CN105305437B - 电力负荷三重可信度匹配辨识方法 - Google Patents
电力负荷三重可信度匹配辨识方法 Download PDFInfo
- Publication number
- CN105305437B CN105305437B CN201510795600.6A CN201510795600A CN105305437B CN 105305437 B CN105305437 B CN 105305437B CN 201510795600 A CN201510795600 A CN 201510795600A CN 105305437 B CN105305437 B CN 105305437B
- Authority
- CN
- China
- Prior art keywords
- power
- load
- matching
- fingerprint
- efficiency
- 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
本发明公开了电力负荷三重可信度匹配辨识方法,其能够可靠地辨识出电力用户的各类用电设备的功率消耗占比和设备启停时间等信息,用于辅助电力用户和电力公司的用电规划和管理。本发明包含如下步骤:S1:采集用电负荷数据,建立用电负荷的不同粒度电力负荷特征数据库;S2:采集用户总电源入口处的电力负荷数据;该电力负荷数据包含电压、电流和功率数据;S3:利用三重可信度匹配辨识算法,实时分解电力负荷数据;S4:根据三重可信度匹配辨识算法的输出结果,将各类用电设备的功率消耗比例、各个用电设备的启动时间和关闭时间进行输出显示。
Description
技术领域
本发明涉及一种电力负荷可信度匹配辨识方法,具体用于电力系统中的电力负荷辨识及其可信度衡量。
背景技术
电力负荷可信度辨识是在电力用户的总电源处采集电压、电流、功率等用电数据,根据不同粒度的电力负荷特征,将用户开启的用电设备的功率消耗比例实时分解出来,并得出将某类未知用电设备归为已知设备的可靠程度。
现有的负荷辨识技术主要利用电力负荷的单一特征,如功率特征或电流谐波特征进行辨识,其辨识结果的可靠程度和可信性较差。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,公开了电力负荷三重可信度匹配辨识方法,其能够可靠地得出电力用户的用电设备的功率消耗比例等信息,用于辅助电力用户和电力公司的用电规划和管理。
为了达到上述目的,本发明采用以下技术方案予以实现:
电力负荷三重可信度匹配辨识方法,包含如下步骤:
S1:采集用电负荷数据,建立反映用电负荷的不同粒度电力负荷特征的能效指纹数据库;
S2:采集用户总电源入口处的电力负荷数据;该电力负荷数据包含电压、电流和功率数据;
S3:利用三重可信度匹配辨识算法,实时分解电力负荷数据;
S4:根据三重可信度匹配辨识算法的输出结果,将各类用电设备的功率消耗比例、各个用电设备的启动时间和关闭时间进行输出显示;
所述三重可信度匹配辨识算法的过程为:
有用电负荷启停时,先依据反映负荷功率特征的功率能效指纹匹配电力负荷能效指纹数据库中的大型负荷列表,若不在大型负荷列表中,再依据暂态能效指纹匹配电力负荷能效指纹数据库中的各模板中负荷,记录下启停负荷类型、功率,并计算相应的可信度;与此同时,周期性进行稳态能效指纹匹配,确定正在运行的用电负荷的组成成分,记录当前各用电负荷类型比例、功率,并计算相应的可信度,并且与暂态能效指纹匹配和功率能效指纹匹配记录进行比较修正,以得出可信的负荷辨识结果。
本发明的优选实施方式和进一步的改进点如下:
进一步的是:所述不同粒度电力负荷特征的能效指纹数据库为包含有不同时间尺度、不同采样频率的用电负荷的电力负荷能效指纹数据库。
进一步的是:所述步骤S1和步骤S2分别为通过安装在供电线路上的数据采集设备采集用电负荷数据和用户总电源入口处的电力负荷数据。
进一步的是:所述步骤S4的输出显示为输出显示在电脑屏幕上。
进一步的是:所述步骤S2和步骤S3之间还包含信息筛选的步骤;所述信息筛选的步骤是将步骤S2采集到的电力负荷数据进行数据处理和负荷特征提取。
进一步的是:三重可信度匹配辨识算法的过程包含如下步骤:
(1)功率能效指纹一重匹配:
根据功率指纹匹配步骤S2中的电力负荷数据中启动和停止的大功率设备信息;计算该大功率设备信息的可信度,达到设定值即直接记录起停设备的类型;所述功率能效指纹是指大功率设备的典型有功值、无功值和电流变化分相特征。
(2)暂态能效指纹二重匹配:
选择并匹配电力负荷能效指纹数据库的模板库中可信度最高的一类负荷,并且记录下用电负荷类型,计算其可信度值;
所述暂态能效指纹包含暂态三维特征向量和多维向量启动电流波形;暂态三维特征向量包含电流变化量、电流突变量、启动时长;
(3)稳态能效指纹三重匹配:
所述稳态能效指纹包含两个多维向量:高次谐波比例向量与V-I比值向量;
按照设定好的时间间隔,数据采集设备对电流电压信息周期性地进行高频采样,滤去噪声后进行稳态能效指纹匹配,匹配识别最契合的用电负荷类型比例与功率,记录本次稳态匹配的可信度;
比对本次计算各用电负荷类型及功率与上次能效指纹识别的结果,得出两次稳态能效指纹匹配之间各用电负荷类型的功率变化,即差异集。比较得出本周期内用电负荷变化情况与该周期内暂态能效指纹匹配记录、功率能效指纹匹配记录之间的差异,并在本次能效指纹识别过程中进行比较修正。
更进一步的是:所述暂态能效指纹的可信度的计算过程如下:
S100:计算暂态三维特征向量与电力负荷能效指纹数据库中的模板特征向量的欧氏距离:
上式中,△I是电流变化量,△Itempl是模板中电流变化量,Ip是电流突变量,Ip-templ是模板中电流突变量,T是启动时长,Ttempl是模板中启动时长。
S200:计算多维向量启动电流波形与电力负荷能效指纹数据库中的模板电流波形向量的欧氏距离:
S300:计算暂态能效指纹的可信度如下:
更进一步的是:所述三重可信度匹配辨识算法的步骤(3)中的比较修正的流程为:
S10:比较一重匹配和二重匹配得到的记录集(Record1_2)与三重匹配得到的本周期差异集(Record3);若两者近似相同,则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果(Record_result);若两者存在较大差异,则进行依次进行步骤S20和步骤S30:
S20:将三重匹配可信度记为X,在一重匹配和二重匹配的记录集(Record1_2)中删去可信度小于X的记录;得到再次记录集(Record1_2’);
S30:再次比较再次记录集(Record1_2’)与三重匹配得到的本周期差异集(Record3);若本周期差异集(Record3)完全包含再次记录集(Record1_2’),则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果;否则,再次记录集(Record1_2’)中不与本周期差异集(Record3)重叠的部分(Record_U)与本周期差异集(Record3)合并,得到本次能效指纹识别的结果(Record_result)。
本发明有益效果是:
(1)本发明实现了对电力用户用电情况的实时监测,了解用能情况,帮助其制定合理的节能计划,调整用电设备的使用,有针对性的购买节能装备,检验节能计划和节能装备的成效。从而使电力用户在不影响其正常的生产、生活的前提下,降低电能消耗,减少电费开支。
(2)本发明通过电力负荷三重可信度匹配辨识技术产生的电力负荷分解数据有助于电力公司更为真实的了解电力系统的负荷组成,规范负荷用电,合理安排各类负荷的使用时间(“削峰填谷”),提高电网利用效率,减少电力系统投资,降低电力系统的运行网损,缩短电力用户的停电时间。
附图说明
图1为本发明的一种具体实施方式的总流程图;
图2为本发明的一种具体实施方式的三重匹配流程图;
图3为本发明的一种具体实施方式的比较修正流程图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式:
如图1~3所示,其示出了本发明的具体实施方式;
图1为电力负荷三重可信度匹配辨识方法的总流程图。
首先从电力用户总口处量测到总电流、电压、功率等用电信息,然后对用电数据进行处理和筛选,其次利用不同粒度的负荷特征数据库对电力负荷进行三重匹配,再次对三重匹配结果进行修正,最后输出负荷辨识结果。
三重匹配的基本思路是:“功率指纹检测例外,暂态指纹检测突变,稳态指纹检测运行负荷。功率指纹暂态指纹实时匹配,稳态指纹定时匹配。
图2为电力负荷三重可信度匹配辨识方法的三重匹配流程图。
(1)功率能效指纹一重匹配
功率能效指纹是指大功率设备的典型有功值、无功值和电流变化分相特征。建筑中的大功率设备数量较少,构成简单,可以根据其功率特征、无功比例和电流变化分相特征确定。千瓦级和十千瓦级设备大多为电梯、空调、锅炉与热水器、单开关控制的大型展厅照明。数据采集设备根据线路安装后,根据分相特征和功率特征可以识别电梯与空调,根据分相特征和无功比例可以识别出照明与锅炉、热水器。计算其可信度,达到设定值即直接记录起停设备的类型。设定值根据具体建筑负荷情况,需要进行相应调整。
采集设备获得的数据,经过信息筛选过程,根据功率指纹匹配得到其中启动和停止的大功率设备信息,这是一重匹配过程。
(2)暂态能效指纹二重匹配
暂态能效指纹包含暂态三维特征向量(电流变化量、电流突变量、启动时长)和多维向量启动电流波形。暂态能效指纹可信度与这两组向量的欧氏距离有关。
暂态三维特征向量与模板特征向量的欧式距离为:
( )
其中,△I是电流变化量,△I templ是模板中电流变化量,Ip是电流突变量, Ip-templ是模板中电流突变量,T是启动时长,Ttempl是模板中启动时长。
多维向量启动电流波形与模板电流波形向量的欧氏距离为:
( )
其中,
计算暂态能效指纹的可信度如下:
( )
选择并匹配模板库中可信度最高的一类负荷,并且记录下负荷类型与可信度值。通过采集设备获得的数据,经过信息筛选过程,根据暂态能效指纹匹配识别出最契合的设备类型,这是二重匹配过程。
(3) 稳态能效指纹三重匹配
稳态能效指纹包含两个多维向量:高次谐波比例向量与V-I比值向量。稳态能效指纹可信度与这两组向量的欧式距离有关,欧式距离和可信度的计算与暂态能效指纹情况相似。
按照设定好的时间间隔,采集设备对电流电压信息周期性地进行高频采样,滤去噪声后进行稳态能效指纹匹配,匹配识别最契合的负荷类型比例与功率,记录本次稳态匹配的可信度。
比对本次计算各负荷类型及功率与上次能效指纹识别的结果,得出两次稳态能效指纹匹配之间各负荷类型的功率变化,即差异集。比较得出本周期内负荷变化情况与该周期内暂态能效指纹匹配记录、功率能效指纹匹配记录之间的差异,并在本次能效指纹识别过程中进行比较修正。
图3为电力负荷三重可信度匹配辨识技术的比较修正流程图。
1)比较一二重匹配得到的记录集(Record1_2)与三重匹配得到的本周期差异集(Record3)。若两者近似相同(记得差异的衡量方法),则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果(Record_result);若两者存在较大差异,则进行下面各步骤。
(2)将三重匹配可信度记为X,则在一二重匹配记录集中删去可信度小于X的记录。
(3)再次比较一二重匹配得到的记录集(Record1_2’)与三重匹配得到的本周期差异集(Record3)。若本周期差异集(Record3)完全包含一二重匹配得到的记录集(Record1_2’),则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果;否则,一二重匹配得到的记录集(Record1_2’)中不与本周期差异集(Record3)重叠的部分(Record_U)与本周期差异集(Record3)合并,得到本次能效指纹识别的结果(Record_result)。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化,这些变化涉及本领域技术人员所熟知的相关技术,这些都落入本发明专利的保护范围。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (7)
1.电力负荷三重可信度匹配辨识方法,包含如下步骤:
S1:采集用电负荷数据,建立反映用电负荷的不同粒度电力负荷特征的能效指纹数据库;
S2:采集用户总电源入口处的电力负荷数据;该电力负荷数据包含电压、电流和功率数据;
S3:利用三重可信度匹配辨识算法,实时分解电力负荷数据;
S4:根据三重可信度匹配辨识算法的输出结果,将各类用电设备的功率消耗比例、各个用电设备的启动时间和关闭时间进行输出显示;
所述三重可信度匹配辨识算法的过程为:
有用电负荷启停时,先依据反映负荷功率特征的功率能效指纹匹配电力负荷能效指纹数据库中的大型负荷列表,
若不在大型负荷列表中,再依据暂态能效指纹匹配电力负荷能效指纹数据库中的各模板中负荷,记录下启停负荷类型、功率,并计算相应的可信度;
与此同时,周期性进行稳态能效指纹匹配,确定正在运行的用电负荷的组成成分,记录当前各用电负荷类型比例、功率,并计算相应的可信度,并且与暂态能效指纹匹配和功率能效指纹匹配记录进行比较修正,以得出可信的负荷辨识结果;
三重可信度匹配辨识算法的过程包含如下步骤:
(1)功率能效指纹一重匹配:
根据功率指纹匹配步骤S2中的电力负荷数据中启动和停止的大功率设备信息;计算该大功率设备信息的可信度,达到设定值即直接记录起停设备的类型;
(2)暂态能效指纹二重匹配:
选择并匹配电力负荷能效指纹数据库的模板库中可信度最高的一类负荷,并且记录下用电负荷类型,计算其可信度值;
所述暂态能效指纹包含暂态三维特征向量和多维向量启动电流波形;暂态三维特征向量包含电流变化量、电流突变量、启动时长;
(3)稳态能效指纹三重匹配:
所述稳态能效指纹包含两个多维向量:高次谐波比例向量与V-I比值向量;
按照设定好的时间间隔,数据采集设备对电流电压信息周期性地进行高频采样,滤去噪声后进行稳态能效指纹匹配,匹配识别最契合的用电负荷类型比例与功率,记录本次稳态匹配的可信度;
比对本次计算各用电负荷类型及功率与上次能效指纹识别的结果,得出两次稳态能效指纹匹配之间各用电负荷类型的功率变化,即差异集,比较得出本周期内用电负荷变化情况与该周期内暂态能效指纹匹配记录、功率能效指纹匹配记录之间的差异,并在本次能效指纹识别过程中进行比较修正。
2.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述不同粒度电力负荷特征的能效指纹数据库为包含有不同时间尺度、不同采样频率的用电负荷的电力负荷能效指纹数据库。
3.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述步骤S1和步骤S2分别为通过安装在供电线路上的数据采集设备采集用电负荷数据和用户总电源入口处的电力负荷数据。
4.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述步骤S4的输出显示为输出显示在电脑屏幕上。
5.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述步骤S2和步骤S3之间还包含信息筛选的步骤;所述信息筛选的步骤是将步骤S2采集到的电力负荷数据进行数据处理和负荷特征提取。
6.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述暂态能效指纹的可信度的计算过程如下:
S100:计算暂态三维特征向量与电力负荷能效指纹数据库中的模板特征向量的欧氏距离:
上式中,△I是电流变化量,△Itempl是模板中电流变化量,Ip是电流突变量, Ip-templ是模板中电流突变量,T是启动时长,Ttempl是模板中启动时长,
S200:计算多维向量启动电流波形与电力负荷能效指纹数据库中的模板电流波形向量的欧氏距离:
S300:计算暂态能效指纹的可信度如下:
。
7.如权利要求1所述的电力负荷三重可信度匹配辨识方法,其特征在于:所述三重可信度匹配辨识算法的步骤(3)中的比较修正的流程为:
S10:比较一重匹配和二重匹配得到的记录集(Record1_2)与三重匹配得到的本周期差异集(Record3);若两者近似相同,则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果(Record_result);若两者存在较大差异,则进行依次进行步骤S20和步骤S30:
S20:将三重匹配可信度记为X,在一重匹配和二重匹配的记录集(Record1_2)中删去可信度小于X的记录;得到再次记录集(Record1_2’);
S30:再次比较再次记录集(Record1_2’)与三重匹配得到的本周期差异集(Record3);若本周期差异集(Record3)完全包含再次记录集(Record1_2’),则将本周期稳态能效指纹匹配记录作为本周期能效指纹匹配结果;否则,再次记录集(Record1_2’)中不与本周期差异集(Record3)重叠的部分(Record_U)与本周期差异集(Record3)合并,得到本次能效指纹识别的结果(Record_result)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510795600.6A CN105305437B (zh) | 2015-11-18 | 2015-11-18 | 电力负荷三重可信度匹配辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510795600.6A CN105305437B (zh) | 2015-11-18 | 2015-11-18 | 电力负荷三重可信度匹配辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105305437A CN105305437A (zh) | 2016-02-03 |
CN105305437B true CN105305437B (zh) | 2017-12-29 |
Family
ID=55202368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510795600.6A Active CN105305437B (zh) | 2015-11-18 | 2015-11-18 | 电力负荷三重可信度匹配辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105305437B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109518A1 (zh) * | 2019-12-06 | 2021-06-10 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786534B (zh) * | 2016-12-28 | 2019-07-26 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
CN108804696A (zh) * | 2018-06-15 | 2018-11-13 | 深圳华建电力工程设计有限公司 | 电力用户电器指纹库的创建方法及其系统 |
CN114050613B (zh) * | 2021-11-29 | 2023-10-27 | 国网湖南省电力有限公司 | 一种电网电压暂态事件的在线识别与追溯方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6168061B2 (ja) * | 2012-09-12 | 2017-07-26 | 日本電気株式会社 | 電力管理方法、電力管理装置およびプログラム |
CN104765841B (zh) * | 2015-04-16 | 2018-08-28 | 武汉阿帕科技有限公司 | 一种负荷分解方法及系统 |
-
2015
- 2015-11-18 CN CN201510795600.6A patent/CN105305437B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109518A1 (zh) * | 2019-12-06 | 2021-06-10 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105305437A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786534B (zh) | 一种非侵入式电力负荷暂态过程辨识方法及系统 | |
CN105305437B (zh) | 电力负荷三重可信度匹配辨识方法 | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
Weiss et al. | Leveraging smart meter data to recognize home appliances | |
Ghosh et al. | Artificial bee colony optimization based non-intrusive appliances load monitoring technique in a smart home | |
US9156368B2 (en) | Method for detection of plug-in electric vehicle charging via interrogation of smart meter data | |
Lee | Electric load information system based on non-intrusive power monitoring | |
WO2020252785A1 (zh) | 用电异常识别方法、装置和计算机可读存储介质 | |
WO2019128843A1 (zh) | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 | |
Ghosh et al. | An improved load feature extraction technique for smart Homes using fuzzy-based NILM | |
CN106124850A (zh) | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 | |
CN101770007A (zh) | 一种电能表测试系统及方法 | |
CN107025365A (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
CN108490288A (zh) | 一种窃电检测方法及系统 | |
CN109613362B (zh) | 非侵入式电器数量识别方法 | |
CN106597133B (zh) | 一种低压电网单相线路相序识别分类方法及装置 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
JP2013009500A (ja) | 電力管理装置 | |
CN108490285B (zh) | 一种基于电压降落法的低压台区线损率计算方法 | |
CN115420943A (zh) | 基于大数据的窃电检测方法、装置、设备及存储介质 | |
CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
Milioudis et al. | Event detection for load disaggregation in smart metering | |
Ghosh et al. | Load monitoring of residential elecrical loads based on switching transient analysis | |
CN105182030B (zh) | 一种分布式光伏发电窃电方式识别方法 | |
CN115752556A (zh) | 一种大客户用电用能异常识别系统及识别方法 |
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 |