CN111291328B - 一种基于精细斜率的暂态事件识别方法、***以及设备 - Google Patents
一种基于精细斜率的暂态事件识别方法、***以及设备 Download PDFInfo
- Publication number
- CN111291328B CN111291328B CN202010130316.8A CN202010130316A CN111291328B CN 111291328 B CN111291328 B CN 111291328B CN 202010130316 A CN202010130316 A CN 202010130316A CN 111291328 B CN111291328 B CN 111291328B
- Authority
- CN
- China
- Prior art keywords
- period
- variance
- fine slope
- slope
- transient event
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于精细斜率的暂态事件识别方法、***以及设备,本发明包括以下步骤:采集E种电器设备在不同排列组合运行情况下的工作特征数据;将经过预处理后的工作特征数据进行分割,生成周期时间段序列;计算周期时间段序列中每个周期对应的精细斜率值的方差;计算每个周期相邻时间段的方差比值和方差差值;计算精细斜率方差差值阈值和精细斜率方差比值阈值并进行暂态事件判断。本发明实施例通过求解精细斜率特征来反映电器运作时的波形特性,通过精细斜率特征对于大部分电器进行暂态事件识别并且通过求解出精细斜率方差差值阈值和精细斜率方差比值阈值兼顾了几乎全部有可能出现的电器投切状态,大大提高了对暂态事件的识别的准确度。
Description
技术领域
本发明涉及电力***暂态分析技术领域,尤其涉及一种基于精细斜率的暂态事件识别方法、***以及设备。
背景技术
传统的电力负荷监测方法因成本高、效率低等特点,在应用上受到很大限制。而非侵入式负荷检测(non-intrusive load monitoring,NILM)技术仅需在电网的用户入口处安装一个相关传感器而达到监测电器设备工作的功效,因此非侵入式负荷检测技术受到电力负荷检测工作者的青睐。
现阶段,非侵入式负荷监测的研究主要集中在负荷稳态特征识别技术等。但负荷稳态识别的效率和准确性在工业应用上存在一定的局限性,从而利用负荷暂态特征来辨识负荷及其运行状态成为NILM发展的另一个负荷监测关键技术。基于暂态特征进行负荷识别技术的关键是电器设备投切时刻的精准捕捉技术和方法。对于电器设备投切时刻的精准捕捉技术和方法,相关的技术方案有有功功率阈值法以及基于滑动窗的双边累积和暂态事件自动检测算法。国内外研究成果表明,暂态事件识别方法基本都是根据相关信号(电流有效值、有功功率等特征)的变化特征来做出判断的传统阈值法,该方法需要根据专家经验确定相应的阈值,缺乏科学的确定阈值的方法,准确率低,同时该方法容易受到***噪声的影响、抗干扰能力弱,对于低功率电器设备暂态投切事件捕捉效果差,操作也不方便。
综上所述,现有技术中对暂态事件识别方法需要根据人为经验确定相应的阈值,存在着识别准确率低的技术问题。
发明内容
本发明提供了一种基于精细斜率的暂态事件识别方法、***以及设备,解决现有技术中对暂态事件识别方法需要根据人为经验确定相应的阈值,导致识别准确率低的技术问题。
本发明提供的一种基于精细斜率的暂态事件识别方法,包括以下步骤:
以预设的周期采集E种电器设备在不同排列组合运行情况下的工作特征数据;
对每一种排列组合的工作特征数据进行预处理;
将经过预处理后的工作特征数据进行分割,生成周期时间段序列;
计算周期时间段序列中每个周期对应的精细斜率值的方差;
根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;
根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
优选的,工作特征数据包含稳态过程的高频电流数据和高频电压数据。
优选的,预处理的过程为对工作特征数据进行小波降噪处理以及插值处理,得到的高频电流数据序列和高频电压数据序列。
优选的,生成周期时间段序列的具体过程如下:
以第一个工作特征数据采样点为起点,以一个周期的工作特征数据采样点数n为单位,将电流数据序列和电压数据序列进行分割,生成周期时间段序列Tn(T1,T2,…,TTn),其中Tn表示周期总数。
优选的,计算周期时间段序列中每个周期对应的精细斜率值的方差的具体过程为:
计算每个周期中相邻伪采样点的斜率:
根据每个周期中相邻伪采样点的斜率,计算每个周期对应的精细斜率:
根据每个周期对应的精细斜率,计算每个周期的精细斜率的平均值;
根据每个周期的精细斜率的平均值计算精细斜率值的方差。
优选的,进行暂态事件判断的具体过程如下:
统计每个周期时间段序列中满足ΔSkpjj小于精细斜率方差差值阈值且Rkpjj小于精细斜率方差比值阈值的时间段所占的比例P(l),并根据P(l)的值判断暂态事件;其中,Rkpjj和ΔSkpjj分别表示第p种排列组合的高频稳态电流和高频稳态电压数据中第jj个时间段的方差比值和方差差值特征。
优选的,并根据P(l)的值判断暂态事件的具体过程如下:
设定最小阈值p1,最大阈值p2;
若P(l)<p1,则表示该时间段处于稳态过程;
若p1<P(l)<p2,则表示该时间段处于暂态事件预警过程;
若P(l)>p2,则表示该时间段处于暂态过程。
优选的,若处于暂态状态,记录暂态过程持续的时间。
一种基于精细斜率的暂态事件识别***,包括数据采集模块、预处理模块、数据分割模块、计算模块以及暂态事件判断模块;
所述数据采集模块用于以预设的周期采集E种电器设备在不同排列组合运行情况下的工作特征数据;
所述预处理模块用于对每一种排列组合的工作特征数据进行预处理;
所述数据分割模块用于将经过预处理后的工作特征数据进行分割,生成周期时间段序列;
所述计算模块用于计算周期时间段序列中每个周期对应的精细斜率值的方差;根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
所述暂态事件判断模块用于根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
一种基于精细斜率的暂态事件识别设备,包括所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述的一种基于精细斜率的暂态事件识别方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明实施例通过求解精细斜率特征来反映电器运作时的波形特性,由于每个电器都有自身独特的波形数据,因此,精细斜率特征对于大部分电器包括低功率电器的暂态事件识别效果都非常优越,并且通过求解出精细斜率方差差值阈值和精细斜率方差比值阈值兼顾了几乎全部有可能出现的电器投切状态,大大提高了对暂态事件的识别的准确度。
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,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于精细斜率的暂态事件识别方法、***以及设备的方法流程图。
图2为本发明实施例提供的一种基于精细斜率的暂态事件识别方法、***以及设备的***结构图。
图3为本发明实施例提供的一种基于精细斜率的暂态事件识别方法、***以及设备的设备结构图。
图4为本发明实施例提供的一种基于精细斜率的暂态事件识别方法、***以及设备的时间段生成方法逻辑图解。
具体实施方式
本发明实施例提供了一种基于精细斜率的暂态事件识别方法、***以及设备,解决现有技术中对暂态事件识别方法需要根据人为经验确定相应的阈值,导致识别准确率低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本实施例目的在于克服现有需要根据人为经验确定相应的阈值的不足,提出一种基于精细斜率的暂态事件识别方法、***以及设备。本能够有效解决低功率电器设备暂态事件识别效果差的缺陷、能够有效提高暂态事件识别准确率以及可操作性。
以下介绍常见的电器设备暂态事件识别方法:
(1)有功功率阈值法:该方法通过采集用户侧的功率值,按采样先后顺序排列,获取功率序列;计算功率序列的0.5百分位数,作为阈值;计算功率差分序列。判断功率差分序列中的每一项绝对值是否超过阈值,超过阈值的点作为一个变点并记录,按照功率差分序列中对应元素的顺序排列,形成变点序列;根据变点序列,通过事件起点计算方法求得暂态事件起点序列和稳态事件起点序列。
(2)基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算法:该算法理论是基于序贯分析原理中的序贯概率比检测理论,获取电流、电压、有功功率等相关信号的数据序列,对数据序列进行滑动窗差值累积,将过程中的小偏移不断累积起来,达到放大的效果,并根据预设阈值判断每一次累计结果是否满足暂态事件发生阈值条件,从而实现暂态事件检测。
(3)电流有效值阈值法:根据所获原始电流数据计算电流有效值:当在一个时间段内的所述电流有效值的连续变化幅度不小于第一预设阔值,且该时间段结束时刻的电流有效值与该时间段开始时刻的电流有效值之差大于第二预设阔值时,判断事件发生。
从以上三种方法流程可知,这三种方法都是基于人为判断的传统阈值法,其都具有传统阈值法的多种缺点。
请参阅图1,图1为本发明实施例提供的一种基于精细斜率的暂态事件识别方法、***以及设备的方法流程图。
如图1所示,本发明实施例提供的一种基于精细斜率的暂态事件识别方法,包括以下步骤:
以预设的周期Time采集E种电器设备在不同排列组合运行情况下的工作特征数据;由于共有E种电器设备,故组合方式共有p=2E种。
对每一种排列组合的工作特征数据进行预处理;
将经过预处理后的工作特征数据进行分割,生成周期时间段序列;
计算周期时间段序列中每个周期对应的精细斜率值的方差;
根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;
根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
作为一个优选的实施例,工作特征数据包含稳态过程的高频电流数据ik1,ik2,...,ikn和高频电压数据uk1,uk2,...,ukn,其中k表示第k种排列组合方式,具体排列组合方式如表1所示。
表1:p种排列组合方式下收集到的工作特征数据
作为一个优选的实施例,预处理的过程为对工作特征数据进行小波降噪处理以及插值处理,得到的高频电流数据序列(I1,I2,…,Im)和高频电压数据序列(U1,U2,…,Um),其中m表示经过插值处理后的总工作特征数据采样点数,Im和Um表示第m个点的瞬时电流值和瞬时电压值。
作为一个优选的实施例,生成周期时间段序列的具体过程如下:
以第一个工作特征数据采样点为起点,以一个周期的工作特征数据采样点数n为单位,将电流数据序列和电压数据序列进行分割,生成周期时间段序列Tn(T1,T2,…,TTn),其中Tn表示周期总数,具体处理如下述:
以第一个采样点为起点,以一个周期的采样点数n为单位,生成第一周期:
以第n+1个采样点为起点,以一个周期的采样点数n为单位,生成第二周期:
依次类推,生成周期时间序列(T1,T2,…,TTn)。
进一步的,以t个周期为单位,以一个周期为步长,将周期时间段序列进行分割,生成时间段序列(t1,t2,…,tTn-t),其中Tn-t表示时间段总数,具体处理如下述:
(1)记预设周期数为t,以t个周期为单位,生成第一时间段t1=(T1,T2,...,Tt);
(2)以一个周期为步长,生成第二时间段t2=(T2,T3,…,Tt+1);
(3)依次类推,以t个周期为单位,以一个周期为步长,生成时间段序列(t1,t2,…,tTn-t);
图4为时间段生成方法逻辑图解,其中m表示总采样点数,n表示每个周期包含的采样点数,Tn表示总周期数,Tn-t表示总时间段数。
作为一个优选的实施例,计算周期时间段序列中每个周期对应的精细斜率值的方差的具体过程为:
计算每个周期中相邻伪采样点的斜率:
得到每个周期中相邻伪采样点的斜率序列(kj,1,kj,2,…,kj,n-1,),j∈[1,Tn],Tn表示周期总数,kj,n-1,表示第j个周期第n-1个采样时间点的斜率。
根据每个周期中相邻伪采样点的斜率,计算每个周期对应的精细斜率:
得到每个周期对应的精细斜率(Ak1,Ak2,…,Akj),j∈[1,Tn],Tn表示周期总数,Akj,n-1,表示第j个周期对应的精细斜率。
根据每个周期对应的精细斜率,计算每个周期的精细斜率的平均值;
进一步的,计算相邻时间段的方差比值和方差差值特征,具体包括:
(1)计算相邻时间段的方差比值
(2)计算相邻时间段的方差差值特征
结合p种排列组合生成的高频电压和高频电流数据,得到每种排列组合情况对应的方差特征值:
(1)计算相邻时间段的方差比值
(2)计算相邻时间段的方差差值特征
其中Rkpjj和ΔSkpjj分别表示第p种排列组合的高频稳态电流和高频稳态电压数据中第jj个时间段的方差比值和方差差值特征。
进一步的,根据得到ΔSkpjj和Rkpjj,利用正态分布模型获得精细斜率方差差值阈值Skon和精细斜率方差比值阈值Rkon,该过程介绍如下:
经过实验验证得知方差特征ΔSkpjj和Rkpjj的分布均分别符合正态分布N(μ,σ2)事件,因此通过3σ原则分别计算出精细斜率方差差值ΔSkpjj和精细斜率方差比值Rkpjj落在(μ-3σ,μ+3σ)范围内的两个界线S1,S2,R1,R2,得到对应的精细斜率方差差值阈值Skon和精细斜率方差比值阈值Rkon分别等于:
Skon=S2
Rkon=R2。
作为一个优选的实施例,进行暂态事件判断的具体过程如下:
统计每个周期时间段序列中满足ΔSkpjj小于精细斜率方差差值阈值且Rkpjj小于精细斜率方差比值阈值的时间段所占的比例P(l),并根据P(l)的值判断暂态事件。
具体表示为:
每个周期时间段L内满足阈值条件的时间段所占的比例:
作为一个优选的实施例,并根据P(l)的值判断暂态事件的具体过程如下:
设定最小阈值p1,最大阈值p2;
若P(l)<p1,则表示该时间段处于稳态过程;
若p1<P(l)<p2,则表示该时间段处于暂态事件预警过程;
若P(l)>p2,则表示该时间段处于暂态过程。
作为一个优选的实施例,若处于暂态状态,记录暂态过程持续的时间,具体过程如下:取该时间段中第一个时间段的开始时间为TSTARTOREND;
记采集采样周期Time秒中第一个TSTARTOREND为暂态事件过程的起始时间Tstart,记采集采样周期Time秒中最后一个TSTARTOREND为暂态事件过程的结束时间Tend;
记暂态事件持续时间为C,C=Tend-Tstart。
如图2所示,一种基于精细斜率的暂态事件识别***,包括:
数据采集模块201、预处理模块202、数据分割模块203、计算模块204以及暂态事件判断模块205;
所述数据采集模块201用于以预设的周期采集E种电器设备在不同排列组合运行情况下的工作特征数据;
所述预处理模块202用于对每一种排列组合的工作特征数据进行预处理;
所述数据分割模块203用于将经过预处理后的工作特征数据进行分割,生成周期时间段序列;
所述计算模块204用于计算周期时间段序列中每个周期对应的精细斜率值的方差;根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
所述暂态事件判断模块205用于根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
如图3所示,一种基于精细斜率的暂态事件识别设备30,所述设备包括处理器300以及存储器301;
所述存储器301用于存储程序代码302,并将所述程序代码302传输给所述处理器;
所述处理器300用于根据所述程序代码302中的指令执行上述的一种基于精细斜率的暂态事件识别方法实施例中的步骤。
示例性的,所述计算机程序302可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器301中,并由所述处理器300执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器300、存储器301。本领域技术人员可以理解,图3仅仅是终端设备30的示例,并不构成对终端设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元,例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备,例如所述终端设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。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。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于精细斜率的暂态事件识别方法,其特征在于,包括以下步骤:
以预设的周期采集E种电器设备在不同排列组合运行情况下的工作特征数据;
对每一种排列组合的工作特征数据进行预处理;
将经过预处理后的工作特征数据进行分割,生成周期时间段序列,具体为:
以第一个工作特征数据采样点为起点,以一个周期的工作特征数据采样点数n为单位,将电流数据序列和电压数据序列进行分割,生成周期时间段序列Tn(T1,T2,…,TTn),其中Tn表示周期总数;
计算周期时间段序列中每个周期对应的精细斜率值的方差,具体为:
计算每个周期中相邻伪采样点的斜率:
根据每个周期中相邻伪采样点的斜率,计算每个周期对应的精细斜率:
根据每个周期对应的精细斜率,计算每个周期的精细斜率的平均值;
根据每个周期的精细斜率的平均值计算精细斜率值的方差;
根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;
根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
2.根据权利要求1所述的一种基于精细斜率的暂态事件识别方法,其特征在于,工作特征数据包含稳态过程的高频电流数据和高频电压数据。
3.根据权利要求2所述的一种基于精细斜率的暂态事件识别方法,其特征在于,预处理的过程为对工作特征数据进行小波降噪处理以及插值处理,得到的高频电流数据序列和高频电压数据序列。
4.根据权利要求3所述的一种基于精细斜率的暂态事件识别方法,其特征在于,进行暂态事件判断的具体过程如下:
统计每个周期时间段序列中满足ΔSkpjj小于精细斜率方差差值阈值且Rkpjj小于精细斜率方差比值阈值的时间段所占的比例P(l),并根据P(l)的值判断暂态事件;其中,Rkpjj和ΔSkpjj分别表示第p种排列组合的高频稳态电流和高频稳态电压数据中第jj个时间段的方差比值和方差差值特征。
5.根据权利要求4所述的一种基于精细斜率的暂态事件识别方法,其特征在于,并根据P(l)的值判断暂态事件的具体过程如下:
设定最小阈值p1,最大阈值p2;
若P(l)<p1,则表示该时间段处于稳态过程;
若p1<P(l)<p2,则表示该时间段处于暂态事件预警过程;
若P(l)>p2,则表示该时间段处于暂态过程。
6.根据权利要求5所述的一种基于精细斜率的暂态事件识别方法,其特征在于,若处于暂态状态,记录暂态过程持续的时间。
7.一种基于精细斜率的暂态事件识别***,其特征在于,包括数据采集模块、预处理模块、数据分割模块、计算模块以及暂态事件判断模块;
所述数据采集模块用于以预设的周期采集E种电器设备在不同排列组合运行情况下的工作特征数据;
所述预处理模块用于对每一种排列组合的工作特征数据进行预处理;
所述数据分割模块用于将经过预处理后的工作特征数据进行分割,生成周期时间段序列,具体为:
以第一个工作特征数据采样点为起点,以一个周期的工作特征数据采样点数n为单位,将电流数据序列和电压数据序列进行分割,生成周期时间段序列Tn(T1,T2,…,TTn),其中Tn表示周期总数;
所述计算模块用于计算周期时间段序列中每个周期对应的精细斜率值的方差,具体为:
计算每个周期中相邻伪采样点的斜率:
根据每个周期中相邻伪采样点的斜率,计算每个周期对应的精细斜率:
根据每个周期对应的精细斜率,计算每个周期的精细斜率的平均值;
根据每个周期的精细斜率的平均值计算精细斜率值的方差;
根据精细斜率值的方差计算每个周期相邻时间段的方差比值和方差差值;
根据方差比值和方差差值计算精细斜率方差差值阈值和精细斜率方差比值阈值;
所述暂态事件判断模块用于根据方差比值、方差差值、精细斜率方差差值阈值以及精细斜率方差比值阈值进行暂态事件判断。
8.一种基于精细斜率的暂态事件识别设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的一种基于精细斜率的暂态事件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130316.8A CN111291328B (zh) | 2020-02-28 | 2020-02-28 | 一种基于精细斜率的暂态事件识别方法、***以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130316.8A CN111291328B (zh) | 2020-02-28 | 2020-02-28 | 一种基于精细斜率的暂态事件识别方法、***以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291328A CN111291328A (zh) | 2020-06-16 |
CN111291328B true CN111291328B (zh) | 2023-05-05 |
Family
ID=71026605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010130316.8A Active CN111291328B (zh) | 2020-02-28 | 2020-02-28 | 一种基于精细斜率的暂态事件识别方法、***以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291328B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967421B (zh) * | 2020-08-27 | 2023-07-28 | 广东工业大学 | 周期性功率跃迁与常规设备启动事件的分类方法和装置 |
CN112286998B (zh) * | 2020-12-03 | 2021-03-23 | 树根互联技术有限公司 | 吊车工作循环分析方法、装置、终端设备和可读存储介质 |
CN112881793B (zh) * | 2021-01-13 | 2022-02-01 | 吉林大学 | 一种结合时间阈值的非侵入式负荷事件检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399206A (zh) * | 2013-08-19 | 2013-11-20 | 山东大学 | 基于wams的电力***暂态频率稳定判别方法 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN106443164A (zh) * | 2016-08-25 | 2017-02-22 | 中国电力科学研究院 | 一种电能分类计量过程中暂态与稳态事件的监测方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 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 |
CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
-
2020
- 2020-02-28 CN CN202010130316.8A patent/CN111291328B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399206A (zh) * | 2013-08-19 | 2013-11-20 | 山东大学 | 基于wams的电力***暂态频率稳定判别方法 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN106443164A (zh) * | 2016-08-25 | 2017-02-22 | 中国电力科学研究院 | 一种电能分类计量过程中暂态与稳态事件的监测方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 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 |
CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291328A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291328B (zh) | 一种基于精细斜率的暂态事件识别方法、***以及设备 | |
CN110851338B (zh) | 异常检测方法、电子设备及存储介质 | |
CN109034244B (zh) | 基于电量曲线特征模型的线损异常诊断方法及装置 | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
WO2021126079A1 (en) | Method and apparatus for storing and querying time series data, and server and storage medium thereof | |
CN109307798B (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
CN102713862A (zh) | 故障原因提取装置、故障原因提取方法和程序记录介质 | |
US7343267B1 (en) | Methods and systems for statistical based monitoring and power management | |
CN108918931B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN112924779A (zh) | 非侵入式负荷识别方法、装置及终端设备 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110751045B (zh) | 故障录波方法、***及终端设备 | |
CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN108918927B (zh) | 一种能量分解中功率信号滤波方法及*** | |
CN108333443B (zh) | 电力设备间歇性缺陷的报警方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN111210817B (zh) | 数据处理方法及装置 | |
CN116706876A (zh) | 一种双高电力***宽频振荡识别方法、装置及设备 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及*** | |
CN111509810A (zh) | 一种锂电池充电状态检测方法、装置及存储介质 | |
CN110736894A (zh) | 故障录波方法、***及终端设备 | |
CN113011482B (zh) | 非侵入式负荷识别方法、终端设备及存储介质 | |
CN111079469A (zh) | 人脸图像的处理方法、装置、设备及可读存储介质 | |
CN110647858B (zh) | 一种视频遮挡判断方法、装置和计算机存储介质 | |
CN110704508B (zh) | 一种智能生产线异常数据的处理方法及装置 |
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 |