1.本发明属于非侵入式负荷识别技术领域，具体涉及非侵入式电气数据识别方法。
背景技术：2.非侵入式负荷识别，就是无需对电路中的每个设备进行监控，只需对总电路中的电气数据进行处理并识别相关信息。实际应用有多种方向，其中之一为识别接入电路中设备所处的运行状态，从而把控电路中的设备情况，做到更加合理和有效的管理。目前的研究基本都集中在讨论如何提高单个家电启动时的负荷识别准确率，当有多个家电同时开启或者开启时间很近，导致开启特征脉冲重叠时，大部分的负荷特征识别方法不太适用，因此如何使用非侵入式的手段从电路中有效的识别较短时间内有多设备启动的情况是一个值得研究的方向。
3.随着科学技术的不断发展，电路数据采集设备的不断先进，现有很多高精度采样的电气数据采集设备，每秒钟千次甚至上万次的电气数据使得我们可以对电路获取更多的有用信息。同时因为稳态电流的基波相角是由测量时电压的起始相位决定，所以只需要保证在同一起始相位角的电压下测量稳态电流，就能满足电流叠加性，根据电流的叠加性可以很好的由单独运行时的负荷电流波形重构出混合电流波形，因为是根据平移和组合的手段，重构的方法使得不是对单一的负荷情况进行比较，可以实现对短时间内的复杂电流波形的识别，从而达到识别较短时间内有多设备启动的情况。
技术实现要素：4.本发明的目的在于提供一种基于瞬时负荷特征的非侵入式电气数据识别方法，提出对高频采样数据下瞬时的负荷特征进行识别，能够对短时间内有多设备状态变化的情况进行有效的识别。
5.本发明提供的基于瞬时负荷特征的非侵入式电气数据识别方法，主要分为两个部分，一是瞬时负荷特征库构建，二是基于瞬时负荷特征的非侵入式电气数据识别；本发明通过在电路中连接电气数据采集设备，以每秒1000次采样频率获取高频电流、电压数据；利用这些数据，对接入电路中的各种电气设备进行监测，包括监测设备发生状态切换的时刻，通过对该时刻附近的瞬时负荷数据提取特征，实现对设备运行状态的识别。本发明利用电流叠加性，对由单独运行时的负荷电流波形重构出混合电流波形，实现拟合真实的采样电流波形，进而通过组合的负荷情况判断电路中真实的负荷情况。本发明利用高采样频率下原始的电流、电压数据进行识别，可以获得更多真实的信息，提高识别的准确率，同时基于瞬时负荷特征的识别，可以对较短时间内有多设备启动的情况进行有效的识别，在非侵入式负荷多设备启动识别方面具有优越性。
6.本发明提供的基于瞬时负荷特征的非侵入式电气数据识别方法，具体步骤为：
7.步骤1：获取采样数据；
8.将高频电气数据采集设备接在需检测电路入口处，该采集设备能以1000hz的采样
频率采集电路中的电流(c)以及电压(v)数据(电气数据简称)，即每一秒采集1000个《电流值、电压值》数据对；在采集设备开启之后，所有的采集数据会被完整的保存下来；当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可。
9.步骤2：构建瞬时负荷特征库；
10.步骤2.1：基于步骤1，将采样设备接入电路中开始以1000hz的采样频率进行电流c、电压v数据采集，随后将目标电气设备接入同一电路，确保该电路上只有该目标电器设备，对目标电气设备从关闭状态到一档的状态切换，记为ct1，记录发生状态切换的时间点为t1，对于多档状态(如n档)，则顺序开启以及关闭，一档切换至二档记为状态切换记为ct2，
…
，依次类推，有ctn，完成所有状态切换的操作，并记录每次发生切换的时间点t1，t2，
…
，tn；每一种稳态保持至少五秒的稳定运行时间。最后得到一整段时序电气数据d，作为该目标设备的特征构建数据。
11.步骤2.2：对步骤2.1中采集的数据进行预处理操作。首先根据记录的状态切换时间点ti，为该状态切换cti从时序电气数据d中截取前后共1s长的数据作为该时刻的瞬时负荷特征。截取操作不是简单的选取时间点ti前后0.5s，而是从t
i-0.5(s)时刻处，对电压数据进行分析，因为电路中采集的信号是以正弦波的形式，为确保实现电流的叠加性，需确保在同一起始相位角的电压下获取电流数据。因此以电压波形向上变化趋势且值为0处的时刻截取电流，同时根据电路中基波频率为50hz，可得开始截取数据的时刻t
start
(ms)计算步骤如下：
12.t
start
＝t
max
+5
13.其中t
max
表示数据d在t
i-500(ms)至t
i-480(ms)时间段内最大值所在的时刻，因此可以得到状态切换ctn的瞬时负荷表示为t
start
及之后1s时间的电流数据c[t
start
,t
start
+1000(ms)]。以此步骤2将所有目标设备的全部状态切换的瞬时负荷表示全部记录起来，构建瞬时负荷特征库。
[0014]
步骤3：数据预处理；
[0015]
该部分的数据预处理操作包括三部分，首先对电流和电压数据进行相乘，得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法如下，其中p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流：
[0016][0017]
最后对该有功功率数据进行中值滤波平滑，随后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据，中值滤波平滑是基于python的scipy库函数自带的信号处理函数signal.medfilt()，能够实现定长数据的平滑操作，减少微小变化的影响，使得高斯拉普拉斯算子运算对数据的边缘检测结果更加准确。
[0018]
步骤4：设备状态切换事件监测；
[0019]
经步骤3数据预处理得到的一段同有功功率等长的时序数据，进行归一化处理至(0，1)之间，随后可以用来检测设备状态切换事件，当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5，数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位，数据值为0表示
该时刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位。
[0020]
步骤5：获取设备状态切换时刻的电流及电压数据；
[0021]
基于步骤4得到的事件监测结果，可以得到获取的电气数据种各种功率上升事件以及功率下降事件所在的时刻t
change
，因为数据预处理得到的时序数据与原始电流、电压数据是等长且对应的，因此得到的时刻t
change
对原始电流时序数据截取出该时刻前后共1s(即1000个数据点)的数据段，截取手段同步骤2.2中一样，先找到t
change-0.5(s)附近电压波形向上变化趋势且值为0处的时刻随后截取该时刻及之后1s时间的真实电流数据及之后1s时间的真实电流数据与对应时间段的电压数据一并传入电气数据识别流程。
[0022]
步骤6：电气数据识别；
[0023]
步骤6.1：设瞬时负荷特征库中记录的不同设备不同切换状态的负荷特征表示分别为：
[0024]
c1＝{c1(0),c1(1),...,c1(1000)}
[0025]
c2＝{c2(0),c2(1),...,c2(1000)}
[0026]
…
[0027]cn
＝{cn(0),cn(1),...,cn(1000)}
[0028]
式中，c1(i),c2(i),...,cn(i)表示不同设备不同切换状态的电气负荷采样电流值，n表示所有的状态数，同时设置开启系数a＝{a1,a2,...,an}和延时系数k＝{k1,k2,...,kn}，根据a和k对特征库中存储的负荷数据进行平移和组合，生成拟合电流数据s，进而寻找最优的a和k来使电流数据s与真实电流数据c
true
进行拟合，拟合电流数据s生成公式如下：
[0029]
s＝a1·
c1[c1(k1):]+a2·
c2[c2(k2):]+...+an·cn
[cn(kn):]
[0030]
式中，a1,a2,...,an为设备状态切换系数，，当ai＝0时，表示某设备的某状态切换cti未出现；
[0031]
当ai＝1表示某设备的某状态切换cti出现，，ki表示某设备的某状态切换cti的出现延时为kims，即在截取时刻后kims出现某设备的某状态切换cti事件。
[0032]
步骤6.2：根据生成拟合电流数据s与真实电流数据c
true
进行比较，比较方法为计算皮尔森相关系数：
[0033][0034]
式中cov(c
true
,s)是生成拟合电流数据s与真实电流数据c
true
的协方差，μs是两个数据的标准差，当r的值越接近1，表示两者越相似，通过粒子群算法进行a和k的系数寻优，找到使r最大的ai和ki值。
[0035]
步骤7：判断电器运行情况。
[0036]
根据步骤6中所得的ai和ki值，可以判断监测到状态切换事件发生时间段内的设备情况。根据ai可以判断某设备的某状态切换cti是否发生，根据ki值可以判断某设备的某状态切换cti发生的时刻，从而通过对瞬时负荷特征的识别实现对电路中的电器运行状态的识别。
[0037]
例如cti表示吹风机从一档调至二档，此时得到的ai和ki值分别为1和500，则表示：在监测到状态发生事件后的0.5s时刻，吹风机从一档调至二档。再之后监测到吹风机从二
档调至其他状态变化之前，可以得知在这段时间内吹风机一直处于二档的工作状态，以此类推，可以通过对瞬时负荷特征的识别实现对电路中的电器运行状态的识别。由于设置了开启系数a和延时系数k，保证了在监测到状态切换事件的时段内，无论是多个电器负荷变化恰好完全叠加，还是在该时段内又陆续有其他电器状态变化，都可以准确的进行负荷识别，实现对较短时间内有多设备启动的情况进行有效的识别。
[0038]
本发明主要分为两个部分，一是瞬时负荷特征库构建，二是基于瞬时负荷特征的非侵入式电气数据识别，通过在电路中连接电气数据采集设备，该设备可以获取每秒1000次采样的高频电流、电压数据，利用这些数据，对接入电路中的各种电气设备，首先监测它们发生设备状态切换的时刻，随后通过对该时刻附近的瞬时负荷数据提取特征，达到对设备运行状态的识别。本发明利用电流叠加性，对由单独运行时的负荷电流波形重构出混合电流波形，达到拟合真实的采样电流波形，从而通过组合的负荷情况判断电路中真实的负荷情况。利用高采样频率下原始的电流、电压数据进行识别，可以获得更多真实的信息，提高识别的准确率，同时基于瞬时负荷特征的识别，可以对较短时间内有多设备启动的情况进行有效的识别，在非侵入式负荷多设备启动识别方面具有优越性。
附图说明
[0039]
图1为本发明一种基于瞬时负荷特征的非侵入式电气数据识别方法的流程图。
具体实施方式
[0040]
以下结合附图和实施例对本发明的技术方案进行详细阐述。
[0041]
实施例：
[0042]
本发明提出基于瞬时负荷特征的非侵入式电气数据识别方法，其流程图如图1所示，可分为如下几个步骤：
[0043]
步骤1：获取采样数据；
[0044]
步骤2：构建瞬时负荷特征库；
[0045]
步骤3：数据预处理；
[0046]
步骤4：设备状态切换事件监测；
[0047]
步骤5：获取设备状态切换时刻的电流及电压数据；
[0048]
步骤6：电气数据识别；
[0049]
步骤7：判断电器运行情况。
[0050]
下面对各步骤作进一步的具体说明。
[0051]
1.获取采样数据；
[0052]
将高频电气数据采集设备接在需检测电路入口处，该采集设备能以1000hz的采样频率采集电路中的电流以及电压数据，在采集设备开启之后，所有的采集数据会被完整的保存下来，每一秒数据包括1000个《电流值，电压值》数据对，当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可。
[0053]
2.构建瞬时负荷特征库；
[0054]
步骤2.1：基于步骤1，将采样设备接入电路中开始以1000hz的采样频率进行电流c、电压v数据采集，随后将目标电气设备接入同一电路，确保该电路上只有该目标电器设
备，对目标电气设备从关闭状态到一档c1(如有二三档等则顺序开启以及关闭，一档切换至二档c2，
…
，cn，
…
)，完成所有状态切换的操作并记录每次发生切换的时间点t1，t2，
…
，tn，
…
)，每一种稳态保持至少五秒以上的稳定运行时间。最后得到的一整段时序电气数据d作为该目标设备的特征构建数据。
[0055]
步骤2.2：对步骤2.1中采集的数据进行预处理操作，首先根据记录的状态切换时间点tn，为该状态切换ctn从时序电气数据d中截取前后共1s长的数据作为该时刻的瞬时负荷特征。截取操作不是简单的选取时间点tn前后0.5s，而是从t
n-0.5(s)时刻处，对电压数据进行分析，因为电路中采集的信号是以正弦波的形式，为确保实现电流的叠加性，需确保在同一起始相位角的电压下获取电流数据。因此以电压波形向上变化趋势且值为0处的时刻截取电流，同时根据电路中基波频率为50hz，可得开始截取数据的时刻t
start
(ms)计算步骤如下：
[0056]
t
start
＝t
max
+5
[0057]
其中t
max
表示数据d在t
n-500(ms)至t
n-480(ms)时间段内最大值所在的时刻，因此可以得到状态切换ctn的瞬时负荷表示为t
start
及之后1s时间的电流数据c[t
start
,t
start
+1000(ms)]。以此步骤2将所有目标设备的全部状态切换的瞬时负荷表示全部记录起来，构建瞬时负荷特征库。该实施例中主要对6种同功率(400w)设备，吹风机、吸尘器、电吹风、热风机、电熨斗以及小电锅进行特征库构建以及运行状态的识别，对采集的30s数据长的小电锅状态切换操作以及截取数据时刻记录如下：
[0058]
表1小电锅状态切换时刻及瞬时负荷特征截取时刻记录表
[0059]
状态变化关闭
→
一档一档
→
二档二档
→
一档一档
→
关闭二档
→
关闭时刻(ms)200080001500020000260000截取时刻(ms)152275031451019505259515。
[0060]
3.数据预处理；
[0061]
该部分的数据预处理操作包括三部分，首先对电流和电压数据进行逐数据相乘，得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保可以以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法如下，其中p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流：
[0062][0063]
最后对该有功功率数据进行中值滤波平滑，随后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据，中值滤波平滑是基于python的scipy库函数自带的信号处理函数signal.medfilt()，能够实现定长数据的平滑操作，减少微小变化的影响，使得高斯拉普拉斯算子运算对数据的边缘检测结果更加准确。
[0064]
4.设备状态切换事件监测；
[0065]
经步骤3数据预处理得到的一段同有功功率等长的时序数据，进行归一化处理至(0，1)之间，随后可以用来检测设备状态切换事件，当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5，数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位，数据值为0表示
该时刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位。
[0066]
5.获取设备状态切换时刻的电流及电压数据；
[0067]
基于步骤4得到的事件监测结果，可以得到获取的电气数据种各种功率上升事件以及功率下降事件所在的时刻t
change
，因为数据预处理得到的时序数据与原始电流、电压数据是等长且对应的，因此得到的时刻t
change
对原始电流时序数据截取出该时刻前后共1s(即1000个数据点)的数据段，截取手段同步骤2.2中一样，先找到t
change-0.5(s)附近电压波形向上变化趋势且值为0处的时刻随后截取该时刻及之后1s时间的真实电流数据及之后1s时间的真实电流数据与对应时间段的电压数据一并传入电气数据识别流程。
[0068]
6.电气数据识别；
[0069]
步骤6.1：设瞬时负荷特征库中记录的不同设备不同切换状态的负荷特征表示分别为：
[0070]
c1＝{c1(0),c1(1),...,c1(1000)}
[0071]
c2＝{c2(0),c2(1),...,c2(1000)}
[0072]
…
[0073]cn
＝{cn(0),cn(1),...,cn(1000)}
[0074]
式中，c1(i),c2(i),...,cn(i)表示不同设备不同切换状态的电气负荷采样电流值，n表示所有的状态数，同时设置开启系数a＝{a1,a2,...,an}和延时系数k＝{k1,k2,...,kn}，根据a和k对特征库中存储的负荷数据进行平移和组合，生成拟合电流数据s，进而寻找最优的a和k来使电流数据s与真实电流数据c
true
进行拟合，拟合电流数据s生成公式如下：
[0075]
s＝a1·
c1[c1(k1):]+a2·
c2[c2(k1):]+...+an·cn
[cn(kn):]
[0076]
式中，a1,a2,...,an为设备状态切换系数，当ai＝0时，表示某设备的某状态切换cti未出现；当ai＝1表示某设备的某状态切换cti出现，ki表示某设备的某状态切换cti的出现延时为kims，即在截取时刻后kims出现某设备的某状态切换cti事件。
[0077]
步骤6.2：根据生成拟合电流数据s与真实电流数据c
true
进行比较，比较方法为计算皮尔森相关系数：
[0078][0079]
式中cov(c
true
,s)是生成拟合电流数据s与真实电流数据c
true
的协方差，μs是两个数据的标准差，当r的值越接近1，表示两者越相似，通过粒子群算法进行a和k的系数寻优，找到使r最大的ai和ki值。
[0080]
7.判断电器运行情况。
[0081]
根据步骤6中所得的ai和ki值，可以判断监测到状态切换事件发生时间段内的设备情况，根据ai可以判断某设备的某状态切换cti是否发生，根据ki值可以判断某设备的某状态切换cti发生的时刻，例如cti表示吹风机从一档调至二档，此时得到的ai和ki值分别为1和500，则表示，在监测到状态发生事件后的0.5s时刻，吹风机从一档调至二档。再之后监测到吹风机从二档调至其他状态变化之前，可以得知在这段时间内吹风机一直处于二档的工作状态，以此类推，可以通过对瞬时负荷特征的识别实现对电路中的电器运行状态的识别。同时由于设置了开启系数a和延时系数k，保证了在监测到状态切换事件的时段内，无论是
多个电器负荷变化恰好完全叠加，还是在该时段内又陆续有其他电器状态变化，都可以准确的进行负荷识别，实现了对较短时间内有多设备启动的情况进行有效的识别。
[0082]
本案例中将本方法对6种设备，吹风机、吸尘器、电吹风、热风机、电熨斗以及小电锅进行了多段运行数据的识别，共计2750次状态切换事件，其中1500次状态切换事件中1s内出现至少两种状态切换的情况。实验结果如下表，设备切换状态事件的监测准确率高达99％，在单设备状态切换时事件识别准确率高达98％，多设备状态切换时的识别准确率同样有91％。
[0083]
表2实验结果
[0084] 状态切换事件监测准确率状态切换事件识别准确率单设备状态切换事件(1250次)99％98％多设备状态切换事件(1500次)99％91％
。
技术特征：1.一种基于瞬时负荷特征的非侵入式电气数据识别方法，其特征在于，具体步骤为：步骤1：获取采样数据；将高频电气数据采集设备接在需检测电路入口处，该采集设备能以1000hz的采样频率采集电路中的电流以及电压数据，简称电气数据，即每一秒采集1000个《电流值、电压值》数据对；在采集设备开启之后，所有的采集电气数据完整的保存下来；当每次进行设备运行状态识别时，只需将当前时刻获取到的所有电气数据进行读取即可；步骤2：构建瞬时负荷特征库；步骤2.1：将目标电气设备接入与上述同一电路，并确保该电路上只有该目标电器设备，对目标电气设备从关闭状态到一档的状态切换，记为ct1，记录发生状态切换的时间点为t1，对于n档状态，则顺序开启以及关闭，一档切换至二档记为状态切换记为ct2，
…
，依次类推，有ct
n
，完成所有状态切换的操作，并记录每次发生切换的时间点t1，t2，
…
，t
n
；每一种稳态保持至少五秒的稳定运行时间；最后得到一整段时序电气数据d，作为该目标设备的特征构建数据；步骤2.2：对步骤2.1中采集的数据进行预处理操作；首先根据记录的状态切换时间点t
i
，对于该状态切换ct
i
，从时序电气数据d中截取前后共1s长的数据作为该时刻的瞬时负荷特征；截取操作如下：是从t
i-0.5(s)时刻处，对电压数据进行分析，确保在同一起始相位角的电压下获取电流数据，开始截取数据的时刻t
start
(ms)计算如下：t
start
＝t
max
+5其中，t
max
表示数据d在t
i-500(ms)至t
i-480(ms)时间段内最大值所在的时刻，于是，状态切换ct
n
的瞬时负荷表示为t
start
开始后1s时间的电流数据，记为c[t
start
,t
start
+1000(ms)]；将所有目标设备的全部状态切换的瞬时负荷表示全部记录起来，即得瞬时负荷特征库；步骤3：数据预处理；首先对电流和电压数据进行相乘，得到每一时刻的瞬时功率；同时在时序数据列表的首尾各填上10个数据0，确保能够以20ms一段数据计算出同原始时序数据等长的有功功率数据，每一时刻的有功功率计算方法如下：其中，p
t
、v
t
以及c
t
分别表示时刻t的有功功率、电压以及电流；最后对该有功功率数据进行中值滤波平滑，随后做高斯拉普拉斯算子运算操作，得到一段同有功功率等长的时序数据；步骤4：设备状态切换事件监测；对步骤3数据预处理得到的一段同有功功率等长的时序数据，进行归一化处理至(0，1)之间，用于检测设备状态切换事件；设当某时刻有设备状态发生变化时，该时刻的数据值为0或1，当某时刻没有设备状态发生变化时，该时刻的数据值为0.5；数据值为1表示该时刻有功率上升事件，即可能有设备开启或者从低档位调至高档位，数据值为0表示该时刻有功率下降事件，即可能有设备关闭或者从高档位调至低档位；步骤5：获取设备状态切换时刻的电流及电压数据；基于步骤4得到的事件监测结果，得到获取的电气数据种各种功率上升事件以及功率
下降事件所在的时刻t
change
，由于数据预处理得到的时序数据与原始电流、电压数据是等长且对应的，得到的时刻t
change
对原始电流时序数据截取出该时刻前后共1s即1000个数据点的数据段，截取手段同步骤2.2中一样，先找到t
change-0.5(s)附近电压波形向上变化趋势且值为0处的时刻随后截取该时刻及之后1s时间的真实电流数据与对应时间段的电压数据一并传入电气数据识别流程；步骤6：电气数据识别；步骤6.1：设瞬时负荷特征库中记录的不同设备不同切换状态的负荷特征表示分别为：c1＝{c1(0),c1(1),...,c1(1000)}c2＝{c2(0),c2(1),...,c2(1000)}
…
c
n
＝{c
n
(0),c
n
(1),...,c
n
(1000)}式中，c1(i),c2(i),...,c
n
(i)表示不同设备不同切换状态的电气负荷采样电流值，n表示所有的状态数，同时设置开启系数a＝{a1,a2,...,a
n
}和延时系数k＝{k1,k2,...,k
n
}，根据a和k对瞬时负荷特征库中存储的负荷数据进行平移和组合，生成拟合电流数据s，进而寻找最优的a和k来使电流数据s与真实电流数据c
true
进行拟合，拟合电流数据s生成公式如下：s＝a1·
c1[c1(k1):]+a2·
c2[c2(k2):]+...+a
n
·
c
n
[c
n
(k
n
):]式中，a1,a2,...,a
n
为设备状态切换系数；a
i
＝0，表示某设备的某状态切换ct
i
未出现；a
i
＝1，表示某设备的某状态切换ct
i
出现，k
i
表示某设备的某状态切换ct
i
的出现延时为k
i
ms，即在截取时刻后k
i
ms出现某设备的某状态切换ct
i
事件；步骤6.2：根据生成拟合电流数据s与真实电流数据c
true
进行比较，比较方法为计算皮尔森相关系数：式中cov(c
true
,s)是生成拟合电流数据s与真实电流数据c
true
的协方差，μ
s
是两个数据的标准差，当r的值越接近1，表示两者越相似，通过粒子群算法进行a和k的系数寻优，找到使r最大的a
i
和k
i
值；步骤7：判断电器运行情况根据步骤6中所得的a
i
和k
i
值，判断监测到状态切换事件发生时间段内的设备情况；根据a
i
判断某电气设备的某状态切换ct
i
是否发生，根据k
i
值判断某电气设备的某状态切换ct
i
发生的时刻，从而通过对瞬时负荷特征的识别实现对电路中的电器运行状态的识别。
技术总结本发明属于非侵入式负荷识别技术领域，具体为一种基于瞬时负荷特征的非侵入式电气数据识别方法。本发明分为两个部分：瞬时负荷特征库构建，基于瞬时负荷特征的非侵入式电气数据识别；本发明通过电气数据采集设备采样高频电流、电压数据，利用这些数据，对接入电路中的各种电气设备进行监测，包括设备状态切换的时刻，通过对该时刻附近的瞬时负荷数据提取特征，实现对设备运行状态的识别。本发明利用电流叠加性，对由单独运行时的负荷电流波形重构出混合电流波形，达到拟合真实的采样电流波形，从而通过组合的负荷情况判断电路中真实的负荷情况。本发明可以获得更多真实的信息，提高识别的准确率，在非侵入式负荷多设备启动识别方面具有优越性。别方面具有优越性。别方面具有优越性。
技术研发人员：张珊珊
受保护的技术使用者：上海梦象智能科技有限公司
技术研发日：2022.03.17
技术公布日：2022/7/5
