CN111259869A - 一种非侵入式电气集群负载故障识别方法 - Google Patents
一种非侵入式电气集群负载故障识别方法 Download PDFInfo
- Publication number
- CN111259869A CN111259869A CN202010165826.9A CN202010165826A CN111259869A CN 111259869 A CN111259869 A CN 111259869A CN 202010165826 A CN202010165826 A CN 202010165826A CN 111259869 A CN111259869 A CN 111259869A
- Authority
- CN
- China
- Prior art keywords
- load
- fault
- electrical
- electrical load
- identifying
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007635 classification algorithm Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开的非侵入式电气集群负载故障识别方法，涉及电力技术领域，通过获取负载总线上的电气负荷信号，对电气负荷信号进行去噪，采用基于改进的K最近邻分类算法，识别电气负荷信号，得到电气负荷信号对应的负载类型，根据负载类型，得到发生故障的负载，根据发生故障的负载，识别负载发生的故障，提高了对负载故障识别的精度，实现了对负载存在的故障及隐患进行预警，改善了电器火灾监控***存在的不能及时预警的问题。
Description
技术领域
本发明涉及电力技术领域，具体涉及一种非侵入式电气集群负载故障识别方法。
背景技术
目前对负载故障的识别主要通过K最近邻分类算法，该算法存在以下缺陷：
K最近邻分类算法虽然考虑K个样本中最大概率的种类作为未知样本所属种类，这从一定程度上降低了依赖单一样本的距离判断所属种类的风险，但由于该算法没有提出K值的确定依据，导致了K值确定的盲目性。由于K值直接决定了K最近邻分类算法的准确率，如果K值过小，则存在误识别的高风险；若K值过大，则有可能包含了太多非正确种类的样本，也有可能导致误识别。
综上可知，采用K最近邻分类算法对负载故障的识别的精确度不高。
发明内容
为解决现有技术的不足，本发明实施例提供了一种非侵入式电气集群负载故障识别方法。
本发明实施例提供的非侵入式电气集群负载故障识别方法包括以下步骤：
获取负载总线上的电气负荷信号；
对所述电气负荷信号进行去噪；
采用基于改进的K最近邻分类算法，识别所述电气负荷信号，得到所述电气负荷信号对应的负载类型；
根据所述负载类型，得到发生故障的负载；
根据发生故障的负载，识别所述负载发生的故障。
优选地，采用基于改进的K最近邻分类算法，识别所述电气负荷信号，得到电气负荷信号的类型还包括：
将未识别的电气负荷信号推送用户端进行辅助处理，通过用户端判断是否存在负载启停或者用电异常情况。
优选地，在根据发生故障的负载，识别所述负载发生的故障之后，所述方法还包括：
利用多因素耦合分析方法，对所述负载的性能特征进行分析并利用利用小波包与匹配跟踪方法提取所述性能特征；
利用基于BP神经网络的曲线拟合技术，对所述性能特征分布以及时域进行预测，实现对所述性能特征的分布预警。
优选地，在根据发生故障的负载，识别所述负载发生的故障之后，所述方法还包括：
利用人工智能技术，对所述性能特征的发展趋势进行分析，实现对所述性能特征的极早期预警。
本发明实施例提供的非侵入式电气集群负载故障识别方法具有以下有益效果：
采用基于改进的K最近邻分类算法，提高了对负载故障识别的精度，实现了对负载存在的故障及隐患进行预警，改善了电器火灾监控***存在的不能及时预警的问题。
附图说明
图1为本发明实施例提供的非侵入式电气集群负载故障识别方法流程示意图；
图2为本发明实施例提供的对功率的时间分布预警示意图；
图3为本发明实施例提供的对功率的预测预警示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
参照图1，本发明实施例提供的非侵入式电气集群负载故障识别方法包括以下步骤：
S101，获取负载总线上的电气负荷信号。
S102，对电气负荷信号进行去噪。
作为一个具体的实施例，采用Kalman滤波方法对电气负荷信号进行去噪。其中，数据滤波是除噪声还原真实数据的一种数据处理技术，Kalman滤波方法在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态***的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波方法是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。
S103，采用基于改进的K最近邻分类算法，识别电气负荷信号，得到电气负荷信号对应的负载类型。
其中，基于改进的K最近邻分类算法的改进过程为：
将K最近邻分类算法设计为三维度的特征算法，采用高斯函数进行不同距离的样本的权重优化，当训练样本与测试样本距离增加时，该距离的样本的权重减小。给更近的邻居分配更大的权重，而较远的邻居的权重相应地减少，取其加权平均。由此大大提升了识别精度和识别效率。其中，K的值采用bp神经网络并利用大量标准数据集进行深度学习训练确定，利用欧几里得距离计算公式计算n维空间点间的欧氏距离，采用高斯函数为每个n维空间点的距离增加一个权重，使得距离近的点可以得到更大的权重。在对电气负荷信号进行识别时，将电气负荷信号对应各个负载的类型预测的权重值相加，哪个类型负载的权重值最大，负载就属于哪个类。
S104，根据负载类型，得到发生故障的负载。
S105，根据发生故障的负载，识别负载发生的故障。
可选地，采用基于改进的K最近邻分类算法，识别电气负荷信号，得到电气负荷信号的类型还包括：
将未识别的电气负荷信号推送用户端进行辅助处理，通过用户端判断是否存在负载启停或者用电异常情况。
可选地，在根据发生故障的负载，识别负载发生的故障之后，该方法还包括：
利用多因素耦合分析方法，对所述负载的性能特征进行分析并利用利用小波包与匹配跟踪方法提取性能特征；
利用基于BP神经网络的曲线拟合技术，对性能特征分布以及时域进行预测，实现对性能特征的分布预警。
其中，性能特征包括负载工作时的温度、电流、功率因数、相位角、功率、频率。
作为一个具体的实施例，对功率的时间分布预警如图2所示。
可选地，在根据发生故障的负载，识别负载发生的故障之后，该方法还包括：
利用人工智能技术，对性能特征的发展趋势进行分析，实现对性能特征的极早期预警。
作为一个具体的实施例，对功率的预测预警如图3所示。
下面对本发明实施例提供的非侵入式电气集群负载故障识别方法的效果进行试验验证：
实验数据来源于高精度专用三相专用电能计量设备，通过长期采集九阳热水壶、白炽灯、节能灯、奥克斯风扇、美的微波炉、HP激光打印机和饮水机的启停，验证结果如下：
本发明实施例提供的非侵入式电气集群负载故障识别方法，通过获取负载总线上的电气负荷信号，对电气负荷信号进行去噪，采用基于改进的K最近邻分类算法，识别电气负荷信号，得到电气负荷信号对应的负载类型，根据负载类型，得到发生故障的负载，根据发生故障的负载，识别负载发生的故障，提高了对负载故障识别的精度，实现了对负载存在的故障及隐患进行预警，改善了电器火灾监控***存在的不能及时预警的问题。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (4)
1.一种非侵入式电气集群负载故障识别方法，其特征在于，包括：
获取负载总线上的电气负荷信号；
对所述电气负荷信号进行去噪；
采用基于改进的K最近邻分类算法，识别所述电气负荷信号，得到所述电气负荷信号对应的负载类型；
根据所述负载类型，得到发生故障的负载；
根据发生故障的负载，识别所述负载发生的故障。
2.根据权利要求1所述的非侵入式用电负荷识别方法，其特征在于，采用基于改进的K最近邻分类算法，识别所述电气负荷信号，得到电气负荷信号的类型还包括：
将未识别的电气负荷信号推送用户端进行辅助处理，通过用户端判断是否存在负载启停或者用电异常情况。
3.根据权利要求1所述的非侵入式用电负荷识别方法，其特征在于，在根据发生故障的负载，识别所述负载发生的故障之后，所述方法还包括：
利用多因素耦合分析方法，对所述负载的性能特征进行分析并利用利用小波包与匹配跟踪方法提取所述性能特征；
利用基于BP神经网络的曲线拟合技术，对所述性能特征分布以及时域进行预测，实现对所述性能特征的分布预警。
4.根据权利要求1所述的非侵入式用电负荷识别方法，其特征在于，在根据发生故障的负载，识别所述负载发生的故障之后，所述方法还包括：
利用人工智能技术，对所述性能特征的发展趋势进行分析，实现对所述性能特征的极早期预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165826.9A CN111259869A (zh) | 2020-03-11 | 2020-03-11 | 一种非侵入式电气集群负载故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165826.9A CN111259869A (zh) | 2020-03-11 | 2020-03-11 | 一种非侵入式电气集群负载故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111259869A true CN111259869A (zh) | 2020-06-09 |
Family
ID=70953141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010165826.9A Pending CN111259869A (zh) | 2020-03-11 | 2020-03-11 | 一种非侵入式电气集群负载故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259869A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
| CN113325248A (zh) * | 2021-04-13 | 2021-08-31 | 清科优能(深圳)技术有限公司 | 基于边缘计算的房屋非侵入式负荷智能识别*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037653A2 (en) * | 2000-10-30 | 2002-05-10 | Ng, Yum-Meng | A method and apparatus for automatically detecting and managing an ac power fault |
| CN108459222A (zh) * | 2018-03-22 | 2018-08-28 | 中国海洋大学 | 一种电器故障检测方法及*** |
| CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试*** |
| CN109376752A (zh) * | 2018-08-28 | 2019-02-22 | 北京邮电大学 | 一种基于不平衡数据集的ptm-wknn分类方法和装置 |
-
2020
- 2020-03-11 CN CN202010165826.9A patent/CN111259869A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037653A2 (en) * | 2000-10-30 | 2002-05-10 | Ng, Yum-Meng | A method and apparatus for automatically detecting and managing an ac power fault |
| CN108459222A (zh) * | 2018-03-22 | 2018-08-28 | 中国海洋大学 | 一种电器故障检测方法及*** |
| CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试*** |
| CN109376752A (zh) * | 2018-08-28 | 2019-02-22 | 北京邮电大学 | 一种基于不平衡数据集的ptm-wknn分类方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
| CN112686144B (zh) * | 2020-12-29 | 2022-03-08 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
| CN113325248A (zh) * | 2021-04-13 | 2021-08-31 | 清科优能(深圳)技术有限公司 | 基于边缘计算的房屋非侵入式负荷智能识别*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
| Dos Santos et al. | Stator winding short-circuit fault diagnosis in induction motors using random forest | |
| De Baets et al. | VI-based appliance classification using aggregated power consumption data | |
| CN110310129B (zh) | 风险识别方法及其*** | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN111259869A (zh) | 一种非侵入式电气集群负载故障识别方法 | |
| CN115440292B (zh) | 存储芯片的测试方法、装置、设备及存储介质 | |
| CN111105786B (zh) | 一种多采样率语音识别方法、装置、***及存储介质 | |
| KR20200052424A (ko) | 시계열 데이터 세그먼테이션 방법 및 그 장치 | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| WO2020246944A1 (en) | Method and system for attack detection in a sensor network of a networked control system | |
| CN117471227B (zh) | 汽车线束参数性能测试方法及测试*** | |
| CN114911800A (zh) | 电力***的故障预测方法、装置以及电子设备 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力***异常事件快速识别方法 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN115079052A (zh) | 一种变压器故障诊断方法和*** | |
| CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
| US11122065B2 (en) | Adaptive anomaly detection for computer systems | |
| CN115186772A (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
| CN111127814B (zh) | 火警识别方法以及相关装置 | |
| CN114859270A (zh) | 一种变压器绕组故障诊断方法及*** | |
| CN114202224A (zh) | 用于检测生产环境中焊接质量的方法、设备、介质及程序产品 | |
| US20150268062A1 (en) | Detecting a selected mode of household use |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |