CN106936129B - 基于多特征融合的电力负荷辨识方法及系统 - Google Patents
基于多特征融合的电力负荷辨识方法及系统 Download PDFInfo
- Publication number
- CN106936129B CN106936129B CN201710177080.1A CN201710177080A CN106936129B CN 106936129 B CN106936129 B CN 106936129B CN 201710177080 A CN201710177080 A CN 201710177080A CN 106936129 B CN106936129 B CN 106936129B
- Authority
- CN
- China
- Prior art keywords
- load
- similarity
- power
- value
- characteristic
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于多特征融合的电力负荷辨识方法及系统，方法包括：在用户的用电入口处对有功功率进行监测；将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷；将所述的有功功率通过滑动窗口算法获得功率序列；根据所述的功率序列提取其统计特征和奇异值特征；根据所述的统计特征和奇异值特征通过欧式距离求解与可能存在负荷各个特征的相似度；将所述的统计特征和奇异值特征的相似度利用线性加权和法将多相似度转化为综合相似度；将所述的综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。采用整数规划降低计算维度，通过多特征融合可准确辨识出用户用电入口处的负荷，对于负荷功率的波动具有鲁棒性。
Description
技术领域
本发明关于负荷辨识技术领域，特别是对于家用负荷的辨识技术，具体的讲一种基于多特征融合的负荷辨识方法。
背景技术
节能减排是近年来人们一直讨论与研究的热门话题，在节能减排的背景下以不影响电力用户的正常生产、生活的条件下更大程度的减少能源开支,降低能源消耗，合理利用自然能源为目的。电力负荷辨识技术可以通过辨识电力负荷中不同类型的运行状态，从而得到用电设备所消耗的功率，负荷的正确监测与辨识对减少电能损耗有着基础性的重要意义。
负荷辨识技术应用在非侵入式电力负荷监测方面(Non-Intrusive LoadMonitoring，NILM)，该技术仅通过在用户入口处安装监测设备获得总用电信息从而辨识用户各用电负荷类型和工作状态，因此该技术相对于侵入式负荷监测技术具有成本低、通信网络简单和便于维护等优点，同时又可以得到各负荷工作状态和耗能情况，从而根据耗能信息、分时电价和电能计量等综合信息，得到有效的节能措施，例如调整负荷用电时段或者选择节能电器等方面，以此能有效缓解能源危机，降低环境污染，因此负荷辨识技术具有无可取代的工程意义和广阔的发展前景。
发明内容
本发明针对非侵入式负荷识别存在问题，提出一种基于多特征融合的负荷辨识方法，根据有功功率获得功率序列并提取其统计特征和奇异值特征，利用整数规划降低计算维度，通过欧式距离和线性加权法进行多特征信息融合可计算出用户用电入口处的负荷及其运行状态，经过实验验证该方法可以准确辨识出负荷及其运行状态。
本发明的目的之一，提供一种基于多特征融合的负荷辨识方法，包括：在用户的用电入口处对有功功率进行监测；将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷；将所述的有功功率通过滑动窗口算法获得功率序列；根据所述的功率序列提取其统计特征和奇异值特征；根据所述的统计特征和奇异值特征通过欧式距离求解与可能存在负荷各个特征的相似度；将所述的统计特征和奇异值特征的相似度利用线性加权和法将多相似度变为综合相似度；将所述的综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。
本发明的目的之一，提供一种基于多特征融合的负荷辨识系统，包括：监测装置，用于在用户的用电入口处对有功功率进行监测；负荷存在组合确定装置，用于将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷；功率序列提取装置，用于利用滑动时间窗口算法对有功功率进行功率序列提取；特征值提取装置，用于提取功率序列的统计特征和奇异值特征；相似度确定装置，用于将确定需要辨识负荷与可能存在负荷各个特征的相似度；综合相似度确定装置，用于将统计特征和奇异值特征的相似度利用线性加权和法求得综合相似度；负荷确定装置，用于将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。
本发明采用的技术方案是：
一种基于多特征序列融合的负荷辨识方法，其特征是，所述的方法包括：
在用户的用电入口处对有功功率进行监测；
将有功功率利用整数规划求解，确定该时刻可能存在的负荷；
将有功功率通过滑动窗口算法获得功率序列；
根据功率序列提取有功功率的统计特征和奇异值特征；
根据统计特征和奇异值特征通过欧式距离求解与可能存在负荷组合各个特征的相似度；
将统计特征和奇异值特征的相似度利用线性加权和法将多相似度转化为综合相似度；
将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷；
将信息融合最大结果与设定的阈值进行比较辨识该时刻运行的负荷。
一种基于多特征序列融合的负荷辨识识别系统，其特征是，所述的系统包括：
监测装置，用于在用户的用电入口处对有功功率进行监测；
负荷存在组合确定装置，用于将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷；
功率序列提取装置，用于利用滑动时间窗口算法对有功功率进行功率序列提取；
特征值提取装置，用于提取功率序列的统计特征和奇异值特征；
相似度确定装置，用于将确定需要辨识负荷与可能存在负荷各个特征的相似度；
综合相似度确定装置，用于将统计特征和奇异值特征的相似度利用线性加权和法求得综合相似度；
负荷确定装置，用于将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。
本发明的优点是：针对现有技术存在问题，提出将负荷功率序列多特征融合技术。首先建立整数规划模型求解负荷存在的可能性，以降低负荷辨识计算维度；然后基于滑动时间窗口算法获得组合功率序列和原始功率序列，提取两者功率序列的特征值和轮廓奇异值，通过欧式距离求解两者的相似度，并通过线性加权法将多相似度转化为综合相似度方法，辨识不同时刻负荷运行情况，提高了辨识准确率，对于负荷功率的波动具有鲁棒性。
附图说明
图1为本发明实施例提供的一种基于多特征融合的家用负荷辨识方法的实施方式的流程图；
图2为本发明提供的具体实施例中00:00至24:00的综合负荷有功功率变化图；
图3为本发明提供的具体实施例中18：00点到21：00点之间对某用户有功功率监测图。
图4为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式一的结构框图；
图5为采集的节能灯1有功功率波形示意图；
图6为采集的节能灯2有功功率波形示意图；
图7为采集的热水壶有功功率波形示意图；
图8为采集的液晶电视有功功率波形示意图；
图9为采集的台式电脑有功功率波形示意图；
图10为采集的冰箱有功功率波形示意图；
图11为图7为本发明实施例提供的一种基于多特征融合的家用负荷辨识系统的实施方式二的结构框图。
具体实施方式
图1为本发明实施例提供的一种基于多特征融合的负荷辨识方法的实施方式一的流程图，由图1可知，在实施方式一中，该方法具体包括：
S101：在用户的用电入口处对有功功率进行监测。如图2为所示的00:00点至24:00点之间的综合负荷有功功率示意图，该图即为00:00点至24:00点之间对某用户的有功功率进行监测得到的。在具体的实施方式中，该步骤可通过智能电表实现。
S102：将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷，如图3为18：00点到21：00点之间对某用户有功功率监测，需要确定19时17分35秒该时刻的该用户的负荷开启的情况，假设该时刻家庭用户入口总表检测家庭用电总功率为P(t)，用电器使用时可能存在的组合负荷启停向量为S。根据能量守恒定律可得下式：
S∈{S||ΔP＝P(t)-XT·S|≤Δmax} (1)
其中S(i)∈{0,1}，负荷启停向量S取值则限定在0和1两个数值，0表示该用电器关闭，1表示该用电器打开；
Xi表示第i个用电负荷的功率状况，其功率取值为负荷运行功率范围，如表1所示；Δmax表示负荷功率允许最大误差，主要考虑负荷待机功率和线路损耗等因素，在该实例中Δmax为15W。通过上述方法可求该时刻用户可能存在负荷，如表2所示。
表1
表2
S103：将所述的有功功率通过滑动窗口算法获得功率序列，根据所述的功率序列提取其统计特征和奇异值特征。
滑动时间窗口算法具体步骤如下：对于给定的负荷消耗功率P和长度为2N的时间窗口，t时刻的功率序列记为P(t)＝[P(t-N),P(t-N+1),…,P(t+N-1)]，其原理为时间窗口放在序列的起始位置，此时时间窗口序列上长度为2N的一段子序列，然后时间窗口向后移，再以功率序列的第二个点为起始单位，形成另一个长度为2N的子序列，以此类推，一共形成n-2N+1个长度为2N的时间子序列P1,P2,…,Pn-2N+1，这样就将功率的时间序列映射为一系列2N维空间中点集合。用户在19时17分35秒的有功功率序列为P(t)＝[288.6,292.7,288.5,290.6,288.5,290.6,288.5,288.5,290.6,290.6]。
根据所述的功率序列提取其统计特征和奇异值特征，统计特征具体有：该时刻的负荷功率序列到极大值的距离为dmax和极小值的距离为dmin、平均值
和
等统计特征量，同时包括负荷功率序列曲线轮廓统计特征值r，s，v和f，计算方式如下。
式中：P(ti)为功率序列ti时刻的功率值，
为功率序列的功率平均值。
通过计算不同时刻的负荷功率序列统计特征，作为负荷功率序列特征的特征向量，其值分别为
用户在19时17分35秒的统计特征值为Φk＝[3,2,289.76,0,0.23,0.986]。
奇异值统计值求解方法如下：对于负荷功率序列的奇异值提取，通过对功率序列进行奇异值分解(singular value decomposition,SVD)。SVD的求解如下：对任意的一个矩阵Am×n，存在正交矩阵U及V使得：
其中，S＝dig{σ1,σ2,…,σr}，且σ1≥σ2≥…≥σr＞0，σi(i＝1,2,…,r)称为矩阵A的奇异值，是AHA或AAH特征值λi的算术根，即
用户在19时17分35秒的奇异值特征为S＝dig{3,2,1.31,1.31,1.07,1.07,0.77,0.77,0.19,0.19}。
S104：根据所述的统计特征和奇异值特征通过欧式距离求解与可能存在负荷各个特征的相似度，其具体步骤如下：
首先，通过根据步骤S102和S103计算可能存在负荷组合的统计特征和奇异值特征；
然后，通过欧式距离求解与可能存在负荷组合各个特征的相似度，欧式距离计算公式具体如下：
其中，n是特征值的个数，表示统计特征或者奇异值特征的个数，xi和yi分别不同组合的负荷的特征值。
欧式距离表示两者贴近程度，当欧式距离越小，则两者贴近程度越大，为了表示各个特征相似度，相似度定义如下：
用户在19时17分35秒的可能存在的负荷组合的按照步骤S103计算统计特征和奇异值特征分别为：
组合一：液晶电视、冰箱
组合二：节能灯1、液晶电视、冰箱
组合三：节能灯2、液晶电视、冰箱
组合四：液晶电视、台式电脑、冰箱
组合五：节能灯1、节能灯2、台式电脑、冰箱
考虑到各统计特征量的量纲不同，则需要分别对其进行归一化处理，具体步骤如式，最后计算各统计特征量和奇异值特征相似度，如表3所示。
其中：i为各个统计特征量，i＝1,2…6。
表3
S105：将所述的统计特征和奇异值特征的相似度利用线性加权和法将多相似度转化为单相似度；线性加权法将多相似度转化为综合相似度，具体公式如下：
N＝ω1N1+ω2N2 (12)
其中：N1和N2分别为统计特征和奇异值特征的相似度，ω1和ω2代表两者权重系数，且ω1+ω2＝1。在这里ω1和ω2取0.5，按照线性加权法计算各个组合综合相似度如表。
表4
S106：将所述的单相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。根据步骤S105单相似度最大值为0.684大于设定的阈值0.6，确定该时刻运行的负荷为组合二，此时的运行负荷为节能灯1、液晶电视、冰箱。
本发明提出的一种基于多特征融合的负荷辨识方法，采用提取功率序列的统计特征和奇异值特征，与需辨识功率序列进行相似度比较，利用线性加权的方法将多相似度转化成综合相似度，可准确辨识出运行负荷，对于负荷功率的波动具有鲁棒性。
图4为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式的结构框图，由图4可知，在实施方式中，该系统具体包括：
监测装置201，用于在用户的用电入口处对有功功率进行监测。如图2为所示的00:00点至24:00点之间的综合负荷有功功率示意图，该图即为00:00点至24:00点之间对某用户的有功功率进行监测得到的。在具体的实施方式中，该装置可通过智能电表实现。
负荷存在组合确定装置202，用于将所述的有功功率利用整数规划求解，确定该时刻可能存在的负荷，通过预采集装置得到各类负荷运行功率范围，如表2所示。图5～图10表示节能灯1、节能灯2、热水壶、液晶电视、台式电脑和冰箱某用户各类负荷一天运行功率波动图，在具体实施方式，通过单片机编程整数规划求解可能存在负荷。
功率序列提取装置，用于利用滑动时间窗口算法对有功功率进行功率序列提取，根据滑动时间窗口算法可以得到功率序列提取即在对应时间点取前五个时刻的功率值和后四个时刻的功率值。如某用户在19时17分30～39秒的有功功率为P(t)＝[288.6,292.7,288.5,290.6,288.5,290.6,288.5,288.5,290.6,290.6]，则19时17分35秒的功率序列为[288.6,292.7,288.5,290.6,288.5,290.6,288.5,288.5,290.6,290.6]。
特征值提取装置，用于提取功率序列的统计特征和奇异值特征，根据公式(2)～公式(8)，求取不同组合的特征值。
相似度确定装置，用于将确定需要辨识负荷与可能存在负荷各个特征的相似度，根据公式(10)求取可能存在组合和需辨识负荷各特征值的相似度。
综合相似度确定装置，用于将统计特征和奇异值特征的相似度利用线性加权和法求得综合相似度，根据公式(12)将相似度确定装置中多相似度转化综合相似度。
负荷确定装置，用于将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷。
图11为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式二的结构框图，由图11可知，在实施方式二中，该系统还包括：
预采集装置208，用于预先采集各类负荷对应的有功功率、有功功率变化范围以及时间特征，有功功率是指各类家用负荷运行时的有功功率变化值，有功功率变化范围是指各类负荷运行过程中负荷的运行最大功率值和最小功率值。时间特征是指如冰箱的周期性工作时间，微波炉等的最大使用时间等。
模板库确定装置209，各类负荷对应的有功功率、有功功率变化范围以及时间特征，建立各类家用负荷对应的模板，组成模板库。以冰箱为例，进行说明。在确定冰箱模板时，首先对冰箱进行单独测量，采集冰箱运行一天时有功功率变化波形图，如图10所示为采集的冰箱有功功率波形示意图。因此，冰箱模板是有功功率序列，其运行时的功率范围为：60～230W。
本发明提出的一种基于多特征融合的负荷辨识非侵入式系统，采用提取功率序列的统计特征和奇异值特征，与需辨识功率序列进行相似度比较，利用线性加权的方法将多相似度转化成综合相似度，可准确辨识出运行负荷，对于负荷功率的波动具有鲁棒性。
为验证本发明的正确性，组合各个用电负荷实验获取总用电数据，数据采样周期为1s，通过本发明对各个用电负荷组合进行辨识，结果如表5所示。
表5
| 实际负荷启停情况 | 准确率(％) | 辨识精度(％) |
| 节能灯1+电视 | 96 | 99 |
| 节能灯1+电水壶 | 95 | 99 |
| 节能灯1+电水壶+电视 | 92 | 98 |
| 电视+台式电脑 | 79 | 94 |
| 冰箱+水壶 | 92 | 95 |
| 冰箱+电吹风 | 93 | 97 |
| 冰箱+洗衣机+电吹风 | 95 | 98 |
| 节能灯+电视+冰箱 | 83 | 92 |
| 节能灯+电水壶+电视+冰箱+洗衣机 | 82 | 93 |
| 全部负荷同时开启 | 56 | 79 |
准确率(Accuracy)表示整个负荷辨识结果的准确率，这是一个相当严格的度量标准，要求辨识出的负荷启停状态集合和实际集合完全重合。定义如下：
其中，m为辨识负荷的样本数，I()表示一个映射，一个符号函数，I(ture)＝1，I(false)＝0。
辨识精度(Precision)表示辨识负荷正确的个数和辨识负荷集合的个数的比值。
通过本发明对各个用电负荷组合进行辨识，辨识准确率和辨识精度都在80％以上，对于负荷同时开启辨识精度低，但通过每天的家用负荷用电情况分析，发现同时开启家庭的全部用电负荷概率低于3％，该事件称为小概率事件，所以负荷全部使用时组合可以不予考虑。
综上所述，本发明的有益成果是：提供了一种基于多序列融合的电力负荷识别方法及系统，针对现有技术存在问题，提出将负荷功率序列多特征融合技术。首先建立整数规划模型求解负荷存在的可能性，以降低负荷辨识计算维度；然后基于滑动时间窗口算法获得组合功率序列和原始功率序列，提取两者功率序列的特征值和轮廓奇异值，通过欧式距离求解两者的相似度，并通过线性加权法将多相似度转化为综合相似度方法，辨识不同时刻负荷运行情况，提高了辨识准确率，对于负荷功率的波动具有鲁棒性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于多特征序列融合的负荷辨识方法，其特征是，所述的方法包括：
在用户的用电入口处对有功功率进行监测；
将有功功率利用整数规划求解，确定该时刻可能存在的负荷；
将有功功率通过滑动窗口算法获得功率序列；
根据功率序列提取有功功率的统计特征和奇异值特征；
根据统计特征和奇异值特征通过欧式距离求解可能存在负荷组合各个特征的相似度；
将统计特征和奇异值特征的相似度利用线性加权和法将多相似度转化为综合相似度；
将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷；
根据功率序列提取其统计特征和奇异值特征，其具体包括：
统计特征具体有：该时刻的负荷功率序列到极大值的距离为dmax和到极小值的距离为dmin以及平均值
和
同时包括负荷功率序列曲线轮廓统计特征值r，s，v和f，计算方式如下；
式中：P(ti)为功率序列ti时刻的功率值，
为功率序列的功率平均值，P(t+dmax)为t时刻负荷功率序列极大值，P(t+dmin)为t时刻负荷功率序列极小值，N为综合相似度，P(ti-1)为功率序列(ti-1)时刻的功率值；
通过计算不同时刻的负荷功率序列统计特征，作为负荷功率序列特征的特征向量，其值分别为
Φk为第k个功率序列特征向量；
奇异值特征统计值求解方法如下：对于负荷功率序列的奇异值特征提取，通过对功率序列进行奇异值分解；奇异值分解的求解如下：对任意的一个矩阵Am×n，存在正交矩阵U及V使得：
其中，S＝dig{σ1,σ2,…,σr}，且σ1≥σ2≥…≥σr＞0，σi称为矩阵A的奇异值，i＝1,2,…,r，A是AHA或AAH特征值λi的算术根，即
2.根据权利要求1所述的基于多特征序列融合的负荷辨识方法，其特征是，根据统计特征和奇异值特征对可能存在的负荷特征通过欧式距离求解相似度；
其具体步骤如下：
首先，计算可能存在负荷组合的统计特征和奇异值特征；
然后，通过欧式距离求解与可能存在负荷组合各个特征的相似度，欧式距离计算公式具体如下：
其中，n是特征值的个数，表示统计特征或者奇异值特征的个数，xi和yi分别不同组合的负荷的特征值；
欧式距离表示两者贴近程度，当欧式距离越小，则两者贴近程度越大，为了表示各个特征相似度，相似度定义如下：
3.根据权利要求1所述的基于多特征序列融合的负荷辨识方法，其特征是，将统计特征和奇异值特征的相似度利用线性加权法将多相似度转化为综合相似度，具体步骤如下：
利用线性加权法将多相似度转化为综合相似度，公式如下：
N＝ω1N1+ω2N2
其中：N1和N2分别为统计特征或者奇异值特征与需辨识负荷通过负荷组合的统计特征和奇异值特征求得地相似度，ω1和ω2代表两者权重系数，且ω1+ω2＝1。
4.根据权利要求1所述的基于多特征序列融合的负荷辨识方法，其特征是，将综合相似度最大值与设定的阈值进行比较确定该时刻运行的负荷，其具体包括：
根据线性加权法将不同组合负荷与需辨识负荷综合相似度求出，将综合相似度最大值与设定的阈值进行比较；若最大值大于阈值，则判定待识别目标为最大值对应的组合，若最大值小于阈值，则拒判。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710177080.1A CN106936129B (zh) | 2017-03-23 | 2017-03-23 | 基于多特征融合的电力负荷辨识方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710177080.1A CN106936129B (zh) | 2017-03-23 | 2017-03-23 | 基于多特征融合的电力负荷辨识方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106936129A CN106936129A (zh) | 2017-07-07 |
| CN106936129B true CN106936129B (zh) | 2020-04-24 |
Family
ID=59432783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710177080.1A Expired - Fee Related CN106936129B (zh) | 2017-03-23 | 2017-03-23 | 基于多特征融合的电力负荷辨识方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106936129B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610715B (zh) * | 2017-10-10 | 2021-03-02 | 昆明理工大学 | 一种基于多种声音特征的相似度计算方法 |
| CN108021736B (zh) * | 2017-11-08 | 2020-06-16 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
| CN108062627B (zh) * | 2017-12-16 | 2022-01-07 | 广西电网有限责任公司电力科学研究院 | 一种基于非侵入式用电数据的需求响应分析方法 |
| CN108346070A (zh) * | 2018-02-23 | 2018-07-31 | 南京飞腾电子科技有限公司 | 用户用电行为分析系统 |
| CN108155639B (zh) * | 2018-03-13 | 2023-03-21 | 华北电力大学 | 一种广域可调节负荷的辨识方法 |
| CN108872742B (zh) * | 2018-05-25 | 2021-08-27 | 杭州拓深科技有限公司 | 面向家庭环境的多级特征匹配非侵入式用电设备检测方法 |
| CN108693499B (zh) * | 2018-08-02 | 2020-10-16 | 国网江苏省电力有限公司电力科学研究院 | 一种用户用电负荷辨识智能电能表检测方法及装置 |
| CN109286188B (zh) * | 2018-10-19 | 2022-03-11 | 东南大学 | 一种基于多源数据集的10kV配电网理论线损计算方法 |
| CN109685314B (zh) * | 2018-11-20 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
| CN109596912A (zh) * | 2018-11-21 | 2019-04-09 | 河海大学 | 一种非侵入式用电负荷的分解方法 |
| CN109902356A (zh) * | 2019-01-30 | 2019-06-18 | 北京大学 | 电力信号非侵入式负载分解方法 |
| CN110333404B (zh) * | 2019-06-24 | 2022-02-01 | 江门云天电力设计咨询有限公司 | 一种非侵入式的负荷监测方法、装置、设备及存储介质 |
| CN110460157A (zh) * | 2019-08-16 | 2019-11-15 | 佳源科技有限公司 | 一种非侵入式用电能效监测模块 |
| CN113361556B (zh) * | 2020-03-06 | 2023-12-26 | 北京市环境保护监测中心 | 污染相似案例自动识别的方法和装置 |
| CN111917114B (zh) * | 2020-08-20 | 2022-02-08 | 国网湖南省电力有限公司 | 一种适用于嵌入式平台的电力负荷事件检测方法 |
| CN112184020B (zh) * | 2020-09-28 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 一种非侵入式负荷辨识融合决策方法及系统 |
| CN112436527A (zh) * | 2020-10-30 | 2021-03-02 | 海南电网有限责任公司电力科学研究院 | 一种用于电力仿真模型参数辨识的阈值设置方法 |
| CN112327046B (zh) * | 2020-11-09 | 2021-09-07 | 北华航天工业学院 | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 |
| CN114511058B (zh) * | 2022-01-27 | 2023-06-02 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
| CN115700963B (zh) * | 2022-12-09 | 2023-07-07 | 无锡市联合电控设备有限公司 | 基于非侵入式感知技术的变压器管理方法及系统 |
| CN116933986B (zh) * | 2023-09-19 | 2024-01-23 | 国网湖北省电力有限公司信息通信公司 | 一种基于深度学习的电力数据安全管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439573A (zh) * | 2013-08-14 | 2013-12-11 | 国家电网公司 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
| 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 |
| CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 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 |
| 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 |
| CN106483370A (zh) * | 2016-10-21 | 2017-03-08 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5598200B2 (ja) * | 2010-09-16 | 2014-10-01 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
-
2017
- 2017-03-23 CN CN201710177080.1A patent/CN106936129B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439573A (zh) * | 2013-08-14 | 2013-12-11 | 国家电网公司 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
| 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 |
| CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 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 |
| 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 |
| CN106483370A (zh) * | 2016-10-21 | 2017-03-08 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 一种新的基于形状特征的图像检索方法;焦丽莉 等;《徐州师范大学学报（自然科学版）》;20091231;第27卷(第4期);48-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106936129A (zh) | 2017-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
| Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
| Bhotto et al. | Load disaggregation based on aided linear integer programming | |
| CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
| CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
| WO2014075581A1 (zh) | 非侵入式电力负荷监测与分解的电流模式匹配方法 | |
| Machlev et al. | Dimension reduction for NILM classification based on principle component analysis | |
| CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN109840691B (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
| CN110580502A (zh) | 基于高斯混合的因子隐马尔可夫负荷分解方法 | |
| CN113361831A (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及系统 | |
| Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
| CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
| Henao et al. | Active power load modeling based on uncertainties for non intrusive load monitoring | |
| CN115146709A (zh) | 一种面向表端的非侵入式负荷识别方法 | |
| CN110009231A (zh) | 一种基于重复性和熵权区分性的用电负荷识别方法及装置 | |
| CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
| CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
| Wu et al. | A nonintrusive fast residential load identification algorithm based on frequency‐domain template filtering | |
| Li et al. | The investigation of residential load identification technologies | |
| Tito et al. | Image segmentation-based event detection for non-intrusive load monitoring using Gramian Angular Summation Field | |
| Yang et al. | Mining the big data of residential appliances in the smart grid environment | |
| CN110658385B (zh) | 一种基于复化梯形法的用电量分类计量方法 | |
| Jiao et al. | A new construction method for load signature database of load identification |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200424 |