為組合分類器的用電負載類型識別結(jié)果；當(dāng)主分類器未能實現(xiàn)用電負載類型 識別，且主分類器的識別結(jié)果中未能給出識別的用電負載類型時，將輔助分類器輸出中概 率最高的用電負載類型作為組合分類器的用電負載類型識別結(jié)果。
[0016]所述啟動電流特征由信息處理模塊通過以下方法獲得：
[0017 ]步驟1、用電負載啟動前，開始對用電負載的負載電流連續(xù)采樣并對負載電流大小 進行判斷；當(dāng)負載電流有效值大于ε時，判定用電負載開始啟動并轉(zhuǎn)向步驟2;所述ε為大于〇 的數(shù)值；
[0018] 步驟2、對用電負載的負載電流進行連續(xù)采樣，以工頻周期為單位計算負載電流有 效值并保存;計算最近Ν個工頻周期的負載電流有效值的平均值；當(dāng)最近Ν個工頻周期之內(nèi) 的每個工頻周期的負載電流有效值與該Ν個工頻周期的負載電流有效值的平均值相比較， 波動幅度均小于設(shè)定的相對誤差范圍Ε時，判定用電負載進入穩(wěn)定狀態(tài)，轉(zhuǎn)向步驟3;所述Ν 的取值范圍為50-500;所述Ε的取值范圍為2%-20% ;
[0019] 步驟3、將最近Ν個工頻周期之內(nèi)的負載電流有效值的平均值作為用電負載穩(wěn)態(tài)電 流；
[0020] 將用電負載開始啟動時刻至最近Ν個工頻周期起始時刻之間的時間作為啟動過程 時間；計算用電負載開始啟動后L個工頻周期之內(nèi)的用電負載電流有效值的平均值與用電 負載穩(wěn)態(tài)電流之間的比值，將該比值作為用電負載的啟動沖激電流;計算用電負載的啟動 過程時間之內(nèi)的用電負載電流有效值的平均值與用電負載穩(wěn)態(tài)電流之間的比值，將該比值 作為用電負載的啟動平均電流;計算用電負載的啟動平均電流與啟動過程時間之間的乘 積，將該乘積作為用電負載的啟動電流沖量;所述L的取值范圍為1-5。
[0021 ]所述組合分類器的輸入特征還包括用電負載穩(wěn)態(tài)電流。
[0022] 所述用電負載的基波電壓電流相位差通過以下方法獲得：
[0023] 步驟①、待用電負載進入穩(wěn)定狀態(tài)后，同步獲取用電負載的穩(wěn)態(tài)電壓信號、穩(wěn)態(tài)電 流信號，并將其轉(zhuǎn)換為相應(yīng)的穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號；
[0024] 步驟②、對穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號分別進行數(shù)字濾波，提取出基波 電壓信號、基波電流信號；
[0025] 步驟③、分析計算基波電壓信號與基波電流信號之間的相位差，將基波電壓信號 與基波電流信號之間的相位差作為用電負載的基波電壓電流相位差。
[0026] 本發(fā)明的有益效果是：同時采用用電負載的啟動電流特征、用電負載的負載電流 頻譜特征以及用電負載的基波電壓電流相位差作為所述用電負載類型識別器的識別特征， 特征信息豐富；采用包括ΒΡ神經(jīng)網(wǎng)絡(luò)分類器和貝葉斯分類器的組合分類器進行識別分類， 兼顧ΒΡ神經(jīng)網(wǎng)絡(luò)分類器和貝葉斯分類器的特點進行綜合識別，泛化能力與識別準確率高； 提供的包括啟動沖激電流、啟動平均電流、啟動電流沖量在內(nèi)的啟動電流特征獲取方法，以 及負載電流頻譜特征獲取方法簡單、可靠。
【附圖說明】
[0027] 圖1為本發(fā)明用電負載類型識別器實施例的結(jié)構(gòu)示意圖；
[0028] 圖2為白熾燈臺燈的啟動過程電流波形；
[0029] 圖3為電阻爐等電阻性負載的啟動過程電流波形；
[0030] 圖4為單相電機類負載的啟動過程電流波形；
[0031] 圖5為計算機及開關(guān)電源類負載的啟動過程電流波形；
[0032] 圖6為用電負載類型識別器進行用電負載類型識別的流程圖。
【具體實施方式】
[0033] 以下結(jié)合附圖對本發(fā)明作進一步說明。
[0034] 圖1為本發(fā)明用電負載類型識別器實施例的結(jié)構(gòu)示意圖，包括信息采集模塊101、 信息處理模塊102、通信模塊103。
[0035] 信息采集模塊102用于采集用電負載的負載電壓、負載電流并將負載電壓、負載電 流轉(zhuǎn)換成電壓數(shù)字信號、電流數(shù)字信號，電壓數(shù)字信號、電流數(shù)字信號被送至信息處理模塊 102。信息采集模塊中包括電壓傳感器、電流傳感器、前置放大器、濾波器、A/D轉(zhuǎn)換器等組成 部分，分別完成負載電壓、負載電流信號的傳感、放大、濾波與模數(shù)轉(zhuǎn)換功能。當(dāng)負載電流范 圍較大時，可以選擇具有程控功能的前置放大器，或者是在A/D轉(zhuǎn)換器前再增加一個獨立的 程控放大器，對范圍較大的負載電流實行分段控制放大，使輸入至A/D轉(zhuǎn)換器的電壓信號范 圍保持在合理的區(qū)間，保證轉(zhuǎn)換精度。濾波器用于濾除高頻分量，避免頻譜混疊。
[0036]信息處理模塊102依據(jù)輸入的電壓數(shù)字信號、電流數(shù)字信號，采用包括BP神經(jīng)網(wǎng)絡(luò) 分類器和貝葉斯分類器的組合分類器實現(xiàn)用電負載類型識別。組合分類器的輸入特征包括 用電負載的啟動電流特征、用電負載的負載電流頻譜特征和用電負載的基波電壓電流相位 差。信息處理模塊10 2的核心為DSP、ARM、單片機，或者為FPGA。當(dāng)信息處理模塊的核心中包 括有A/D轉(zhuǎn)換器且該A/D轉(zhuǎn)換器滿足要求時，信息采集模塊101中的A/D轉(zhuǎn)換器可以采用信息 處理模塊102的核心中包括的A/D轉(zhuǎn)換器。
[0037]通信模塊103用于實現(xiàn)與上位機之間的通信，將識別結(jié)果發(fā)送至上位機。通信模塊 102與上位機之間的通信方式包括無線通信方式與有線通信方式，可以采用的無線通信方 式包括ZigBee、藍牙、WiFi、433MHz數(shù)傳等方式，可以采用的有線通信方式包括485總線、CAN 總線、互聯(lián)網(wǎng)、電力載波等方式。通信模塊103還可以接收上位機的相關(guān)工作指令，完成指定 的工作任務(wù)。上位機可以是管理部門的服務(wù)器，也可以是各種工作站，或者是各種移動終 端。
[0038]信息采集模塊101、信息處理模塊102、通信模塊103的全部或者部分功能可以集成 在一片SoC上，減小識別器體積，方便安裝。
[0039] 不同的用電負載設(shè)備具有不同的啟動電流特征。如圖2所示為白熾燈臺燈的啟動 過程電流波形。白熾燈是將燈絲通電加熱到白熾狀態(tài)，利用熱輻射發(fā)出可見光的電光源。白 熾燈的燈絲通常用耐高溫的金屬鎢制造，但金屬鎢的電阻隨溫度變化大，以Rt表示鎢絲在t °(：時的電阻，以Ro表示鎢絲在0°C時的電阻，則兩者有下述的關(guān)系
[0040] Rt = R〇(l+0.0045t)
[0041 ] 例如，設(shè)白熾燈的燈絲(鎢絲)在正常工作時的溫度為2000°C，一只"220V 100W" [0042]的白熾燈的燈絲在2000°C正常工作時的電阻為
[0044] 其在不通電時0°C的電阻為
[0046] 其在不通電時20 °C的電阻為
[0047] R2〇 = Ro( 1+0.0045t) =52.8 Ω
[0048] 即白熾燈在啟動通電的瞬間電流超過其額定電流的9倍，且最大啟動電流發(fā)生在 啟動時刻。隨著白熾燈鎢絲溫度的升高，白熾燈的負載電流按照指數(shù)規(guī)律減小，然后進入穩(wěn) 定狀態(tài)。
[0049] 設(shè)用電負載穩(wěn)態(tài)電流有效值為Iw，且定義用電負載電流有效值進入用電負載穩(wěn)態(tài) 電流有效值的一個設(shè)定的相對誤差范圍之內(nèi)并穩(wěn)定在這個相對誤差范圍之內(nèi)，則用電負載 進入穩(wěn)定狀態(tài)。相對誤差范圍可以設(shè)定為10%，也可以設(shè)定為2%、5%、15%、20%等2%-20%之間的值。圖2中，設(shè)定的相對誤差范圍為10%，當(dāng)白熾燈的負載電流按照指數(shù)規(guī)律減 小到其Iw的10 %誤差范圍時，如圖2中的時刻Ts，啟動過程結(jié)束。白熾燈的啟動過程時間為 Ts。Iw為有效值。
[0050] 選擇啟動沖激電流Ic、啟動平均電流Id、啟動電流沖量Qi作為用電負載的啟動電流 特征；啟動沖激電流Ic、啟動平均電流Id均為標么值。具體定義是：啟動沖激電流Ic為用電負 載啟動開始后T 2時間之內(nèi)的用電負載電流平均值與用電負載穩(wěn)態(tài)電流Iw的比值；啟動平均 電流Id為用電負載啟動時間Ts之內(nèi)的用電負載電流平均值與用電負載穩(wěn)態(tài)電流Iw的比值； 啟動電流沖量Qi為啟動平均電流Id與啟動過程時間Ts的乘積，量綱為ms。用電負載電流、用 電負載穩(wěn)態(tài)電流均為有效值的取值范圍為20-lOOms，或者是1-5個工頻周期;例如，^取 值40ms，即2個工頻周期。啟動沖激電流I c反映的是用電負載啟動后短時間內(nèi)的電流沖激大 小。在部分用電負載的啟動過程中，當(dāng)有用電負載的實際啟動過程時間Ts小于設(shè)定的T 2時， 令用電負載的啟動過程時間Ts等于Τ2。啟動平均電流Id反映的是用電負載啟動過程中的電 流整體大小。啟動電流沖量Qi反映的是用電負載啟動的整體強度。
[0051 ]圖2中，白熾燈的啟動沖激電流Ic為To(白熾燈啟動時刻，電流為Io^T2(設(shè)定的時 亥IJ，電流為12)之間白熾燈的電流平均值與白熾燈的穩(wěn)態(tài)電流Iw的比值。啟動平均電流Id為 To(白熾燈啟動時亥lj)至Ts(白熾燈啟動過程結(jié)束時間)之間白熾燈的電流平均值與白熾燈的 穩(wěn)態(tài)電流Iw的比值。啟動電流沖量Qi為白熾燈啟動平均電流Id與啟動過程時間Ts的乘積。
[0052] 如圖3所示為電阻爐等電阻性負載的啟動過程電流波形。電阻爐等電阻性負載通 常采用鎳鉻、鐵鉻鋁等電熱合金絲，其共同特點是電阻溫度修正系數(shù)小，電阻值穩(wěn)定。以牌 號為Cr20Ni80的鎳鉻電熱絲為例，其在1000°C時的電阻修正系數(shù)為1.014，即1000°(：時相對 于20 °C時，牌號為Cr20Ni80的鎳鉻電熱絲電阻只增加1.4 %。電阻爐等電阻性負載在通電啟 動時即進入穩(wěn)定狀態(tài)，電阻爐等電阻性負載的實際啟動過程時間Ts = 0,因此，令電阻爐等 電阻性負載的實際啟動過程時間Ts = T2;例如，當(dāng)T2設(shè)定為40ms時，則此時的啟動過程時間 Ts也為40ms。由于電阻性負載To時刻電流I〇、T2時刻電流12與電阻性負載的穩(wěn)態(tài)電流Iw相等， 因此，電阻性負載的啟動沖激電流Ic= 1，啟動平均電流Id = 1。
[0053] 如圖4所示為單相電機類負載的啟動過程電流波形。單相電機類負載既具有電感 性負載特性，又具有反電動勢負載特性。啟動時刻，由于電感的作用，啟動時刻的啟動電流 1〇為0;隨后電流迅速上升，在電機反電動勢未建立之前，達到電流峰值Im;此后，電機轉(zhuǎn)速增 加，電機負載電流逐步減小，直到進入穩(wěn)定狀態(tài)。圖4中，單相電機類負載的啟動沖激電流Ic 為To(單相電機類負載啟動時刻，電流為Ιο)至T2(設(shè)定的時刻，電流為12)之間單相電機類負 載的電流平均值與穩(wěn)態(tài)電流If的比值。啟動平均電流Id為Το(單相電機類負載啟動時刻）至 Ts(單相電機類負載啟動過程結(jié)束時間）之間單相電機類負載的電流平均值與穩(wěn)態(tài)電流Iw的 比值。啟動電流沖量Qi為單相電機類負載啟動平均電流Id與啟動過程時間Ts的乘積。
[0054] 如圖5所示為計算機及開關(guān)電源類負載的啟動過程電流波形。計算機及開關(guān)電源 類負載因為對電容充電的影響，在啟動瞬間會產(chǎn)生一個很大的浪涌電流，其峰值可達到穩(wěn) 態(tài)電流有效值Iw的幾倍至十幾倍，時間為1至2個工頻周期。由于計算機及開關(guān)電源類負載 的啟動時間短，其啟動過程時間Ts有可能小于設(shè)定的T 2;當(dāng)其啟動過程時間Ts小于設(shè)定的T2 時，令Ts等于Τ2。圖5中，計算機及開關(guān)電源類負載的啟動沖激電流IC為To(計算機及開關(guān)電 源類負載啟動時刻，電流為1〇)至T 2(設(shè)定的時刻，電流為12)之間計算機及開關(guān)電源類負載 的電流平均值與穩(wěn)態(tài)電流Iw的比值。啟動平均電流Id為Το(計算機及開關(guān)電源類負載啟動時 亥IJ)至Ts(計算機及開關(guān)電源類負載啟動過程結(jié)束時間）之間計算機及開關(guān)電源類負載的電 流平均值與穩(wěn)態(tài)電流Iw的比值。啟動電流沖量如為計算機及開關(guān)電源類負載啟動平均電流 Id與啟動過程時間Ts的乘積。
[0055] 獲取用電負載的啟動電流特征的方法是：
[0056] 用電負載啟動前，負載電流值為0(未開機)或者很小(處于待機狀態(tài))時，信息處理 模塊102即開始對負載電流進行連續(xù)采樣；當(dāng)采樣得到的負載電流值有效值開始大于0或者 是開始大于用電負載的待機電流時，即判斷出用電負載已經(jīng)啟動，記錄該時刻為To。用一個 較小的非負閾值ε來區(qū)分用電負載啟動前后的負載電流值，當(dāng)ε取值特別小時，例如，ε取值 1mA時，所述識別器不考慮待機情況，即認為待機也是用電負載的啟動狀態(tài)；當(dāng)ε取值較小但 大于用電負載的待機電流時，例如，ε取值20mA時，所述識別器會將用電負載的待機狀態(tài)認 為是未啟動狀態(tài)，但同時也會的部分功率特別小的用電負載造成漏識別。
[0057]信息處理模塊102對負載電流進行連續(xù)采樣，且以工頻周期為單位計算負載電流 有效值并保存；當(dāng)用電負載已經(jīng)啟動，且連續(xù)采樣達到N個工頻周期后，采樣的同時連續(xù)計 算最近N個工頻周期的負載電流有效值的平均值Iv;信息處理模塊102對最近N個工頻周期 之內(nèi)每個工頻周期的負載電流有效值與該N個工頻周期的負載電流有效值的平均值進行比 較，誤差(或波動)幅度均小于設(shè)定的相對誤差范圍E時，判定用電負載進入穩(wěn)定狀態(tài)，該最 近N個工頻周期的起始時刻為啟動過程的結(jié)束時刻，記錄該時刻為1^(如圖2-圖5所示）。
[0058] 將最近N個工頻周期之內(nèi)的負載電流有效值的平均值作為電器負載穩(wěn)態(tài)電流Iw; 將電器開始啟動時刻To至最近N個工頻周期起始時刻1^之間的時間作為啟動過程時間Ts。計 算To至設(shè)定的1~ 2之間（即電器開始啟動后1-5個工頻周期之內(nèi)）的負載電流平均值與穩(wěn)態(tài)電 流Iw的比值，將該比值作為電器的啟動沖激電流Ic。計算To至Ts之間的負載電流平均值與穩(wěn) 態(tài)電流Iw的比值，將該比值作為電器的啟動平均電流Id。計算電器的啟動平均電流Id與啟動 過程時間Ts的乘積，將該乘積作為電器的啟動電流沖量如。
[0059] 由于預(yù)先不知道用電負載穩(wěn)態(tài)電流有效值Iw，因此，將N個工頻周期，即一段持續(xù) 時間ΤΡ之內(nèi)波動范圍小于設(shè)定的相對誤差范圍E時的負載電流有效值的平均值作為用電負 載穩(wěn)態(tài)電流有效值IW。由于普通用電負載的啟動過程較快，所以，ΤΡ的取值范圍為1 -10s，典 型取值是2s，相應(yīng)的工頻周期數(shù)量N的取值范圍為50-500，N的典型取值是100。所述相對誤 差范圍E的取值范圍為2%-20%，E的典型取值是10%。
[0060] 組合分類器的輸入特征還包括用電負載的負載電流頻譜特征。用電負載的負載電 流頻譜特征由信息處理模塊102控制信息采集模塊101，通過以下步驟獲得：
[0061] 步驟一、待用電負載進入穩(wěn)定狀態(tài)后，獲取用電負載的穩(wěn)態(tài)電流信號，并將其轉(zhuǎn)換 為對應(yīng)的穩(wěn)態(tài)電流數(shù)字信號。
[0062]步驟二、對穩(wěn)態(tài)電流數(shù)字信號進行傅立葉變換，得到負載電流頻譜特性。為保證傅 立葉變換的順利進行，在前述獲取用電負載的穩(wěn)態(tài)電流信號，并將其轉(zhuǎn)換為對應(yīng)的穩(wěn)態(tài)電 流數(shù)字信號的過程中，A/D轉(zhuǎn)換器的精度和速度需要滿足傅立葉變換的要求，采樣頻率可以 設(shè)定為10kHz，或者是其他數(shù)值;信息處理模塊102對采集到的穩(wěn)態(tài)電流數(shù)字信號進行FFT運 算，計算其頻譜。
[0063] 步驟三、將負載電流頻譜特性中的η次諧波信號相對幅值作為負載電流頻譜特征， 其中，η= 1，2，…，Μ;在組成組合分類器的輸入特征向量時，η次諧波信號相對幅值在輸入特 征向量中按照1，2,…，Μ的順序依次排列。由于負載電流頻譜特性主要由奇次諧波組成，除 少數(shù)用電負載設(shè)備外，偶次諧波分量幾乎為〇,因此，也可以將負載電流頻譜特性中諧波次 數(shù)為η的次奇次諧波信號相對幅值作為負載電流頻譜特征，其中，η=1，3，··_，Μ。所述諧波信 號相對幅值為諧波信號幅值與用電負載穩(wěn)態(tài)電流有效值Iw的比值。η=1時的1次諧波為工 頻基波。所述Μ表示諧波最高次數(shù)，一般情況下，Μ大于等于3。
[0064] 組合分類器的輸入特征還包括用電負載的基波電壓電流相位差?；妷弘娏飨?位差可以對電阻性、電容性、電感性負載進行區(qū)分，還可以對一般的電感性負載和大電感性 負載進行區(qū)分。用電負載的基波電壓電流相位差由信息處理模塊102控制信息采集模塊 101，通過以下步驟獲得：
[0065] 步驟①、待用電負載進入穩(wěn)定狀態(tài)后，獲取用電負載的穩(wěn)態(tài)電壓信號、穩(wěn)態(tài)電流信 號，并將其轉(zhuǎn)換為對應(yīng)的穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號。
[0066] 步驟②、對穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號分別進行數(shù)字濾波，提取出基波 電壓信號、基波電流信號。
[0067] 步驟③、分析計算基波電壓信號與基波電流信號之間的相位差，將基波電壓信號 與基波電流信號之間的相位差作為用電負載的基波電壓電流相位差。
[0068] 步驟②中對穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號分別進行數(shù)字濾波，其數(shù)字濾 波算法可以選擇卡爾曼濾波法、小波變換法、維納濾波法、自適應(yīng)濾波等數(shù)字濾波器算法。
[0069] 組合分類器中，ΒΡ神經(jīng)網(wǎng)絡(luò)分類器為主分類器，貝葉斯分類器為輔助分類器。組合 分類器的輸入特征包括前述的啟動電流特征和負載電流頻譜特征，組合分類器的輸入特征 同時作為ΒΡ神經(jīng)網(wǎng)絡(luò)分類器的輸入特征和貝葉斯分類器的輸入特征。
[0070] 如圖6所示為用電負載類型識別器進行用電負載類型識別的流程圖，用電負載類 型識別器進行用電負載類型識別的方法是：
[0071] 步驟Α、等待用電負載啟動；
[0072] 步驟Β、采集用電負載啟動電流數(shù)據(jù)并保存，直至用電負載啟動過程結(jié)束；
[0073]步驟C、分析采集的用電負載啟動電流數(shù)據(jù)，獲取用電負載的啟動電流特征；
[0074] 步驟D、采集用電負載穩(wěn)態(tài)工作時的電壓、電流數(shù)據(jù)并保存；
[0075] 步驟E、分析采集的用電負載穩(wěn)態(tài)工作時的電壓、電流數(shù)據(jù)，獲取用電負載的負載 電流頻譜特征、基波電壓電流相位差；
[0076] 步驟F、將啟動電流特征、負載電流頻譜特征、基波電壓電流相位差作為組合分類 器的輸入特征;組合分類器進行用電負載類型識別；
[0077]步驟G、輸出用電負載類型識別結(jié)果。
[0078] 所述組合分類器進行用電負載類型識別的方法是：當(dāng)主分類器成功實現(xiàn)用電負載 類型識別，即主分類器輸出的識別結(jié)果為唯一的用電負載類型，即識別結(jié)果中唯一的用電 負載類型為是時，將主分類器識別的用電負載類型作為組合分類器的用電負載類型識別結(jié) 果；當(dāng)主分類器未能實現(xiàn)用電負載類型識別，且主分類器的識別結(jié)果為2種或者2種以上用 電負載類型，即識別結(jié)果中有2種或者2種以上用電負載類型為是時，將主分類器輸出的2種 或者2種以上用電負載類型識別結(jié)果中，輔助分類器輸出中概率最高的用電負載類型作為 組合分類器的用電負載類型識別結(jié)果；當(dāng)主分類器未能實現(xiàn)用電負載類型識別，且主分類 器的識別結(jié)果中未能給出識別的用電負載類型，即識別結(jié)果中沒有用電負載類型為是時， 將輔助分類器輸出中概率最高的用電負載類型作為組合分類器的用電負載類型識別結(jié)果。
[0079] 以一個簡單的實施例1為例，來說明組合分類器進行用電負載類型識別的方法。設(shè) 有一個組合分類器，其輸入特征為x= {Ig，Id，Qi，Ai，A2，A3，A4，A5，_0}，其中，Ig是啟動沖激電 流;Id是啟動平均電流;Qi是啟動電流沖量;Ai、A 2、A3、A4、A5為負載電流頻譜特性中的1-5次 諧波信號相對幅值W為用電負載的基波電壓電流相位差。組合分類器的輸出是 分別代表組合分類器對白熾燈、電阻爐、吹風(fēng)機、計算機的識別結(jié)果輸出，識 別結(jié)果81、82、83、84的取值均為二值分類標記。主分類器的輸入特征也是1={1 (；，1^〇141， A2，A3，A4，A5，}，其輸出是{F!，F(xiàn)2，F(xiàn) 3，F(xiàn)4}，F(xiàn)!、F2、F3、F4分別代表主分類器對白熾燈、電阻爐、 吹風(fēng)機、計算機的識別結(jié)果輸出，識別結(jié)果? 1、^、內(nèi)、？4的取值也均為二值分類標記。輔助分 類器的輸入特征同樣為x= {Ig，Id，Qi，Ai，A2，A3，A4，A5，H，其輸出是{P(yi IX)，P(y21X)，P(y3 I x)，P(y41 χ)}，P(yi I x)、P(y21 x)、P(y31 x)、P(y41 x)為輔助分類器輸出的后驗概率，P(yi I χ)、 P(y21 x)、P(y31 x)、P(y4 I x)之間的相互大小表明輔助分類器的當(dāng)前輸入特征表示所識別的 用電負載屬于白熾燈、電阻爐、吹風(fēng)機、計算機的可能性大小。
[0080] 在實施例1中，Bl、B2、B3、B4的分類標記和Fl、F2、F3、F4的分類標記均取1、0。分類標記 為1時，相應(yīng)的用電負載類型與當(dāng)前輸入特征匹配，為確認的識別結(jié)果，或者說相應(yīng)的用電 負載類型識別結(jié)果為是;分類標記為0時，相應(yīng)的用電負載類型與輸入特征不匹配，未能成 為確認的識別結(jié)果，或者說相應(yīng)的用電負載類型識別結(jié)果為否。
[0081] 在實施例1中，設(shè)某次的主分類器的識別結(jié)果分類標記為？正疋#4 = 0100,則認為 主分類器成功實現(xiàn)用電負載類型識別，因此，不考慮輔助分類器的識別結(jié)果，直接令 8出出出4=0100,即組合分類器的識別結(jié)果是:被識別的用電負載為電阻爐。
[0082]在實施例1中，設(shè)某次的主分類器的識別結(jié)果分類標記為FiFsFsFe 1010,則認為 主分類器未能實現(xiàn)用電負載類型識別，且主分類器的識別結(jié)果為2種或者2種以上用電負載 類型；再設(shè)此時輔助分類器的識別結(jié)果滿足？(7 1|1)〈？(73卜），則令出8出必4 = 0010，即組合 分類器的識別結(jié)果是:被識別的用電負載為吹風(fēng)機。
[0083] 在實施例1中，設(shè)某次的主分類器的識別結(jié)果分類標記為F^FsFfOOOO,則認為 主分類器未能實現(xiàn)用電負載類型識別，且主分類器的識別結(jié)果中未能給出識別的用電負載 類型;再設(shè)此時輔助分類器的識別結(jié)果滿足P(yi I X)>P(y21X)且P(yi I X)>P(y31X)且P(yi I χ)> P(y4|x)，則令關(guān)出出4=1000,即組合分類器的識別結(jié)果是:被識別的用電負載為白熾燈。
[0084] 組合分類器、主分類器的識別結(jié)果分類標記也可以采用其他的方案，例如，分別用 分類標記1、-1，或者是〇、1，或者是_1、1，以及其他方案來表示相應(yīng)用電負載識別結(jié)果為是、 否。組合分類器與主分類器的分類標記方案可以相同，也可以不相同。
[0085] 所述組合分類器的輸入特征中，還可以包括用電負載穩(wěn)態(tài)電流有效值IW。例如，有 2種不同的用電負載，電烙鐵和電阻爐需要識別，電烙鐵、電阻爐都是純電阻負載，且都具有 電阻溫度修正系數(shù)小，電阻值穩(wěn)定的共同特點。因此，單純依靠前述的啟動電流特征和負載 電流頻譜特征、用電負載的基波電壓電流相位差特征無法將他們進行區(qū)分。輸入特征中增 加用電負載穩(wěn)態(tài)電流有效值Iw后，電烙鐵功率小，用電負載穩(wěn)態(tài)電流有效值Iw?。浑娮锠t功 率大，用電負載穩(wěn)態(tài)電流有效值Iw大，特征不同，組合分類器可以進行并完成識別。
[0086] 輔助分類器為貝葉斯分類器?？梢赃x擇NBC分類器(樸素貝葉斯分類器）、TAN分類 器(樹擴展樸素貝葉斯分類器）、BAN分類器(增強的貝葉斯分類器)等三種貝葉斯分類器之 中的一種作為輔助分類器。
[0087]實施例2選擇NBC分類器作為輔助分類器。樸素貝葉斯分類的定義如下：
[0088] ⑴設(shè)X = {ai，a2，…，am}為一個待分類項，而每個a為X的一個特征屬性；
[0089] (2)有類別集合〇={71，72，···^};
[0090] (3)計算P(yi | X)，P(y21 X)，…，P(yn | X);
[0091] ⑷如果P(yk|x)=max{P(yl|x)，P(y2|x)，···，P(yn|x)}，貝lJχey k。
[0092] 計算第⑶步中的各個條件概率的具體方法是：
[0093] ①找到一個已知分類的待分類項集合作為訓(xùn)練樣本集；
[0094] ②統(tǒng)計得到各類別下各個特征屬性的條件概率估計；
[0095] P(ai | yi)，P(a21 yi)，…，P(am| yi);
[0096] P(ai | y2)，P(a21 y2)，···，P(am| y2);
[0097] ···；
[0098] P(ai | yn)，P(a21 yn)，···，P(am| yn) 〇
[0099] ③根據(jù)貝葉斯定理，有：
[0101]因為分母對于所有類別為常數(shù)，因此我們只要將分子最大化即可；又因為在樸素 貝葉斯中各特征屬性是條件獨立的，所以有：
[0103] 實施例2中，組合分類器的輸入特征是{IG，ID，Q:，Ai，A 3，P Iw}，其中，IG是啟動沖激 電流；Id是啟動平均電流;Qi是啟動電流沖量;Ai、A3為負載電流頻譜特性中的1、3次奇次諧 波信號相對幅值，為用電負載的基波電壓電流相位差，單位為度，且基波電壓超前于基波 電流時j>0;lw為用電負載穩(wěn)態(tài)電流有效值，單位是安培。要求識別的用電負載類別是白 熾燈、電阻爐、電風(fēng)扇、計算機、電烙鐵。令樸素貝葉斯分類器的特征屬性組合x={ao，ao，a3， a4，a5，a6，a7}中的元素與組合分類器的輸入特征集合中的元素按序{Ig，Id，Qi，Ai，A3，P，Iw} 一一對應(yīng);樸素貝葉斯分類器的輸出類別集合〇={ 71，72,73,74,75}則分別與用電負載類別 白熾燈、電阻爐、電風(fēng)扇、計算機、電烙鐵一一對應(yīng)。
[0104] 訓(xùn)練NBC分類器的過程包括：
[0105] 1、對特征屬性進行分段劃分，進行離散化處理。實施例2中，采取的特征屬性離散 化方法是：
[0106] ai ： {ai<3,9,3.9<ai<6.5, ai>6.5}；
[0107] Β2：{β2<1.2,1.2<Β2<2.6,Β2>2.6}；
[0108] a3： {a3<150,150 < a3 < 600,a3>600}；
[0109] a4： {a4<0.7,0.7 < a4 < 0.9,a4>0.9}；
[0110] a5：{a5<0.02,0.02<a5<0.05,a5>0.05}；
[0111] a6：{a6<-6,-6<a6< 18,a6>18}；
[0112] a7:{a7〈0.45,a72 0.45}。
[0113] 2、對每類用電負載類型均采集多組樣本作為訓(xùn)練樣本，同時計算每類用電負載類 型樣本在所有用電負載類型樣本中所占有的比例，即分別計算P( yi)、P(y2)、P(y3)、P(y4)、P (y5)。當(dāng)每類用電負載均采集相同的樣本數(shù)量時，例如，每類用電負載均采集超過1〇〇組的 樣本，其中每類用電負載隨機選擇100組樣本作為訓(xùn)練樣本，其他則作為測試樣本，總的訓(xùn) 練樣本為500組，且有
[0114] p(yi)=p(y2)=p(y3)=p(y4)=p( y5)=〇.2〇
[0115] 3、計算訓(xùn)練樣本每個類別條件下各個特征屬性分段的頻率(比例），統(tǒng)計得到各類 別下各個特征屬性的條件概率估計，即分別統(tǒng)計計算
[0116] P(ai<3.9|yi)^P(3.9<ai<6.5|yi)^P(ai>6.5|yi)；
[0117] P(ai〈3.9|y2)、P(3.9<ai<6.5|y2)、P(ai>6.5|y2);
[0118] ···；
[0119] P(ai〈3.9|y5)、P(3.9<ai<6.5|y5)、P(ai>6.5|y5);
[0120] P(a2<1.2|yi)^P(1.2<a2< 2.6|yi)^P(a2>2.6|yi)；
[0121] P(a2〈1.2|y2)、P(1.2<a2<2.6|y2)、P(a2>2.6|y2);
[0122] ···；
[0123] P(a2〈1.2|y5)、P(1.2<a2<2.6|y5)、P(a2>2.6|y5);
[0124] P(a3<150 | yi) ^P( 150 < a3 < 600 | yi) ^P(a3>600 | yi)；
[0125] P(a3〈150 | y2)、P( 150 < a3 < 600 | y2)、P(a3>600 | y2);
[0126] ···；
[0127] p(a3〈150 I y5)、P( 150 < a3 < 600 I y5)、P(a3>600 I y5);
[0128] P(a4<0.7|yi)^P(0.7<a4<0.9|yi)^P(a4>0.9|yi)；
[0129] P(a4〈0.7|y2)、P(0.7《a4《0.9|y2)、P(a4>0.9|y2);
[0130] ···；
[0131] P(a4〈0.7|y5)、P(0.7《a4《0.9|y5)、P(a4>0.9|y5);
[0132] P(a5<0.02|yi)^P(0.02<a5<0.05|yi)^P(a5>0.05|yi)；
[0133] P(a5〈0.02|y2)、P(0.02《a5《0.05|y2)、P(a5>0.05|y2);
[0134] P(a5〈0.02|y5)、P(0.02<a5<0.05|y5)、P(a5>0.05|y5);
[0135] P(a6〈-6|yi)、P(-6《a6《 18|yi)、P(a6>18|yi);
[0136] P(a6〈-6|y2)、P(-6<a6< 18|y2)、P(a6>18|y2);
[0137] ···；
[0138] P(a6〈-6|y5)、P(-6<a6< 18|y5)、P(a6>18|y5);
[0139] P(a7<0.45|yi)^P(a7> 0.45|yi)；
[0140] P(a7〈0.45|y2)、P(a72 0.45|y2);
[0141] ···；
[0142] P(a7〈0·45|y5)、P(a7 之 0·45|y5)〇
[0143] 經(jīng)過上述的步驟1、步驟2、步驟3，NBC分類器訓(xùn)練完成。其中，步驟1對特征屬性進 行分段劃分由人工確定，對每一個輸入特征進行分段離散化時，分段的數(shù)量為2段或者2段 以上，例如，實施例2中，特征ai_a6都分為3段，特征a7分為2段。每一個特征具體分為多少段， 分段閾值的選擇可以根據(jù)訓(xùn)練后的貝葉斯分類器對測試樣本測試后的結(jié)果進行調(diào)整。步驟 2、步驟3由彳目息處理模塊102或者是計算機計算完成。
[0144] 本發(fā)明中采用貝葉斯分類器進行分類的方法是：
[0145] 1、將組合分類器的輸入特征作為貝葉斯分類器的輸入特征。在實施例2中，將組合 分類器的輸入特征集合{1(；，凡，9 141，知，0，1?>}作為貝葉斯分類器的輸入特征^且有1 = {ai, a2, a3, a4, as, a6, a7} 〇
[0146] 2、根據(jù)訓(xùn)練得到的各類別下各個特征屬性的條件概率估計，分別確定各輸入特征 屬性的分段所在并確定其對每類用電負載類別的概率P( ai|yi)~P(am|yn)，其中，用電負載 類別集合為C= {yi，y2，···，yn}。實施例2中，用電負載類別集合C= {71，72,73,74,75}對應(yīng)代表 的用電負載類別是白熾燈、電阻爐、電風(fēng)扇、計算機、電烙鐵，確定P(ai| yi)~P(a7|y5)的方 法是采用訓(xùn)練NBC分類器過程中得到的各個特征屬性的條件概率估計。
[0147] 3、按照式
[0149]計算每種用電負載類別的后驗概率。因為分母P(x)對于所有用電負載類別為常 數(shù)，令P(x) = l替代實際的P(x)值，不影響每種用電負載類別后驗概率之間的相互大小比 較，此時有

[0157] 采用測試樣本對訓(xùn)練好的貝葉斯分類器進行測試，根據(jù)測試結(jié)果決定是否調(diào)整對 輸入特征的離散化方法(即調(diào)整分段數(shù)量與閾值），重新訓(xùn)練貝葉斯分類器。
[0158] 主分類器為BP神經(jīng)網(wǎng)絡(luò)分類器，選擇3層BP神經(jīng)網(wǎng)絡(luò)分類器作為主分類器。將BP神 經(jīng)網(wǎng)絡(luò)分類器輸入特征向量中元素的數(shù)量，即輸入特征的數(shù)量作為輸入層的節(jié)點數(shù)，例如， 實施例1中的9個，或者是實施例2中的7個。將需要識別的用電負載類型的數(shù)量作為輸出層 節(jié)點數(shù)，例如，實施例1中，輸出層節(jié)點為4個，分別輸出識別白熾燈、電阻爐、吹風(fēng)機、計算機 的結(jié)果;實施例2中，輸出層節(jié)點為5個，分別輸出識別白熾燈、電阻爐、電風(fēng)扇、計算機、電烙 鐵的結(jié)果。中間隱層的節(jié)點數(shù)量根據(jù)經(jīng)驗來取，例如，實施例1、實施例2中隱層的節(jié)點數(shù)量 可以在6-18的范圍內(nèi)選取。對每類用電負載類型均采集多組樣本，例如，均采集200組樣本； 隨機選取其中的若干組，例如150組樣本作為訓(xùn)練樣本，剩余的作為測試樣本，對BP神經(jīng)網(wǎng) 絡(luò)分類器進行訓(xùn)練與測試。多輸入、多輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器由于多輸出之間的耦合 作用，有可能在訓(xùn)練或者測試時不能對樣本進行完全識別；即使是在訓(xùn)練或者測試時能夠 對樣本進行完全識別，受到泛化能力的制約，對新輸入的某一特征屬性進行識別時，主分類 器有可能輸出的識別結(jié)果為唯一的用電負載類型，或者識別結(jié)果為2種或者2種以上用電負 載類型，或者未能給出識別的用電負載類型。
[0159] 主分類器還可以選擇多個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器共同組成，每個單 節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器對應(yīng)識別一種用電負載類型，例如，實施例1中可以采用4 個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器分別識別白熾燈、電阻爐、吹風(fēng)機、計算機;實施例2 中可以采用5個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器分別識別白熾燈、電阻爐、電風(fēng)扇、計算 機、電烙鐵。主分類器選擇多個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器共同組成時，所有單節(jié) 點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器的輸入層節(jié)點數(shù)為主分類器輸入特征向量中元素的數(shù)量； 中間隱層的節(jié)點數(shù)量根據(jù)經(jīng)驗來取，各單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器中間隱層的節(jié) 點數(shù)量可以相同，也可以不同，按照各自的需要選擇。與非單節(jié)點輸出的神經(jīng)網(wǎng)絡(luò)一樣，需 要對每類用電負載類型均采集多組樣本，例如，均采集200組樣本;隨機選取其中的若干組， 例如150組樣本作為訓(xùn)練樣本，剩余的作為測試樣本，對每個單節(jié)點輸出的BP神經(jīng)網(wǎng)絡(luò)分類 器進行訓(xùn)練與測試。主分類器選擇多個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器共同組成時，每 個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器只需要完成一種用電負載類型的識別，每個網(wǎng)絡(luò)的 訓(xùn)練相對簡單。由于此時主分類器由多個單節(jié)點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器組成，各單節(jié) 點輸出的3層BP神經(jīng)網(wǎng)絡(luò)分類器之間相互獨立，因此，對某一特征屬性進行識別時，主分類 器有可能輸出的識別結(jié)果為唯一的用電負載類型，或者識別結(jié)果為2種或者2種以上用電負 載類型，或者未能給出識別的用電負載類型。
[0160] BP神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練方法可以采用梯度下降法，也可以采用粒子群優(yōu)化、遺 傳算法等優(yōu)化方法。樣本采集采用前述的獲取用電負載的啟動電流特征的方法和獲取用電 負載的負載電流頻譜特征以及獲取用電負載的基波電壓電流相位差特征的方法。
【主權(quán)項】
1. 一種用電負載類型識別器，其特征在于，包括信息采集模塊、信息處理模塊、通信模 塊； 所述信息采集模塊用于采集用電負載的負載電流并轉(zhuǎn)換成電流數(shù)字信號;所述電流數(shù) 字信號被送至信息處理模塊； 所述信息處理模塊依據(jù)輸入的電流數(shù)字信號，采用組合分類器進行用電負載類型識 別； 所述通信模塊用于發(fā)送信息處理模塊的用電負載類型識別結(jié)果至上位機； 所述組合分類器的輸入特征包括用電負載的啟動電流特征、用電負載的負載電流頻譜 特征和用電負載的基波電壓電流相位差； 所述組合分類器包括BP神經(jīng)網(wǎng)絡(luò)分類器和貝葉斯分類器； 所述啟動電流特征包括啟動沖激電流、啟動平均電流、啟動電流沖量。2. 如權(quán)利要求1所述的用電負載類型識別器，其特征在于，所述信息采集模塊包括電流 傳感器、前置放大器、濾波器、A/D轉(zhuǎn)換器;所述信息處理模塊的核心為DSP，或者為ARM，或者 為單片機，或者為FPGA。3. 如權(quán)利要求1所述的用電負載類型識別器，其特征在于，所述信息采集模塊、信息處 理模塊、通信模塊的全部或者部分功能集成在一片SoC上。4. 如權(quán)利要求1所述的用電負載類型識別器，其特征在于，所述通信模塊還接收上位機 的相關(guān)工作指令;所述通信模塊與上位機之間的通信方式包括無線通信方式與有線通信方 式;所述無線通信方式包括ZigBee、藍牙、WiFi、433MHz數(shù)傳方式;所述有線通信方式包括 485總線、CAN總線、互聯(lián)網(wǎng)、電力載波方式。5. 如權(quán)利要求1-4中任一項所述的用電負載類型識別器，其特征在于，所述組合分類器 中，BP神經(jīng)網(wǎng)絡(luò)分類器為主分類器，貝葉斯分類器為輔助分類器。6. 如權(quán)利要求5所述的用電負載類型識別器，其特征在于，所述組合分類器進行用電負 載類型識別的方法是：當(dāng)主分類器成功實現(xiàn)用電負載類型識別時，主分類器的用電負載類 型識別結(jié)果為組合分類器的識別結(jié)果；當(dāng)主分類器未能實現(xiàn)用電負載類型識別，且主分類 器的識別結(jié)果為2種或者2種以上用電負載類型，將主分類器輸出的2種或者2種以上用電負 載類型識別結(jié)果中，輔助分類器輸出中概率最高的用電負載類型作為組合分類器的用電負 載類型識別結(jié)果；當(dāng)主分類器未能實現(xiàn)用電負載類型識別，且主分類器的識別結(jié)果中未能 給出識別的用電負載類型時，將輔助分類器輸出中概率最高的用電負載類型作為組合分類 器的用電負載類型識別結(jié)果。7. 如權(quán)利要求5所述的用電負載類型識別器，其特征在于，所述負載電流頻譜特征通過 以下方法獲得： 步驟一、獲取用電負載的穩(wěn)態(tài)電流信號，并將其轉(zhuǎn)換為對應(yīng)的穩(wěn)態(tài)電流數(shù)字信號； 步驟二、對穩(wěn)態(tài)電流數(shù)字信號進行傅立葉變換，得到負載電流頻譜特性； 步驟三、將負載電流頻譜特性中的η次諧波信號相對幅值作為負載電流頻譜特征，其 中，η = 1，2，···，Μ;所述Μ表示諧波最高次數(shù)且Μ大于等于3。8. 如權(quán)利要求5所述的用電負載類型識別器，其特征在于，所述啟動電流特征由信息處 理模塊通過以下方法獲得： 步驟1、用電負載啟動前，開始對用電負載的負載電流連續(xù)采樣并對負載電流大小進行 判斷；當(dāng)負載電流有效值大于ε時，判定用電負載開始啟動并轉(zhuǎn)向步驟2;所述ε為大于0的數(shù) 值； 步驟2、對用電負載的負載電流進行連續(xù)采樣，以工頻周期為單位計算負載電流有效值 并保存;計算最近Ν個工頻周期的用電負載電流有效值的平均值；當(dāng)最近Ν個工頻周期之內(nèi) 的每個工頻周期的負載電流有效值與該Ν個工頻周期的負載電流有效值的平均值相比較， 波動幅度均小于設(shè)定的相對誤差范圍Ε時，判定用電負載進入穩(wěn)定狀態(tài)，轉(zhuǎn)向步驟3;所述Ν 的取值范圍為50-500;所述Ε的取值范圍為2%-20% ; 步驟3、將最近Ν個工頻周期之內(nèi)的負載電流有效值的平均值作為用電負載穩(wěn)態(tài)電流； 將用電負載開始啟動時刻至最近Ν個工頻周期起始時刻之間的時間作為啟動過程時間；計 算用電負載開始啟動后L個工頻周期之內(nèi)的用電負載電流有效值的平均值與用電負載穩(wěn)態(tài) 電流之間的比值，將該比值作為用電負載的啟動沖激電流;計算用電負載的啟動過程時間 之內(nèi)的用電負載電流有效值的平均值與用電負載穩(wěn)態(tài)電流之間的比值，將該比值作為用電 負載的啟動平均電流;計算用電負載的啟動平均電流與啟動過程時間之間的乘積，將該乘 積作為用電負載的啟動電流沖量;所述L的取值范圍為1 -5。9. 如權(quán)利要求8所述的用電負載類型識別器，其特征在于，所述組合分類器的輸入特征 還包括用電負載穩(wěn)態(tài)電流。10. 如權(quán)利要求5所述的用電負載類型識別器，其特征在于，所述用電負載的基波電壓 電流相位差通過以下方法獲得： 步驟①、待用電負載進入穩(wěn)定狀態(tài)后，同步獲取用電負載的穩(wěn)態(tài)電壓信號、穩(wěn)態(tài)電流信 號，并將其轉(zhuǎn)換為相應(yīng)的穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號； 步驟②、對穩(wěn)態(tài)電壓數(shù)字信號、穩(wěn)態(tài)電流數(shù)字信號分別進行數(shù)字濾波，提取出基波電壓 信號、基波電流信號； 步驟③、分析計算基波電壓信號與基波電流信號之間的相位差，將基波電壓信號與基 波電流信號之間的相位差作為用電負載的基波電壓電流相位差。
【文檔編號】G06K9/62GK105868790SQ201610213382
【公開日】2016年8月17日
【申請日】2016年4月8日
【發(fā)明人】凌云, 肖伸平, 陳剛
【申請人】湖南工業(yè)大學(xué)