CN106682705B - 负载特性的识别方法及装置 - Google Patents

负载特性的识别方法及装置 Download PDF

Info

Publication number
CN106682705B
CN106682705B CN201710064151.7A CN201710064151A CN106682705B CN 106682705 B CN106682705 B CN 106682705B CN 201710064151 A CN201710064151 A CN 201710064151A CN 106682705 B CN106682705 B CN 106682705B
Authority
CN
China
Prior art keywords
load
dimensional points
reactive power
active power
value
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
Application number
CN201710064151.7A
Other languages
English (en)
Other versions
CN106682705A (zh
Inventor
官剑
李斌
李伟超
涂飞
李竹青
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.)
Wuhan A Pa Science And Technology Ltd
Original Assignee
Wuhan A Pa Science And Technology 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 Wuhan A Pa Science And Technology Ltd filed Critical Wuhan A Pa Science And Technology Ltd
Priority to CN201710064151.7A priority Critical patent/CN106682705B/zh
Publication of CN106682705A publication Critical patent/CN106682705A/zh
Application granted granted Critical
Publication of CN106682705B publication Critical patent/CN106682705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种负载特性的识别方法及装置，涉及负载识别技术领域，能够在混合用电环境下识别当前接入的负载特性。该负载特性的识别方法包括：当一个负载启动时，以一定采集周期，采集有功功率差值‑无功功率的第一组二维点，以及有功功率‑无功功率差值的第二组二维点；将所述第一组二维点拟合为有功功率差值‑无功功率曲线，将所述第二组二维点拟合为有功功率‑无功功率差值曲线；计算所述有功功率差值‑无功功率曲线在目标类别特征库的概率X，计算所述有功功率‑无功功率差值曲线在所述目标类别特征库的概率Y；如果X×Y大于等于第一识别阈值，则将所述负载判断为所述目标类别的负载。

Description

负载特性的识别方法及装置
技术领域
本发明涉及负载识别技术领域，尤其是涉及一种负载特性的识别方法及装置。
背景技术
随着经济水平的发展，各类电器使用场景越来越频繁，由于电器引起的火灾或触电安全事故也越来越频繁。比如“热得快”，“热得快”是一种用来烧开水的工具，由发热丝、导热管、瓶塞和电线、插头组成。每年由热得快引起的火灾为数不少，特别是到了冬季，“热得快”给人们带来了不少方便，“热得快”的主要消费群是学生、外来务工者、建筑工地人员等需在集体宿舍居住的人群，他们很少关心“热得快”是否存在危险性。在以下这些情况中，“热得快”极易引起火灾：1、泡进水里深度不够；2、烧水后离开现场，把水烧干了；3、没有拔掉插头就把“热得快”拿出水面。因此针对这类由纯发热器件生产的电器，在某些特殊的环境下，如学校、员工宿舍等等，需要对该类电器加以强制禁止以规范人们的用电行为。
当前市场上针对该类器件已有一些解决方案，如某公司生产的一进二出表系列表计，既是专门针对于学校宿舍领域的用电管理而生产的单相表。这类表计的特点均为依靠功率因子或有功功率大小来限制用电。即硬件上可输出两个回路，主回路支持固定的大功率电器，如空调、热水器；辅回路支持其它小型的电器，如电脑、灯、笔记本等。该方案有一定的优势，两个回路区分，主回路线路安装固定，辅回路支持小功率，如果用户使用纯电阻型电器，只能在辅回路上使用，则该回路会将加入功率很大的纯电阻型电器识别并切断该回路，禁止使用防止意外发生。
以上方法虽然在某些使用场景可以使用，但是很多场景依然存在问题。比如1.某个学校的宿舍里，空调热水器均在一个回路上；2.单回路改造成双回路的成本；3.越来越多的电阻型电器功率越来越小等等，以上的方案就不能够解决用电规范及安全问题。
在目前的智能家居领域，也有一些负荷分解的硬件及设备，该类设备主要针对家庭中大功率的电器进行分析，往往不是精确值，而是多种电器的叠加，给出的某种类型电器的运行时间及预估电能数据，该数据往往不可信只能作为参考。因此，在混合用电环境下，现有技术难以识别负载的特性。
发明内容
有鉴于此，本发明的目的在于提供一种负载特性的识别方法及装置，能够在混合用电环境下识别当前接入的负载特性。
第一方面，本发明实施例提供了一种负载特性的识别方法，包括：
当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点；
将所述第一组二维点拟合为有功功率差值-无功功率曲线，将所述第二组二维点拟合为有功功率-无功功率差值曲线；
计算所述有功功率差值-无功功率曲线在目标类别特征库的概率X，计算所述有功功率-无功功率差值曲线在所述目标类别特征库的概率Y；
如果X×Y大于等于第一识别阈值，则将所述负载判断为所述目标类别的负载。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，该方法还包括：
如果X×Y小于所述第一识别阈值，且大于第二识别阈值，则根据所述负载的电流值的频谱特性，判断所述负载是否为所述目标类别的负载。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述第一识别阈值为预设的固定值。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述第一识别阈值为σa×σb；
其中，σa为所述第一组二维点的自适应判决值，σb为所述第二组二维点的自适应判决值。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，σa的算式为
式中，ai为所述第一组二维点中第i个点的值，aavg为所述第一组二维点的平均值，m为所述第一组二维点中点的数量。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该方法还包括根据所述第一组二维点的平均值和方差，获得所述第一组二维点的正态分布f(x)；
判断f(x)的极值是否满足预设条件。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，σb的算式为
式中，bi为所述第二组二维点中第i个点的值，bavg为所述第二组二维点的平均值，m为所述第二组二维点中点的数量。
结合第一方面，本发明实施例提供了第一方面的第其种可能的实施方式，其中，该方法还包括根据所述第二组二维点的平均值和方差，获得所述第二组二维点的正态分布g(y)；
判断g(y)的极值是否满足预设条件。
第二方面，本发明实施例还提供一种负载特的性识别装置，包括
采集模块，用于当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点；
拟合模块，用于将所述第一组二维点拟合为有功功率差值-无功功率曲线，将所述第二组二维点拟合为有功功率-无功功率差值曲线；
计算模块，用于计算所述有功功率差值-无功功率曲线在目标类别特征库的概率X，计算所述有功功率-无功功率差值曲线在所述目标类别特征库的概率Y；
判断模块，用于当X×Y大于等于第一识别阈值时，则将所述负载判断为所述目标类别的负载。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述判断模块还用于，当X×Y小于所述第一识别阈值，且大于第二识别阈值，则根据所述负载的电流值的频谱特性，判断所述负载是否为所述目标类别的负载。
本发明实施例带来了以下有益效果：本发明实施例提供的负载特性的识别方法中，当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点，然后分别将第一组二维点和第二组二维点拟合为有功功率差值-无功功率曲线以及有功功率-无功功率差值曲线。通过计算有功功率差值-无功功率曲线在目标类别特征库的概率X，和有功功率-无功功率差值曲线在目标类别特征库的概率Y，最后根据X×Y的值对负载的特性进行判断，如果X×Y大于等于第一识别阈值，则将负载判断为目标类别的负载。因此，本发明实施例提供的负载特性的识别方法，基于有功功率差值和无功功率差值，通过拟合算法，能够实时分析混合用电环境下每个负载的启动状态的特性以及平稳运行状态的特性，从而判断出所接入的负载特性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的负载特性的识别方法的流程图；
图2为本发明实施例中正态拟合曲线的示意图；
图3为本发明实施例中纯电阻型器件的启动时刻的有功功率差值-无功功率的正态拟合曲线图；
图4为本发明实施例中纯电阻型器件的启动时刻的有功功率-无功功率差值的正态拟合曲线图；
图5为本发明实施例中变频空调型器件的启动时刻的有功功率差值-无功功率的正态拟合曲线图；
图6为本发明实施例中变频空调型器件的启动时刻的有功功率-无功功率差值的正态拟合曲线图；
图7为本发明实施例提供的负载特性的识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
本发明实施例提供了一种负载特性的识别方法，可用于混合用电环境下对接入的负载特性进行判断。如图1所示，该方法包括以下步骤：
S1：当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点。
具体的，在负载启动后，每N秒采集电力总线上的有功功率和无功功率，共采集m次。将相邻的两个有功功率值相减即可获得有功功率差值，将相邻的两个无功功率值相减即可获得无功功率差值，从而获得有功功率差值-无功功率的第一组二维点，和有功功率-无功功率差值的第二组二维点。
其中，N的取值可以在2以下，且不一定为整数；m的取值可以为6至10，即第一组二维点和第二组二维点中均包含6至10个点。
本发明实施例中采用正态拟合算法理论对二维点进行拟合。
正态拟合算法理论中的先验概率是指，在一组二维(或多维数据)中求某一类数据占的百分比，例如在长达300个数据中A类数据占100个，那么A的先验概率就是1/3。
正态拟合分布算法是指，对于每一类的训练数据，都用一个正态分布来拟合它们，即通过求得某一分类训练数据的平均值和协方差矩阵来拟合出一个正态分布。然后当进入一个新的测试数据之后，就分别求取这个数据点在每个类别的正态分布中的大小，然后用这个值乘以先验概率便是所要求得的值即为概率值。
如图2所示，其中的直线即为正态拟合曲线，散点为二维数据点，横轴和纵轴均为可变参量。给定平面上的m个点，此处假设用一条直线来拟合这些点——回归可以看作是拟合的特例，即允许误差的拟合，找出一条最佳描述了这些点的直线。
一个接踵而来的问题就是，如何定义最佳。设每个点的坐标为(Xi,Yi)，如果直线为y＝f(x)，那么(Xi,Yi)跟直线对这个点的“预测”(Xi,f(Xi))就相差了一个ΔYi＝|Yi–f(Xi)|。最小二乘是寻找直线使得(ΔY1)2+(ΔY2)2+……最小(即误差的平方和)。至于是误差的平方和，而不是误差的绝对值之和的原因，可以假设直线对于坐标Xi给出的预测f(Xi)是最正确的预测，所有纵坐标偏离f(Xi)的那些数据点都含有噪音，是噪音使得它们偏离了最佳的一条直线，一个合理的假设就是偏离路线越远的概率越小，该概率可以用一个正态分布曲线来模拟，这个分布曲线以直线对Xi给出的预测f(Xi)为中心，实际纵坐标为Yi的点(Xi,Yi)发生的概率就正比于EXP[-(ΔYi)2]，EXP代表以常数e为底的指数函数的值。
由于每种电器(负载)的不同特性，其电器内部可由不同值及连接方式的电阻、电容及电感等效，因此其启动时的正态拟合曲线也各不相同。
图3为纯电阻型器件的启动时刻的有功功率差值-无功功率的正态拟合曲线图，其特性为启动时有功功率增加明显，而无功功率由于其本身可以忽略为0，在实际负载环境中，当加入该电器时，无功功率变化增加可忽略不计。
图4为纯电阻型器件的启动时刻的有功功率-无功功率差值的正态拟合曲线图，其特性为启动时有功功率变化，而无功功率由于其本身可以忽略为0，在实际负载环境中，当加入该电器时，无功功率变化增加可忽略不计。
图5为变频空调类的启动时刻的有功功率差值-无功功率的正态拟合曲线图，其特性为启动时无功功率变化明显，而有功差值同时变化，此后空调稳定后，其无功功率稳定，而有功差值在-20W到20W之间。
图6为变频空调类的启动时刻的有功功率-无功功率差值的正态拟合曲线图，其特性为启动时无功功率变化明显，而有功差值同时变化，此后空调稳定后，其无功功率差值为0，而有功功率在很大区间的范围变化。
以上四种正态拟合曲线，均可作为特征库，用于后序步骤中对负载进行判断。
S2：将第一组二维点拟合为有功功率差值-无功功率曲线，将第二组二维点拟合为有功功率-无功功率差值曲线。
根据步骤S1采集到的第一组二维点和第二组二维点，进行正态拟合曲线，得到该负载的有功功率差值-无功功率曲线和有功功率-无功功率差值曲线。
S3：计算有功功率差值-无功功率曲线在目标类别特征库的概率X，计算有功功率-无功功率差值曲线在目标类别特征库的概率Y。
将步骤S2中拟合出的有功功率差值-无功功率曲线，计算其在特征库中的纯电阻型器件的有功功率差值-无功功率曲线(如图3所示)的概率X。比如，该负载的有功功率差值-无功功率曲线中包含10个点，其中9个点符合特征库的有功功率差值-无功功率曲线，1个点偏离较大，则X＝0.9。
另一方面，将步骤S2中拟合出的有功功率-无功功率差值曲线，计算其在特征库中的纯电阻型器件的有功功率-无功功率差值曲线(如图4所示)的概率Y。Y的具体计算方法与X类似，此处不再赘述。
应当说明的是，上述计算X的过程与计算Y的过程可以同时进行，也可以依次进行，并没有先后顺序的限制。
S4：如果X×Y大于等于第一识别阈值，则将负载判断为目标类别的负载。
本实施例中第一识别阈值为预设的固定值，通常可设置在0.7至0.9之间，本实施例以0.8为例。
如果步骤S3中计算出的X和Y均为0.9，则X×Y＝0.81，大于第一识别阈值，因此可以判断该负载的类型为纯电阻型器件。
如果X×Y的值小于第一识别阈值，即小于0.8，通常可认为该负载不属于纯电阻型器件，但不能排除采集数据出现小概率事件的可能性，因此本发明实施例提供的负载特性的识别方法还包括：
S5：如果X×Y小于第一识别阈值，且大于第二识别阈值，则根据负载的电流值的频谱特性，判断负载是否为目标类别的负载。
当X×Y的值小于第一识别阈值，但大于第二识别阈值，也就是与第一识别阈值的差距不大时，可以通过该负载的电流值的频谱特性进行类别判断。
当然，为了获得负载的电流值的频谱特，也需要在刚刚负载启动后，采集电力总线上的电流参数，并进行傅里叶变换(Fast Fourier Transformation，简称FFT)，计算出FFT值，以频点值加入到纯电阻型器件的计算。通过对负载的电流频谱进行判断，能够更加准确的判断负载的类型。
此外，还可以重复上述步骤S3至S5，判断负载是否属于变频空调类器件，其具体过程与纯电阻型器件的判断过程类似，此处不再赘述。
本发明实施例提供的负载特性的识别方法中，通过在一个负载启动时，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点，并拟合为有功功率差值-无功功率曲线以及有功功率-无功功率差值曲线。再通过计算有功功率差值-无功功率曲线在特定类别特征库的概率X，和有功功率-无功功率差值曲线在特定类别特征库的概率Y，最后根据X×Y的值对负载的特性进行判断，如果X×Y大于等于第一识别阈值，则将负载判断为相应类别的负载。
因此，本发明实施例提供的负载特性的识别方法，基于有功功率差值和无功功率差值，通过拟合算法，能够实时分析混合用电环境下每个负载的启动状态的特性以及平稳运行状态的特性，从而判断出所接入的负载特性。
实施例二：
本发明实施例提供一种负载特性的识别方法，与实施例一基本相同，其不同点在于，本实施例中的第一识别阈值自适应判决值σa×σb，也就是根据所采集的第一组二维点和第二组二维点自身的特性生成的。其中，σa为第一组二维点的自适应判决值，σb为第二组二维点的自适应判决值。
概率分布的方法是用于处理单属性数据的，目前，该方法一般处理过程是先设定属性数据服从正态分布的，再给定一个概率范围，并确定一个阈值，凡是超过此限的误差，就认为它不属于该属性。但该方法存在两个问题：
①假设属性数据服从正态分布，而实际采集中大量存在不服从正态分布的数据，因此会对结果造成误判。
②第一识别阈值作为一个恒定值是不合理的，虽然从实际测试来看，可以得到一个趋势，但是小概率事件在大量抽样时，发生的可能性会比较大，因此需要设定自适应门限阈值。
因此在以上基础上设定，有功功率差值可看做随机变量x，它按时间间隔服从某种分布f(x),记为：x～f(x)
由该差值的数据可以统计求出有功的频率分布fp(x)，并对差值有功功率的均值和方差进行参数估计。
其中，均值μ为
式中，ai为采集到的第i个有功功率差值，m为第一组二维点中点的数量。
方差σ为
另一方面，设定，无功功率差值可看做随机变量y，它按时间间隔服从某种分布g(y),记为：y～g(y)
由该差值的数据可以统计求出有功的频率分布gp(y)，并对差值无功功率的均值和方差进行参数估计。
其中，均值η为
式中，bi为采集到的第i个无功功率差值，m为第一组二维点中点的数量。
方差为
由于有功功率差值的分布函数f(x)和无功功率差值g(y)的分布函数已经确定，因此需要在二维图里面找到特定负载区域的极限值，一般来说极限值在一个区域的四周。因此符合特征的差值每个时刻给出一个最大最小区间，然后通过实时比对的形式，寻找出符合特征值的二维序列值。
有功差值最大值：
有功差值最小值：
有功差值平均值：
则第一组二维点的自适应判决值σa的算式为
式中，ai为第一组二维点中第i个点的值，aavg为第一组二维点的平均值，m为第一组二维点中点的数量。
无功差值最大值：
无功差值最小值：
无功差值平均值：
则第二组二维点的自适应判决值σb的算式为
式中，bi为第二组二维点中第i个点的值，bavg为第二组二维点的平均值，m为第二组二维点中点的数量。
此外，本实施例中还包括判断f(x)的极值是否满足预设条件，以及判断g(y)的极值是否满足预设条件。
可接受的有功差值为p，无功差值为q，其中p和q均为根据预设条件设定的数值。则检验f(x)极值的判别公式为
也就是正态拟合曲线的两端部分较小时，f(x)的极值满足预设条件。
检验g(y)极值的判别公式为
也就是正态拟合曲线的两端部分较小时，g(y)的极值满足预设条件。
实施例三：
本发明实施例提供一种负载特性的识别装置，可用于混合用电环境下对接入的负载特性进行判断。如图7所示，该装置包括采集模块1、拟合模块2、计算模块3和判断模块4。
采集模块1用于当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点。
拟合模块2用于将第一组二维点拟合为有功功率差值-无功功率曲线，将第二组二维点拟合为有功功率-无功功率差值曲线。
计算模块3用于计算有功功率差值-无功功率曲线在目标类别特征库的概率X，计算有功功率-无功功率差值曲线在目标类别特征库的概率Y。
判断模块4用于当X×Y大于等于第一识别阈值时，则将负载判断为目标类别的负载。
进一步的是，判断模块4还用于当X×Y小于所述第一识别阈值，且大于第二识别阈值，则根据负载的电流值的频谱特性，判述负载是否为目标类别的负载。
本发明实施例提供的识别装置，与上述实施例提供的识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述功能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。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种负载特性的识别方法，其特征在于，包括：
当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点；
将所述第一组二维点拟合为有功功率差值-无功功率曲线，将所述第二组二维点拟合为有功功率-无功功率差值曲线；
计算所述有功功率差值-无功功率曲线在目标类别特征库的概率X，计算所述有功功率-无功功率差值曲线在所述目标类别特征库的概率Y；
如果X×Y大于等于第一识别阈值，则将所述负载判断为所述目标类别的负载。
2.根据权利要求1所述的方法，其特征在于，还包括：
如果X×Y小于所述第一识别阈值，且大于第二识别阈值，则根据所述负载的电流值的频谱特性，判断所述负载是否为所述目标类别的负载。
3.根据权利要求1所述的方法，其特征在于，所述第一识别阈值为预设的固定值。
4.根据权利要求1所述的方法，其特征在于，所述第一识别阈值为σa×σb；
其中，σa为所述第一组二维点的自适应判决值，σb为所述第二组二维点的自适应判决值。
5.根据权利要求4所述的方法，其特征在于，σa的算式为
式中，ai为所述第一组二维点中第i个点的值，aavg为所述第一组二维点的平均值，m为所述第一组二维点中点的数量。
6.根据权利要求5所述的方法，其特征在于，还包括根据所述第一组二维点的平均值和方差，获得所述第一组二维点的正态分布f(x)；
判断f(x)的极值是否满足预设条件。
7.根据权利要求4所述的方法，其特征在于，σb的算式为
式中，bi为所述第二组二维点中第i个点的值，bavg为所述第二组二维点的平均值，m为所述第二组二维点中点的数量。
8.根据权利要求7所述的方法，其特征在于，还包括根据所述第二组二维点的平均值和方差，获得所述第二组二维点的正态分布g(y)；
判断g(y)的极值是否满足预设条件。
9.一种负载特性的识别装置，其特征在于，包括
采集模块，用于当一个负载启动时，以一定采集周期，采集有功功率差值-无功功率的第一组二维点，以及有功功率-无功功率差值的第二组二维点；
拟合模块，用于将所述第一组二维点拟合为有功功率差值-无功功率曲线，将所述第二组二维点拟合为有功功率-无功功率差值曲线；
计算模块，用于计算所述有功功率差值-无功功率曲线在目标类别特征库的概率X，计算所述有功功率-无功功率差值曲线在所述目标类别特征库的概率Y；
判断模块，用于当X×Y大于等于第一识别阈值时，则将所述负载判断为所述目标类别的负载。
10.根据权利要求9所述的负载特性的识别装置，其特征在于，所述判断模块还用于，当X×Y小于所述第一识别阈值，且大于第二识别阈值，则根据所述负载的电流值的频谱特性，判断所述负载是否为所述目标类别的负载。
CN201710064151.7A 2017-02-04 2017-02-04 负载特性的识别方法及装置 Active CN106682705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710064151.7A CN106682705B (zh) 2017-02-04 2017-02-04 负载特性的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710064151.7A CN106682705B (zh) 2017-02-04 2017-02-04 负载特性的识别方法及装置

Publications (2)

Publication Number Publication Date
CN106682705A CN106682705A (zh) 2017-05-17
CN106682705B true CN106682705B (zh) 2019-12-24

Family

ID=58860385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710064151.7A Active CN106682705B (zh) 2017-02-04 2017-02-04 负载特性的识别方法及装置

Country Status (1)

Country Link
CN (1) CN106682705B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108762684B (zh) * 2018-06-04 2021-03-05 平安科技（深圳）有限公司 热点数据迁移流控方法、装置、电子设备及存储介质
CN113341316A (zh) * 2020-02-18 2021-09-03 西门子股份公司 发电机负载状态检测方法、装置和计算机可读介质
CN112834817B (zh) * 2020-12-31 2022-05-03 杭州拓深科技有限公司 一种学生宿舍违规使用调压插座的检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
WO2014123526A1 (en) * 2013-02-06 2014-08-14 Schneider Electric Usa. Inc. Generating one-line electrical network diagrams
CN104318489A (zh) * 2014-10-21 2015-01-28 广东电网有限责任公司电力科学研究院 一种基于负载特性分析的变压器分群方法
CN205335811U (zh) * 2016-02-05 2016-06-22 上海用悦信息技术服务中心 一种恶性负载识别装置
CN105913006A (zh) * 2016-04-08 2016-08-31 湖南工业大学 一种用电负载类型识别方法
CN106124850A (zh) * 2016-07-20 2016-11-16 国网江西省电力公司南昌供电分公司 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
WO2014123526A1 (en) * 2013-02-06 2014-08-14 Schneider Electric Usa. Inc. Generating one-line electrical network diagrams
CN104318489A (zh) * 2014-10-21 2015-01-28 广东电网有限责任公司电力科学研究院 一种基于负载特性分析的变压器分群方法
CN205335811U (zh) * 2016-02-05 2016-06-22 上海用悦信息技术服务中心 一种恶性负载识别装置
CN105913006A (zh) * 2016-04-08 2016-08-31 湖南工业大学 一种用电负载类型识别方法
CN106124850A (zh) * 2016-07-20 2016-11-16 国网江西省电力公司南昌供电分公司 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王惠.含波动负荷电力用户无功问题与治理方案研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2014,第2014年卷(第6期),正文第13-14页. *

Also Published As

Publication number Publication date
CN106682705A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
Singh et al. Statistical representation of distribution system loads using Gaussian mixture model
Verdejo et al. Stochastic modeling to represent wind power generation and demand in electric power system based on real data
CN106682705B (zh) 负载特性的识别方法及装置
ElNozahy et al. A probabilistic load modelling approach using clustering algorithms
Abul-Haggag et al. Application of fuzzy logic for risk assessment using risk matrix
Yalcintas An energy benchmarking model based on artificial neural network method with a case example for tropical climates
CN113933556B (zh) 一种窃电行为的检测方法、装置、计算机设备和存储介质
JP2013009500A (ja) 電力管理装置
CN111624986A (zh) 基于案例库的故障诊断方法和系统
CN110046744A (zh) 基于趋势预测的能耗数据预警方法及相关设备
CN110543889A (zh) 电力负荷分层聚类方法、装置、计算机设备及存储介质
CN112418687A (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
Lin et al. Non-intrusive load monitoring and decomposition method based on decision tree
CN112463848A (zh) 检测用户异常行为的检测方法、系统、装置和存储介质
CN114676749A (zh) 一种基于数据挖掘的配电网运行数据异常判定方法
CN114154798A (zh) 电压暂降风险分析方法、装置、计算机设备和存储介质
CN111797530B (zh) 一种电力系统薄弱环节确定方法、装置、设备及介质
CN113094448A (zh) 住宅空置状态的分析方法及分析装置、电子设备
Billinton et al. Basic concepts in generating capacity adequacy evaluation
CN116401890A (zh) 一种负荷模型组成信息确定方法、装置、设备及存储介质
CN111090014A (zh) 一种基于高斯模型的电器识别方法及装置
Hernandez et al. Visualization of time-sequential simulation for large power distribution systems
CN110133364B (zh) 一种负载开关事件检测的方法和装置
CN113962508A (zh) 用电对象的识别方法及识别装置、电子设备
CN111130098A (zh) 一种含分布式电源配电网系统风险评估方法

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
GR01 Patent grant
GR01 Patent grant