CN116893314A - 一种非侵入式电力负荷监测方法、装置、设备及存储介质 - Google Patents
一种非侵入式电力负荷监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116893314A CN116893314A CN202311128087.6A CN202311128087A CN116893314A CN 116893314 A CN116893314 A CN 116893314A CN 202311128087 A CN202311128087 A CN 202311128087A CN 116893314 A CN116893314 A CN 116893314A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- load monitoring
- frequency
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种非侵入式电力负荷监测方法、装置、设备及存储介质,涉及电力***技术领域,该方法包括:获取用户电力入口处的负荷监测数据,负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;对负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;分别对时间数据和频率数据进行特征提取,得到对应的负荷特征数据;将负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况,负荷监测模型用于得到用电负荷的使用情况;根据负荷监测数据和各用电负荷的使用情况确定用电负荷监测特征库,并根据用电负荷特征库对实际用电负荷进行检测。可提高非侵入式负荷监测准确率。
Description
技术领域
本发明涉及电力***技术领域,具体而言,涉及一种非侵入式电力负荷监测方法、装置、设备及存储介质。
背景技术
随着城市化和工业化的进程逐步加快,电力用量持续增加。普通居民用户总体用电量在用电总量中占比巨大,且存在着用电效率低、电力资源浪费严重等问题。有效的需求侧管理能够提高需求侧用电效率,而且能够合理配置电力资源。随着需求侧管理工作的推进,居民用户域负荷监测是实现需求侧智能管理的重要手段。通过负荷监测能够了解用户中各类负荷的实际能耗水平,实现能效数据的科学收集和管理,掌握各类用户的用电情况。
目前,负荷监测大致可以分为侵入式和非侵入式两大类。传统的侵入式负荷监测***把传感器安装至各个负荷处,监控每个负荷的运行情况。这种方法的一个显著特点是通常具有复杂的硬件和简单的软件。非侵入式负荷监测,是指在电力入口处安装监测设备,通过监测该处的电压、电流等信号就可以分析得到负荷集群中单个负荷的种类和运行情况。但当前非侵入式负荷监测方式运算数据量大,运行效率低,且准确率低。
发明内容
本发明解决的问题是在非侵入式负荷监测时,如何提高其运行效率,且提高准确率,进而保障用户负荷的供能可靠性。
为解决上述问题,本发明提供一种非侵入式电力负荷监测方法,所述非侵入式电力负荷监测方法包括如下步骤:
获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;
分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据;
将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况;
根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
可选地,所述对所述负荷监测数据进行降噪处理,包括:
将所述负荷监测数据在预设尺度空间上进行正交处理,得到处理后的负荷监测数据,每个所述处理后的负荷监测数据包括高频信号和低频信号;
对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据。
可选地,所述对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据,包括:
对不同的所述高频信号上的所有系数分别进行阅值法处理,得到估计信号;
分别对所有估计信号提取出与所述负荷监测数据相关的有效信号,并分别对所述低频信号提取出与所述负荷监测数据相关的有效信号;
将所有所述高频信号和所有所述低频信号对应的有效信号进行重构,得到所述降噪后的负荷监测数据。
可选地,所述对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,包括:
获取时间阈值和频率阈值;
根据所述时间阈值和所述频率阈值,对降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据。
可选地,所述时间阈值包括时间范围和时间间隔,所述频率阈值包括频率范围和频率间隔,所述根据所述时间阈值和所述频率阈值,对所述降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据,包括:
根据所述时间范围和所述时间间隔,对所述降噪后的负荷监测数据进行分解,得到所述时间数据;
根据所述频率范围和所述频率间隔,对所述降噪后的负荷监测数据进行分解,得到所述频率数据。
可选地,所述对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据,包括;
分别将所述时间数据和所述频率数据进行标准化处理,得到第一向量和第二向量;
分别对所述第一向量和所述第二向量进行线性变化,并根据线性变化后的所述第一向量和所述第二向量得到所述负荷特征数据。
可选地,所述负荷分类模型的构建方法包括:
获取历史用电负荷的负荷特征及对应的历史用电负荷的使用情况;
根据所述历史用电负荷的负荷特征对初始负荷分类模型进行训练,得到初始用电负荷的使用情况;
根据所述初始用电负荷的使用情况和所述历史用电负荷的使用情况进行损失计算,得到损失函数输出;
根据所述损失函数输出调整所述初始负荷分类模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始负荷分类模型作为所述负荷分类模型。
本发明所述的非侵入式电力负荷监测方法相对于现有技术的优势在于:通过获取用户电力入口处的负荷监测数据,并对负荷监测数据进行降噪处理,降噪处理可以去除数据中的噪声,提高数据的质量和准确性;对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,再分别对所述时间数据和频率数据进行特征提取,通过特征提取再次将原始数据中的冗余信息等去除从而减少数据的维度,提高数据的处理效率,通过训练好的负荷监测模型对负荷特征数据进行处理,得到各用电负荷的使用情况,并通过各用电负荷的使用情况及对应得负荷监测数据构建用电负荷监测特征库,从而实现用户实际用电负荷的检测。因此,本发明通过对负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解得到的时间数据和频率数据进行特征提取,将原始数据中的噪声和冗余信息等去除,并通过训练好的负荷监测模型得到各用电负荷的使用情况,提高了数据的质量和准确性,同时减少了数据的维度,进而提高数据的处理效率,构建用电负荷监测特征库,可快速通过负荷监测数据识别当前对应的用电负荷使用情况,实现了对实际用电负荷检测的准确性和高效性,同时保障用户负荷的供能可靠性。
为解决上述技术问题,本发明还提供一种非侵入式电力负荷监测装置,所述非侵入式电力负荷监测装置包括:
获取单元,用于获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
处理单元,用于对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;
所述处理单元还用于分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据;将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况;
检测单元,用于根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
本发明所述的电力***运行仿真装置与所述非侵入式电力负荷监测方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机设备,包括存储器和处理器:
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现所述的所述非侵入式电力负荷监测方法。
本发明所述的计算机设备与所述非侵入式电力负荷监测方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现所述的非侵入式电力负荷监测方法的步骤。
本发明所述的计算机可读存储介质与所述非侵入式电力负荷监测方法相对于现有技术的优势相同,在此不再赘述。
附图说明
图1为本发明实施例中非侵入式电力负荷监测方法的应用环境图;
图2为本发明实施例中非侵入式电力负荷监测方法的流程图;
图3为本发明实施例中负荷分类模型构建方法的流程图;
图4为本发明实施例中非侵入式电力负荷监测装置结构图;
图5为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1为本申请实施例中非侵入式电力负荷监测方法的应用环境图。参照图1,该非侵入式电力负荷监测方法应用于非侵入式电力负荷监测***。该非侵入式电力负荷监测***包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种非侵入式电力负荷监测方法,所述非侵入式电力负荷监测方法包括如下步骤:
步骤S1,获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
具体地,通过将智能采集设备安装于用户电力入口处,并采集负荷监测数据,负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种,可以只采集电流数据,或采集多种数据进行检测。
步骤S2,对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据。
具体地,负荷监测数据本质上均属于时间序列数据,但具有波动性特征,其时间序列数据里存在许多噪声,这些噪声严重影响了进一步的定量分析和数据挖掘,有必要预先降噪,通过对其进行降噪处理,能够提高电流、电压和功率数据等数据的质量和准确性,使后期数据处理及检测更准确;而对降噪后的负荷监测数据进行时频分解时,需要对历史用户负荷的使用情况,并对其进行分析后,基于分析后的情况,在对负荷监测数据进行时频分解,其中用户负荷的使用情况为用户的用电器的使用情况,例如,吹风机开启或关闭,洗衣机开启或关闭或各种工作模式。
步骤S3,分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据。
具体地,负荷特征数据就是用电负荷的运行特性,独立采集各用电负荷的电压数据、电流数据和功率数据,提取其稳态运行特征:
Rk=Γ(Fk,Tk);
其中,k为第k个用电负荷;Tk和Fk分别为用电负荷k的时间数据和频率数据;R为特征向量,R=[r1,r2,…,rm,…,rM],r为所提负荷特征数据,M为所提负荷特征数据个数;Г为特征提取函数。
步骤S4,将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况。
具体地,通过负荷监测模型对负荷特征数据进行处理,能得到此时各用电负荷的使用情况,例如,吹风机正在使用中,洗衣机处于漂洗模式等。
步骤S5,根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
具体地,用电负荷监测特征库中的每组数据是通过负荷监测数据及对应的各所述用电负荷的使用情况构成,通过当前采集的负荷监测数据,在用电负荷监测特征库进行识别匹配,从而得到其对应的各所述用电负荷的使用情况,实现了非侵入式电力负荷监测。
本实施例所述的非侵入式电力负荷监测方法通过获取用户电力入口处的负荷监测数据,并对负荷监测数据进行降噪处理,降噪处理可以去除数据中的噪声,提高数据的质量和准确性;对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,再分别对所述时间数据和频率数据进行特征提取,通过特征提取再次将原始数据中的冗余信息等去除从而减少数据的维度,提高数据的处理效率,通过训练好的负荷监测模型对负荷特征数据进行处理,得到各用电负荷的使用情况,并通过各用电负荷的使用情况及对应得负荷监测数据构建用电负荷监测特征库,从而实现用户实际用电负荷的检测。因此,本发明通过对负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解得到的时间数据和频率数据进行特征提取,将原始数据中的噪声和冗余信息等去除,并通过训练好的负荷监测模型得到各用电负荷的使用情况,提高了数据的质量和准确性,同时减少了数据的维度,进而提高数据的处理效率,构建用电负荷监测特征库,可快速通过负荷监测数据识别当前对应的用电负荷使用情况,实现了对实际用电负荷检测的准确性和高效性,同时保障用户负荷的供能可靠性。
在一些实施例中,步骤S2中,所述对所述负荷监测数据进行降噪处理,包括:
步骤S21,将所述负荷监测数据在预设尺度空间上进行正交处理,得到处理后的所述负荷监测数据,每个所述处理后的负荷监测数据包括高频信号和低频信号;
步骤S22,对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据。
在一些实施例中,步骤S22中,所述对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据,包括:
步骤S221,对不同的所述高频信号上的所有系数分别进行阅值法处理,得到估计信号;
步骤S222,分别对所有估计信号提取出与所述负荷监测数据相关的有效信号,并分别对所述低频信号提取出与所述负荷监测数据相关的有效信号;
步骤S223,将所有所述高频信号和所有所述低频信号对应的有效信号进行重构,得到所述降噪后的负荷监测数据。
在一些优选的实施例中,选取负荷功率数据P=(P1,P1,……,Pn),进行降噪处理,将P1,P1,……,Pn在2j尺度空间上进行n次分解,分解过程为正交处理,得到:
Pj1=wj-1,1+wj-2,1+wj-3,1……+wj-N,1+vj-N,1;
Pj2=wj-1,2+wj-2,2+wj-3,2……+wj-N,2+vj-N,2;
……
Pjn=wj-1,n+wj-2,n+wj-3,n……+wj-N,n+vj-N,n;
其中,wj-h,k(h=1,2,……,N)表示Pjk在2j-m尺度空间下细节数据,vj-N,h表示Pjk在2j-N尺度空间下的尺度数据。
对不同的高频数据wj-i,1,wj-i,2,……,wj-i,n(i=1,2,……,N)上所有系数分别进行阈值法处理,得到估计数据:
;
对于不同尺度空间上的信号,提取与源数据相关的有效信号:
;
同样对低频数据vj-N,1,vj-N,2,……,vj-N,n(i=1,2,……,N),提取与源数据相关的有效信号:
;
于是有:
;
并对重构回负荷功率数据/>。
在一些实施例中,步骤S2中,所述对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,包括:
步骤S23,获取时间阈值和频率阈值;
步骤S24,根据所述时间阈值和所述频率阈值,对降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据。
在一些实施例中,步骤S24中,所述时间阈值包括时间范围和时间间隔,所述频率阈值包括频率范围和频率间隔,所述根据所述时间阈值和所述频率阈值,对所述降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据,包括:
步骤S241,根据所述时间范围和所述时间间隔,对所述降噪后的负荷监测数据进行分解,得到所述时间数据;
步骤S242,根据所述频率范围和所述频率间隔,对所述降噪后的负荷监测数据进行分解,得到所述频率数据。
具体地,根据历史用电负荷的使用情况,分别对各历史用电负荷进行分析,能得到各历史用电负荷的时间阈值和频率阈值,时频分解所选取的时间范围[tmin,tmax]、时间间隔At和频率范围[fmin,fmax]、频率间隔 Af由实验监测各历史用电负荷的情况所得;
根据时间范围[tmin,tmax]、时间间隔At,对降噪后的负荷监测数据进行分解,例如,时间范围[1s,11s]、时间间隔2s,对功率数据P进行分解,得到5组功率数据,每组数据包含的数据为选取时间间隔内每个数据的有效值,即为时间数据;
根据频率范围[fmin,fmax]、频率间隔Af,对降噪后的负荷监测数据进行分解,例如,[44Hz,60Hz]、频率间隔5Hz,对功率数据P进行分解,得到3组功率数据,每组数据包含的数据为选取频率间隔内每个数据的有效值,即为频率数据。
在一些实施例中,步骤S3中,所述对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据,包括;
步骤S31,分别将所述时间数据和所述频率数据进行标准化处理,得到第一向量和第二向量;
步骤S32,分别对所述第一向量和所述第二向量进行线性变化,并根据线性变化后的所述第一向量和所述第二向量得到所述负荷特征数据。
具体地,通过对所述时间数据和频率数据进行特征提取,利用正交变换把由线性相关变量表示的观察数据转换为少数几个由线性无关变量表示的数据,实现数据降维,进而提高数据的处理效率。
具体地,通过对时间数据进行0均值化,并对其进行计算求得方差和协方差,进而得到协方差矩阵(第一向量),对协方差矩阵做奇异值求解,得到特征值及对应的特征向量,根据特征值进行降序排列,选取前n各特征值对应的特征向量进行构建,并构建后的向量对时间数据进行降维操作,得到线性变化后的第一向量,频率数据的处理方式与时间数据的处理方式,得到线性变化后的第二向量,最后根据线性变化后的第一向量和线性变化后的第二向量重构得到负荷特征数据。
在一些实施例中,如图3所示,所述负荷分类模型的构建方法包括:
步骤A1,获取历史用电负荷的负荷特征及对应的历史用电负荷的使用情况;
步骤A2,根据所述历史用电负荷的负荷特征对初始负荷分类模型进行训练,得到初始用电负荷的使用情况;
步骤A3,根据所述初始用电负荷的使用情况和所述历史用电负荷的使用情况进行损失计算,得到损失函数输出;
步骤A4,根据所述损失函数输出调整所述初始负荷分类模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始负荷分类模型作为所述负荷分类模型。
具体地,获取历史用电负荷的负荷特征及对应的历史用电负荷的使用情况,通过将历史用电负荷的负荷特征输入到初始负荷分类模型进行训练,得到初始用电负荷的使用情况,通过计算初始用电负荷的使用情况和历史用电负荷的使用情况之间的交叉熵损失,依据损失值对初始负荷分类模型内部参数进行调整,即在模型训练过程中,通过损失计算(加权损失)进行反向传播对初始负荷分类模型进行参数调优,将经参数调整后的初始负荷分类模型作为述负荷分类模型。
本实施例所述的多能协同运行方法通过获取用户电力入口处的负荷监测数据,并对负荷监测数据进行降噪处理,降噪处理可以去除数据中的噪声,提高数据的质量和准确性;对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,再分别对所述时间数据和频率数据进行特征提取,通过特征提取再次将原始数据中的冗余信息等去除从而减少数据的维度,提高数据的处理效率,通过训练好的负荷监测模型对负荷特征数据进行处理,得到各用电负荷的使用情况,并通过各用电负荷的使用情况及对应得负荷监测数据构建用电负荷监测特征库,从而实现用户实际用电负荷的检测。因此,本发明通过对负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解得到的时间数据和频率数据进行特征提取,将原始数据中的噪声和冗余信息等去除,并通过训练好的负荷监测模型得到各用电负荷的使用情况,提高了数据的质量和准确性,同时减少了数据的维度,进而提高数据的处理效率,构建用电负荷监测特征库,可快速通过负荷监测数据识别当前对应的用电负荷使用情况,实现了对实际用电负荷检测的准确性和高效性,同时保障用户负荷的供能可靠性。
如图4所示,本发明的又一个实施例提供一种非侵入式电力负荷监测装置,包括:
获取单元,用于获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
处理单元,用于对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;
所述处理单元还用于分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据;将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况;
检测单元,用于根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
本发明的另一个实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述非侵入式电力负荷监测方法的步骤。
需要注意的是,该设备可以为服务器、移动终端等计算机设备。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现非侵入式电力负荷监测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行的非侵入式电力负荷监测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述非侵入式电力负荷监测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如术语“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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种非侵入式电力负荷监测方法,其特征在于,所述非侵入式电力负荷监测方法包括:
获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;
分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据;
将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况;
根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
2.根据权利要求1所述的非侵入式电力负荷监测方法,其特征在于,所述对所述负荷监测数据进行降噪处理,包括:
将所述负荷监测数据在预设尺度空间上进行正交处理,得到处理后的负荷监测数据,每个所述处理后的负荷监测数据包括高频信号和低频信号;
对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据。
3.根据权利要求2所述的非侵入式电力负荷监测方法,其特征在于,所述对所述高频信号和所述低频信号进行有效信号提取并重构,得到所述降噪后的负荷监测数据,包括:
对不同的所述高频信号上的所有系数分别进行阅值法处理,得到估计信号;
分别对所有估计信号提取出与所述负荷监测数据相关的有效信号,并分别对所述低频信号提取出与所述负荷监测数据相关的有效信号;
将所有所述高频信号和所有所述低频信号对应的有效信号进行重构,得到所述降噪后的负荷监测数据。
4.根据权利要求1所述的非侵入式电力负荷监测方法,其特征在于,所述对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据,包括:
获取时间阈值和频率阈值;
根据所述时间阈值和所述频率阈值,对所述降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据。
5.根据权利要求4所述的非侵入式电力负荷监测方法,其特征在于,所述时间阈值包括时间范围和时间间隔,所述频率阈值包括频率范围和频率间隔,所述根据所述时间阈值和所述频率阈值,对所述降噪后的负荷监测数据进行时频分解,得到所述时间数据和所述频率数据,包括:
根据所述时间范围和所述时间间隔,对所述降噪后的负荷监测数据进行分解,得到所述时间数据;
根据所述频率范围和所述频率间隔,对所述降噪后的负荷监测数据进行分解,得到所述频率数据。
6.根据权利要求1所述的非侵入式电力负荷监测方法,其特征在于,所述对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据,包括:
分别将所述时间数据和所述频率数据进行标准化处理,得到第一向量和第二向量;
分别对所述第一向量和所述第二向量进行线性变化,并根据线性变化后的所述第一向量和所述第二向量得到所述负荷特征数据。
7.根据权利要求1所述的非侵入式电力负荷监测方法,其特征在于,所述负荷分类模型的构建方法包括:
获取历史用电负荷的负荷特征及对应的历史用电负荷的使用情况;
根据所述历史用电负荷的负荷特征对初始负荷分类模型进行训练,得到初始用电负荷的使用情况;
根据所述初始用电负荷的使用情况和所述历史用电负荷的使用情况进行损失计算,得到损失函数输出;
根据所述损失函数输出调整所述初始负荷分类模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述初始负荷分类模型作为所述负荷分类模型。
8.一种非侵入式电力负荷监测装置,其特征在于,所述非侵入式电力负荷监测装置包括:
获取单元,用于获取用户电力入口处的负荷监测数据,所述负荷监测数据包括电流数据、电压数据和功率数据中的一种或多种;
处理单元,用于对所述负荷监测数据进行降噪处理,并对降噪后的负荷监测数据进行时频分解,以生成时间数据和频率数据;
所述处理单元还用于分别对所述时间数据和所述频率数据进行特征提取,得到对应的负荷特征数据;将所述负荷特征数据输入负荷监测模型中,得到各用电负荷的使用情况;
检测单元,用于根据所述负荷监测数据和各所述用电负荷的使用情况确定用电负荷监测特征库,并根据所述用电负荷特征库对实际用电负荷进行检测。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的非侵入式电力负荷监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1至7任一项中所述的非侵入式电力负荷监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128087.6A CN116893314A (zh) | 2023-09-04 | 2023-09-04 | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128087.6A CN116893314A (zh) | 2023-09-04 | 2023-09-04 | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116893314A true CN116893314A (zh) | 2023-10-17 |
Family
ID=88309754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311128087.6A Pending CN116893314A (zh) | 2023-09-04 | 2023-09-04 | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116893314A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148875A (zh) * | 2023-10-30 | 2023-12-01 | 余姚市宏宇输变电工程有限公司 | 基于储能配合的光伏板转角控制方法、***及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109919130A (zh) * | 2019-03-21 | 2019-06-21 | 西安交通大学 | 一种基于改进遗传算法优化的质量控制图模式识别方法 |
CN111476158A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 |
CN111476339A (zh) * | 2020-04-20 | 2020-07-31 | 山东师范大学 | 滚动轴承故障特征提取方法、智能诊断方法及*** |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
CN113865866A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于改进局部非负矩阵分解的轴承复合故障诊断方法 |
CN115204231A (zh) * | 2022-07-19 | 2022-10-18 | 北京交通大学 | 基于eeg脑电多维特征的数字化人机界面认知负荷评估方法 |
CN116204831A (zh) * | 2022-12-29 | 2023-06-02 | 南京邮电大学通达学院 | 一种基于神经网络的道地性分析方法 |
CN116340759A (zh) * | 2023-02-13 | 2023-06-27 | 国网冀北电力有限公司计量中心 | 一种基于时频分析的非线性负荷状态识别方法 |
-
2023
- 2023-09-04 CN CN202311128087.6A patent/CN116893314A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109919130A (zh) * | 2019-03-21 | 2019-06-21 | 西安交通大学 | 一种基于改进遗传算法优化的质量控制图模式识别方法 |
CN111476158A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 |
CN111476339A (zh) * | 2020-04-20 | 2020-07-31 | 山东师范大学 | 滚动轴承故障特征提取方法、智能诊断方法及*** |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
CN113865866A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于改进局部非负矩阵分解的轴承复合故障诊断方法 |
CN115204231A (zh) * | 2022-07-19 | 2022-10-18 | 北京交通大学 | 基于eeg脑电多维特征的数字化人机界面认知负荷评估方法 |
CN116204831A (zh) * | 2022-12-29 | 2023-06-02 | 南京邮电大学通达学院 | 一种基于神经网络的道地性分析方法 |
CN116340759A (zh) * | 2023-02-13 | 2023-06-27 | 国网冀北电力有限公司计量中心 | 一种基于时频分析的非线性负荷状态识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148875A (zh) * | 2023-10-30 | 2023-12-01 | 余姚市宏宇输变电工程有限公司 | 基于储能配合的光伏板转角控制方法、***及存储介质 |
CN117148875B (zh) * | 2023-10-30 | 2024-01-16 | 余姚市宏宇输变电工程有限公司 | 基于储能配合的光伏板转角控制方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Couckuyt et al. | Fast calculation of multiobjective probability of improvement and expected improvement criteria for Pareto optimization | |
CN116893314A (zh) | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 | |
KR20160114211A (ko) | 수 처리 시스템 및 방법 | |
CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
Song et al. | A generic framework for multisensor degradation modeling based on supervised classification and failure surface | |
Reinhardt et al. | On the impact of the sequence length on sequence-to-sequence and sequence-to-point learning for nilm | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及*** | |
Gu et al. | A novel Pareto-based Bayesian approach on extension of the infogram for extracting repetitive transients | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析***及方法 | |
Sundararajan et al. | Nonparametric change point detection in multivariate piecewise stationary time series | |
Patidar et al. | A hybrid system of data-driven approaches for simulating residential energy demand profiles | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
Wang et al. | Modelling of wind and photovoltaic power output considering dynamic spatio-temporal correlation | |
CN116819352A (zh) | 电池阈值的自适应设定方法、装置、设备及存储介质 | |
KR20160114550A (ko) | 수 처리 시스템 및 방법 | |
Liu et al. | Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach | |
Liu et al. | A novel fault diagnosis method for rolling bearing based on EEMD-PE and multiclass relevance vector machine | |
Liu et al. | A divide-and-conquer method for compression and reconstruction of smart meter data | |
CN113052060A (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
Kahraman et al. | Wind power forecasting using LSTM incorporating fourier transformation based denoising technique | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
CN112801123A (zh) | 一种频域分布一致性的小样本用户用电数据扩充方法 | |
Huang et al. | An Accurate Prediction Algorithm of RUL for Bearings: Time‐Frequency Analysis Based on MRCNN | |
Qin et al. | Multi-layer convolutional dictionary learning network for signal denoising and its application to explainable rolling bearing fault diagnosis | |
CN113987909B (zh) | 油纸绝缘老化预测方法、装置、计算机设备和存储介质 |
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 |