CN104483575B - 用于非侵入式电力监测的自适应负荷事件检测方法 - Google Patents
用于非侵入式电力监测的自适应负荷事件检测方法 Download PDFInfo
- Publication number
- CN104483575B CN104483575B CN201410812176.7A CN201410812176A CN104483575B CN 104483575 B CN104483575 B CN 104483575B CN 201410812176 A CN201410812176 A CN 201410812176A CN 104483575 B CN104483575 B CN 104483575B
- Authority
- CN
- China
- Prior art keywords
- power
- load
- stress event
- detection
- data
- 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
Abstract
本发明公开了一种用于非侵入式电力监测的自适应负荷事件检测方法,通过跟踪数据窗内负荷总功率信号的斜率的变化来判断负荷运行状态是否发生变化来检测负荷事件。基于总负荷分段,便可根据需要获取用电设备辨识所需的印记特征来最终完成负荷分解(辨识各用电设备的工作状态)。包括数据初始化;计算当前检测数据窗内负荷功率数据的斜率拟合值ki;判断是否有负荷事件发生或结束;标记出总负荷过渡区段和稳态区段的起止点;估算当前功率数据点之前的功率波动量度σp用于表征总负荷波动水平;自适应的更新检测阈值Kth;更新检测数据窗,循环上述过程直至停止检测。本方法解决了现有负荷事件检测技术中存在的不能准确有效完成总负荷分段的问题。
Description
技术领域
本发明涉及一种非侵入式电力监测的负荷事件检测方法。
背景技术
非侵入式电力负荷监测(Non-intrusive Load Monitoring,NILM)是一种新颖的负荷监测方式,相较传统的侵入式监测方式(为每个用电设备分别安装独立的传感器),它具有安装维护方便、经济性好、可靠性高等优势[1]。如图1,以单相系统为例,NILM只需在电力入口处(如居民小区电源总进口处、住户进线总开关处或工、商业负荷总线上)安装监测设备,然后通过采集和分析此处的负荷量测信息(如端电压和总负荷电流)来获得总负荷内部每个/类用电设备的用电信息(如工作状态,用电功率等),进而可以了解负荷的用电规律。
NILM系统主要包括五部分,分别是:数据采集模块、数据预处理模块、负荷特征提取模块、负荷分解模块及存储器模块,如图1中框图所示。其中,负荷分解模块是NILM的核心,其前提是从总负荷量测信息中准确提取能够可靠标志每种用电设备工作状态的印记特征,由于用电设备的平稳运行过程和工作状态转换过程分别蕴含着性质不同的印记特征[2],因此,在负荷特征提取之前,需要进行负荷分段,即确定总负荷的过渡区段或稳态区段的起止时刻,以使得有区分地获取用电设备的过渡区段和稳态区段印记特征成为可能,这里总负荷的稳态区段内所有用电设备都处于平稳运行状态,过渡区段内至少包含一个用电设备的工作状态转换过程[1]。显然,负荷分段结果的好坏会直接影响负荷分解模块的最终结果[1]-[4]。
通常,用电设备工作状态的转换过程被称为负荷事件,包括投入、关停和功率非零的工作状态间相互转换这三种过程,从而负荷事件检测可望实现负荷分段。已报道的用于NILM的负荷事件检测方法有作差法[3]、GLR算法[5]-[7]和基于滑动窗双边CUSUM的暂态事件检测算法[8]。其中,作差法能够检测总负荷各个过渡区段或稳态区段的起止时刻,但是其抗负荷波动性较差,容易产生误检;GLR算法和基于滑动窗双边CUSUM的暂态事件检测算法的抗扰动性虽然较强,但是它们不能准确检测过渡区段终点或稳态区段起点,更适用于过渡区段长度相对于稳态区段长度较小或负荷事件较不频繁的场合。
参考文献:
[1]余贻鑫,刘博,栾文鹏;非侵入式居民电力负荷监测与分解技术[J].南方电网科技,2013,7(4):1-5。
[2]Liang J,Ng,Simon K K et al.Load Signature Study—Part I:BasicConcept,Structure,and Methodology[J].IEEE Transactions on Power Delivery,2010,25(2):551-560。
[3]Hart,G W.Nonintrusive Appliance Load Monitoring[J].Proceedings ofthe IEEE,1992,80(12):1870-1891。
[4]Leeb S B,Shaw S R,Kirtley J Let al.Transient Event Detection inSpectral Envelope Estimates for Nonintrusive Load Monitoring[J].IEEETransactions on Power Delivery,1995,10(3):1200-1210。
[5]Basseville M,Nikiforov I V.Detection of Abrupt Changes:Theory andApplication[M].Prentice-Hall,1993:23-62。
[6]Hill R O.Applied Change of Mean Detection Techniques for HVACFault Detection and Diagnosis and Power Monitoring[D].Massachusetts Instituteof Technology,1995。
[7]Luo D.Detection and Diagnosis of Faults and Energy Monitoring ofHVAC Systems with Least-intrusive Power Analysis[D].Massachusetts Instituteof Technology,2001。
[8]牛卢璐;基于暂态过程的非侵入式负荷监测[D],天津大学,2010。
发明内容
针对上述现有技术,本发明提出了一种用于非侵入式电力监测的自适应负荷事件检测方法,是采用在线检测方法——滑动窗斜率拟合法(简称为斜率法)。由于任意用电设备的负荷事件的发生都会引起总负荷量测信息的相应变化,因此负荷事件检测通常是以印记特征或某些特征指标的变化量为分析对象的,本发明中提出的斜率法通过分析总功率信号斜率(以数据窗为单位)的变化来检测负荷事件,其能够准确地标记出总负荷过渡区段和稳态区段的起止时刻,基于总负荷分段,便可根据需要准确获取用电设备辨识所需的印记特征(诸如暂态功率波形、稳态谐波电流差量等特征)[2-4]来最终完成负荷分解(辨识各用电设备的工作状态)。本发明中还给出了检测判别阈值的自适应变化计算方法。
为了解决上述技术问题,本发明一种用于非侵入式电力监测的自适应负荷事件检测方法,利用非侵入式电力负荷监测系统中的数据采集模块,包括以下步骤:
步骤一、数据初始化:设定用于检测功率数据变化的阈值△Pth,△Pth>0,设定检测数据窗长度Wd,计算斜率阈值Kth,从数据采集模块中读取功率数据初始化检测数据窗;
式(3)中,Wd为检测数据窗长度,Wd∈{3,4,5,…},余同;
步骤二、计算当前检测数据窗内负荷功率数据的斜率拟合值ki;
式(1)中,Pi为当前检测数据窗的起点,i∈{1,2,3,…},{Pj|j=i,i+1,…,i+Wd-1}为当前检测数据窗所含的功率数据序列;
步骤三、判断斜率拟合值ki与斜率阈值Kth的大小关系,进而判断是否有负荷事件发生或结束:
负荷事件发生的判定条件为:
此时,为功率变化数据点,该功率变化数据点即为负荷事件的发生点;
负荷事件结束的判定条件为:
式(5)中,j=i-1或i-Wd+1,此时功率数据点Pi即为负荷事件的结束点;
若满足负荷事件发生或负荷事件结束的判定条件,则执行步骤四,否则执行步骤六;
步骤四、若步骤三获得的是负荷事件的发生点,则将其标记为总负荷过渡区段起点,并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负荷稳态区段的终点,执行步骤五;
否则将步骤三获得的负荷事件的结束点标记为总负荷过渡区段终点,并将该总负荷过渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起点,执行步骤六;
步骤五、估算功率波动量度σp,该功率波动量度σp用于表征总负荷波动水平;
根据式(15)计算所述功率波动量度σp:
式(15)中,Pi为当前检测到的总负荷过渡区段起点,Ws为用来估计功率波动量度σp的数据窗长度,若将与Pi相邻的前一个稳态区段所含功率数据点个数记为Ns,则有Ws∈{2,3,4,…,Ns};
据所得功率波动量度σp,结合负荷事件检测对漏检概率αk和可靠检测的最小功率变化绝对值△Pmin的要求,更新用于检测功率数据变化的斜率阈值Kth;
式(13)中,φ-1(·)为标准正态分布函数的反函数,所述用于非侵入式电力监测的自适应负荷事件检测方法执行时,真实负荷事件被漏检的概率记为αk,是与要求可靠检测的最小功率变化绝对值△Pmin对应的斜率值,可根据下式(2),令△P=△Pmin计算得到;
步骤六、若继续执行检测,则从数据采集模块中读取新功率数据,更新检测数据窗,返回步骤二,否则结束。
与现有技术相比,本发明的有益效果是:
非侵入式电力负荷监测是一种新颖的电力负荷用电细节监测方式,其关键是从总负荷量测信息中准确提取能够可靠标志每种用电设备工作状态的印记特征。由于任意用电设备的负荷事件的发生都会引起总负荷量测信息的相应变化,因此负荷事件检测通常是以印记特征或某些特征指标的变化量为分析对象的。通过分析总功率信号,斜率法相比作差法,可更准确地标记出总负荷过渡区段和稳态区段的起止时刻,在此基础上监测系统能够更准确地获取所需的负荷印记特征以完成用电设备工作状态辨识,提高负荷分解的准确性。而且本发明给出了检测判别阈值的自适应变化计算方法。
附图说明
图1是非侵入式电力负荷监测与分解系统的基本原理图;
图2是用于非侵入式电力监测的自适应负荷事件检测方法的流程图;
图3实测算例1作差法(△Pth=3σp)的检测结果;
图4实测算例1斜率法(△Pth=3σp)的检测结果;
图5实测算例2作差法(△Pth=3σp)的检测结果;
图6实测算例2斜率法(△Pth=3σp)的检测结果;
图7实测算例3作差法(△Pth=3σp)的检测结果;
图8实测算例3斜率法(△Pth=3σp)的检测结果。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
本发明提出的一种用于非侵入式电力监测的自适应负荷事件检测方法——滑动窗斜率拟合法(简称为斜率法)。通过跟踪数据窗内负荷总功率信号的斜率的变化来判断负荷运行状态是否发生变化来检测负荷事件。基于总负荷分段,便可根据需要获取用电设备辨识所需的印记特征来最终完成负荷分解(辨识各用电设备的工作状态)。包括数据初始化;计算当前检测数据窗内负荷功率数据的斜率拟合值ki;判断是否有负荷事件发生或结束;准确的标记出总负荷过渡区段和稳态区段的起止时刻;估算功率波动量度σp用于表征总负荷波动水平;从数据采集模块中读取新功率数据,更新检测数据窗,循环上述过程直至停止检测。
图2示出了本发明用于非侵入式电力监测的负荷事件检测方法的执行流程,包括以下步骤:
步骤一、数据初始化:设定用于检测功率数据变化的阈值△Pth,△Pth>0,设定检测数据窗长度Wd,计算斜率阈值Kth,从数据采集模块中读取功率数据初始化检测数据窗;
步骤二、计算当前检测数据窗内负荷功率数据的斜率拟合值ki;
步骤三、判断斜率拟合值ki与斜率阈值Kth的大小关系,进而判断是否有负荷事件发生或结束,若满足负荷事件发生或负荷事件结束的判定条件,执行步骤四,否则执行步骤六;
步骤四、若获得的是负荷事件的发生点,则将负荷事件发生点标记为总负荷过渡区段起点,并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负荷稳态区段的终点,执行步骤五;否则将获得的负荷事件的结束点标记为总负荷过渡区段终点,并将该总负荷过渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起点,执行步骤六;
步骤五、估算功率波动量度σp,该功率波动量度σp用于表征总负荷波动水平,据所得功率波动量度σp,结合负荷事件检测对漏检概率αk和可靠检测的最小功率变化绝对值△Pmin的要求,更新用于检测功率数据变化的斜率阈值Kth;
步骤六、若继续执行检测,则从数据采集模块中读取新功率数据,更新检测数据窗,返回步骤二,否则结束。
上述步骤的具体阐释如下:
根据线性最小二乘拟合理论,一个检测数据窗内负荷功率信号的斜率拟合值ki为:
公式(1)中,Wd为当前检测数据窗的长度,Wd∈{3,4,5,…},Pi为当前检测数据窗的起点,i∈{1,2,3,…},{Pj|j=i,i+1,…,i+Wd-1}为当前检测数据窗所含的功率数据序列。
由公式(1)可得,对于一个功率阶跃变化为△P的负荷事件(以△P>0为例),在数据窗滑动过程中,斜率拟合值的最大值为K△P为:
故本发明定义斜率阈值Kth为:
公式(3)中,△Pth为设定的功率变化阈值,△Pth>0。
利用比较斜率拟合值ki和斜率阈值Kth的大小关系,判断负荷功率是否发生变化的依据是:|ki|大于Kth时,认为功率信号发生明显变化;|ki|小于或等于Kth时,认为功率信号基本保持不变,进而:
负荷事件发生的判定条件为:
此时,为功率变化数据点,即以Pi为起点的当前检测数据窗的功率数据终点被认为是负荷事件的发生点;
负荷事件结束的判定条件为:
公式(5)中,j=i-1或i-Wd+1,此时检测数据窗起点Pi即为负荷事件的结束点。
接下来,将得到的负荷事件的发生点标记为总负荷过渡区段起点,并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负荷稳态区段的终点;或者将得到的负荷事件的结束点标记为总负荷过渡区段终点,并将该总负荷过渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起点。
标记总负荷过渡区段和稳定区段的起止点后,非侵入式电力监测的后续环节便能够据此准确提取负荷暂态特征或负荷稳态特征,以及对各负荷事件和相关电气设备的工作状态进行辨识。
为了分析本发明所述用于非侵入式电力监测的自适应负荷事件检测方法(以下简称斜率法)的性能,本发明定义如下两种指标:(1)将真实负荷事件被漏检的概率定义为漏检概率,记为α;(2)将非负荷事件被误检为负荷事件的概率定义为误检概率,记为β。这两个指标与下述公式(16)和公式(17)定义的误检比率和漏检比率有一定对应关系。
漏检概率α和误检概率β的分析是在负荷功率波动满足正态分布的假设条件下进行的,即功率信号Pi~N(μi,σp 2),其中i∈{1,2,3,…},σp为功率波动量度,表征功率的波动水平,则由公式(1)和正态分布的性质(正态分布的线性组合仍是正态分布)可得斜率拟合值ki~N(kμi,σk 2),其中σk为斜率拟合值的波动量度:
对于功率变化为△P(|△P|>△Pth)的负荷事件,斜率法的漏检概率α△p为:
公式(7)中,φ(·)为标准正态分布函数,K△P可由公式(2)计算得到。
由公式(6)、公式(7)可知,当斜率阈值Kth、要求可靠检测的最小功率变化绝对值△Pmin和功率波动量度σp确定后,斜率法的最大漏检概率αk为:
在总负荷稳态区段,斜率法的误检概率βk为:
Hart最早提出使用稳态功率变化量来检测负荷事件(参见:Hart,GW.Nonintrusive Appliance Load Monitoring[J].Proceedings of the IEEE,1992,80(12):1870-1891),而后被许多研究者沿用至今,本文简称其为“作差法”,本发明下面从理论上对比分析这两种方法的性能。
基于上述性能评价指标,当功率变化阈值△Pth、功率波动量度σp和要求可靠检测的最小功率变化绝对值△Pmin已知时,作差法的最大漏检概率αD为:
公式(10)中,σD为相邻两点功率数据差值的波动量度,
在总负荷稳态区段,作差法的误检概率βD为:
可证明,在功率变化阈值△Pth、功率波动量度σp和要求可靠检测的最小功率变化绝对值△Pmin相同时,斜率法的最大漏检概率αk和误检概率βk均小于作差法的最大漏检概率αD和误检概率βD;
同时,在要求的最大漏检概率和误检概率相同时,斜率法能可靠检测的最小功率变化绝对值△Pmin,k小于作差法能可靠检测的最小功率变化绝对值△Pmin,D;
由此,本文提出的斜率法的负荷事件检测性能优于作差法。
斜率阈值Kth是判断功率信号是否发生变化的依据,它的大小直接影响斜率法的负荷事件检测与负荷分段的性能,因此本文提出斜率阈值在线自适应调整的方法,这会使得负荷事件检测性能不受系统扰动的影响。
由公式(2)、公式(6)、公式(8)可知,斜率阈值Kth可根据检测数据窗长度Wd、功率波动量度σp及负荷事件检测对漏检概率αk和要求可靠检测的最小功率变化绝对值△Pmin确定:
或由公式(2)可知斜率阈值Kth由功率变化阈值△Pth和检测数据窗长度Wd确定,又由公式(6)、公式(9)可知功率变化阈值△Pth可由检测数据窗长度Wd、误检概率βk、功率波动量度σp确定,那么Kth的另一种隐性表达可记为:
Kth=fβ(Wd,βk,σp) (14)
在负荷事件检测过程中,公式(13)和公式(14)中的参数除了功率波动量度σp是变量外,其余参数都是可提前确定的,因此,在负荷事件检测过程中,可以通过在线实时估算功率波动量度σp,并根据公式(13)或公式(14)来自适应地更新斜率阈值Kth以提高检测性能。
假设功率波动服从高斯分布,则功率波动量度σp可以用总负荷稳态区段功率信号的标准差来表征,即:
公式(15)中,Pi为当前检测到的总负荷过渡区段起点,Ws为用来估计功率波动量度σp的数据窗长度,若将与Pi相邻的稳态区段所含功率数据点个数记为Ns,则Ws∈{2,3,4,…,Ns}。
为了准确表征功率波动量度σp需设定功率波动量度阈值,防止误检或漏检造成功率波动量度σp估算偏差过大,导致检测结果不可靠或不准确,此外,还可以通过计算多个总负荷稳态区段功率信号的标准差平均值来表征功率波动量度σp,以提高负荷事件检测的可靠性与准确性。
基于以上分析,为在测试中更实际地评价和对比负荷事件检测方法的性能,本发明定义如下指标:
首先,定义检测到的负荷事件总数Ndet(参见:Liang J,Ng,Simon K K et al.LoadSignature Study—Part I:Basic Concept,Structure,and Methodology[J].IEEETransactions on Power Delivery,2010,25(2):551-560)为:
Ndet=Ntrue+Nwro+Nmiss (16)
公式(16)中,Ntrue为真实负荷事件,Nwro为误检负荷事件,Nmiss为漏检负荷事件;
然后,定义负荷事件检测的性能指标:
误检比率ηwro和漏检比率ηmiss这两个性能指标是用来衡量同一个算例中不同检测算法或相同检测算法不同参数时的负荷事件检测性能,不同算例间这两个性能指标不具可比性。
下面通过实测算例考察并印证本发明方法的误检和漏检性能:
实测算例1:洗衣机单独运行,检测信号采用基波有功功率,功率采样频率fs=5Hz,功率波动水平σp=13W,监测时间50s;取检测数据窗长度Wd=4。结果详见图3和图4。
表1实测算例1的负荷事件检测结果
实测算例2:电磁炉单独运行,检测信号采用基波有功功率,功率采样频率fs=5Hz,功率波动水平σp=13W,监测时间22s;取检测数据窗长度Wd=4。结果详见图5和图6。
表2实测算例2的负荷事件检测结果
实测算例3:光伏电源单独运行(光伏作为电源,其有功功率为负值),检测信号采用标准化基波有功功率(参见:Hart,G W.Nonintrusive Appliance Load Monitoring[J].Proceedings of the IEEE,1992,80(12):1870-1891),功率采样频率fs=0.5Hz,功率波动水平σp=20W,监测时间约为21min;取检测数据窗长度Wd=4。结果详见图7和图8。
表3实测算例3的负荷事件检测结果
实测算例4:包含空调、电磁炉、洗衣机的综合负荷,检测信号采用标准化基波有功功率,功率采样频率fs=5Hz,功率波动水平σp=13W,监测时间约为42min;取检测数据窗长度Wd=4。
表4实测算例4的负荷事件检测结果
通过上述实测算例结果可得如下结论:
从表1~4可以看出,斜率法的误检和漏检性能明显优于作差法,从图3和图4可以看出,使用斜率法能够较准确的将功率信号分成过渡区段和稳态区段,另外,表4表明斜率法的耗时多于作差法,但作差法过多的误检结果会增加后续功能模块的处理时间。因此,斜率法对于负荷事件检测和负荷分段是有效的,而且总体性能明显优于作差法。
考察本发明方法能可靠检测的最小功率变化△Pmin:
仿真算例1:功率采样频率fs=12.5Hz,功率波动水平σp=16W,监测时间152s,仿真负荷事件数76;无仿真负荷事件时,作差法和斜率法的误检负荷事件数为20;取检测数据窗长度Wd=4;这里,为以理想的有功阶跃事件作为仿真事件,下同。
表5仿真算例1的检测结果
注:该算例中,作差法的功率变化阈值△Pth为55.2W,斜率法的功率变化阈值△Pth为34W;Nmiss表示漏检的负荷事件数,括号内表示具体数目,下同。
仿真算例2:功率采样频率fs=5Hz,功率波动水平σp=12W,监测时间280s,仿真负荷事件数28;无仿真负荷事件时,作差法和斜率法的误检负荷事件数为20;取检测数据窗长度Wd=4。
表6仿真算例2检测结果
注:该算例中,作差法的功率变化阈值△Pth为55.2W,斜率法的功率变化阈值△Pth为34W。
通过上述仿真算例结果可得如下结论:
从表5和表6可以看出,在作差法和斜率法的误检负荷事件数、要求的最大漏检负荷事件数相同的情况下,斜率法能可靠检测的最小功率变化绝对值△Pmin,k小于作差法的△Pmin,D。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种用于非侵入式电力监测的自适应负荷事件检测方法,利用非侵入式电力负荷监测系统,其特征在于:
包括以下步骤:
步骤一、数据初始化:设定用于检测功率数据变化的阈值△Pth,△Pth>0,设定检测数据窗长度Wd,计算斜率阈值Kth,从非侵入式电力负荷监测系统的数据采集模块中读取功率数据初始化检测数据窗;
式(3)中,Wd为检测数据窗长度,Wd∈{3,4,5,…},余同;
步骤二、计算当前检测数据窗内负荷功率数据的斜率拟合值ki;
式(1)中,Pi为当前检测数据窗的起点,i∈{1,2,3,…},{Pj|j=i,i+1,…,i+Wd-1}为当前检测数据窗所含的功率数据序列;
步骤三、判断斜率拟合值ki与斜率阈值Kth的大小关系,进而判断是否有负荷事件发生或结束:
负荷事件发生的判定条件为:
此时,为功率变化数据点,该功率变化数据点即为负荷事件的发生点;
负荷事件结束的判定条件为:
式(5)中,j=i-1或i-Wd+1,此时功率数据点Pi即为负荷事件的结束点;
若满足负荷事件发生或负荷事件结束的判定条件,则执行步骤四,否则执行步骤六;
步骤四、若步骤三获得的是负荷事件的发生点,则将其标记为总负荷过渡区段起点,并将该总负荷过渡区段起点的前一个数据点标记为与该总负荷过渡区段相邻的前一个总负荷稳态区段的终点,执行步骤五;
否则将步骤三获得的负荷事件的结束点标记为总负荷过渡区段终点,并将该总负荷过渡区段终点的后一个数据点标记为与该总负荷过渡区段相邻的后一个总负荷稳态区段的起点,执行步骤六;
步骤五、估算功率波动量度σp,该功率波动量度σp用于表征总负荷波动水平;
根据式(15)计算所述功率波动量度σp:
式(15)中,Pi为当前检测到的总负荷过渡区段起点,Ws为用来估计功率波动量度σp的数据窗长度,若将与Pi相邻的前一个稳态区段所含功率数据点个数记为Ns,则有Ws∈{2,3,4,…,Ns};
据所得功率波动量度σp,结合负荷事件检测对漏检概率αk和可靠检测的最小功率变化绝对值△Pmin的要求,更新用于检测功率数据变化的斜率阈值Kth;
式(13)中,φ-1(·)为标准正态分布函数的反函数,所述用于非侵入式电力监测的自适应负荷事件检测方法执行时,真实负荷事件被漏检的概率记为αk,是与要求可靠检测的最小功率变化绝对值△Pmin对应的斜率值,可根据下式(2),令△P=△Pmin计算得到;
步骤六、若继续执行检测,则从数据采集模块中读取新功率数据,更新检测数据窗,返回步骤二,否则结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410812176.7A CN104483575B (zh) | 2014-12-22 | 2014-12-22 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410812176.7A CN104483575B (zh) | 2014-12-22 | 2014-12-22 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104483575A CN104483575A (zh) | 2015-04-01 |
CN104483575B true CN104483575B (zh) | 2017-05-03 |
Family
ID=52758140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410812176.7A Active CN104483575B (zh) | 2014-12-22 | 2014-12-22 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104483575B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005205B (zh) * | 2015-08-28 | 2017-07-14 | 天津求实智源科技有限公司 | 一种基于电力负荷分解与监测的家居安全告警系统及方法 |
CN105186693A (zh) * | 2015-09-28 | 2015-12-23 | 南方电网科学研究院有限责任公司 | 一种非侵入式用电负荷辨识系统及方法 |
CN105425079B (zh) * | 2015-12-17 | 2018-07-13 | 东南大学 | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 |
CN105372541A (zh) * | 2015-12-24 | 2016-03-02 | 山东大学 | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 |
CN106093652B (zh) * | 2016-07-07 | 2019-03-29 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
CN106407657A (zh) * | 2016-08-31 | 2017-02-15 | 无锡雅座在线科技发展有限公司 | 事件捕获方法和装置 |
CN106483370B (zh) * | 2016-10-21 | 2019-05-03 | 威胜集团有限公司 | 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 |
CN106600074B (zh) * | 2016-12-28 | 2020-08-18 | 天津求实智源科技有限公司 | 一种基于dfhsmm非侵入式电力负荷监测方法及系统 |
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
CN106997426A (zh) * | 2017-03-30 | 2017-08-01 | 东北大学 | 一种基于核密度估计的非侵入式电力负荷辨识方法 |
CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
CN108459222A (zh) * | 2018-03-22 | 2018-08-28 | 中国海洋大学 | 一种电器故障检测方法及系统 |
CN108594041B (zh) * | 2018-04-23 | 2020-06-16 | 中国计量大学 | 一种针对非侵入式家居电力负荷监测装置的检测平台 |
CN109145949A (zh) * | 2018-07-19 | 2019-01-04 | 山东师范大学 | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 |
CN108872665B (zh) * | 2018-09-20 | 2020-07-03 | 广东石油化工学院 | 一种基于最小信息准则的负载开关事件检测方法及系统 |
CN109461095A (zh) * | 2018-10-18 | 2019-03-12 | 深圳供电局有限公司 | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 |
CN109521296B (zh) * | 2018-11-23 | 2020-09-01 | 四川长虹电器股份有限公司 | 一种稳态工况下的非侵入式电力负载识别优化算法 |
CN111126780B (zh) * | 2019-10-31 | 2023-04-07 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种非侵入式负荷监测方法及存储介质 |
CN112903301B (zh) * | 2019-12-04 | 2023-09-15 | 西门子能源国际公司 | 识别燃气轮机运行状态的方法和装置 |
CN111191908B (zh) * | 2019-12-25 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 一种负荷事件检测方法、系统及存储介质 |
CN110988570B (zh) * | 2019-12-26 | 2021-06-22 | 威胜集团有限公司 | 定频空调启动辨识方法、装置及存储介质 |
CN111175599B (zh) * | 2019-12-31 | 2022-04-19 | 广西电网有限责任公司电力科学研究院 | 一种非介入式空调的辨识方法 |
CN111291328B (zh) * | 2020-02-28 | 2023-05-05 | 广东工业大学 | 一种基于精细斜率的暂态事件识别方法、系统以及设备 |
CN111830347B (zh) * | 2020-07-17 | 2021-03-19 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
CN111881793B (zh) * | 2020-07-20 | 2024-03-01 | 东北大学 | 一种基于胶囊网络的非侵入式负荷监测方法与系统 |
CN112039059B (zh) * | 2020-08-20 | 2022-02-18 | 国网湖南省电力有限公司 | 基于功率阶跃连续性判别的长暂态负荷事件检测方法 |
CN113270938A (zh) * | 2021-04-20 | 2021-08-17 | 天津大学 | 一种无监督非侵入式负荷监测结果自主标注方法 |
CN113285448B (zh) * | 2021-05-25 | 2022-10-04 | 国网四川省电力公司电力科学研究院 | 一种电气化铁路非侵入式牵引负荷分解方法 |
CN113447740A (zh) * | 2021-06-21 | 2021-09-28 | 天津大学 | 一种非侵入式负荷事件全局优化匹配方法及系统 |
CN113687164B (zh) * | 2021-08-25 | 2022-11-08 | 天津大学 | 一种非侵入式负荷事件两阶段自适应检测方法 |
CN114069853B (zh) * | 2021-11-10 | 2024-04-02 | 天津大学 | 基于分段符号表示的多能源荷数据在线压缩与重构方法 |
CN115333102B (zh) * | 2022-10-13 | 2022-12-23 | 天津大学 | 电力负荷功率模式多时间尺度自适应检测方法 |
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系统 |
CN116859169B (zh) * | 2023-09-01 | 2023-11-17 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷分解方法及系统 |
CN117056849B (zh) * | 2023-10-12 | 2024-02-02 | 智能制造龙城实验室 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103001230A (zh) * | 2012-11-16 | 2013-03-27 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
CN103018611A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院计算技术研究所 | 一种基于电流分解的非侵入式负载监测方法及系统 |
CN103646349A (zh) * | 2013-09-27 | 2014-03-19 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172758A1 (en) * | 2012-12-19 | 2014-06-19 | Robert Bosch Gmbh | Personal emergency response system by nonintrusive load monitoring |
-
2014
- 2014-12-22 CN CN201410812176.7A patent/CN104483575B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103001230A (zh) * | 2012-11-16 | 2013-03-27 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
CN103018611A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院计算技术研究所 | 一种基于电流分解的非侵入式负载监测方法及系统 |
CN103646349A (zh) * | 2013-09-27 | 2014-03-19 | 华北电力大学 | 一种电力负荷曲线分段识别方法 |
Non-Patent Citations (4)
Title |
---|
Nonintrusive Appliance Load Monitoring;G.W.Hart;《Proceedings of the IEEE》;19921212;第80卷(第12期);第1870-1891页 * |
Power signature analysis;C.Laughman,Kwangduk Lee,R.Cox;《IEEE Power and Energy Magazine》;20031219;第9卷(第2期);第56-63页 * |
一种适用于非侵入式负荷监测的暂态事件检测算法;牛卢璐,贾宏杰;《电力系统自动化》;20110510;第35卷(第9期);第30-35页 * |
非侵入式居民电力负荷监测与分解技术;余贻鑫,刘博,栾文鹏;《南方电网科技》;20130820;第7卷(第4期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104483575A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104483575B (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN109444791B (zh) | 一种电容式电压互感器误差状态评估方法和系统 | |
EP2868921A1 (en) | Wind turbine and method for evaluating health state of blade thereof | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN108021736A (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN107132454A (zh) | 基于随机矩阵谱半径法的电网异常快速检测方法 | |
CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
CN109471058A (zh) | 一种现场校验计量误差系统及方法 | |
KR20120137623A (ko) | 전력설비 모니터링 시스템 및 방법 | |
Luan et al. | Energy theft detection via integrated distribution state estimation based on AMI and SCADA measurements | |
CN104953583A (zh) | 基于变点探测和Prony方法相结合的电力系统低频振荡在线监测方法 | |
CN102590652B (zh) | 基于电气信息的设备性能评价系统及方法 | |
CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
CN109884469A (zh) | 配电网故障区段与故障时刻的判定方法 | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN109901022A (zh) | 基于同步量测数据的配电网区域定位方法 | |
Lu et al. | The development of a smart distribution grid testbed for integrated information management systems | |
CN106066415A (zh) | 用于检测供电网络中的欺诈的方法 | |
Chang et al. | Fault location identification in power transmission networks: Using novel nonintrusive fault-monitoring systems | |
CN114156865B (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN112147409B (zh) | 低压配电线路在线阻抗检测方法及装置 | |
CN113985098A (zh) | 一种基于实时计量的提高防窃电分析准确度的方法 | |
Khazraj et al. | Addressing single and multiple bad data in the modern PMU-based power system state estimation | |
Lin et al. | Identification of electricity theft based on the k-means clustering method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |