CN115688015A - 基于非侵入式负荷监测的电压暂降类别识别方法及设备 - Google Patents
基于非侵入式负荷监测的电压暂降类别识别方法及设备 Download PDFInfo
- Publication number
- CN115688015A CN115688015A CN202211267084.6A CN202211267084A CN115688015A CN 115688015 A CN115688015 A CN 115688015A CN 202211267084 A CN202211267084 A CN 202211267084A CN 115688015 A CN115688015 A CN 115688015A
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- loss rate
- load loss
- active power
- user
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于非侵入式负荷监测的电压暂降类别识别方法及设备,该方法包括:获取用户监测数据,从所述用户监测数据提取轨迹特征,将该轨迹特征与预先构建的敏感负荷损失率评估特征库进行比对,得到对应的敏感负荷损失率,基于所述敏感负荷损失率获得该用户电压暂降类型,所述电压暂降类型反映该用户遭受电压暂降的严重程度。与现有技术相比,本发明具有可靠性高、识别方便等优点。
Description
技术领域
本发明涉及电能质量领域,尤其是涉及一种基于非侵入式负荷监测的电压暂降类别识别方法及设备。
背景技术
电网的电能质量主要由电压质量、频率质量和供电可靠性三个方面衡量,理想的电能应该是电压稳定,频率为50Hz且无谐波,电网连续可靠供电。在频率偏移、三相不平衡、谐波、电压暂降等众多电能质量问题中,电压暂降对社会民众的生产生活造成的危害更为严重。
目前关于电压暂降严重程度的评估方法,主要包括调研统计法、概率评估法等。调研统计法是统计用户因电压暂降造成的各项直接成本、间接成本,评估用户的电压暂降损失,反映用户受电压暂降影响的程度高低。概率评估法是构建电压暂降严重程度评估模型,包括敏感负荷跳闸概率评估、生产过程中断概率评估、暂降损失评估等模型,反映用户遭受的电压暂降严重程度。上述方法对用户生产过程的结构参数依赖程度较高,相关信息数据难以在工程实际中获取。
电网侧安装了大量的电能质量监测装置,记录了电压暂降事件发生过程电压、电流波形,可用于提取关键特征,寻找与用户生产过程的对应关系,为敏感负荷的非侵入式识别提供了数据基础。但在实际生产中,由于生产过程结构特性,某些敏感负荷跳停并不会影响到实际生产。若仅用非侵入式方法识别敏感负荷跳停率来反映用户受电压暂降影响的严重程度,与实际结果存在偏差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可靠性高、识别方便的基于非侵入式负荷监测的电压暂降类别识别方法及设备。
本发明的目的可以通过以下技术方案来实现:
一种基于非侵入式负荷监测的电压暂降类别识别方法,该方法包括:获取用户监测数据,从所述用户监测数据提取轨迹特征,将该轨迹特征与预先构建的敏感负荷损失率评估特征库进行比对,得到对应的敏感负荷损失率,基于所述敏感负荷损失率获得该用户电压暂降类型,所述电压暂降类型反映该用户遭受电压暂降的严重程度;
其中,所述敏感负荷损失率评估特征库的构建过程包括:
获取历史监测数据,该历史监测数据包括电压暂降事件发生时的电压序列和有功功率序列,构建电压和有功功率随时间的变化轨迹,从所述变化轨迹中提取轨迹特征;
根据电压暂降事件发生时用户负荷情况,计算对应的敏感负荷损失率;
以基于历史监测数据获得的轨迹特征和对应的敏感负荷损失率构建训练样本,训练获得一敏感负荷损失率评估模型,该敏感负荷损失率评估模型的输出为轨迹特征和敏感负荷损失率的对应关系;
基于所述敏感负荷损失率评估模型获得多组轨迹特征和敏感负荷损失率的对应关系,生成所述敏感负荷损失率评估特征库。
进一步地,所述轨迹特征包括电压暂降幅值、电压暂降持续时间、有功功率跌落最大值、有功功率变化时长、有功功率恢复时长、事件结束前后有功功率差和有功功率变换时延。
进一步地,采用MK突变点检测算法提取所述轨迹特征。
进一步地,所述敏感负荷损失率的计算公式为:
式中,P1表示用户因电压暂降导致生产过程中断损失的有功功率,P2表示用户在电压暂降后自行恢复或手动恢复的有功功率,P3表示用户总额定功率。
进一步地,所述敏感负荷损失率评估模型基于支持向量机构建。
进一步地,采用粒子群算法对所述支持向量机的参数进行寻优。
进一步地,提取所述轨迹特征时,先所述变化轨迹中获取电压和有功功率的强相关轨迹,根据所述强相关轨迹提取轨迹特征。
进一步地,采用最大互信息系数量化电压和有功功率之间的相关性,获取所述强相关轨迹。
进一步地,获取所述强相关轨迹具体包括:
1)针对同一时间段内的电压U和有功功率P的数据,利用滑动窗口取值,得到一系列[U;P]离散化数据,计算最大互信息I*(U;P):
式中,p(U)、p(P)分别为U、P的概率密度函数,p(U,P)为U与P的联合概率分布函数;
2)对最大互信息值归一化处理,得到M(U;P):
3)选择不同尺度下互信息M(U;P)的最大值作为MIC值:
其中,T是[U;P]样本大小,MIC∈[0,1],值越大,表明U-P的相关性越强。
本发明还提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述基于非侵入式负荷监测的电压暂降类别识别方法的指令。
与现有技术相比,本发明具有以下有益效果:
1、本发明构建了敏感负荷损失率评估特征库,可以仅基于监测数据提取特征,即可通过特征库匹配出真实负荷损失率,进而评估出用户电压暂降严重程度,方法简单可靠。
2、本发明采用最大互信息系数筛选得到U-P强相关时间区段,能够更方便地提取出轨迹特征,提高识别精度。
3、本发明基于支持向量机构建敏感负荷损失率评估模型,并采用粒子群算法PSO对SVM模型进行参数寻优,模型可靠性高。
附图说明
图1为本发明方法的整体原理示意图;
图2为实施例中建立的电压暂降时U、P的轨迹;
图3为实施例中应用MK突变点检测算法提取特征的坐标点,其中,(a)为U-P强相关时间区段,(b)为强相关时间区段的U轨迹,(c)为强相关时间区段的P轨迹;
图4为本发明基于SVM-PSO的敏感负荷损失率特征库建立流程。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于非侵入式负荷监测的电压暂降类别识别方法,该方法包括:获取用户监测数据,从所述用户监测数据提取轨迹特征,将该轨迹特征与预先构建的敏感负荷损失率评估特征库进行比对,得到对应的敏感负荷损失率,基于所述敏感负荷损失率获得该用户电压暂降类型,所述电压暂降类型反映该用户遭受电压暂降的严重程。
本实施例中,该方法具体内容如图1所示,包括内容1:获取电压U和有功功率P的强相关时间区段;内容2:采用MK突变点检测提取特征;内容3:构建敏感负荷损失率特征库;内容4:实时特征匹配及电压暂降类别识别,实现电压暂降程度评估。各部分内容具体描述如下。
(1)U-P强相关时间区段筛选
根据电能质量监测装置记录的高精度波形数据,得出电压暂降事件发生时,电压U、有功功率P随时间的变化轨迹,将其分为五个阶段:事件前段、开始过渡段、事件持续段、结束过渡段、事件后段,如图2所示。
由于电压暂降期间U的变化导致P的变化具有微弱性、时延性,采用最大互信息系数(Maximal Information Coefficient,MIC)量化U-P之间的相关性,主要包括三个步骤。
步骤1:针对用户同一时间段内的U、P数据,利用滑动窗口取值,得到一系列[U;P]离散化数据,计算最大互信息,如式(1)所示。
式中,p(U)、p(P)分别为U、P的概率密度函数,p(U,P)为U与P的联合概率分布函数。
步骤2:对最大互信息值归一化处理,得到M(U;P),如式(2)。
步骤3:选择不同尺度下互信息M(U;P)的最大值作为MIC值,如式(3)。
其中,T是[U;P]样本大小,MIC∈[0,1],值越大,表明U-P的相关性越强。
在具体实施方式,可以通过实验确定MIC阈值m:
当MIC(U;P)≥m时,相应的区段为U-P强相关该时间区段;
当MIC(U;P)<m时,相应的区段为U-P弱相关该时间区段。
(2)U-P轨迹特征提取
根据内容(1)确定U-P强相关时间区段,如图3的(a)所示,获得强相关时间区段的U-P轨迹,如(b)、(c)所示。其中,定义U轨迹的开始过渡段、结束过渡段的起始点、结束点的坐标分别为(tu1,u1)、(tu2,u2)、(tu3,u3)、(tu4,u4),相应地,P轨迹四个突变点的坐标分别为(tp1,p1)、(tp2,p2)、(tp3,p3)、(tp4,p4)。根据坐标的实际物理意义提取7个关键特征:C1—电压暂降幅值,C2—电压暂降持续时间,C3—有功功率跌落最大值,C4—有功功率变化时长,C5—有功功率恢复时长,C6—事件结束前后有功功率差,C7—有功功率变换时延,如表1所示。
因此,U-P轨迹特征提取的关键点在于U-P轨迹突变点的检测,获取tu1-tu4、tp1-tp4、u1-u4、p1-p4的准确数据。采用MK突变点检测算法,对电压U、有功功率P的时间序列,即U-T、P-T轨迹进行突变点检测,检测过渡段的突变点坐标。
表1 U-P轨迹特征提取
针对U的N个样本数据构造一个秩序列sk,如式(4)。
式中,sk是第i个时刻的电压大于第j个时刻电压的累计数值。
因为时间序列U是随机序列,定义统计量UFk,如式(5)。
式中,UF1=0,E(sk)、Var(sk)分别是sk的平均值、方差。
因为U1,U1,…,UN互相独立,具有相同连续分布,可得出式(6)。
UFk为标准正态分布,是在时间序列U的正序列时计算的统计量,按照U的逆序列,重复式(4)~(6)过程计算UBk'=-UFk,k'=N,N-1,…,1,UB1=0。
若显著性水平α=0.05,则Uα=±1.96,将UFk'、UBk'两个统计量的正、负序列曲线、Uα两条临界线绘制在一个坐标平面内。若UFk'、UBk'出现交点,且交点位于临界线之间,则交点对应的时刻即过渡段开始的时刻,超过临界线的范围即过渡段的持续时间。交点位置小于0,对应开始过渡段;交点位置大于0,对应结束过渡段。
(3)敏感负荷损失率特征库
a.用户真实敏感负荷损失率
为客观描述用户负荷受电压暂降的影响,定义敏感负荷损失率(loss rate ofsensitive load,LRSL)作为评估电压暂降严重程度的指标,具体是指:电压暂降造成生产过程中断的敏感负荷的有功功率占用户额定总功率的比例,计算公式如式(7)所示。相关数据信息来源于用户实际生产过程。
式中,P1表示用户因电压暂降导致生产过程中断损失的有功功率,P2表示用户在电压暂降后自行恢复或手动恢复的有功功率,P3表示用户总额定功率。
b.识别特征-敏感负荷损失率对应关系
由此,将已有的用户特征样本和用户的LRSL计算数据,分为训练集和测试集,在具体实施方式中,可以应用支持向量机(SVM)和粒子群算法(PSO),构建基于SVM-PSO的敏感负荷损失率评估模型,确定特征数据与负荷损失率的对应关系。
设用户样本(xi,LRSLi),xi为第i组C1~C7特征数据,LRSLi为第i组特征对应的敏感负荷损失率。
SVM求解回归问题时,通过寻找x与LRSL的函数关系式,如式(8),评估任意x对应的LRSL。
LRSL=f(x)=ωTx+b (8)
式中,ω是法向量,b为位移项。
引入变量ξi、ξ* i,将ω、b的求解转化为如式(9)的目标函数,约束条件如式(10)。
式中,β为权重系数,δ为f(xi)与Pload-i之间的绝对差值。
对式(10)利用Lagrange乘子法,得到式(11)。
式中,λ为Lagrange乘子,K(xi,x)为核函数。
由于高斯核函数具有较强插值能力,更有利于提取用户数据局部特性,选取高斯核函数作为核函数,如式(12)。
K(xi,x)=exp(-γ||xi-x||2)γ>0 (12)
式中,γ为高斯核函数参数。
至此,涉及两个优化参数:权重系数β,高斯核函数γ。基于交叉验证原理,在具体实施方式中,可以通过粒子群算法PSO对SVM模型进行参数迅寻优。PSO通过位置、速度、适应度表示粒子,而例子在不断迭代中更新自己的位置和速度。
设粒子的搜索空间为D维,n个粒子组成种群Y=(Y1,Y2,…,Yn)。第i个粒子的位置Yi=(yi1,yi2,…,yiD)T,第i个粒子的速度Vi=(Vi1,Vi2,…,ViD)T,第i个粒子的个体极值Hi=(Hi1,Hi2,…,HiD)T,n个粒子组成种群的全局极值H=(H1,H2,…,HD)T。种群迭代过程粒子速度和位置按照式(13)、(14)不断更新。
式中,d=1,2,…,D,i=1,2,…,n,k为当前迭代次数,ζ为惯性权重值,a1、a2为加速度因子,e1、e2为分布于[0,1]之间的随机数。
在其他实施方式中,也可以采用其他模型及其他模型参数优化方法构建所述敏感负荷损失率评估模型。
c.建立敏感负荷损失率评估特征库
基于大量已知用户的监测数据与生成过程信息,应用上述模型,可以明确不同的电压暂降U-P轨迹特征与用户负荷损失率的对应关系,由此,形成敏感负荷损失率评估特征库。
(4)电压暂降严重程度评估
对于未知生产过程信息的用户,由于无法计算真实负荷损失率,则基于电压暂降监测数据,提取关键特征,调用敏感负荷损失率特征库,匹配得到该电压暂降下的负荷损失率,识别电压暂降类别,评估用户遭受电压暂降的严重程度。
在其他实施方式中,可以不筛选U-P轨迹强相关时间区段,直接针对U-P数据波形提取特征。
该方法的核心在基于已有用户的监测数据信息,通过非侵入式监测方式,提取关键特征;根据用户实际遭受的电压暂降影响程度,计算负荷损失率;明确特征与负荷损失率的对应关系,构建电压暂降严重程度评估特征库,对于生产过程信息未知的用户,仅基于监测数据提取特征,即可通过特征库匹配出对应的真实负荷损失率,评估出用户电压暂降严重程度,方法方便可靠,类别识别精度高。
上述方法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-Only Memory)、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。
实施例2
本实施例提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述基于非侵入式负荷监测的电压暂降类别识别方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,该方法包括:获取用户监测数据,从所述用户监测数据提取轨迹特征,将该轨迹特征与预先构建的敏感负荷损失率评估特征库进行比对,得到对应的敏感负荷损失率,基于所述敏感负荷损失率获得该用户电压暂降类型,所述电压暂降类型反映该用户遭受电压暂降的严重程度;
其中,所述敏感负荷损失率评估特征库的构建过程包括:
获取历史监测数据,该历史监测数据包括电压暂降事件发生时的电压序列和有功功率序列,构建电压和有功功率随时间的变化轨迹,从所述变化轨迹中提取轨迹特征;
根据电压暂降事件发生时用户负荷情况,计算对应的敏感负荷损失率;
以基于历史监测数据获得的轨迹特征和对应的敏感负荷损失率构建训练样本,训练获得一敏感负荷损失率评估模型,该敏感负荷损失率评估模型的输出为轨迹特征和敏感负荷损失率的对应关系;
基于所述敏感负荷损失率评估模型获得多组轨迹特征和敏感负荷损失率的对应关系,生成所述敏感负荷损失率评估特征库。
2.根据权利要求1所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,所述轨迹特征包括电压暂降幅值、电压暂降持续时间、有功功率跌落最大值、有功功率变化时长、有功功率恢复时长、事件结束前后有功功率差和有功功率变换时延。
3.根据权利要求1所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,采用MK突变点检测算法提取所述轨迹特征。
5.根据权利要求1所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,所述敏感负荷损失率评估模型基于支持向量机构建。
6.根据权利要求5所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,采用粒子群算法对所述支持向量机的参数进行寻优。
7.根据权利要求1所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,提取所述轨迹特征时,先所述变化轨迹中获取电压和有功功率的强相关轨迹,根据所述强相关轨迹提取轨迹特征。
8.根据权利要求7所述的基于非侵入式负荷监测的电压暂降类别识别方法,其特征在于,采用最大互信息系数量化电压和有功功率之间的相关性,获取所述强相关轨迹。
10.一种电子设备,其特征在于,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-9任一所述基于非侵入式负荷监测的电压暂降类别识别方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267084.6A CN115688015A (zh) | 2022-10-17 | 2022-10-17 | 基于非侵入式负荷监测的电压暂降类别识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267084.6A CN115688015A (zh) | 2022-10-17 | 2022-10-17 | 基于非侵入式负荷监测的电压暂降类别识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688015A true CN115688015A (zh) | 2023-02-03 |
Family
ID=85066558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211267084.6A Pending CN115688015A (zh) | 2022-10-17 | 2022-10-17 | 基于非侵入式负荷监测的电压暂降类别识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907567A (zh) * | 2023-02-21 | 2023-04-04 | 浙江大学 | 基于鲁棒性随机分割森林算法的负荷事件检测方法及*** |
-
2022
- 2022-10-17 CN CN202211267084.6A patent/CN115688015A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907567A (zh) * | 2023-02-21 | 2023-04-04 | 浙江大学 | 基于鲁棒性随机分割森林算法的负荷事件检测方法及*** |
CN115907567B (zh) * | 2023-02-21 | 2023-05-09 | 浙江大学 | 基于鲁棒性随机分割森林算法的负荷事件检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2014101579A1 (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
WO2015176565A1 (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN111398679A (zh) | 基于pmu测量相量的次同步振荡识别与告警方法 | |
CN115688015A (zh) | 基于非侵入式负荷监测的电压暂降类别识别方法及设备 | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
Kim et al. | Anomaly detection using clustered deep one-class classification | |
CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
CN110657355B (zh) | 一种热力管线泄漏检测方法 | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN115935225A (zh) | 一种非侵入式负荷识别方法及装置 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN115935179A (zh) | 结合训练集数据分布和w距离的模型窃取检测方法 | |
CN115409335A (zh) | 基于深度学习考虑未知扰动类型的电力***扰动识别方法 | |
Yao et al. | Electricity theft detection in incremental scenario: A novel semi-supervised approach based on hybrid replay strategy | |
CN113094931B (zh) | 一种非侵入式负荷分解方法、装置及设备 | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction | |
Yu | Research on the Forecast of Stock Price Index Based on BiLSTM-GRU | |
Lv et al. | A new outlier detection method based on machine learning | |
CN109543976A (zh) | 一种采用高斯混合模型的风电机组谐波发射模态辨识方法 | |
Zhou et al. | Research and Application of Charging Pile and Residential Load Classification Based on DTW+ DRN Model | |
Miao et al. | A Transformer District Line Loss Calculation Method Based on Data Mining and Machine Learning | |
Zhong et al. | Low-voltage distribution network topology identification method based on segmented current features and cnn-lstm deep learning |
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 |