CN111355243A - 一种用电负荷辨识方法及装置 - Google Patents
一种用电负荷辨识方法及装置 Download PDFInfo
- Publication number
- CN111355243A CN111355243A CN201811584094.6A CN201811584094A CN111355243A CN 111355243 A CN111355243 A CN 111355243A CN 201811584094 A CN201811584094 A CN 201811584094A CN 111355243 A CN111355243 A CN 111355243A
- Authority
- CN
- China
- Prior art keywords
- load
- power supply
- supply inlet
- signal
- current signal
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种用电负荷辨识方法及装置,所述方法包括:获取负荷供电入口处的电流信号的分离信号;利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。本发明提供的技术方案,通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,并利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态,打破了大多数分离算法依据经验选取有用信息的缺陷,减小了计算量,提高了工作效率。
Description
技术领域
本发明涉及电力负荷识别技术领域,具体涉及一种用电负荷辨识方法及装置。
背景技术
电力需求侧管理作为智能电网建设中的重要组成部分,是实现全社会合理节能节电的重要手段。需求侧管理包括能效管理、负荷管理以及燃料替代和节约能源等。家电负荷识别作为负荷管理的关键技术之一,可以在线监测各类家电的使用情况,实现电费的分类计量。这不仅可以使用户及时了解自己的用电情况,引导用户自觉采取节能措施,减少电费支出,也有助于电力公司了解用户负荷构成,实现与用户实时互动,加强负荷侧管理实现降低峰谷差、节约能源等目的。
家电负荷识别方法中,传统的侵入式法需要在每个家电负荷内部安装采集传感装置,不但成本较高,而且安装维护复杂;非侵入式负荷监测(NILM:Non-Intrusive LoadMonitoring)方法通过在电力入口处采集家庭内部总的用电信息,利用信号分析与处理方法进行负荷辨识,从而获得各负荷的使用信息,其成本低,易于安装且适合在线监测。
非侵入式负荷监测方法中包括以负荷分类为基础进行负荷识别,选择具有区分性的负荷特征进行训练得到不同的类别,但以分类为基础的负荷识别方法其重点和难点在于找到一些具有辨识性的家电特征;而以分解为基础的识别方法重点在于建立包含不同设备特征的模型。常用的信号分离方法中大多需要凭借经验选取有用信号并且处理速度较慢。
发明内容
针对现有技术的不足,本发明的目的是通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,并利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态,打破了大多数分离算法依据经验选取有用信息的缺陷,减小了计算量,提高了工作效率。
本发明的目的是采用下述技术方案实现的:
一种用电负荷辨识方法,其改进之处在于,所述方法包括:
获取负荷供电入口处的电流信号的分离信号;
利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
优选的,所述获取负荷供电入口处的电流信号的分离信号,包括:
利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。
进一步的,所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,包括:
a.初始化采样时刻t=t0,t0为采样初始时刻;
b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声;
c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号,获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数;
d.若获取的本征模式函数的组数为M,则进入步骤e,若获取的本征模式函数的组数小于M,则返回步骤b;
e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值;
f.判断采样时刻t是否满足t=tend,若是,则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值,并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,若否,则令t=t+1,并返回所述步骤b。
具体的,所述步骤c,包括:
按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号:
上式中,X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号,n∈[1,N],N为本征模式函数中本征模式函数分量的总数量;r(t)为X(t)分解后的余量,cn(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量;
则c1(t),c2(t)...cn(t)...cN(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。
具体的,所述步骤e中,按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值:
上式中,ci,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。
具体的,所述步骤f中,利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,包括:
S1.按下式设置矩阵C:
S2.利用主成分分析算法获取矩阵C的降维矩阵Y;
S3.利用FastICA算法获取所述降维矩阵的解混矩阵W;
S4.所述分离信号为Y与WT的乘积。
优选的,所述利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态,包括:
以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入,获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号;
利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。
进一步的,所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程,包括:
获取单负荷运行时负荷供电入口处的稳态电压和稳态电流;
以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本,以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练,获取所述预先建立的单负荷对应的递推最小二乘识别模型。
进一步的,所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态,包括:
g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值;
h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值,则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数,并执行步骤i;否则,所述单负荷处于关闭状态;
其中,t∈[1,L],L为采样时刻总数;l∈[1,Z],Z为时间间隔总数;ρ(l)为第l个时间间隔对应的自相关系数,X为第二检验阈值。
具体的,所述步骤g,包括:
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t):
ε(t)=I-I(t)
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}:
上式中,t∈[1,L],L为采样时刻总数,I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号,I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。
具体的,所述步骤h,包括:
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l):
上式中,l∈[1,Z],Z为时间间隔总数;t∈[1,L],L为采样时刻总数;σ2(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差;
其中,按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ2(t):
一种用电负荷辨识装置,其改进之处在于,所述装置包括:
获取单元,用于获取负荷供电入口处的电流信号的分离信号;
确定单元,用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的技术方案,通过获取负荷供电入口处的电流信号的分离信号,利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态,打破了大多数分离算法依据经验选取有用信息的缺陷,减小了计算量,提高了工作效率;
本发明提供的技术方案,通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,打破了大多数分离算法依据经验选取有用信息的缺陷,提高了分离准确率;通过对负荷供电入口处的电流信号添加正态分布的白噪声,并利用经验模态分解算法分解添加正态分布的白噪声的负荷供电入口处的电流信号,可有效抑制由于异常扰动以及本征模式函数分量不连续造成的模态混叠;采用主成分分析法进行降维处理,改善了进行FastICA处理时速度慢的问题,减小了计算量,提高了工作效率。
附图说明
图1是本发明实施例中一种用电负荷辨识方法的流程图;
图2是本发明实施例中负荷供电入口处的电流信号;
图3是本发明实施例中的分离信号;
图4是本发明实施例中的自相关系数;
图5是本发明实施例中一种用电负荷辨识装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
本发明提供了一种用电负荷辨识方法,如图1所示,所述方法包括:
101.获取负荷供电入口处的电流信号的分离信号;
102.利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
进一步的,所述步骤101,包括:
利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。
具体的,所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,包括:
a.初始化采样时刻t=t0,t0为采样初始时刻;
b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声;
例如,如图2所示的负荷供电入口处的电流信号;
c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号,获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数;
d.若获取的本征模式函数的组数为M,则进入步骤e,若获取的本征模式函数的组数小于M,则返回步骤b;
e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值;
f.判断采样时刻t是否满足t=tend,若是,则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值,并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,若否,则令t=t+1,并返回所述步骤b。
具体的,所述步骤c,包括:
按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号:
上式中,X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号,n∈[1,N],N为本征模式函数中本征模式函数分量的总数量;r(t)为X(t)分解后的余量,cn(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量;
则c1(t),c2(t)...cn(t)...cN(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。
具体的,所述步骤e中,按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值:
上式中,ci,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。
具体的,所述步骤f中,利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,包括:
S1.按下式设置矩阵C:
S2.利用主成分分析算法获取矩阵C的降维矩阵Y;
S3.利用FastICA算法获取所述降维矩阵的解混矩阵W;
S4.所述分离信号为Y与WT的乘积;
例如,如图3所示分离信号,所述分离信号包括三组数据。
进一步的,所述步骤102,包括:
以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入,获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号;
利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。
具体的,所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程,包括:
获取单负荷运行时负荷供电入口处的稳态电压和稳态电流;
以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本,以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练,获取所述预先建立的单负荷对应的递推最小二乘识别模型。
具体的,所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态,包括:
g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值;
h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值,则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数,并执行步骤i;否则,所述单负荷处于关闭状态;
其中,t∈[1,L],L为采样时刻总数;l∈[1,Z],Z为时间间隔总数;ρ(l)为第l个时间间隔对应的自相关系数,X为第二检验阈值;
具体的,所述步骤g,包括:
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t):
ε(t)=I-I(t)
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}:
上式中,t∈[1,L],L为采样时刻总数,I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号,I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。
具体的,所述步骤h,包括:
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l):
上式中,l∈[1,Z],Z为时间间隔总数;t∈[1,L],L为采样时刻总数;σ2(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差;
其中,按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ2(t):
如图4所示的获取的自相关系数,第二检验阈值为0.0933,图5中a为分离信号中的第一组数据与负荷A对应的递推最小二乘识别模型的输出信号的残差间的自相关系数,图5中b为分离信号中的第一组数据与负荷B对应的递推最小二乘识别模型的输出信号的残差间的自相关系数,图5中c为分离信号中的第一组数据与负荷C对应的递推最小二乘识别模型的输出信号的残差间的自相关系数;从图5中可以看出三组自相关系数存在大于等于90%的时间间隔对应的自相关系数满足或/和则负荷A、B和C均处于工作状态。
本发明提供的技术方案,通过利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,打破了大多数分离算法依据经验选取有用信息的缺陷,提高了分离准确率;通过对负荷供电入口处的电流信号添加正态分布的白噪声,并利用经验模态分解算法分解添加正态分布的白噪声的负荷供电入口处的电流信号,可有效抑制由于异常扰动以及本征模式函数分量不连续造成的模态混叠;采用主成分分析法进行降维处理,改善了进行FastICA处理时速度慢的问题,减小了计算量,提高了工作效率。
本发明还提供一种用电负荷辨识装置,如图5所示,所述装置包括:
获取单元,用于获取负荷供电入口处的电流信号的分离信号;
确定单元,用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
进一步的,所述获取单元,用于:
利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。
具体的,所述获取单元,还包括:
初始化模块,用于初始化采样时刻t=t0,t0为采样初始时刻;
更新模块,用于对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声;
第一获取模块,用于利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号,获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数;
第一判断模块,用于若获取的本征模式函数的组数为M,则进入第一确定模块,若获取的本征模式函数的组数小于M,则返回更新模块;
第一确定模块,用于将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值;
第二判断模块,用于判断采样时刻t是否满足t=tend,若是,则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值,并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,若否,则令t=t+1,并返回所述步骤更新模块。
具体的,所述第一获取模块,还包括:
第一确定子模块,用于按下式利用经验模态分解算法分解添加正态分布的白噪声后的负荷供电入口处的电流信号:
上式中,X(t)为对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声后的信号,n∈[1,N],N为本征模式函数中本征模式函数分量的总数量;r(t)为X(t)分解后的余量,cn(t)为X(t)分解后的本征模式函数中第n个本征模式函数分量;
则c1(t),c2(t)...cn(t)...cN(t)为添加正态分布的白噪声后的负荷供电入口处的电流信号对应的本征模式函数。
具体的,所述第一确定模块,还包括:
第二确定子模块,用于按下式确定添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值:
上式中,ci,n(t)为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的第i组本征模式函数中第n个本征模式函数分量。
具体的,所述第二判断模块,还包括:
设置子模块,用于按下式设置矩阵C:
第一获取子模块,用于利用主成分分析算法获取矩阵C的降维矩阵Y;
第二获取子模块,用于利用FastICA算法获取所述降维矩阵的解混矩阵W;
第四确定子模块,用于所述分离信号为Y与WT的乘积。
进一步的,所述确定单元,包括:
第二获取模块,用于以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入,获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号;
第二确定模块,用于利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。
具体的,所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程,包括:
获取单负荷运行时负荷供电入口处的稳态电压和稳态电流;
以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本,以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练,获取所述预先建立的单负荷对应的递推最小二乘识别模型。
具体的,所述第二确定模块,还包括:
第三获取子模块,用于获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值;
第一判断子模块,用于若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值,则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数,并执行第二判断子模块;否则,所述单负荷处于关闭状态;
其中,t∈[1,L],L为采样时刻总数;l∈[1,Z],Z为时间间隔总数;ρ(l)为第l个时间间隔对应的自相关系数,X为第二检验阈值。
具体的,所述第二确定模块,还包括:
第五确定子模块,用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差ε(t):
ε(t)=I-I(t)
第六确定子模块,用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值E{ε(t)}:
上式中,t∈[1,L],L为采样时刻总数,I为预先建立的单负荷对应的递推最小二乘识别模型的输出信号,I(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号。
具体的,所述第二确定模块,还包括:
第七确定子模块,用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l):
上式中,l∈[1,Z],Z为时间间隔总数;t∈[1,L],L为采样时刻总数;σ2(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差;
第八确定子模块,用于按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ2(t):
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种用电负荷辨识方法,其特征在于,所述方法包括:
获取负荷供电入口处的电流信号的分离信号;
利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
2.如权利要求1所述的方法,其特征在于,所述获取负荷供电入口处的电流信号的分离信号,包括:
利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号。
3.如权利要求2所述的方法,其特征在于,所述利用自适应单通道盲源分离算法获取所述负荷供电入口处的电流信号的分离信号,包括:
a.初始化采样时刻t=t0,t0为采样初始时刻;
b.对采样时刻t采集的负荷供电入口处的电流信号添加正态分布的白噪声;
c.利用经验模态分解算法分解添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号,获取添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数;
d.若获取的本征模式函数的组数为M,则进入步骤e,若获取的本征模式函数的组数小于M,则返回步骤b;
e.将M组本征模式函数的平均值作为添加正态分布的白噪声后采样时刻t采集的负荷供电入口处的电流信号对应的本征模式函数的平均值;
f.判断采样时刻t是否满足t=tend,若是,则输出添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值,并利用添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号对应的本征模式函数的平均值获取添加正态分布的白噪声后各采样时刻采集的负荷供电入口处的电流信号的分离信号,若否,则令t=t+1,并返回所述步骤b。
7.如权利要求1所述的方法,其特征在于,所述利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态,包括:
以负荷供电入口处的电压信号为预先建立的单负荷对应的递推最小二乘识别模型的输入,获取所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号;
利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态。
8.如权利要求7所述的方法,其特征在于,所述获取预先建立的单负荷对应的递推最小二乘识别模型的过程,包括:
获取单负荷运行时负荷供电入口处的稳态电压和稳态电流;
以单负荷运行时负荷供电入口处的稳态电压为初始递推最小二乘识别模型的输入层训练样本,以负荷运行时负荷供电入口处的稳态电流为初始递推最小二乘识别模型的输出层训练样本进行训练,获取所述预先建立的单负荷对应的递推最小二乘识别模型。
9.如权利要求7所述的方法,其特征在于,所述利用所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差确定所述单负荷的工作状态,包括:
g.获取所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值;
h.若所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差均值小于第一检验阈值,则获取采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数,并执行步骤i;否则,所述单负荷处于关闭状态;
其中,t∈[1,L],L为采样时刻总数;l∈[1,Z],Z为时间间隔总数;ρ(l)为第l个时间间隔对应的自相关系数,X为第二检验阈值。
11.如权利要求9所述的方法,其特征在于,所述步骤h,包括:
按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差与采样时刻t+l对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差间的自相关系数ρ(l):
上式中,l∈[1,Z],Z为时间间隔总数;t∈[1,L],L为采样时刻总数;σ2(t)为采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差;
其中,按下式确定采样时刻t对应的所述负荷供电入口处的电流信号的分离信号与所述预先建立的单负荷对应的递推最小二乘识别模型的输出信号间的残差方差σ2(t):
12.一种用电负荷辨识装置,其特征在于,所述装置包括:
获取单元,用于获取负荷供电入口处的电流信号的分离信号;
确定单元,用于利用所述负荷供电入口处的电流信号的分离信号确定负荷当前工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811584094.6A CN111355243B (zh) | 2018-12-24 | 2018-12-24 | 一种用电负荷辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811584094.6A CN111355243B (zh) | 2018-12-24 | 2018-12-24 | 一种用电负荷辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111355243A true CN111355243A (zh) | 2020-06-30 |
CN111355243B CN111355243B (zh) | 2022-09-27 |
Family
ID=71193873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811584094.6A Active CN111355243B (zh) | 2018-12-24 | 2018-12-24 | 一种用电负荷辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111355243B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115037041A (zh) * | 2022-05-20 | 2022-09-09 | 山东科技大学 | 基于盲源分离的非侵入式负荷监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
-
2018
- 2018-12-24 CN CN201811584094.6A patent/CN111355243B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
DIAN JIAO等: "A New Construction Method for Load Signature Database of Load Identification", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115037041A (zh) * | 2022-05-20 | 2022-09-09 | 山东科技大学 | 基于盲源分离的非侵入式负荷监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111355243B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
JP6455431B2 (ja) | 監視装置、監視方法及びプログラム | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
CN103646167A (zh) | 一种基于遥测数据的卫星异常状态检测*** | |
CN111355243B (zh) | 一种用电负荷辨识方法及装置 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN110991477A (zh) | 一种识别电力***异常行业用户和异常用电行为的方法和*** | |
Viegas et al. | Fuzzy clustering and prediction of electricity demand based on household characteristics | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及*** | |
CN106680621A (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价*** | |
Brusokas et al. | HeatFlex: Machine learning based data-driven flexibility prediction for individual heat pumps | |
CN113849374B (zh) | 中央处理器占用率预测方法、***、电子设备及存储介质 | |
CN113590682B (zh) | 电网停电窗口期生成方法、装置、电子设备和存储介质 | |
CN105305437B (zh) | 电力负荷三重可信度匹配辨识方法 | |
CN109165396B (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN107607342A (zh) | 空调机房设备群的健康能效检测方法 | |
Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
CN112434783A (zh) | 一种非侵入式负载分解方法及*** | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN113077174B (zh) | 基于曲线离散弗雷歇距离匹配的排治污设备状态研判方法及计算机可读存储介质 | |
Feng et al. | A methodology to identify multiple equipment coordinated control with power metering system |
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 |