一种基于电流分解的非侵入式负载监测方法及系统

1.一种基于电流分解的非侵入式负载监测方法，其特征在于，包括：
步骤1，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；
步骤2，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，将采集到的所述用电数据传入计算单元，所述计算单元将所述用电数据转换成计算统计流形的向量表示，获得总电流的向量集合；
步骤3，所述计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总电流的向量集合，从而获得每一个用电设备的实时电流向量；
所述步骤1包括：
步骤11，采集每一个用电设备正常工作时的电流与电压信号；
步骤12，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；
步骤13，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。
2.如权利要求1所述的非侵入式负载监测方法，其特征在于，所述步骤2包括：
步骤21，所述采集单元实时获取所有用电设备的电流与电压信号；
步骤22，所述计算单元将所述电流与电压信号向量化，获得总电流的向量集合。
3.如权利要求1所述的非侵入式负载监测方法，其特征在于，所述步骤3包括：
步骤31，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法；
步骤32，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。
4.如权利要求1所述的非侵入式负载监测方法，其特征在于，所述非侵入式负载监测方法还包括：
步骤4，完成分解后，对分解结果进行误差分析；
步骤5，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。
5.一种基于电流分解的非侵入式负载监测系统，其特征在于，包括：
训练模块，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；
预处理模块，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，将采集到的所述用电数据传入计算单元，所述计算单元将所述用电数据转换成计算统计流形的向量表示，获得总电流的向量集合；
分解模块，所述计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总电流的向量集合，从而获得每一个用电设备的实时电流向量；
所述训练模块包括：
第一采集模块，采集每一个用电设备正常工作时的电流与电压信号；
第一向量化模块，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；
第一流形构造模块，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。
6.如权利要求5所述的非侵入式负载监测系统，其特征在于，所述预处理模块包括：
第二采集模块，所述采集单元实时获取所有用电设备的电流与电压信号；
第二向量化模块，所述计算单元将所述电流与电压信号向量化，获得总电流的向量集合。
7.如权利要求5所述的非侵入式负载监测系统，其特征在于，所述分解模块包括：
算法选取模块，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法；
算法执行模块，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。
8.如权利要求5所述的非侵入式负载监测系统，其特征在于，所述非侵入式负载监测系统还包括：
分析模块，完成分解后，对分解结果进行误差分析；
处理模块，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。

一种基于电流分解的非侵入式负载监测方法及系统\n技术领域\n[0001] 本发明涉及计算机应用技术领域，特别涉及一种基于电流分解的非侵入式负载监测方法及系统。\n背景技术\n[0002] 2008年IBM提出"智慧地球"的概念，将智慧地球描述为“更透彻的感知、更全面的互联互通、更深入的智能化”。美国政府在智慧地球提出不久之后也将智能电网作为其“新能源救市计划”中的重要部分提上日程。与我们熟知的传统电网比较起来，智能电网意味着尽可能获取更多信息，更注重于使用者间的交互，通过解析信息提供更到位的服务。智能电表等用户端设备直接与用户接触，指导用户用电行为，是智能电网不同于传统电网的重要体现。通过给出有关设备上的详细用电情况，能够有效的减小用户对用电行为的认识偏差，优化用户的使用习惯，从而得到更好的节电效果。\n[0003] 因此，有效获取用电环境（家庭、生产环境等）中有关设备上的详细用电信息，是智能电网领域用户端信息采集的关键技术。在不影响用电环境的情况下，从外部获取各个设备上的详细用电信息的监测技术，被称为非侵入式负载监测（NILM）技术。到目前为止，非侵入式负载监测技术主要包括两大类：\n[0004] 1.基于稳态分析的负载监测技术：此类技术首先为每个用电设备定义多个运行状态（稳态），并在训练阶段为每个运行状态建立对应的特征；在开始监测后，通过将采集到的全局信息与已知的特征集合的比对，获取当前状态下所有用电设备的运行状态；最终根据预先定义的运行状态，给出有关设备上的详细用电信息。\n[0005] 2.基于暂态事件的负载监测技术：此类技术首先为每个用电设备定义多个暂态事件，并在训练阶段为每个暂态事件建立对应的特征；在开始监测后，通过将采集到的全局信息与已知的特征集合的比对，判断当前状态下是否发生暂态事件；当有暂态事件发生时，根据事件定义，修改对应设备的运行状态，最终给出有关设备上的详细用电信息。\n[0006] 虽然上述两种技术都支持非侵入式负载监测，满足智能电网领域用户端信息采集的需求，但是这两种技术都对用电设备做出了类似的假设：设备具有相对稳定的运行状态，确定运行状态后可以根据已知的信息，获得设备的详细用电信息。而随着时代进步，用电设备的行为日益弹性化，使得这一假设不再适用，不能获得准确的用电信息。例如：在同样时间段中，运行游戏程序的电脑相对于单纯浏览网页消耗更多的电力，空闲与繁忙的功耗差异可能超过30%。\n发明内容\n[0007] 针对用电设备的弹性用电行为，本方法对通过设备的电流的相空间建模，直接将采集到的总电流分解到各个设备上。不再对复杂的运行状态进行估计，直接利用电流信息计算有关设备上的详细用电信息。\n[0008] 为实现上述目的，本发明提供一种基于电流分解的非侵入式负载监测方法，该方法包括：\n[0009] 步骤1，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；\n[0010] 步骤2，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，并将所述用电数据转换成计算统计流形的向量表示，获得总电流的向量集合；\n[0011] 步骤3，计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总统计流形，从而获得每一个用电设备的实时电流向量。\n[0012] 进一步的，所述步骤1包括：\n[0013] 步骤11，采集每一个用电设备正常工作时的电流与电压信号；\n[0014] 步骤12，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；\n[0015] 步骤13，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。\n[0016] 进一步的，所述步骤2包括：\n[0017] 步骤21，所述采集单元实时获取所有用电设备的电流与电压信号；\n[0018] 步骤22，所述计算单元将所述电流与电压信号向量化，获得总电流的向量集合。\n[0019] 进一步的，所述步骤3包括：\n[0020] 步骤31，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法；\n[0021] 步骤32，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。\n[0022] 所述非侵入式负载监测方法还包括：\n[0023] 步骤4，完成分解后，对分解结果进行误差分析；\n[0024] 步骤5，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。\n[0025] 为实现上述目的，本发明还提供一种基于电流分解的非侵入式负载监测系统，该系统包括：\n[0026] 训练模块，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；\n[0027] 预处理模块，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，并将所述用电数据转换成总电流向量；\n[0028] 分解模块，计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总电流向量，从而获得每一个用电设备的实时电流向量。\n[0029] 进一步的，所述训练模块包括：\n[0030] 第一采集模块，采集每一个用电设备正常工作时的电流与电压信号；\n[0031] 第一向量化模块，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；\n[0032] 第一流形构造模块，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。\n[0033] 进一步的，所述预处理模块包括：\n[0034] 第二采集模块，所述采集单元实时获取所有用电设备的电流与电压信号；\n[0035] 第二向量化模块，所述计算单元将所述电流与电压信号向量化，获得所有用电设备的向量集合。\n[0036] 进一步的，所述分解模块包括：\n[0037] 算法选取模块，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法；\n[0038] 算法执行模块，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。\n[0039] 所述非侵入式负载监测系统还包括：\n[0040] 分析模块，完成分解后，对分解结果进行误差分析；\n[0041] 处理模块，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。\n[0042] 本发明的有益功效在于，\n[0043] 1.本发明不依赖于设备状态的判断，直接分解电流：现有非侵入式负载监测技术大多首先进行设备状态的估计，之后再完成用电信息的分析。此类方法有着一个直接的缺陷，当家庭中存在负载动态变化的弹性设备时，分析精度会有明显的下降。而本发明直接对设备的电流相空间建模，不依赖于设备的运行状态判断，能够有效分解多种负载动态变化的弹性设备产生的电流。\n[0044] 2.本发明在分解电流的计算方法中，使用多种最优化方法，极大提高电流分解精度：现有非侵入式负载监测技术大多首先进行设备状态的估计，此步骤的估计准确性大约在95%左右，在此基础上进行的用电信息分析精度大约在90%左右，当家庭中存在多个弹性设备时，精度还会有10%左右的下滑。而本发明简化了计算步骤，同时使用最优化方法直接分解设备电流，有效追踪各个设备的电流变化情况，能够将电流分解的平均精度提高到\n95%。\n[0045] 以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。\n附图说明\n[0046] 图1是本发明的基于电流分解的非侵入式负载监测方法流程图；\n[0047] 图2是本发明的基于电流分解的非侵入式负载监测系统示意图；\n[0048] 图3是本发明的训练阶段流程图；\n[0049] 图4是本发明的分解阶段流程图；\n[0050] 图5是本发明的用电设备结构示意图。\n具体实施方式\n[0051] 图5是本发明的用电设备结构示意图。该结构实现包括三个主要部件：采集单元、计算单元与显示单元，其中：\n[0052] 采集单元是主要的输入装置，用电设备电流分解系统通过在家庭电网入口附近安装采集单元，获取整个家庭中的电流电压信息。采集单元中的电流传感器可以使用基于霍尔效应的磁场感应芯片，利用电磁感应的原理实现非侵入式的电流数据采集。而电压传感器直接接入市电电路即可与所有用电设备并联，测量其上的电压。在分解算法中，计算信号的向量表示时，要求数据的采集频率高于某一阈值，在本发明的一个实施例中：算法使用短时傅里叶变换时，要求每个周期中包括256个采样点，即对50Hz的交流电需要有12.8kHz的采样频率。\n[0053] 计算单元是整个分解系统的核心，整个家庭的电流电压信息在此处被分解到各个用电设备上，得到各个设备的实时用电信息。计算单元处于整个分解系统的中央，从采集单元得到实时采集的数据，经过计算后将分解结果传递到显示单元。在本发明的实施例中，任意具备足够计算能力的设备都可以作为系统中计算单元。因此，计算单元既可以独立实现，也可以与采集单元共用一个处理器，构成类似智能电表的新型采集设备；还可以与显示单元共用一个处理器，构成类似智能终端的新型显示设备。\n[0054] 显示单元是系统与用户交互的主要单元，除了基本的显示与交互功能以外，还需要能够对实时的用电信息进行统计与分析，并且支持数据的存储与管理功能。显示单元从计算单元中获取到家庭中各个用电设备的实时用电信息，对各个用电设备以及整个家庭的历史用电信息和实时用电信息进行更新，并将这些内容保存到数据库或其他媒体中；另一方面，显示单元需要实现一套有效的用户交互界面，包括图形化的显示界面，将用电信息以转化为用户能够理解的形式，反馈给用户；同时用户能够指出系统分析失真的部分，并反馈给分解系统，从而提高以后分解的精度。\n[0055] 本发明的关键技术集中在计算单元所使用的电流分解算法中。算法流程可以分为两个阶段：训练阶段和分解阶段。\n[0056] 训练阶段是为每个用电设备建立计算模型的必要阶段。在这一阶段中分别采集每一个设备正常工作时的电流与电压信号；之后将采集到的数据转换为预先设定的向量表示；由采集到的实际数据构造当前设备电流相空间的统计流形。此阶段不需要同时进行所有电器的训练，因此可以由用户自己在家庭中完成，也可以有设备提供商或第三方机构完成。但从训练的效果角度以及实现此阶段所需的劳动量上分析，由设备提供商或者第三方机构完成训练阶段，并将结果发送到各个用户，能够更加精确和有效地完成此阶段。此阶段中获得的各个统计流形将被存入数据库，在下一阶段中使用。\n[0057] 分解阶段是进行用电设备电流分解的主要阶段。在这一阶段中需要将采集单元安装于电网入口处，采集整个家庭的电流与电压信号；而后将采集到的数据传入计算单元，转换为向量表示；同时从数据库中取出家庭中所有已知设备的统计流形，并按照各个统计流形的数学特征选取合适的最优化方法；在已知总用电信息的情况下，通过计算整个家庭中各个设备上最有可能的电流分布情况；由获得的各个设备的电流信息推导出具体用电信息，最终将这些信息传输到显示单元完成显示与后续的统计处理。\n[0058] 图1是是本发明的基于电流分解的非侵入式负载监测方法流程图。如图1所示，该方法包括：\n[0059] 步骤1，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；\n[0060] 步骤2，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，并将所述用电数据转换成计算统计流形的向量表示，获得总电流的向量集合；\n[0061] 步骤3，计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总统计流形，从而获得每一个用电设备的实时电流向量。\n[0062] 完成信号的向量表示。利用短时傅里叶变换或小波变换等方法，将获得的电流电压等信号从时域转化到频域，将一个基本周期的信号波形转换为高维向量空间中的一个孤立点，使用一个频域信号的高维向量或矩阵表示一段时间的电路信号波形；技术效果：变换后，信号能够更为直观表示出其上的物理意义，例如，能够支持对谐波功率，无功功率等物理量的直接计算。\n[0063] 建立设备电流相空间的统计学模型。利用微分几何中流形的概念以及统计学的相关方法，根据预先采集的单个设备的用电信息，将每个设备的电流信号相空间（在高维向量空间中信号可能出现区域）表示为一个统计流形，即一系列支持微分几何方法的平滑概率分布函数，其中，流形的几何结构是从电路理论的角度对设备进行刻画，而其上的概率分布则表述了设备在运行时电流的取值分布；技术效果：对每一个用电设备，其上电流的所有取值都包含在一个统计流形中，能够利用此流形计算对应设备以特定电流工作的概率。\n[0064] 构造电流分解的计算方法。根据多种运筹学中的最优化计算方法，结合已知的各个设备对应的统计流形，建立多种电流分解方法；当需要进行分解时，能够根据情况选取最有效的方法，完成对总电流的分解；技术效果：针对复杂的家庭用电环境，通过这种复合分解方法，从采集的总电流中分解出通过各个设备的电流，并保证在系统正常工作中分解获得的平均电流精度在95%以上。\n[0065] 进一步的，所述步骤1包括：\n[0066] 步骤11，采集每一个用电设备正常工作时的电流与电压信号；\n[0067] 步骤12，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；\n[0068] 步骤13，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。\n[0069] 进一步的，所述步骤2包括：\n[0070] 步骤21，所述采集单元实时获取所有用电设备的电流与电压信号；\n[0071] 步骤22，所述计算单元将所述电流与电压信号向量化，获得总电流的向量集合。\n[0072] 进一步的，所述步骤3包括：\n[0073] 步骤31，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法。\n[0074] 步骤32，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。\n[0075] 所述步骤31中提到的最优化算法主要包括：最小二乘法、最大似然估计、最小风险法以及最小化最大熵方法。\n[0076] 所述非侵入式负载监测方法还包括：\n[0077] 步骤4，完成分解后，对分解结果进行误差分析；\n[0078] 步骤5，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。\n[0079] 图3是本发明的训练阶段流程图。如图3所示，训练阶段开始后，需要判断是否已经完成所有用电设备的训练。如果没有则选取一个待测设备，部署训练环境。训练阶段需要采集各个用电设备正常运行时的电流电压信息，然后计算单元对采集到的电流信息进行短时傅里叶变换，从而获得在频域空间中每一时刻电流对应的向量表示。\n[0080] 可以使用256维的频域向量表示设备一个周期中的电流信息，采集数据需保证每个周期256个以上的采样点，因此选择12.8kHz作为采样频率。而对特定用电设备，在获取足够长的时间（所谓“足够长的时间”是指这段时间内包括此设备正常使用时可能出现的所有工作状态）的电流向量之后，之后开始计算其工作电流所属的统计流形。\n[0081] 本方法以概率密度均匀分布的线性流形作为描述设备电流相空间的数学抽象，计算方法为主成分分析：将采集到所有电流向量（行向量）组成一个矩阵，对此矩阵进行主成分分析，选取方差贡献率大于95%的主成分对应的特征向量构造此设备的线性流形，也就是电流向量必须满足线性流形方程。将得到的特征向量存入数据库，以供分解阶段使用。直到所有用电设备完成训练，训练阶段结束。\n[0082] 图4是本发明的分解阶段流程图。如图4所示，分解阶段根据训练阶段获得的所有设备的电流相空间对实时采集的家庭总电流进行分解。在分解阶段中，第一步是从数据库载入家庭中所有电器（用电设备）的统计流形。开启采集单元，获取实时的总电流，电压数据。\n[0083] 然后判断此时是否收到分解停止命令，如果没有收到，则利用采集单元在电网入口处获取家庭中的总电流数据，数据的采集频率与训练阶段相同，计算单元将数据经过短时傅里叶变换得到当前时刻总电流对应的频域向量表示。然后根据现场情况选取分解算法，进行电流分解。本实施例中的分解方法选取最小二乘法，\n[0084] 由基尔霍夫定律可知，任意时刻，总电流是等于各个设备上的电流之和，同时各个设备的电流向量都属于其线性流形。因此在分解阶段中，已知总电流和各个电器线性流形，即可以得到由两类方程组成的方程组：基尔霍夫方程与线性流形对应的方程。此方程组为超定方程组，不能使用通常的求解方法。本分解阶段中使用最小二乘法求解方程组，求解误差最小化的各个设备上的电流。在本分解阶段中需考虑到求解过程中可能发生的异常情况（使用新的设备、设备损坏等）。\n[0085] 在完成分解计算后，对分解结果进行误差分析：比较分解得到的各个电流值之和与总电流的数值关系，通过对其中偏差值的分析，判断是否有异常发生，并对可能出现的异常进行处理。对于正常的分解结果，从计算单元传入显示单元完成最后的数据处理，根据各个设备上的电流向量，结合家庭内的电压信息，计算各个设备上的功率与能耗，并将结果存入数据库以备用户查阅。\n[0086] 在本分解阶段中，分解后得到的电流向量为电流频域表示，可以与对应时刻的电压向量直接计算得到功率信息，无需转换回时域。在本实施例中，分解阶段将一直持续执行，直到用户对分解系统发出分解停止的命令。\n[0087] 图2是是本发明的基于电流分解的非侵入式负载监测系统流程图。如图2所示，该系统包括：\n[0088] 训练模块100，对每一个用电设备进行训练，获得所述每一个用电设备的统计流形，并将所述统计流形存入数据库；\n[0089] 预处理模块200，在电网入口处安装采集单元，实时获取所有用电设备的用电数据，并将所述用电数据转换成计算统计流形的向量表示，获得总电流的向量集合；\n[0090] 分解模块300，计算单元载入所述每一个用电设备的统计流形，根据所述统计流形分解所述总统计流形，从而获得每一个用电设备的实时电流向量。\n[0091] 完成信号的向量表示。利用短时傅里叶变换或小波变换等方法，将获得的电流电压等信号从时域转化到频域，将一个基本周期的信号波形转换为高维向量空间中的一个孤立点，使用一个频域信号的高维向量或矩阵表示一段时间的电路信号波形；技术效果：变换后，信号能够更为直观表示出其上的物理意义，例如，能够支持对谐波功率，无功功率等物理量的直接计算。\n[0092] 建立设备电流相空间的统计学模型。利用微分几何中流形的概念以及统计学的相关方法，根据预先采集的单个设备的用电信息，将每个设备的电流信号相空间（在高维向量空间中信号可能出现区域）表示为一个统计流形，即一系列支持微分几何方法的平滑概率分布函数，其中，流形的几何结构是从电路理论的角度对设备进行刻画，而其上的概率分布则表述了设备在运行时电流的取值分布；技术效果：对每一个用电设备，其上电流的所有取值都包含在一个统计流形中，能够利用此流形计算对应设备以特定电流工作的概率。\n[0093] 构造电流分解的计算方法。根据多种运筹学中的最优化计算方法，结合已知的各个设备对应的统计流形，建立多种电流分解方法；当需要进行分解时，能够根据情况选取最有效的方法，完成对总电流的分解；技术效果：针对复杂的家庭用电环境，通过这种复合分解方法，从采集的总电流中分解出通过各个设备的电流，并保证在系统正常工作中分解获得的平均电流精度在95%以上。\n[0094] 进一步的，所述训练模块100包括：\n[0095] 第一采集模块110，采集每一个用电设备正常工作时的电流与电压信号；\n[0096] 第一向量化模块120，将所述电流与电压信号向量化，获得每一个用电设备的向量集合；\n[0097] 第一流形构造模块130，根据所述向量集合，构造出该用电设备的统计流形，直到完成所有用电设备的训练。\n[0098] 进一步的，所述预处理模块200包括：\n[0099] 第二采集模块210，所述采集单元实时获取所有用电设备的电流与电压信号；\n[0100] 第二向量化模块220，所述计算单元将所述电流与电压信号向量化，获得总电流的向量集合。\n[0101] 进一步的，所述分解模块300包括：\n[0102] 算法选取模块310，所述计算单元载入各个用电设备的统计流形，根据统计流形的性质选取分解时使用的最优化算法。\n[0103] 算法执行模块320，使用所述最优化算法，结合所述各个用电设备的统计流形，对所述总电流的向量集合进行分解，得到各个设备上的电流。\n[0104] 所述算法选取模块310中提到的最优化算法主要包括：最小二乘法、最大似然估计、最小风险法以及最小化最大熵方法。\n[0105] 所述非侵入式负载监测系统还包括：\n[0106] 分析模块400，完成分解后，对分解结果进行误差分析；\n[0107] 处理模块500，如果误差在接受范围内，所述计算单元根据所述每一个用电设备的实时电流向量计算每一个用电设备的功率，并将所述功率传入显示单元；否则进行异常处理。\n[0108] 图3是本发明的训练阶段流程图。如图3所示，训练阶段开始后，需要判断是否已经完成所有用电设备的训练。如果没有则选取一个待测设备，部署训练环境。训练阶段需要采集各个用电设备正常运行时的电流电压信息，然后计算单元对采集到的电流信息进行短时傅里叶变换，从而获得在频域空间中每一时刻电流对应的向量表示。\n[0109] 可以使用256维的频域向量表示设备一个周期中的电流信息，采集数据需保证每个周期256个以上的采样点，因此选择12.8kHz作为采样频率。而对特定用电设备，在获取足够长的时间（所谓“足够长的时间”是指这段时间内包括此设备正常使用时可能出现的所有工作状态）的电流向量之后，之后开始计算其工作电流所属的统计流形。\n[0110] 本方法以概率密度均匀分布的线性流形作为描述设备电流相空间的数学抽象，计算方法为主成分分析：将采集到所有电流向量（行向量）组成一个矩阵，对此矩阵进行主成分分析，选取方差贡献率大于95%的主成分对应的特征向量构造此设备的线性流形。将得到的特征向量存入数据库，以供分解阶段使用。直到所有用电设备完成训练，训练阶段结束。\n[0111] 图4是本发明的分解阶段流程图。如图4所示，分解阶段根据训练阶段获得的所有设备的电流相空间对实时采集的家庭总电流进行分解。在分解阶段中，第一步是从数据库载入家庭中所有电器（用电设备）的统计流形。开启采集单元，获取实时的总电流，电压数据。\n[0112] 然后判断此时是否收到分解停止命令，如果没有收到，则利用采集单元在电网入口处获取家庭中的总电流数据，数据的采集频率与训练阶段相同，计算单元将数据经过短时傅里叶变换得到当前时刻总电流对应的频域向量表示。然后根据现场情况选取分解算法，进行电流分解。由基尔霍夫定律可知，任意时刻，总电流是等于各个设备上的电流之和，同时各个设备的电流向量都属于其线性流形。\n[0113] 因此在分解阶段中，已知总电流和各个电器线性流形，即可以得到由两类方程组成的方程组：基尔霍夫方程与线性流形对应的方程。本分解阶段中使用最小二乘法求解方程组，求解误差最小化的各个设备上的电流。在本分解阶段中需考虑到求解过程中可能发生的异常情况（使用新的设备、设备损坏等）。\n[0114] 在完成分解计算后，对分解结果进行误差分析，比较分解得到的各个电流值与总电流的数值关系，判断是否有异常发生，并对可能出现的异常进行处理。对于正常的分解结果，从计算单元传入显示单元完成最后的数据处理，根据各个设备上的电流向量，结合家庭内的电压信息，计算各个设备上的功率与能耗，并将结果存入数据库以备用户查阅。\n[0115] 在本分解阶段中，分解后得到的电流向量为电流频域表示，可以与对应时刻的电压向量直接计算得到功率信息，无需转换回时域。在本实施例中，分解阶段将一直持续执行，直到用户对分解系统发出分解停止的命令。\n[0116] 当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。