CN111209976B - 一种非侵入式负荷监测方法及*** - Google Patents
一种非侵入式负荷监测方法及*** Download PDFInfo
- Publication number
- CN111209976B CN111209976B CN202010035793.6A CN202010035793A CN111209976B CN 111209976 B CN111209976 B CN 111209976B CN 202010035793 A CN202010035793 A CN 202010035793A CN 111209976 B CN111209976 B CN 111209976B
- Authority
- CN
- China
- Prior art keywords
- load
- switching
- types
- type
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种非侵入式负荷监测方法及***。该方法包括:获取每一用户电力入口处的总电压和总电流,根据总电流判断用户负荷投切操作是否发生;若发生投切操作,则根据负荷投切前后电流的差值以及总电压确定投切负荷的电流波形和电压波形;根据投切负荷的电流波形和电压波形提取投切负荷的负荷特征;对投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类;将投切负荷的电流波形和电压波形以及投切负荷的种类存入用户边缘负荷特征库;根据用户边缘负荷特征库对用户负荷进行监测。采用本发明的方法及***,考虑了不同用户使用负荷的差异性,建立每一用户的边缘负荷特征库,能够有效提高负荷监测精度。
Description
技术领域
本发明涉及负荷监测技术领域,特别是涉及一种非侵入式负荷监测方法及***。
背景技术
随着城市化和工业化的进程逐步加快,全球的电力用量持续增加。普通居民用户总体用电量在用电总量中占比巨大,且存在着用电效率低,电力资源浪费严重等问题。有效的需求侧管理能够提高需求侧用电效率;而且能够合理配置电力资源。随着需求侧管理工作的推进,居民用户域负荷监测是实现需求侧智能管理的重要因素。通过负荷监测能够了解用户中各类负荷的实际能耗水平,实现能效数据的科学收集和管理,掌握各类用户的用电情况。
近年来,非侵入式负荷监测以其特有的简单易实现、经济成本低,可靠性高,数据完整性好的优势。在用户电力入口处采集的电力信号进行数据分析,通过分解辨识算法,利用负荷运行时的电力参数特征,结合提前手动构建的特征库中信息对用户内部负荷的用电情况与细节信息进行跟踪。但在实际中,通过提前手动为各用户构建特征库的方式工作量巨大,且负荷种类、品牌、型号多样,其电路参数不同,在运行中所呈现出的特征具有很大差异,现有的非侵入式负荷监测方法往往没有考虑不同用户使用负荷的差异,导致负荷监测精度不高。
发明内容
本发明的目的是提供一种非侵入式负荷监测方法及***,考虑了不同用户使用负荷的差异性,建立每一用户的边缘负荷特征库,能够有效提高负荷监测精度。
为实现上述目的,本发明提供了如下方案:
一种非侵入式负荷监测方法,包括:
获取每一用户电力入口处的总电压和总电流;
根据所述总电流判断用户负荷投切操作是否发生;若发生投切操作,则根据负荷投切前后电流的差值以及所述总电压确定投切负荷的电流波形和电压波形;若未发生投切操作,则返回步骤“获取每一用户电力入口处的总电压和总电流”;
根据所述投切负荷的电流波形和电压波形提取投切负荷的负荷特征;
对所述投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类;
将所述投切负荷的电流波形和电压波形以及所述投切负荷的种类存入用户边缘负荷特征库;
根据所述用户边缘负荷特征库对用户负荷进行监测。
可选的,所述负荷特征,具体包括:
负荷实体特征和负荷属性特征;
所述负荷实体特征包括负荷的线性与非线性特征、连续运行与间续运行特征、固定运行时间与非固定运行时间特征;
所述特征属性特征包括负荷的有功功率、无功功率、功率因数、电流畸变率、皮尔逊相关系数。
可选的,所述对所述投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类,具体包括:
对所述投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类;
根据确定好的相似负荷集合判断所述预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则对所述投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;若不存在相似负荷种类,则将所述预生成负荷种类确定为投切负荷的种类。
可选的,第一负荷分类模型的训练方法,具体包括:
获取多个待训练负荷;
提取所述待训练负荷的负荷特征;
根据所述待训练负荷的负荷特征相似度对所述待训练负荷进行聚类操作,得到聚类后的多种负荷类型;
根据所述聚类后的多种负荷类型采用梯度下降法对所述待训练负荷的负荷特征进行训练,得到训练好的第一负荷分类模型以及每一负荷类型下的负荷特征系数。
可选的,相似负荷的确定方法,具体包括:
根据所述负荷特征系数采用如下公式确定度量值:
式中,表示度量值,/>为负荷类型为ωn1的特征系数向量,n1表示第n1个负荷类型,/>为负荷类型为ωn2的特征系数向量,n2表示第n2个负荷类型, 表示第M种负荷特征的负荷特征系数;
将所述度量值小于预设值的负荷确定为相似负荷。
可选的,第二负荷分类模型的训练方法,具体包括:
提取所述相似负荷的负荷特征;
根据所述相似负荷的负荷类型采用梯度下降法对所述相似负荷的负荷特征进行训练,得到训练好的第二负荷分类模型以及相似负荷间的负荷特征系数。
本发明还提供一种非侵入式负荷监测***,包括:
总电压和总电流获取模块,用于获取每一用户电力入口处的总电压和总电流;
用户负荷投切操作判断模块,用于根据所述总电流判断用户负荷投切操作是否发生;若发生投切操作,则执行电流电压波形确定模块;若未发生投切操作,则执行总电压和总电流获取模块;
电流电压波形确定模块,用于根据负荷投切前后电流的差值以及所述总电压确定投切负荷的电流波形和电压波形;
投切负荷的负荷特征提取模块,用于根据所述投切负荷的电流波形和电压波形提取投切负荷的负荷特征;
投切负荷的种类确定模块,用于对所述投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类;
用户边缘负荷特征库建立模块,用于将所述投切负荷的电流波形和电压波形以及所述投切负荷的种类存入用户边缘负荷特征库;
负荷监测模块,用于根据所述用户边缘负荷特征库对用户负荷进行监测。
可选的,所述投切负荷的种类确定模块,具体包括:
预生成负荷种类确定单元,用于对所述投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类;
相似负荷种类判断单元,用于根据确定好的相似负荷集合判断所述预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则执行二次负荷种类确定单元;若不存在相似负荷种类,则执行投切负荷的种类确定单元;
二次负荷种类确定单元,用于对所述投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;
投切负荷的种类确定单元,用于将所述预生成负荷种类确定为投切负荷的种类。
与现有技术相比,本发明的有益效果是:
本发明提出了一种非侵入式负荷监测方法及***,只需要获取每一用户电力入口处的总电压和总电流,根据负荷投切前后电流的差值以及总电压得到了投切负荷的电流波形和电压波形,无需进入每一用户屋内,也无需在进行一个设备电压电流波形测量时对其他设备断电,做到了非侵入式负荷监测。通过投切负荷的电流波形和电压波形提取投切负荷的负荷特征,对投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类,将投切负荷的电流波形和电压波形以及投切负荷的种类存入用户边缘负荷特征库,实现了对用户负荷进行监测,还能够针对每一类负荷的用电量进行统计,便于对节约用电进行指导。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中非侵入式负荷监测方法流程图;
图2为本发明实施例中非侵入式负荷监测***结构图;
图3为本发明实施例中空调负荷特征示意图;
图4为本发明实施例中4种家用电器负荷特征示意图;
图5为本发明实施例中在2.25h采样时间内采集到的用户总电流变化曲线示意图;
图6为本发明实施例中负荷电压电流波形图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种非侵入式负荷监测方法及***,考虑了不同用户使用负荷的差异性,建立每一用户的边缘负荷特征库,能够有效提高负荷监测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
本发明提供了一种非侵入式负荷监测确定方法,图1为本发明实施例中非侵入式负荷监测方法流程图,如图1所示,该方法包括:
步骤101:获取每一用户电力入口处的总电压和总电流。
当家庭里有多个用电器同时处于工作状态时,其相互之间是并联的关系,且每条支路均处于稳定状态。当某用电器未处于使用当中时,该条支路可以看作为开路,通过电流为零。不同支路上的用电器彼此不产生影响,因此各个支路电压相等,且采集得到的总电压Umix(t)等于支路电压Ul(t),采集得到的总电流Imix(t)为各个支路电流Il(t)之和,即:
Umix(t)=Ul(t)l=1,2,…,L
其中,L为工作中的用电器总个数。
步骤102:根据总电流判断用户负荷投切操作是否发生;若发生投切操作,则执行步骤103;若未发生投切操作,返回步骤101。
当电路中有负荷发生投切时,电流强度是最明显的变化量。周期电流强度IRMS计算公式为:
ΔI=IRMS(q+1)-IRMS(q)
其中,T为一个周期的采样点数,Imix(n)为该周期电流的抽样值,q为电流的第q个周期。η为判定稳态电流发生突变的阈值,根据阈值η=0.1,判断是否有电流突变(即负荷投切)。将ΔI大于阈值η时判断为有负荷投切,小于等于阈值η时无负荷投切。
步骤103:根据负荷投切前后电流的差值以及总电压确定投切负荷的电流波形和电压波形。
负荷稳态电流的基波相角是由测量时电压的起始相位所决定,由于电流叠加性,计算负荷投切前后稳态电流之差获得独立负荷电流波形时需要保证在同一起始相位角的电压下测量稳态电流。
U(e)>0,U(e-1)<0
其中,e代表满足总电流公式的电流采样点。
根据总电流公式寻找负荷投切发生时所在周期q的前后两个周期,即第q-1个和第q+1个周期的电流采样点,并分别取一个周期的数据和/>
其中,Ik(n)代表投切负荷的电流波形,Uk(n)代表投切负荷的电压波形。
步骤104:根据投切负荷的电流波形和电压波形提取投切负荷的负荷特征。
负荷特征,具体包括:负荷实体特征和负荷属性特征。将电器的功能特性作为负荷实体特征,将电器运行特性作为负荷属性特征。
负荷实体特征包括负荷的线性与非线性特征、连续运行与间续运行特征、固定运行时间与非固定运行时间特征。
特征属性特征包括负荷的有功功率、无功功率、功率因数、电流畸变率、皮尔逊相关系数。
将电器运行特性作为负荷属性特征,独立采集各常用电器电压、电流信号,提取其稳态运行特征:
Fk=Γ(Uk,Ik)
式中:k为第k个电器负荷;Uk和Ik分别为负荷k的电压、电流信号;F为特征向量,F=[f1,f2,…,fm,…,fM],f为所提负荷特征,M为所提负荷特征个数;Г为特征提取函数,包括但不限于下式中所提特征:
式中,Pk和Qk为有功和无功功率;PFk为功率因数;THDk为电流畸变率;rk为该电流波形与构造的标准正弦波之间的皮尔逊相关系数;Ik,r表示构造的标准正弦波向量,Ik,r长度、峰值和频率与Ik相同。和/>分别为Ik和Ik,r的标准差;φ为电压和电流的相角,i为谐波次数,k为第k个电器负荷;Uk和Ik分别为负荷k的电压、电流信号,/>为负荷k的功率因数角。
步骤105:对投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类。
步骤105,具体包括:
对投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类。
根据确定好的相似负荷集合判断预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则对投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;若不存在相似负荷种类,则将预生成负荷种类确定为投切负荷的种类。
第一负荷分类模型的训练方法,具体包括:
1)获取多个待训练负荷。
2)提取待训练负荷的负荷特征。
3)根据待训练负荷的负荷特征相似度对待训练负荷进行聚类操作,得到聚类后的多种负荷类型。
由于不同特征的数值范围不同,将计算得到的特征f进行归一化处理,即:
f*=(f-fmin)/(fmax-fmin)
式中,fmax与fmin分别为负荷特征的最大与最小值;f*为特征归一化后的特征值,F*=[f1 *,f2 *,…,fm *,…,fM *]为归一化后的特征向量。
利用最小残差法衡量特征向量与不同负荷特征信息之间的负荷相似度dk,ω,即:
dk,ω=||Fk *-Fω *||
式中,Fk *为归一化后负荷k的特征向量,Fω *为图谱中已存的负荷类别为ω的特征信息向量。
与该负荷k进行知识融合的种类ωk通过下式得到:
ωk=arg mindk,ω
更新图谱中该类负荷特征信息,完成负荷特征信息知识融合,即:
4)根据聚类后的多种负荷类型采用梯度下降法对待训练负荷的负荷特征进行训练,得到训练好的第一负荷分类模型以及每一负荷类型下的负荷特征系数。
通过下式对负荷特征进行线性加权作为目标函数,即:
式中,fω,m为第ω类负荷中第m个特征,wω,m为第ω类负荷中第m个特征的系数,bω为第ω类负荷的训练偏置,pω为各负荷节点输出结果。
通过softmax层将结果以概率向量形式输出,通过最小二乘法计算损失,
即:
loss=||Label-S||
式中,N表示图谱中共有N个负荷,loss为计算损失,Label为训练真实标签,S为训练预测标签,S=[S1,S2,…Sω…]。
通过梯度下降法更新特征系数和训练偏置,即:
式中,wnew和bnew为更新后的特征系数和偏置,wold和bold为更新前的特征系数和偏置,α为训练步长。
通过反复训练迭代至参数收敛后,得到负荷知识图谱的特征系数。
相似负荷的确定方法,具体包括:
1)根据负荷特征系数采用如下公式确定度量值:
式中,表示度量值,/>为负荷类型为ωn1的特征系数向量,n1表示第n1个负荷类型,/>为负荷类型为ωn2的特征系数向量,n2表示第n2个负荷类型, 表示第M种负荷特征的负荷特征系数;
2)将度量值小于预设值的负荷确定为相似负荷。
第二负荷分类模型的训练方法,具体包括:
1)提取相似负荷的负荷特征。
2)根据相似负荷的负荷类型采用梯度下降法对相似负荷的负荷特征进行训练,得到训练好的第二负荷分类模型以及相似负荷间的负荷特征系数。
采用第一负荷分类模型的训练方法,对互为相似负荷的两类负荷ωn1和ωn2重新训练,将训练负荷种类上限改为2,待训练参数收敛后,确定相似负荷间的特征系数
根据负荷特征系数,基于提取到的负荷特征fk,m对负荷种类进行判断。具体为:
Lω=arg maxpω
其中,pω是负荷k属于类别ω的概率,Lω是负荷k的判断类别。
步骤106:将投切负荷的电流波形和电压波形以及投切负荷的种类存入用户边缘负荷特征库。
步骤107:根据用户边缘负荷特征库对用户负荷进行监测。
本发明只需要获取每一用户电力入口处的总电压和总电流,根据负荷投切前后电流的差值以及总电压得到了投切负荷的电流波形和电压波形,无需进入每一用户屋内,也无需在进行一个设备电压电流波形测量时对其他设备断电,做到了非侵入式负荷监测。通过投切负荷的电流波形和电压波形提取投切负荷的负荷特征,对投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类,将投切负荷的电流波形和电压波形以及投切负荷的种类存入用户边缘负荷特征库,实现了对用户负荷进行监测,还能够针对每一类负荷的用电量进行统计,便于对节约用电进行指导。
本发明还提供一种非侵入式负荷监测***,图2为本发明实施例中非侵入式负荷监测***结构图,如图2所示,该***包括:
总电压和总电流获取模块201,用于获取每一用户电力入口处的总电压和总电流。
用户负荷投切操作判断模块202,用于根据总电流判断用户负荷投切操作是否发生;若发生投切操作,则执行电流电压波形确定模块203;若未发生投切操作,则执行总电压和总电流获取模块201。
电流电压波形确定模块203,用于根据负荷投切前后电流的差值以及总电压确定投切负荷的电流波形和电压波形。
投切负荷的负荷特征提取模块204,用于根据投切负荷的电流波形和电压波形提取投切负荷的负荷特征。
投切负荷的种类确定模块205,用于对投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类。
投切负荷的种类确定模块205,具体包括:
预生成负荷种类确定单元,用于对投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类;
相似负荷种类判断单元,用于根据确定好的相似负荷集合判断预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则执行二次负荷种类确定单元;若不存在相似负荷种类,则执行投切负荷的种类确定单元;
二次负荷种类确定单元,用于对投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;
投切负荷的种类确定单元,用于将预生成负荷种类确定为投切负荷的种类。
用户边缘负荷特征库建立模块206,用于将投切负荷的电流波形和电压波形以及投切负荷的种类存入用户边缘负荷特征库。
负荷监测模块207,用于根据用户边缘负荷特征库对用户负荷进行监测。
对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
图3为空调负荷特征示意图,图4为4种家用电器负荷特征示意图。图4中仅对4种常见家用电器(空调、电视、电脑和电饭煲)的负荷特征进行展示,图4根据所选四种负荷和其八种特征构建的负荷特征知识图谱,其中虚线代表实体特征,实线代表属性特征,根据系数相似性,电视和电脑属于相似负荷。图3和图4中的数字表示负荷属于负荷特征的概率。
图5为在2.25h采样时间内采集到的用户总电流变化曲线示意图,并示出了在利用电流有效值突变检测到的负荷投切事件,在该时间范围内,有5个负荷投切事件。根据特征提取和特征聚类,事件2和事件3为相同类别负荷投切。
图6为引起图5中各投切事件提取得到的负荷电压电流波形图,其中事件3和事件4所代表的投切负荷根据其波形特征被聚为相似负荷。由波形可知,其中事件2代表该负荷关闭,事件3代表该负荷开启。
表1为通过负荷特征知识图谱对图5所示负荷波形种类判断的分类混淆矩阵。从表1事件概率的高低可以看出,事件1的负荷类型为电饭煲,事件2和事件3的负荷类型均为电视,事件4的负荷类型为电脑,事件5的负荷类型为空调。事件2和事件3同为同种类型负荷,事件3和事件4为相似负荷。
表1事件概率
概率 | 电饭煲 | 电视 | 电脑 | 空调 |
事件1 | 0.9186 | 0.0551 | 0.0027 | 0.0234 |
事件2 | 0.4390 | 0.6855 | 0.2684 | 0.0021 |
事件3 | 0.4770 | 0.7313 | 0.2149 | 0.0610 |
事件4 | 0.0061 | 0.2930 | 0.9468 | 0.1790 |
事件5 | 0.0071 | 0.0318 | 0.0042 | 0.9569 |
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种非侵入式负荷监测方法,其特征在于,包括:
获取每一用户电力入口处的总电压和总电流;
根据所述总电流判断用户负荷投切操作是否发生;若发生投切操作,则根据负荷投切前后电流的差值以及所述总电压确定投切负荷的电流波形和电压波形;若未发生投切操作,则返回步骤“获取每一用户电力入口处的总电压和总电流”;
根据所述投切负荷的电流波形和电压波形提取投切负荷的负荷特征;
对所述投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类;具体包括:
对所述投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类;
根据确定好的相似负荷集合判断所述预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则对所述投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;若不存在相似负荷种类,则将所述预生成负荷种类确定为投切负荷的种类;
将所述投切负荷的电流波形和电压波形以及所述投切负荷的种类存入用户边缘负荷特征库;
根据所述用户边缘负荷特征库对用户负荷进行监测。
2.根据权利要求1所述的非侵入式负荷监测方法,其特征在于,所述负荷特征,具体包括:
负荷实体特征和负荷属性特征;
所述负荷实体特征包括负荷的线性与非线性特征、连续运行与间续运行特征、固定运行时间与非固定运行时间特征;
所述负荷属性特征包括负荷的有功功率、无功功率、功率因数、电流畸变率、皮尔逊相关系数。
3.根据权利要求1所述的非侵入式负荷监测方法,其特征在于,第一负荷分类模型的训练方法,具体包括:
获取多个待训练负荷;
提取所述待训练负荷的负荷特征;
根据所述待训练负荷的负荷特征相似度对所述待训练负荷进行聚类操作,得到聚类后的多种负荷类型;
根据所述聚类后的多种负荷类型采用梯度下降法对所述待训练负荷的负荷特征进行训练,得到训练好的第一负荷分类模型以及每一负荷类型下的负荷特征系数。
4.根据权利要求3所述的非侵入式负荷监测方法,其特征在于,相似负荷的确定方法,具体包括:
根据所述负荷特征系数采用如下公式确定度量值:
式中,表示度量值,/>为负荷类型为ωn1的特征系数向量,n1表示第n1个负荷类型,/>为负荷类型为ωn2的特征系数向量,n2表示第n2个负荷类型, 表示第M种负荷特征的负荷特征系数;
将所述度量值小于预设值的负荷确定为相似负荷。
5.根据权利要求4所述的非侵入式负荷监测方法,其特征在于,第二负荷分类模型的训练方法,具体包括:
提取所述相似负荷的负荷特征;
根据所述相似负荷的负荷类型采用梯度下降法对所述相似负荷的负荷特征进行训练,得到训练好的第二负荷分类模型以及相似负荷间的负荷特征系数。
6.一种非侵入式负荷监测***,其特征在于,包括:
总电压和总电流获取模块,用于获取每一用户电力入口处的总电压和总电流;
用户负荷投切操作判断模块,用于根据所述总电流判断用户负荷投切操作是否发生;若发生投切操作,则执行电流电压波形确定模块;若未发生投切操作,则执行总电压和总电流获取模块;
电流电压波形确定模块,用于根据负荷投切前后电流的差值以及所述总电压确定投切负荷的电流波形和电压波形;
投切负荷的负荷特征提取模块,用于根据所述投切负荷的电流波形和电压波形提取投切负荷的负荷特征;
投切负荷的种类确定模块,用于对所述投切负荷的负荷特征采用训练好的负荷分类模型进行负荷种类判断,得到投切负荷的种类;
用户边缘负荷特征库建立模块,用于将所述投切负荷的电流波形和电压波形以及所述投切负荷的种类存入用户边缘负荷特征库;
负荷监测模块,用于根据所述用户边缘负荷特征库对用户负荷进行监测;
所述投切负荷的种类确定模块,具体包括:
预生成负荷种类确定单元,用于对所述投切负荷的负荷特征采用训练好的第一负荷分类模型进行负荷种类判断,得到预生成负荷种类;
相似负荷种类判断单元,用于根据确定好的相似负荷集合判断所述预生成负荷种类是否存在相似负荷种类;若存在相似负荷种类,则执行二次负荷种类确定单元;若不存在相似负荷种类,则执行投切负荷的种类确定单元;
二次负荷种类确定单元,用于对所述投切负荷的负荷特征采用训练好的第二负荷分类模型进行负荷种类判断,得到投切负荷的种类;
投切负荷的种类确定单元,用于将所述预生成负荷种类确定为投切负荷的种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035793.6A CN111209976B (zh) | 2020-01-14 | 2020-01-14 | 一种非侵入式负荷监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035793.6A CN111209976B (zh) | 2020-01-14 | 2020-01-14 | 一种非侵入式负荷监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209976A CN111209976A (zh) | 2020-05-29 |
CN111209976B true CN111209976B (zh) | 2023-07-21 |
Family
ID=70786770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035793.6A Active CN111209976B (zh) | 2020-01-14 | 2020-01-14 | 一种非侵入式负荷监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209976B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396007B (zh) * | 2020-11-24 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 一种非侵入式居民负荷突变事件三阈值检测方法和*** |
CN112701683A (zh) * | 2020-12-23 | 2021-04-23 | 国网黑龙江省电力有限公司双鸭山供电公司 | 非侵入式负荷检测与分解方法、***以及存储介质 |
CN113255236B (zh) * | 2021-07-07 | 2021-10-08 | 浙江大学 | 基于孪生网络的非侵入式负荷自适应识别方法 |
CN114239762A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及*** |
WO2023236197A1 (zh) * | 2022-06-10 | 2023-12-14 | 深圳市正浩创新科技股份有限公司 | 负荷辨识方法、计算机可读存储介质及设备 |
CN116859169B (zh) * | 2023-09-01 | 2023-11-17 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷分解方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10016999A1 (de) * | 2000-04-05 | 2001-10-18 | Siemens Ag | Verfahren und Schaltungsanordnung zum Anschalten einer reaktiven Last an eine Wechselstromquelle |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021736B (zh) * | 2017-11-08 | 2020-06-16 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
-
2020
- 2020-01-14 CN CN202010035793.6A patent/CN111209976B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10016999A1 (de) * | 2000-04-05 | 2001-10-18 | Siemens Ag | Verfahren und Schaltungsanordnung zum Anschalten einer reaktiven Last an eine Wechselstromquelle |
Non-Patent Citations (1)
Title |
---|
Research on Non-intrusive Load Identification Technology Based on Deep Learning;ShengBo SUN et al.;《2019 IEEE 3rd Conference on Energy Internet and Energy System Integration》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111209976A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209976B (zh) | 一种非侵入式负荷监测方法及*** | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN107025365B (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
Heo et al. | Toward load identification based on the Hilbert transform and sequence to sequence long short-term memory | |
CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
CN103116098B (zh) | 一种基于互相关系数的家用电器运行状态识别方法 | |
CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
CN108918932A (zh) | 负荷分解中功率信号自适应滤波方法 | |
CN113191253A (zh) | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN111949707B (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
CN113361831A (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及*** | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
Mei et al. | Random forest based adaptive non-intrusive load identification | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
CN110009231A (zh) | 一种基于重复性和熵权区分性的用电负荷识别方法及装置 | |
CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
CN110896218B (zh) | 一种用于建立集合性居民负荷的谐波建模方法及*** | |
Liu et al. | Nonintrusive load disaggregation combining with external attention mechanism and Seq2Piont | |
CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
CN111948446A (zh) | 一种自适应的负荷识别方法以及智能电能表 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |