CN114859169A - 一种配变出线负荷智能识别方法及***、存储介质 - Google Patents

一种配变出线负荷智能识别方法及***、存储介质 Download PDF

Info

Publication number
CN114859169A
CN114859169A CN202210415158.XA CN202210415158A CN114859169A CN 114859169 A CN114859169 A CN 114859169A CN 202210415158 A CN202210415158 A CN 202210415158A CN 114859169 A CN114859169 A CN 114859169A
Authority
CN
China
Prior art keywords
load
current
voltage
time sequence
signals
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
Application number
CN202210415158.XA
Other languages
English (en)
Inventor
黄湛华
伍炜卫
黄万杰
胡冉
阳浩
向真
谭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202210415158.XA priority Critical patent/CN114859169A/zh
Publication of CN114859169A publication Critical patent/CN114859169A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/003—Measuring reactive component

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种配变出线负荷智能识别方法及***、存储介质，包括：获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。本发明利用非侵入式负荷监测技术实现用户负荷准确识别，指导用户合理用电。

Description

一种配变出线负荷智能识别方法及***、存储介质
技术领域
本发明涉及冲击负荷研究技术领域，具体涉及一种配变出线负荷智能识别方法及***、存储介质。
背景技术
在电能计量方面，电能部门通常通过“一户一表”的传统方式抄取电能表来获取用户当月耗电总度数。此方法的弊端在于用户无法得知某个电器在某段时间内的用电情况，不利于用户采取相关措施进行节电和调整用电等。因而为了深入分析用户内部负荷成分及用电情况，负荷识别和功率分解技术必不可少。
目前负荷识别通常分为侵入式和非侵入式两种。传统的侵入式负荷监测需要提前将传感器安装在每一个需要被监测的负荷点来获取用电数据，此种监测方式需要大量的硬件设备，在采购、安装和维护时都需要大量的成本。且侵入式负荷监测需要对部分楼宇或住宅进行电路改造，导致用户接受程度低、积极性不高。除此之外，其还存在可靠性低、数据完整性稍差等问题。非侵入式负荷监测仅需在配变出线处安装监测设备，通过采集总端电压、电流等电气参数，分析得到用户内部负荷的种类和用电情况，通过算法实现对***内每类负荷的状态监测，具有成本低、易实施、可靠性高、数据完整性好等特点。但目前很多非侵入式负荷识别装置需要以高采样率来捕捉负荷信息变化，设备昂贵，能耗高。另外，基于模式识别的各类监测算法的复杂度过高，难以在低成本嵌入式设备上实时运行、算法识别准确率不高等也是当前非侵入式负荷监测的研究难点。
发明内容
本发明的目的在于提出一种配变出线负荷智能识别方法及***、存储介质，利用非侵入式负荷监测技术实现用户负荷准确识别，指导用户合理用电。
为实现上述目的，本发明提出一种配变出线负荷智能识别方法，所述方法包括：
获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
优选地，所述采样频率为3200Hz，其中每个周波采集点数为64个。
优选地，所述对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列，包括：
对采样得到的多个电压信号和多个电流信号分别进行异常数据处理和归一化处理，处理后的多个电压信号按时间排序构成电压信号时间序列，处理后的多个电流信号按时间排序构成电流信号时间序列；
其中，所述异常数据处理为：任意时刻的电压信号或电流信号与其相邻的电压信号或电流信号进行对比分析，若两者信号幅值的差值大于预设阈值，则进行修正处理；
其中，所述归一化处理为：将所述多个电压信号和所述多个电流信号的幅度对应转换为0到1之间，使得各个信号变得标准化。
优选地，所述根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间，包括：
根据所述电压信号时间序列和电流信号时间序列获取负荷功率信号的时间序列；
根据所述负荷功率信号的时间序列检测变点，所述变点为时间序列上负荷功率信号发生突变的点；当检测到第一个变点时，确定开始时间；当检测到第二个变点时，确定结束时间。
优选地，所述根据所述负荷功率信号的时间序列检测变点，根据以下决策函数检测变点，当Hk(gk)的值为1时，即确定变点的出现；
其中：
Figure BDA0003605496970000031
gk＝max(0,(gk-1+sk)),g0＝0
sk＝xk-μ0-β
gk为统计函数；Hk(gk)为决策函数；sk为对数似然比函数；xk为时间序列的第k个点的功率；μ0为变点发生前时间序列的平均值；β为噪声水平，其值预先设定；h为预设的阈值。
优选地，所述负荷特征包括基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率。
优选地，所述基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率采用快速傅里叶变换算法计算得到，具体如下：
Figure BDA0003605496970000041
Figure BDA0003605496970000042
Figure BDA0003605496970000043
Figure BDA0003605496970000044
其中，L为进行离散傅里叶变换的离散序列的长度，Uc(k)、Ic(k)为离散傅里叶变换系数，
Figure BDA0003605496970000045
表示第k个频率点的处的离散傅里叶变换系数，对应的频率为
Figure BDA0003605496970000046
u(n)、i(n)表示采集得到的电压信号时间序列和电流信号时间序列，n表示采样点的序号，j为虚数单位，N为预设值，
Figure BDA0003605496970000047
分别为第m次谐波的电压和电流的幅值，即频率为基波频率的m倍的电压和电流的幅值的复数表示，f0表示基波频率，为50Hz，fs为所述采样频率；P为基波有功功率，Q为基波无功功率，
Figure BDA0003605496970000048
为基波功率因数角。
优选地，所述将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果，包括：
将所述负荷特征输入多分类支持向量机分类器进行分类，从而对用电状态进行区分，识别负荷种类。
本发明还提出一种配变出线负荷智能识别***，所述***包括：
数据采样模块，用于获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
预处理模块，对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
暂态过程检测模块，用于根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
负荷特性建模模块，用于获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
负荷识别模块，用于将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
为实现上述目的，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的配变出线负荷智能识别方法的步骤。
与现有技术相比，本发明至少具有以下优点：
采用非侵入式负荷监测技术进行数据采集、数据预处理、暂态过程检测、负荷特性建模和负荷识别，利用暂态过程检测所提取的负荷投切事件的有效负荷特征建立负荷特性模型，最终采用多分类支持向量机分类器进行分类，识别准确率高，结果稳定，有较强的鲁棒性，且实现复杂度低，成本低，具有良好的实用价值。
本发明的其它特征和优点将在随后的说明书中阐述。
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为本发明一实施例中一种配变出线负荷智能识别方法的流程图。
图2为本发明的一个实施例中配变出线负荷智能识别***结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
参阅图1-2，本发明的一个实施例提出一种配变出线负荷智能识别方法，所述方法包括如下步骤：
步骤S1、获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
具体而言，数据采集模块获取总线上的电力数据，其中，所述电力数据包括电压、电流波形，并利用电压和电流互感器将强电压、大电流转换为模拟弱电信号。
步骤S2、对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
步骤S3、根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
步骤S4、获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
步骤S5、将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
优选地，所述数据采集模块的采样频率为3200Hz，每个周波采集点数为64点。
优选地，所述步骤S2，包括：
对采样得到的多个电压信号和多个电流信号分别进行异常数据处理和归一化处理，处理后的多个电压信号按时间排序构成电压信号时间序列，处理后的多个电流信号按时间排序构成电流信号时间序列；
其中，所述异常数据处理为：任意时刻的电压信号或电流信号与其相邻的电压信号或电流信号进行对比分析，若两者信号幅值的差值大于预设阈值，则进行修正处理；
其中，所述归一化处理为：将所述多个电压信号和所述多个电流信号的幅度对应转换为0到1之间，使得各个信号变得标准化，具体公式如下：
Figure BDA0003605496970000071
其中，x为原始的电压或电流信号的幅度，xmin和xmax是待处理的电压或电流信号中幅度的最大值和最小值，
Figure BDA0003605496970000072
为归一化的电压或电流信号的幅度。
优选地，所述步骤S3，包括：
根据所述电压信号时间序列和电流信号时间序列获取负荷功率信号的时间序列；其中，功率等于电压乘以对应时刻的电流；
根据所述负荷功率信号的时间序列检测变点，所述变点为时间序列上负荷功率信号发生突变的点；当检测到第一个变点时，确定开始时间；当检测到第二个变点时，确定结束时间。
优选地，所述根据所述负荷功率信号的时间序列检测变点，根据以下决策函数检测变点，当Hk(gk)的值为1时，即确定变点的出现；
其中：
Figure BDA0003605496970000073
gk＝max(0,(gk-1+sk)),g0＝0
sk＝xk-μ0-β
gk为统计函数；Hk(gk)为决策函数；sk为对数似然比函数；xk为时间序列的第k个点的功率；μ0为变点发生前时间序列的平均值；β为噪声水平，其值预先设定；h为预设的阈值。
具体而言，当决策函数大于阈值时即Hk(gk)＝1时，***在此变点状态发生变化，如果首次出现变化则***由原本的稳态进入暂态，进入暂态后Hk(gk)变为0，在暂态过程继续检测变点，当Hk(gk)再次变为1时即再次出现变点时，***退出暂态进入稳态，而两个变点之间即为冲击负荷事件，此事件表明冲击负荷运行状态发生了变化。其中，基于冲击负荷事件检测结果可提取相关负荷特征样本，用于其属性识别。
优选地，所述负荷特征包括基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率。
优选地，所述基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率采用快速傅里叶变换算法计算得到，具体如下：
Figure BDA0003605496970000081
Figure BDA0003605496970000082
Figure BDA0003605496970000083
Figure BDA0003605496970000084
其中，L为进行离散傅里叶变换的离散序列的长度，Uc(k)、Ic(k)为离散傅里叶变换系数，
Figure BDA0003605496970000091
表示第k个频率点的处的离散傅里叶变换系数，对应的频率为
Figure BDA0003605496970000092
u(n)、i(n)表示采集得到的电压信号时间序列和电流信号时间序列，n表示采样点的序号，j为虚数单位，N为预设值，
Figure BDA0003605496970000093
分别为第m次谐波的电压和电流的幅值，即频率为基波频率的m倍的电压和电流的幅值的复数表示，f0表示基波频率，为50Hz，fs为所述采样频率；P为基波有功功率，Q为基波无功功率，
Figure BDA0003605496970000094
为基波功率因数角。
优选地，所述步骤S5，包括：
将所述负荷特征输入多分类支持向量机分类器进行分类，从而对用电状态进行区分，识别负荷种类。
在多分类支持向量机分类器中，本实施例引入松弛变量ξi≥0,i＝1,2,…,l，并在目标函数中选择一个惩罚C>0对ξi进行限制。这样原始分类问题转化为如下问题：
Figure BDA0003605496970000095
s.t.yi[ω·φ(xi)+b]≥1-ξi,i＝1,2,…,l
ξi≥0,i＝1,2,…,l
其中，参数ω、b分别为超平面H的法向量和截距，l为标签个数。
引入拉格朗日函数并转化为原问题的拉格朗日对偶问题，从而得到如下的二次规划问题：
Figure BDA0003605496970000096
Figure BDA0003605496970000097
0<αi<C,i＝1,2,…，l
其中αi为拉格朗日乘子，K(xi·xj)是高斯径向基核函数，即
Figure BDA0003605496970000098
设
Figure BDA0003605496970000101
是上式的解，则
Figure BDA0003605496970000102
从而最终的最优化分类函数为：
Figure BDA0003605496970000103
需说明的是，上述分类器只是一种举例，本发明并不局限于该分类器模型，还可以采用其他的机器学习算法来实现。
参阅图2，本发明的另一个实施例还提出一种配变出线负荷智能识别***，所述***包括：
数据采样模块，用于获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
预处理模块，对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
暂态过程检测模块，用于根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
负荷特性建模模块，用于获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
负荷识别模块，用于将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
以上所描述的***实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。
需说明的是，上述实施例所述***与上述实施例所述方法对应，因此，上述实施例所述***未详述部分可以参阅上述实施例所述方法的内容得到，即上述实施例方法记载的具体步骤内容可以理解为本实施例***的所能够实现的功能，此处不再赘述。
并且，上述实施例所述配变出线负荷智能识别***若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。
本发明另一实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述配变出线负荷智能识别方法的步骤。
具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种配变出线负荷智能识别方法，其特征在于，所述方法包括：
获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
2.如权利要求1所述的方法，其特征在于，所述采样频率为3200Hz，其中每个周波采集点数为64个。
3.如权利要求1所述的方法，其特征在于，所述对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列，包括：
对采样得到的多个电压信号和多个电流信号分别进行异常数据处理和归一化处理，处理后的多个电压信号按时间排序构成电压信号时间序列，处理后的多个电流信号按时间排序构成电流信号时间序列；
其中，所述异常数据处理为：任意时刻的电压信号或电流信号与其相邻的电压信号或电流信号进行对比分析，若两者信号幅值的差值大于预设阈值，则进行修正处理；
其中，所述归一化处理为：将所述多个电压信号和所述多个电流信号的幅度对应转换为0到1之间，使得各个信号变得标准化。
4.如权利要求1所述的方法，其特征在于，所述根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间，包括：
根据所述电压信号时间序列和电流信号时间序列获取负荷功率信号的时间序列；
根据所述负荷功率信号的时间序列检测变点，所述变点为时间序列上负荷功率信号发生突变的点；当检测到第一个变点时，确定开始时间；当检测到第二个变点时，确定结束时间。
5.根据权利要求4所述的方法，其特征在于，所述根据所述负荷功率信号的时间序列检测变点，根据以下决策函数检测变点，当Hk(gk)的值为1时，即确定变点的出现；
其中：
Figure FDA0003605496960000021
gk＝max(0,(gk-1+sk)),g0＝0
sk＝xk-μ0-β
gk为统计函数；Hk(gk)为决策函数；sk为对数似然比函数；xk为时间序列的第k个点的功率；μ0为变点发生前时间序列的平均值；β为噪声水平，其值预先设定；h为预设的阈值。
6.根据权利要求1所述的方法，其特征在于，所述负荷特征包括基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率。
7.根据权利要求6所述的方法，其特征在于，所述基波到10次谐波电流幅值、基波功率因数角、基波有功功率和基波无功功率采用快速傅里叶变换算法计算得到，具体如下：
Figure FDA0003605496960000031
Figure FDA0003605496960000032
Figure FDA0003605496960000033
Figure FDA0003605496960000034
其中，L为进行离散傅里叶变换的离散序列的长度，Uc(k)、Ic(k)为离散傅里叶变换系数，
Figure FDA0003605496960000035
表示第k个频率点的处的离散傅里叶变换系数，对应的频率为
Figure FDA0003605496960000036
u(n)、i(n)表示采集得到的电压信号时间序列和电流信号时间序列，n表示采样点的序号，j为虚数单位，N为预设值，
Figure FDA0003605496960000037
分别为第m次谐波的电压和电流的幅值，即频率为基波频率的m倍的电压和电流的幅值的复数表示，f0表示基波频率，为50Hz，fs为所述采样频率；P为基波有功功率，Q为基波无功功率，
Figure FDA0003605496960000038
为基波功率因数角。
8.根据权利要求1所述的方法，其特征在于，所述将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果，包括：
将所述负荷特征输入多分类支持向量机分类器进行分类，从而对用电状态进行区分，识别负荷种类。
9.一种配变出线负荷智能识别***，其特征在于，所述***包括：
数据采样模块，用于获取配变出线侧的母线的电压波形和电流波形，并根据预设采样频率分别对所述电压波形和电流波形进行采样得到多个电压信号和多个电流信号；
预处理模块，对所述多个电压信号和多个电流信号进行预处理得到电压信号时间序列和电流信号时间序列；
暂态过程检测模块，用于根据所述电压信号时间序列和电流信号时间序列进行负荷投切事件检测，获得负荷状态转换的开始时间和结束时间；
负荷特性建模模块，用于获取所述开始时间和所述结束时间之间时间段的电压信号时间序列和电流信号时间序列，并提取相应的负荷特征；
负荷识别模块，用于将所述负荷特征输入预先训练好的识别模型进行负荷智能识别，输出识别结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的配变出线负荷智能识别方法的步骤。
CN202210415158.XA 2022-04-20 2022-04-20 一种配变出线负荷智能识别方法及***、存储介质 Pending CN114859169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210415158.XA CN114859169A (zh) 2022-04-20 2022-04-20 一种配变出线负荷智能识别方法及***、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210415158.XA CN114859169A (zh) 2022-04-20 2022-04-20 一种配变出线负荷智能识别方法及***、存储介质

Publications (1)

Publication Number Publication Date
CN114859169A true CN114859169A (zh) 2022-08-05

Family

ID=82632367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210415158.XA Pending CN114859169A (zh) 2022-04-20 2022-04-20 一种配变出线负荷智能识别方法及***、存储介质

Country Status (1)

Country Link
CN (1) CN114859169A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051910A (zh) * 2023-03-10 2023-05-02 深圳曼顿科技有限公司 非侵入式负荷识别方法、装置、终端设备及存储介质
CN116861318A (zh) * 2023-09-05 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种用户用电负荷分类方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051910A (zh) * 2023-03-10 2023-05-02 深圳曼顿科技有限公司 非侵入式负荷识别方法、装置、终端设备及存储介质
CN116861318A (zh) * 2023-09-05 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种用户用电负荷分类方法、装置、设备及存储介质
CN116861318B (zh) * 2023-09-05 2023-11-21 国网浙江省电力有限公司余姚市供电公司 一种用户用电负荷分类方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110018369B (zh) 一种基于非侵入式负荷分解的家电智能识别与监测方法
CN114859169A (zh) 一种配变出线负荷智能识别方法及***、存储介质
Abdelsalam et al. Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system
CN110648088B (zh) 一种基于鸟群算法与svm的电能质量扰动源判断方法
CN110287762B (zh) 一种基于数据挖掘技术的非侵入式负荷辨识方法以及装置
CN106483370A (zh) 基于多特征融合的非侵入式家用负荷实时识别方法及装置
CN111766462B (zh) 一种基于v-i轨迹的非侵入式负荷识别方法
CN113496440B (zh) 一种用户异常用电检测方法及***
CN113361831B (zh) 基于优先级分配的非侵入式负荷辨识电量分解方法及***
CN111308185A (zh) 一种非侵入式负荷识别方法
CN113887912A (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
CN115128345A (zh) 一种基于谐波监测的电网安全预警方法及***
Matz et al. Automated power quality monitoring system for on-line detection and classification of disturbances
CN113076354A (zh) 一种基于非侵入式负荷监测的用户用电数据分析方法和装置
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN114184870A (zh) 非侵入式负荷识别方法及设备
CN116681186A (zh) 一种基于智能终端的用电质量分析方法及装置
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN115825602A (zh) 一种综合多元信息相似性分析的负荷辨识方法及***
CN112949563B (zh) 基于变点检测和改进knn算法的非侵入式负荷识别方法
CN116298509A (zh) 一种电力***谐波谐振的在线识别方法
CN114355275A (zh) 电能表负荷监测方法、***、装置及计算机可读存储介质
CN114676783A (zh) 一种基于单分类结合模糊宽度学习的负荷识别方法
CN112834959A (zh) 基于高频特征提取的直流配电***故障检测方法
CN112560889A (zh) 一种电力负荷识别方法

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