一种基于非侵入式配用电信息分解的安全隐患及故障保护方法

1.本发明属于电气安全保护数字化基础技术，涉及对所测得的配用电信息进行特征参量的计算，以及利用这些特征参量并基于门控循环单元模型分解配用电信息。


背景技术：

2.随着各种类型的配电设备与用电设备层出不穷、数量急剧增长，配电设备和用电设备所存在着的诸多电气安全隐患，因具有隐蔽性、危险性、间歇性和突发性强等特点，且在配用电系统中发生时具有点多面广的特点，加之配用电网监测可视化程度低，使得故障保护装置误报或漏报的问题日益严重。这些无法被精准定位的隐患及由其演变而来的故障因素均会造成触电、火灾等事故频发的问题，而这一问题在居民楼密集区、大型工厂、海港、地下大型厂矿等安全要求甚高的场景中尤为突出，原因包括配、用电设备识别及故障定位受到用户隐私制约，以及缺乏相适应的快速、准确排查安全隐患及故障位置的配用电信息处理算法。因此，有必要系统性开展非侵入式配用电信息的物联感知方法研究，并实现配用电系统安全隐患与故障的准确预警、及时定位、主动治理，为构建现代化、智能化的供电服务体系奠定基础，从而切实保障民生基础设施、电网运行的安全，并遏制重特大人身伤亡事故。
3.中国专利cn111884185a公开了一种配电网断路控制系统，该专利的控制系统主要面向电压等级较高的配电网，尚未涉及点多面广、故障复杂多样的用电网；在配置节点信息方面，该专利重点关注过流动作、功率流动开关位置信号，并未考虑全面获取配用电信息、也并未对所获得的配用电信息进行深入的智能化算法分析；在配电网故障管理方面，该专利关注故障后断路器对故障的反应、隔离与清除能力，并未关注应用非侵入式配用电信息分解技术自动识别系统组成框架、而后应用故障发生位置独特性进行智能故障定位的关键问题。


技术实现要素：

4.本发明的目的在于提供一种基于非侵入式配用电信息分解的安全隐患及故障保护方法，可以在复杂多维用电负荷运行条件下较为准确、可靠地识别并定位配用电系统的安全隐患和故障，从而解决配电设备与用电设备种类层出不穷、数量急剧增长条件下的系统安全防护难题，提高电力系统安全稳定运行和高效运行维护的能力。
5.为达到上述目的，本发明采用了以下技术方案：
6.一种基于非侵入式配用电信息分解的安全隐患及故障保护方法，该安全隐患及故障保护方法包括以下步骤：
7.在配用电系统运行中，对区域用户在完成负荷投切后的配用电信息进行分解，从而确定区域用户的在运行负荷；并在配用电系统存在安全隐患或发生故障时，结合区域用户的在运行负荷的设备信息和在不同安全隐患、故障下的配用电信息确定安全隐患或故障
的类型及位置。
8.优选的，所述安全隐患及故障保护方法具体包括以下步骤：
9.1)由本地终端进行区域用户的配用电运行状态采样，得到一个周期(即一个时间窗分析周期)的检测信号，转至步骤2；
10.2)对检测信号进行小波奇异值分析，若发现检测信号的奇异点，转至步骤3；否则转至步骤1继续进行下一个周期的采样；
11.3)按奇异点发生时刻确定检测信号在一个周波内变化时的初始相位，根据奇异点发生时刻前的检测信号数据点并按周波对应相位对奇异点发生时刻后的检测信号数据点进行重建，对重建得到的设备投切前后差异信号进行特征提取或特征融合，根据提取或融合的特征并利用第一门控循环单元模型辨识对应投入、切出的配电设备或用电设备，当出现所述模型无法辨识的新型设备时转至步骤4，否则转至步骤5；
12.4)利用基于迁移学习框架和动态模式识别方法对第一门控循环单元模型的设备特征知识库进行更新迭代，使得第一门控循环单元模型可辨识设备不断拓展(从而可以在后续检测周期中具备对当前周期出现的新型设备的识别能力)，转至步骤5；
13.5)对由区域用户所投入(在当前检测周期保持投入)的配电设备和/或用电设备采用非监督聚类方法进行归类，根据通过归类获得的区域用户性质，主动匹配并针对不同性质的区域用户推送符合其需要的差异化的配用电信息以及潜在安全隐患和故障的类型，若配用电系统不存在安全隐患及未发生故障，转至步骤1进行下一个周期的采样，否则转至步骤6；
14.6)在配用电系统存在安全隐患或发生故障后，由第二门控循环单元模型辨识安全隐患或故障的类型，并根据区域用户所投入配用电系统的不同配电设备、用电设备及这些设备在存在安全隐患或发生故障下引发的系统回路的信号特征差异确定存在安全隐患或发生故障的配电设备、用电设备(即对安全隐患、故障进行定位)，然后转至步骤1进行下一个周期的采样。
15.优选的，所述检测信号包括电流、电压等电量(是本地终端分别采集自各个配、用电设备所在系统回路的电量)的采样数据中的一种或多种；所述检测信号还包括温度、压力、光、声、局部放电等非电量(采集自用户所处环境)的采样数据中的一种或多种。
16.优选的，所述小波奇异值分析具体包括以下步骤：对检测信号的小波包分解第一层细节系数和第二层细节系数按检测信号的数据点采样时刻进行遍历，将第一层、第二层细节系数同时出现局部极大值时的对应采样时刻作为奇异点发生时刻(对电量采样数据进行小波包分解以寻找到配用电信息发生变化的时刻，而一旦外界配用电信息发生了变化，某些非电量数据同样可以用于寻找该变化发生时刻，且当依据电量、非电量采样数据确定的相应变化发生时刻不一致时，可以按照这些时刻的先后顺序逐一分析核实，从而提高对设备实际投切时刻判断的准确性)。
17.优选的，所述区域用户性质为工业、商业、居民或其他。
18.优选的，所述步骤3)中，特征提取具体包括以下步骤：在根据单一种类检测信号完成重建后，对重建得到的对应信号进行基于频谱、峰值、畸变、小波系数能量占比、有功功率或无功功率的特征选择等数据分析，或者在根据多种类检测信号分别完成重建后，利用重建得到的对应信号进行函数(例如u-i曲线)构造和基于函数形态的特征选择等数据分析。
19.优选的，所述步骤3)中，特征融合具体包括以下步骤：将通过数据分析获得的特征(即提取自重构后信号的特征)与从配电设备或用电设备的物理机制(例如通过设备的配用电信息仿真电路获得的设备仿真运行信号)分析角度所得特征，采用主客观结合的最优权重赋值法加以组合。
20.优选的，所述通过数据分析获得的特征(即提取自重构后信号的特征)及从配电设备或用电设备的物理机制分析角度所得特征，均应满足标准阻性负载先行运行条件下所关注设备投切前后差异信号的特征幅值与所关注设备单一运行时信号的特征幅值相差(正、负皆可)在10％以内；其中差异信号指所关注设备及标准阻性负载共同运行时与标准阻性负载运行时的信号之差，差异信号的特征幅值是按初始相位逐点相减而得到(这里控制在10％以内主要是强调设备投切前后差异信号的特征与单一设备运行时的特征应差异不大，故而能够将负荷分解转变为负荷识别问题；如果设备投切前后差异信号的特征与单一设备运行时的特征差异较大，则该差异信号的特征无法直接用于负荷分解)。
21.优选的，所述安全隐患及故障保护方法还包括以下步骤：将配用电系统在感知(georgijevic n l,jankovic m v,srdic s,et al.the detection of series arc fault in photovoltaic systems based on the arc current entropy[j].ieee transactions on power electronics,2016,pp(8):5917-5930.)到安全隐患或故障时的信号特征(例如故障特征，即与故障类型辨识、故障定位相关的特征；故障特征可以是通过数据分析获得，也可以是结合数据分析与物理机制分析获得)与安全隐患或故障的位置信息(确定存在安全隐患或发生故障的配电设备、用电设备在配用电系统中的位置)上传云端服务器，从而利用累积上传数据对第二门控循环单元模型迭代更新，将更新后的特征知识库及模型的配置参数下载至本地终端。
[0022]
一种基于非侵入式配用电信息分解的安全隐患及故障保护系统，该安全隐患及故障保护系统包括与配用电系统中的多个区域用户对应匹配的多个本地终端，该本地终端用于获取区域用户的配用电信息、对区域用户在完成负荷投切后的配用电信息进行分解，从而确定区域用户的在运行负荷；并在配用电系统存在安全隐患或发生故障时，结合区域用户的在运行负荷的设备信息和在不同安全隐患、故障下的配用电信息确定安全隐患或故障的类型及位置。
[0023]
优选的，所述安全隐患及故障保护系统还包括云端服务器，该云端服务器用于接收本地终端上传的配用电系统在感知到安全隐患或故障时的信号特征与安全隐患或故障的位置信息、利用累积上传数据对用于安全隐患或故障类型辨识和定位的模型迭代更新以及通过更新获得特征知识库及模型的配置参数供本地终端下载。
[0024]
本发明有益效果体现在：
[0025]
本发明通过本地终端检测配用电信息变化以确定配用电系统中区域用户实时运行的配用电设备种类，在此基础上监测配用电系统安全隐患、故障的类型与位置，解决实际高安全需求领域配电设备和用电设备日趋复杂多样条件下的故障排查与定位困难的问题，有利于实现配用电系统的安全隐患与故障的准确预警、及时定位、高效运行维护和主动治理；本发明通过非侵入式配用电信息分解，大幅减少数据采集需要的传感器，降低保护成本的同时避免入户排查所面临的侵犯隐私难题。本发明通过降低运营成本、提高供电质量、提升运营效率达到配用电安全数字化管理的目的。
[0026]
进一步的，本发明对按照周期获得的检测信号进行配用电信息动态分解，方便电网进行电能调度、能耗管理、违约识别、窃电防范的定制化智能物联管控设计，以及进行配用电系统设备损耗及线路损耗的预测性运行维护、支撑双碳战略的节能降耗需求；同时，有利于节能建筑调整电能结构、定制分时电价机制、规划用电设备，提升用户智能家居体验，最终实现电网管控能力和用户用电体验的同步增强。
[0027]
进一步的，本发明通过小波奇异值分析检测配用电信息变化事件，而后通过重构信号并应用单个负荷(指配电设备、用电设备中的任意一种)运行电流波形、投入(切出)相同负荷运行引发电流变化波形的共性特征为原则，选择与单个负荷运行电流波形差异不大的电流变化波形特征进行负荷分解，在有效的将负荷分解转变为负荷识别的同时，大幅减少大规模电器组成环境下的负荷分解模型训练样本数据量，从而缩短模型学习时间并减少存储资源占用。
[0028]
进一步的，本发明应用物理仿真、系统检测数据双机制共同构建更为全面、完善的特征集合，选择负荷识别共性特征以缩短分解模型学习时间；同时可以通过使用门控循环单元算法的门函数来保留重要特征，保证了在长期传播中重要特征也不会丢失，并且与现有分类模型算法相比，模型参数数量少，更有利于加快模型学习速度(花费时间小于现有神经网络模型的80％)。
[0029]
进一步的，本发明根据分解的配用电信息实现匹配化的主动定制服务，便利于用户开展更有效的自查工作以减少、杜绝电气安全隐患和故障。
[0030]
进一步的，本发明应用云端服务器对配用电信息特征完成接收，并重新训练门控循环单元模型，而后结合之前存储的特征集合将训练后的参数用于更新本地终端的现有模型存储参数，从而可以扩大配用电信息识别范围、提升识别精准度。
[0031]
进一步的，本发明所提出的配用电信息分解方法不仅能够应用在配用电设备的识别，还能够实时自动识别配用电设备中的模块组成、配用电系统的拓扑架构组成。
附图说明
[0032]
图1a为本发明实施例中基于非侵入式配用电信息分解的安全隐患及故障保护方法的流程图。
[0033]
图1b为应用本发明的保护方法进行120
°
白炽灯负荷运行条件下的峭度特征。
[0034]
图1c为应用本发明的保护方法进行180
°
白炽灯负荷运行条件下的峭度特征。
[0035]
图1d为应用本发明的保护方法进行开关电源负荷运行条件下的方差特征。
[0036]
图1e为应用本发明的保护方法进行卤素灯负荷运行条件下的方差特征。
[0037]
图2a为应用本发明的保护方法进行负荷识别时采集的吹风机电流。
[0038]
图2b为应用本发明的保护方法进行负荷识别时采集的取暖器电流。
[0039]
图2c为应用本发明的保护方法进行负荷识别时的吹风机电流频谱分析结果。
[0040]
图2d为应用本发明的保护方法进行负荷识别时的取暖器电流频谱分析结果。
[0041]
图3a为应用本发明的保护方法进行负荷识别时的吹风机电压、电流u-i曲线特征分析结果。
[0042]
图3b为应用本发明的保护方法进行负荷识别时的取暖器电压、电流u-i曲线特征分析结果。
[0043]
图4a为本发明验证负荷特征有效性的用电信息模拟模型。
[0044]
图4b为本发明验证负荷特征有效性的用电信息模拟电流。
[0045]
图4c为吹风机模拟电流的小波系数能量占比特征分析结果。
[0046]
图4d为取暖器模拟电流的小波系数能量占比特征分析结果。
[0047]
图5a为单一运行负荷(热水壶)的特征分析结果。
[0048]
图5b为负荷(热水壶)加入引发电流变化情况下的特征分析结果。
[0049]
图6a为应用本发明的保护方法进行电流信号的奇异值分析的结果。
[0050]
图6b为应用本发明的保护方法进行电流信号奇异值发生后的重构的结果。
[0051]
图7a为应用本发明的保护方法进行单一负荷(取暖器)识别的状态辨识结果。
[0052]
图7b为应用本发明的保护方法进行多类负荷识别的状态辨识结果。
[0053]
图7c为参照本发明的保护方法进行多类负荷识别的状态辨识结果(选用特征不当)。
[0054]
图7d为应用本发明的保护方法进行多类负荷分解的状态辨识结果。
具体实施方式
[0055]
下面结合附图和实施例对本发明作进一步详细说明。所述实施例仅用于解释本发明，而非对本发明保护范围的限制。
[0056]
(一)基于非侵入式配用电信息分解的安全隐患及故障保护方法
[0057]
结合图1a对上述方法的具体步骤进行说明：
[0058]
步骤一、配用电系统运行中，本地终端按采样频率f对所需的待检测信号进行逐点采样，得到检测信号x，转至步骤二。
[0059]
所述检测信号的数据构成情况如下：
[0060]
情况一：采样电量信息
[0061]
1.1)单纯电流数据
[0062]
1.2)电流和电压数据
[0063]
情况二：同时采样电量信息和非电量信息
[0064]
2.1)温度、压力、光、声、局部放电；比如过温故障会导致环境温度升高，相应温度传感器能感受温度信号，并将该信号转换成电信号，这种信号也是一维信号，类似于系统电流、电压信号。压力、光、声、局部放电等其它非电量信息也通过特定的传感器转换为相应的电信号，形成一维电信号，信号处理过程对于电量信息、非电量信息而言并没有显著差异。
[0065]
步骤二、对检测信号进行小波奇异值分析，若发现检测信号的奇异点，认为存在配用电信息变化，转至步骤三进行配用电信息分解。
[0066]
所述小波奇异值分析的流程：选择各采样数据经小波包分解后在对应采样时刻的第一层细节系数和第二层细节系数，当两个信号(即第一层、第二层细节系数)同时出现局部极大值时，认为该时刻存在奇异点，从而确定奇异点发生时刻。
[0067]
步骤三、按奇异点发生时刻确定检测信号在一个周波内变化时的初始相位，应用检测信号奇异点发生前的数据点按周波对应相位进行所加入负荷信息的重建，得信号xn，对该信号进行特征提取或进一步进行特征融合，将所得特征输入门控循环单元模型，从而由该模型输出配电设备、用电设备辨识结果，转至步骤四。
[0068]
所述步骤三中，若奇异点发生时刻前信号为原有a设备信号，检测到信号奇异值后便认为在a设备信号的基础上叠加了b设备信号，重建就是希望能分解得到新增的b设备信号，进而将设备信号的分解转变为识别(即直接对该重建信号进行辨识)；如果不进行重建，同一检测周期内叠加信号种类、组合形式复杂繁多，将难以准确进行负荷分解。重建可以依据多种正弦波信号的合成与分解原理予以实现，即通过差值运算得到最为精准的设备投切信息。
[0069]
所述步骤三中，特征提取的结果可选用单一检测信号重构后进行数据分析而得到，或者选用多种检测信号分别重构后进行数据分析而得到。
[0070]
所述步骤三中，选用设备仿真的物理机制分析所得特征与以上提取的特征组合，从机理与数据两个方面确定运行设备(是指运行中的配电设备、用电设备)的特征参数，有效提升配用电信息分解模型(即设备识别模型)的准确性；这些特征应满足所关注设备单一运行时信号的特征幅值与实验给定的阻性负载先行运行条件下所关注设备投切前后差异信号的特征幅值的差异不超过10％(以单一设备运行时信号的特征幅值为基准)。
[0071]
根据选择的设备利用建立的相应设备的物理模型进行仿真，得到该设备的独立运行信号(即选用设备仿真运行信号)，从物理机制分析的角度(即对选用设备仿真运行信号进行物理机制分析)得到所述设备的特征(即物理特征)。
[0072]
特征组合：采用主客观结合的最优权重赋值法将所得物理特征融合至步骤三中数据分析所得的特征中，得到对应设备更为全面、完备的特征量组(称为完备特征)，可据此重新训练门控循环单元模型，使得模型对现有配用电信息的分解具备更高的准确率。
[0073]
步骤四、当经过训练的门控循环单元模型对当前设备信息识别准确率低于60％时，即判定出现模型无法辨识的新型设备，利用基于迁移学习框架和动态模式识别方法对模型的配用电设备特征知识库进行更新迭代，使得模型的特征知识库可识别设备不断拓展，转至步骤五。
[0074]
特征知识库的更新迭代：基于前述步骤所构造的特征参数集，建立配用电设备特征知识库，当获取自检测信号的特征(或进一步融合了物理特征)存在于配用电设备特征知识库时，训练后的门控循环单元模型将较高概率匹配准确的设备标识；但当门控循环单元模型所输出的设备标识种类较多且每种标识的占比低于60％，针对新出现的特征知识库外的新型设备，利用基于迁移学习框架和动态模式识别方法，实现配用电设备特征知识库不断更新迭代，最终建立出完善的配用电设备特征知识库。
[0075]
步骤五、对分解所得(分解是针对多种负荷同时运行状态而言的)设备采用非监督聚类方法归类，得到区域用户性质，主动匹配需要推送的差异化信息、潜在安全隐患、故障类型，转至步骤六。
[0076]
所述区域用户性质分为工业、商业、居民、其他。基于配用电历史信息，采用非监督聚类方法对区域用户正在运行的负荷的类型进行归类并确定区域用户性质，依据用户性质获得影响负荷的主要因素，并推送区域用户重点关注的用电信息。
[0077]
不同性质的区域用户重视关注的配用电信息种类存在较大差异。为了准确快捷地分析用电信息对不同用户和配电网的影响，应对电力用户和用电信息进行分类(通过配用电信息分解所得种类及相应比例构成的结果，综合判断所述区域用户的性质，由此针对性地给予相关的信息类别服务，也即步骤五分类信息明确用户性质的目的)。居民用户希望了
解的是与自己利益相关的用电信息，这包括实时电价、家庭总用电量和设备用电量等带有时标的电能数据，而对于谐波、功率因数等电能质量数据以及电压、电流、有功功率、无功功率等交流模拟量并不是非常关注。工、商业用户比居民用户对电能质量的要求更高，他们关注的用电信息除了自身的电能质量数据外，还包括电压、电流、功率因数等交流模拟量以及电能质量越限数据，从而有利于提高生产效率和服务质量。此外，微网技术的发展将使智能小区或智能楼宇逐渐普及到工、商业用户中，这些用户还将建设电动汽车充电桩来为电动汽车充电，因此为了对自身的用能情况有全面的了解，他们也需要采集这些智能微网和充电桩的用能信息。
[0078]
步骤六、在检测配用电系统存在安全隐患或发生故障后，基于门控循环单元模型辨识安全隐患或故障类型，并结合基于配用电历史信息分解的运行设备信息和特征差异确定安全隐患或故障所发生的位置；将系统感知到的安全隐患或故障特征与位置信息上传云端服务器，将多位置处新积累数据进行模型的迭代更新，获得特征与模型的新配置参数下载至本地终端。
[0079]
基于门控循环单元模型明确各故障类型与特征参量之间的关联性后，以该特征指明短路、漏电、过载、过流、过压、欠压、过温、浪涌、杂波干扰、电弧故障等典型故障类型之一，按电力系统所在位置配置用于故障定位判断的相关参数，从而实现典型故障的选择性保护；在明确所发生的故障类型及位置信息后，上传至云端服务器，迭代训练门控循环单元模型，整定得到新的故障类型识别参数、配置参数，最终下发本地终端以调节相关参数，进而实现典型故障更为准确的类型判定及位置识别，最终大幅降低故障检测误识别率，以及运行维护参数整定的不便。
[0080]
故障定位及保护：考虑特征参量为鞘度、故障类型为电弧故障，在白炽灯的调光器度数为120
°
、180
°
时的故障特征输出如图1b、图1c所示。白炽灯的调光器度数为120
°
情况下，电弧故障状态发生时的鞘度特征值呈现大概率小于正常状态下鞘度特征值，由鞘度特征值呈现出的现象差异确定电弧故障发生时负荷运行的状态。考虑特征参量为方差、故障类型为电弧故障，在开关电源、卤素灯负荷运行条件下的故障特征输出如图1d、图1e所示。开关电源、卤素灯两类负荷启动、正常运行、电弧故障发生及持续状态条件下的特征形态存在较大差异，由方差特征值呈现出的这种现象差异可确定电弧故障发生时负荷运行的组成种类与运行状态。
[0081]
由于安全隐患与故障相比，在配用电信息上仅存在信号强弱之分，故相应的类型辨识和定位不再赘述。
[0082]
(二)以2kw吹风机和2kw取暖器为例对负荷识别方法进行说明
[0083]
如图2a所示，以10khz采样频率测得吹风机电流信号，可以看出，所测得的吹风机电流信号并未发生显著畸变，但波峰波谷反映出信号含有较为丰富的谐波成分。如图2b所示，根据测得的取暖器电流信号，可以看出取暖器在过零处呈现一定程度的畸变现象，其电流信号在时域上的这一特点可作为识别两者(取暖器与吹风机)的备选特征。
[0084]
对取暖器与吹风机正常运行的电流信号进行短时傅里叶变换，提取得到的频谱分布分别如图2c和2d所示。可以看出取暖器与吹风机的电流频谱中，基波分量、三次谐波与五次谐波均存在幅值上的显著差异，相应比值分别为0.90、11.85、1.91倍。其中三次谐波、五次谐波相对于基波更加显著地呈现出取暖器与吹风机的差异，可用作负荷识别的主要特
征。
[0085]
除单一电流信号源的负荷特征外，还可通过负荷电压、电流等多信号源构造用于负荷(用电设备取暖器、吹风机等典型负荷)有效识别的特征。如以同步测得的电压、电流进行负荷的u-i曲线特征分析，同样针对图2a和2b所示的取暖器与吹风机两类负荷进行处理分析，所得的u-i曲线特征分别如图3a和3b所示。对于感性或容性负载而言，所得的u-i曲线特征为椭圆形(理想情况下的加热负载均为阻性，但考虑电线或设备本身存在一定的电感或电阻值，故而曲线为椭圆居多，多数电器功率因素小于1，非阻性负载)，因负荷本身的阻抗性质存在差异，相应的u-i曲线特征便会呈现不同的形态，利用最高点到最低点的斜率、围成近似椭圆的面积等数学表达便可构造得到用以定量描述取暖器与吹风机的差异的特征量，进而实现对两类负荷的有效识别。对于阻性负载(功率因素为1的负载)来说，u-i曲线特征呈现直线形态，可直接加以区分。
[0086]
综上所述，两负荷间存在差异的特征均可作为识别负荷种类的有效依据，其它潜在的负荷特征包括电流峰值、电流畸变率、小波系数能量占比(求解小波变换得到小波系数，再进行能量占比求解)、有功功率幅值、无功功率和有功功率的比值等。
[0087]
(三)应用用电信息模拟模型(物理模型)验证上述特征的有效性
[0088]
如图4a所示，将四类负荷模型串入交流电力系统，构建得到用电信息仿真电路。应用该电路进行用电信息的在线模拟，可以得到如图4b所示的仿真波形。可以通过控制触发模块的设定参数确定负荷模型投入电力系统的时刻(投入时刻)，进而以仿真得到的正常负荷运行电流进行相同特征分析，以其差异性明确所关注特征与负荷拓扑、负荷参数的相关性，最终按负荷关键功能性模块(例如，取暖器较热水壶除了加热部件外，还存在电机类动作控制部件，故而电路模型中含有电容、电感等元件，相应的模拟电流在启动早期存在幅值衰减的差异性形态，同时对应地产生一些差异于数据特征外的物理特征)关联的特征构建识别特征量组(将该特征与数据中提取的特征组合)，由此从根源上保障负荷识别方法的有效性。
[0089]
如图4c和4d所示，对吹风机及取暖器电流信号分别进行相同的小波系数能量占比分析，对比发现两者呈现的小波系数能量占比特征存在较为明显的差异，进而可判断该特征能够作为两负荷的稳态识别特征。这种负荷运行状态的等效模拟方法对特征准确选择至关重要，很大程度地决定了所构建的负荷识别方法在更多元负荷投入条件下能否保持有效。
[0090]
(四)阐明转化配用电信息分解问题为配用电信息识别问题的依据
[0091]
如将负荷投入、切出进行有效的事件检测后，只需识别变化的负荷种类，此时便可将分解转化为识别。如此一来，可在大规模电器组成环境下，大幅减少负荷分解模型所需学习的训练样本数据量而缩短学习时间，同时极大程度地减少特征数据库的存储资源大小，有效减少了硬件资源消耗，最终实现后续的安全隐患消除与故障排查。
[0092]
对单个热水壶运行电流波形、投入热水壶运行引发电流变化波形进行频谱分布分析的结果分别如图5a和图5b所示。可以看出，整个频谱分布的变化趋势相近，基波分量、三次谐波分量及五次谐波分量这些特征量的幅值水平相近，这些特征的使用可证实转化思想的可行性、有效性。以三次谐波分量为例，图5b所示重构信号的三次谐波分量值与图5a所示单一负荷运行信号的三次谐波分量值的相差百分比为-1.27％，其绝对值满足10％的限值
要求，故而三次谐波分量可考虑作为负荷(热水壶)分解的有效特征之一。
[0093]
(五)阐明本发明所提出的利用配用电信息分解方法进行负荷识别和分解的有效性
[0094]
利用小波变换对系统回路(指投入负荷所在线路)电流信号进行实时的奇异值分析，在发现负荷投切过程引发的电流变化事件后，对采集的相关的电流信号进行特征分析。而后基于门控循环单元中的各类门函数学习存储各类负荷独有的相关特征，建立与配用电信息相关联的负荷识别模型，再测试验证其对投切负荷类型识别的正确性。
[0095]
奇异值分析过程：对所得电流信号进行基于haar小波基的二层小波包分解分析，并取二层小波包分解结果[2,3]节点系数的绝对值作为电流信号的奇异值输出，如图6a中虚线所示。以3倍当前值为设定阈值，当后续奇异值超出该阈值时，即认为存在新的负荷投切情况。应用奇异点发生时刻后的电流波形最大值与奇异点发生时刻前的电流波形最大值之差为正、负的判定方法(即电流最大值变化原则)，分别得到存在负荷投入、切出的分析结论。
[0096]
重构过程：应用正弦信号的周期性变化原理，以奇异点发生时刻的初始相位锁定负荷变化前的电流信号，按新投入b负荷前后同等相位时刻上的a负荷运行电流波形及两负荷共同运行电流波形对应作差，得到新投入b负荷形成的重构信号，如图6b所示。
[0097]
当被监测支路仅一个负荷可运行时，通过实时检测系统回路电流信号的奇异值后发现投入负荷时刻，对采集并重构的电流信号进行特征计算，而后基于门控循环单元构建的负荷识别模型分析投切负荷。学习过程中将无负荷运行状态标记为0，负荷运行时的状态标记为1。通过电流信号奇异值分析过程得到两个变化时刻点，利用电流最大值变化原则判别第一、第二变化时刻分别为负荷投入、切出时刻。而后利用信号重构过程获得两时刻条件下的对应差值信号，对该差值信号进行功率特征计算，应用门控循环单元辨识该差值信号均对应于负荷。如图7a所示，负荷识别模型能在99.78％的时间窗分析周期内正确地识别取暖器的投入、切出过程)，证实负荷识别模型的有效性与正确性。
[0098]
当被监测支路存在多个可运行负荷时，需要考虑对多个负荷运行的过程进行状态分解，得到各个时刻下的配用电信息。通过实时检测系统回路电流信号的奇异值后发现投入负荷时刻，对采集并重构的电流信号(对投入负荷前后的稳态电量作差，所得差值电量即重构的信号)进行五次谐波特征计算，而后基于门控循环单元构建的负荷识别模型分析投切负荷；在不存在负荷投切过程的负荷稳定运行状态下则不进行相关信号特征分析和状态分解等处理过程。通过这种方式，将多种负荷混合运行状态的分解问题转化为投入、切出时刻的负荷识别问题。
[0099]
整个用电信息分解过程主要考虑在电气回路中依次投入吹风机、取暖器、热水壶和小太阳的不同负荷在不同时刻单一运行情形，学习过程中将四类负荷的运行状态分别标记为0、1、2、3(模型只是辨识负荷种类；区分投入、切出的依据为上述电流波形最大值之差为正还是为负，这里是四种负荷的独立运行过程，故而信号差值的重构过程就得到其本身，由此辨识不同负荷类型)。如图7b所示，负荷识别模型能在94.25％的时间窗分析周期内正确地识别四类负荷的投入过程，证实负荷识别模型的有效性与正确性。
[0100]
如图7c所示，将负荷识别特征量中的五次谐波特征更换为三次谐波特征后，吹风机与小太阳均出现误识别，负荷识别模型只能在72.75％的时间窗分析周期内正确地识别
四类负荷的投入过程，提示选用特征有效性对配用电信息的正确分解至关重要，同时特征适用性与负荷类型有关。吹风机和小太阳的三次谐波与热水壶存在较为相似的特性，故而产生了误识别，而其能正常与取暖器进行有效区分(三次谐波特征仍对热水壶、取暖器等负荷识别效果较好)，也符合图2c和图2d的分析结论。因此，用于负荷识别的特征量必然是呈现多种形态(扩大采用的特征数量以满足更多类型负荷识别的要求)，由此满足识别算法应在广泛应用范围内保持有效性。
[0101]
如图7d所示，应用奇异值分析方法识别负荷变化过程，结合电流最大值变化原则判别负荷投入、切出状态，而后辨识重构差值信号对应的负荷类型，便可实现负荷分解效果，即通过有效辨识吹风机投入、热水壶投入、热水壶切出、吹风机切出等过程，准确获得某些时段下多负荷同时运行的系统状态。