CN107525964A - 一种基于融合决策的非侵入式负荷识别方法及装置 - Google Patents
一种基于融合决策的非侵入式负荷识别方法及装置 Download PDFInfo
- Publication number
- CN107525964A CN107525964A CN201710995880.4A CN201710995880A CN107525964A CN 107525964 A CN107525964 A CN 107525964A CN 201710995880 A CN201710995880 A CN 201710995880A CN 107525964 A CN107525964 A CN 107525964A
- Authority
- CN
- China
- Prior art keywords
- power
- characteristic
- electrical equipment
- electric terminal
- harmonics
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims description 79
- 230000010349 pulsation Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
- G01R21/07—Arrangements for measuring electric power or power factor by measuring current and voltage in circuits having distributed constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于融合决策的非侵入式负荷识别方法及装置，涉及电力系统技术领域，为解决不能准确识别电网负荷的问题而发明。该方法主要包括：获取用电终端的电器负荷特征数据，电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；按照预置周期，获取用电终端的当前功率；根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；根据预置约束条件，求解功率谐波目标函数的功率最优解和高次谐波目标函数的谐波最优解；根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。本申请主要应用于识别用电终端负荷的过程中。
Description
技术领域
本申请涉及电力系统技术领域，尤其涉及一种基于融合决策的非侵入式负荷识别方法及装置。
背景技术
智能电网就是电网的智能化，是指通过信息化手段，使能源资源开发、转换(发电)、输电、配电、供电、售电及用电的电网系统的各个环节，进行智能交流，实现精确供电、互补供电、提高能源利用率、供电安全，节省用电成本的电力网络。家用能源管理终端作为智能电网的延伸，通过其监测电器工作状态、分项统计电器用电量具有重要意义。用户可以随时了解家庭总体用电量、分析电器节能情况、对电器进行管理，并提高用电的经济性、安全性，提升用户智能化体验。监测数据同时作为电网公司优化负荷模型、响应需求、开发增值服务的数据基础，形成用户和电网公司之间的数据交互。
目前，电器用电细节监测技术主要有侵入式和非侵入式两种。相比于侵入式负荷识别，非侵入式负荷识别虽然在识别准确性上有所不足，但在便捷性、可维护性、用户接受程度上更具有优势。近年来，科研人员在负荷特征数据选取、数据处理、负荷识别算法等方面对非侵入式负荷识别做了许多研究工作。负荷特征主要有瞬态特征和稳态特征两大类，具体包括电器投切时的瞬时电流、功率信息，稳态运行时的有功功率、无功功率、电流谐波等。负荷识别算法主要有差分进化算法、粒子群算法、整数规划算法、聚类算法、人工神经网络等。
由于瞬态特征发生在投切时刻，稍纵即逝，对硬件的采集和计算能力要求较高，而稳态特征持续存在，降低了监测难度。而且，特征数据存在波动、某些特征不突出、不同电器的某些特征类似的情况，例如有些电器功率特征相对稳定，但电流谐波特征不突出；有些电器功率波动较大，但电流谐波特征具有某些明显的特性。单一识别方法有时会削弱部分电器特征数据的表征性，不能准确识别电网负荷。
发明内容
本申请提供了一种基于融合决策的非侵入式负荷识别方法及装置，以解决现有技术中不能准确识别电网负荷的问题。
第一方面，本申请提供了一种基于融合决策的非侵入式负荷识别方法，该方法包括：
获取用电终端的电器负荷特征数据，所述电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；
按照预置周期，获取所述用电终端的当前功率；
根据所述电器负荷特征数据和所述当前功率，分别构建所述用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；
根据预置约束条件，求解所述功率谐波目标函数的功率最优解和所述高次谐波目标函数的谐波最优解；
根据预置融合规则，回归验证所述功率最优解和所述谐波最优解，识别所述用电终端的电器负荷。
第二方面，本申请还提供了一种基于融合决策的非侵入式负荷识别装置，该装置包括：
获取单元，用于获取用电终端的电器负荷特征数据，所述电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；
所述获取单元，还用于按照预置周期，获取所述用电终端的当前功率；
构建单元，用于根据所述电器负荷特征数据和所述当前功率，分别构建所述用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；
求解单元，用于根据预置约束条件，求解所述功率谐波目标函数的功率最优解和所述高次谐波目标函数的谐波最优解；
识别单元，用于根据预置融合规则，回归验证所述功率最优解和所述谐波最优解，识别所述用电终端的电器负荷。
本申请提供了一种基于融合决策的非侵入式负荷识别方法及装置，通过获取用电终端的电器负荷特征数据，然后按照预置周期，获取用电终端的当前功率，再根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数，再根据预置约束条件，求解功率最优解和谐波最优，最后根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。与现有技术相比，本申请能够以具有表征性和稳定性的电器负荷特征数据，构建目标函数，准确识别用电终端负荷。对于小功率电器的功率和谐波特征不够明显，数据波动容易造成误识别，分别构建功率谐波目标函数和高次谐波目标函数，充分并合适度量用电终端电器功率和谐波特征，通过融合决策提高识别准确率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种基于融合决策的非侵入式负荷识别方法流程图；
图2为本申请提供的一种获取用电终端的电器负荷特征数据的方法流程图；
图3为本申请提供的一种判断电器特征数据是否为功率事件的方法流程图；
图4为本申请提供的一种构建目标函数的方法流程图；
图5为本申请提供的一种求解目标函数的方法流程图；
图6本申请提供的一种识别用电终端的电器负荷的方法流程图；
图7为本申请提供的一种基于融合决策的非侵入式负荷识别装置组成框图；
图8为本申请提供的另一种基于融合决策的非侵入式负荷识别装置组成框图。
具体实施方式
加强智能电网的建设，将推动智能小区、智能城市的发展，提升人们的生活品质。家庭智能用电系统既可以实现对空调、热水器等智能家电的实时控制和远程控制；又可以为电信网、互联网、广播电视网等提供接入服务。在使用家庭智能用电系统的过程中，由于用电终端连接不通的电器，不同电器的工作时间是随机的，为了准确的监控用电终端，需要对应用电终端的负荷进行识别，也是就识别用电终端中实时的耗电电器有哪些，耗电量如何，产生的功率如何。
为了准确地识别电网负荷，本申请提出了一种基于融合决策的非侵入式负荷识别方法。参见图1，为本申请提供的一种基于融合决策的非侵入式负荷识别方法流程图，该方法包括如下步骤：
步骤101，获取用电终端的电器负荷特征数据。
在用电终端电力入口处采集端电压、总电流信息，同时计算用电终端的电器负荷特征数据。电器负荷特征数据包括稳态有功功率特征数据和电流谐波特征数据。
步骤102，按照预置周期，获取用电终端的当前功率。
用电终端的电力使用情况，是随着时间的变化而变化的，与用户是否使用电器，以及用户同时使用电器的数量有关。所以按照预置周期，定期检测用电终端的当前功率。当前功率是指当前周期，获取到的用电终端的功率。功率不能通过测量直接得到，通常检测用电终端的入户总线的总线电压与总线电流，再计算得到用电终端的当前功率。
步骤103，根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数。
电器工作状态特征数据，用于表示用电终端的电器使用状态，也就是用电终端的负荷。考虑功率和谐波的共同影响，构建功率谐波目标函数和高次谐波目标函数，并且目标函数的最优解即为电器工作状态特征数据。
步骤104，根据预置约束条件，求解功率谐波目标函数的功率最优解和高次谐波目标函数的谐波最优解。
功率谐波目标函数和高次谐波目标函数，从两个角度总体衡量解的准确程度，但某些电器工作状态特征数据波动较大，只有明显的局部特性，通过功率谐波目标函数和高次谐波目标函数总体衡量时，会削弱其局部特性，降低区分度，此时将这些明显的局部特性转化为规划问题的约束条件。
局部特性的排他性是确定约束条件的主要依据。如果有多项明显局部特性，则设定多项约束条件；如果没有明显的局部特性，则不设定约束条件，直接求解目标函数的全局最优解。示例性的，在用电终端包括台式电脑、笔记本电脑和LED灯，台式电脑的功率和各次谐波波动较大，当相比于笔记本电脑和LED灯，其二次谐波特性明显，所以将其转化为约束条件，若电流中二次谐波幅值大于某一特定阈值，则该台式机为工作状态。
步骤105，根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。
在求解出功率最优解和谐波最优解后，依据当前功率的等级、波动情况、谐波情况、电器固有的周期性和相互关联性，进行最终解的判断，识别用电终端的电器负荷。
本申请提供了一种基于融合决策的非侵入式负荷识别方法，通过获取用电终端的电器负荷特征数据，然后按照预置周期，获取用电终端的当前功率，再根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数，再根据预置约束条件，求解功率最优解和谐波最优，最后根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。与现有技术相比，本申请能够以具有表征性和稳定性的电器负荷特征数据，构建目标函数，准确识别用电终端负荷。对于小功率电器的功率和谐波特征不够明显，数据波动容易造成误识别，分别构建功率谐波目标函数和高次谐波目标函数，充分并合适度量用电终端电器功率和谐波特征，通过融合决策提高识别准确率。
参见图2，为本申请提供的一种获取用电终端的电器负荷特征数据的方法流程图。在图1所示方法的基础上，如图2所示，获取用电终端的电器负荷特征数据，包括：
步骤201，按照预置周期，获取用电终端的电器特征数据。
由于电网电压及电器特征数据的波动，对提取的特征量进行预处理。实际工作时，电器即使在同一工作状态下，每个周期测量的功率、谐波等都有波动。在识别负荷之前，对用电终端的电器特征数据进行预处理，以提高数据的一致性。预置周期可选取市工频周期20ms为时间窗。
步骤202，根据预置基准功率，判断电器特征数据是否为功率事件。
在用电终端，一部分电器在同一工作状态下其特征量差别巨大，所以需要先判断是否有功率事件。在各个功率状态下，其波动情况有差别，所以对不同的功率状态，功率事件的判断阈值有所不同，也就是其阈值基准功率不同。
示例性的，以电饭煲为例，为了保证米饭口味，做饭过程中需要合理控制温度。其功率在第一状态(典型值1050W)和第二状态(4.5W)，两个状态间相互切换，第一状态持续第一时间段，然后切换为第二状态，持续第二时间段。在第一时间段内，取m个周期的功率平均值作为功率特征，并以此作为第一预置基准功率。在第二时间段内，取m个周期的功率平均值作为功率特征，并以此作为第二预置基准功率。
步骤203，如果判断结果为否，则根据电器特征数据的平均值，选取电器负荷特征数据。
取多次测量的平均值以平滑波动，提高数据一致性。平均值是指在当前预置周期，以及预置数量的与当前预置周期邻接的周期，获取的电器特征数据的平均值。
步骤204，如果判断结果为是，则判断电器特征数据中的电压波动是否大于预置波动阈值。
步骤205，如果电压波动大于预置波动阈值，则根据电器特征数据，选取电器负荷特征数据。
步骤206，如果电压波动不大于预置波动阈值，则根据电压波动，计算电器负荷特征数据。
负载在不同的市电电压条件下，功率、谐波幅值有一定差别，但大功率阻性负载差别明显。参见表1，为阻性负载电压有效值与功率、基波幅值波动对应关系。如表1所示，列出了电压有效值偏差±3％、±5％、±10％时，阻性负载的功率、基波偏差情况。以电压偏差±5％时为例，功率偏差约10％，若负载在额定电压时功率1kW，则偏差约100W。
表1阻性负载电压有效值与功率、基波幅值波动对应关系
目前，家用电器中除了“加热”类负载，如电饭煲、电热水器、烧水壶等，其它电器功率不大，100W的功率偏差，容易“湮没”其它小功率家电的功率。同理基波偏差也会弱化其它家电的基波特征。所以大功率阻性负载的功率和基波特征需根据实际电压计算后更新，以降低不同环境下偏差的影响。
参见图3，为本申请提供的一种判断电器特征数据是否为功率事件的方法流程图。在图2所示方法的基础上，如图3所示，根据预置功率判断参数，判断电器特征数据是否为功率事件，包括：
步骤301，根据电器特征数据，计算用电终端的当前周期与前一周期的功率偏差。
步骤302，如果功率偏差大于预置基准功率，则确定用电终端在当前周期发生功率事件。
步骤303，如果功率偏差不大于预置基准功率，则确定用电终端在当前周期未发生功率事件。
参见图4，为本申请提供的一种构建目标函数的方法流程图。在图1所示方法的基础上，如图4所示，根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数，包括：
步骤401，建立稳态有功功率特征数据与当前功率的第一关系式。
具体的，第一关系式为P(n)＝S(n)×PF+εp，其中，P(n)为n时刻测量的当前功率，S(n)为n时刻电器工作状态特征数据，PF为稳态有功功率特征数据，εp为功率误差。第一关系式中，各部分特征数据可以用矩阵表达。
步骤402，建立电流谐波特征数据与当前功率的第二关系式。
具体的，H(n)＝S(n)×HF+εh，其中，H(n)为n时刻测量的谐波矩阵，HF为电流谐波特征数据，εh为谐波误差。
步骤403，根据第一关系式和第二关系式，构建功率谐波目标函数。
具体的，其中fηph为功率谐波目标函数，M为用电终端的电器工作状态的状态种类数量。||Z||1，表示Z的L1范数，||Z||2表示Z的L2范数。L1范数，表示向量中各个元素的绝对值的和，L2范数，相当于求距离，||x||2＝(|x1|2+|x2|2+…|xm|2)1/2。
步骤404，建立电流谐波特征数据与当前功率的第三关系式。
具体的，Hs(n)＝S(n)×HFs+εhs，其中，Hs(n)为n时刻测量的二次及以上谐波矩阵，HFs为二次及以上的电流谐波特征数据，εhs为二次及以上谐波误差。
步骤405，根据第三关系式，构建高次谐波目标函数。
具体的，fR＝λ×||S(n)||1+||εhs||1，其中fR为高次谐波目标函数，λ为权重系数。
通过上述方案，能够关联某时刻测量的功率值、谐波值和电器特征值的关系，构建功率谐波目标函数和高次谐波目标函数。
参见图5，为本申请提供的一种求解目标函数的方法流程图。在图4所示方法的基础上，如图5所示，根据预置约束条件，求解功率谐波目标函数的功率最优解和高次谐波目标函数的谐波最优解，包括：
步骤501，判断状态种类数量是否大于预置状态数量。
步骤502，如果判断结果为是，则选取遗传算法或蚁群算法，求解功率最优解和谐波最优解。
步骤503，如果判断结果为否，则选取枚举算法，求解功率最优解和谐波最优解。
依据状态种类数量的不同，采用不同的求解目标函数的功率最优解和谐波最优解，既能保证目标函数的求解效率，又能保证目标函数的求解质量。
参见图6，为本申请提供的一种识别用电终端的电器负荷的方法流程图。在图1所示方法的基础上，如图6所示，根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷，包括：
步骤601，计算用电终端的负荷参数。
负荷参数包括当前功率等级、波动情况和谐波幅值。求出功率最优解和目标最优解后，依据负荷参数，进行最终解的判断。负荷参数通过获取用电终端的电压电流情况，计算得到。
步骤602，根据负荷参数，确定负荷识别的判断依据。
步骤603，根据判断依据，计算功率最优解和谐波最优解的最终解。
步骤604，回归验证最终解，识别用电终端的电器负荷。
部分情况下先做初步判定，回归验证，根据一定的阈值衡量近似度差异，然后做最终判定。示例性的判据如下：
判据1，功率最优解和谐波最优解不同时，分析功率最优解识别结果中各电器功率差别，若用户终端电器的最大功率与最小功率之差小于某阈值，采用功率最优解的识别结果；反之，大功率电器采用功率最优解的识别结果，谐波丰富(高次谐波幅值大于某阈值)的电器采用谐波最优解。
判据2，电饭煲和烧水壶的功率和谐波特性相近，容易误识别。但电饭煲在做饭过程中，在两种不同的功率状态间切换，且做饭时间长于烧水时间。某次识别结果为烧水壶处于未工作状态，且电饭煲处于工作状态，后续一段时间内，若识别结果中，烧水壶和电饭煲有且只有一个电器处于工作状态，则在其他电器识别结果不变的条件下，回归计算烧水壶工作电饭煲不工作的第一功率最优解，回归计算烧水壶不工作电饭煲工作的第二功率最优解。当第一功率最优解与第二功率最优解的差值的绝对值小于某阈值，并且近几次测量发现有功率事件时，判断烧水壶处于未工作状态，电饭煲处于工作状态。当第一功率最优解与第二功率最优解的差值的绝对值大于某阈值时，维持识别的结果不变。
判据3，笔记本和LED显示器的平均功率和谐波特性相近，但是笔记本的功率波动性大于LED显示器。如果笔记本和LED显示器有且只有一个处于工作状态，同时台式电脑也处于工作状态。基于台式电脑与LED显示器的关联性，判定笔记本处于未工作状态，LED显示器处于工作状态，但记录各次识别时的功率及基于谐波识别的笔记本和LED显示器的识别结果。在下一周期，则在当前识别的基础上，根据上一周期的波动情况进行判定。若波动大，判定笔记本处于工作状态，LED显示器处于未工作状态；若波动小，判定笔记本处于未工作状态，LED显示器处于工作状态。
参见图7，为本申请提供的一种基于融合决策的非侵入式负荷识别装置组成框图。参见图8，为本申请提供的另一种基于融合决策的非侵入式负荷识别装置组成框图。作为图1所示方法的具体实现，如图7所示，该装置包括：
获取单元71，用于获取用电终端的电器负荷特征数据，电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；
获取单元71，还用于按照预置周期，获取用电终端的当前功率；
构建单元72，用于根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；
求解单元73，用于根据预置约束条件，求解功率谐波目标函数的功率最优解和高次谐波目标函数的谐波最优解；
识别单元74，用于根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。
进一步地，如图8所示，获取单元71，包括：
获取模块711，用于按照预置周期，获取用电终端的电器特征数据；
第一判断模块712，用于根据预置基准功率，判断电器特征数据是否为功率事件；
第一选取模块713，用于如果判断结果为否，则根据电器特征数据的平均值，选取电器负荷特征数据，平均值是指在当前预置周期，以及预置数量的与当前预置周期邻接的周期，获取的电器特征数据的平均值；
第二判断模块714，用于如果判断结果为是，则判断电器特征数据中的电压波动是否大于预置波动阈值；
第二选取模块715，用于如果电压波动大于预置波动阈值，则根据电器特征数据，选取电器负荷特征数据；
计算模块716，用于如果电压波动不大于预置波动阈值，则根据电压波动，计算电器负荷特征数据。
进一步地，如图8所示，第一判断模块712，包括：
计算子模块7121，用于根据电器特征数据，计算用电终端的当前周期与前一周期的功率偏差；
确定子模块7122，用于如果功率偏差大于预置基准功率，则确定用电终端在当前周期发生功率事件；
确定子模块7122，还用于如果功率偏差不大于预置基准功率，则确定用电终端在当前周期未发生功率事件。
进一步地，如图8所示，构建单元72，包括：
建立模块721，用于建立稳态有功功率特征数据与当前功率的第一关系式，P(n)＝S(n)×PF+εp，其中，P(n)为n时刻测量的当前功率，S(n)为n时刻电器工作状态特征数据，PF为稳态有功功率特征数据，εp为功率误差；
建立模块721，还用于建立电流谐波特征数据与当前功率的第二关系式，H(n)＝S(n)×HF+εh，其中，H(n)为n时刻测量的谐波矩阵，HF为电流谐波特征数据，εh为谐波误差；
构建模块722，用于根据第一关系式和第二关系式，构建功率谐波目标函数，其中fηph为功率谐波目标函数，M为用电终端的电器工作状态的状态种类数量；
建立模块721，还用于建立所示电流谐波特征数据与当前功率的第三关系式，Hs(n)＝S(n)×HFs+εhs，其中，Hs(n)为n时刻测量的二次及以上谐波矩阵，HFs为二次及以上的电流谐波特征数据，εhs为二次及以上谐波误差；
构建模块722，还用于根据第三关系式，构建高次谐波目标函数，fR＝λ×||S(n)||1+||εhs||1，其中fR为高次谐波目标函数，λ为权重系数。
进一步的，如图8所示，求解单元73，包括：
判断模块731，用于判断状态种类数量是否大于预置状态数量；
选取模块732，用于如果判断结果为是，则选取遗传算法或蚁群算法，求解功率最优解和谐波最优解；
选取模块732，还用于如果判断结果为否，则选取枚举算法，求解功率最优解和谐波最优解。
进一步的，如图8所示，识别单元74，包括：
计算模块741，用于计算用电终端的负荷参数，负荷参数包括当前功率等级、波动情况和谐波幅值；
确定模块742，用于根据负荷参数，确定负荷识别的判断依据；
计算模块741，还用于根据判断依据，计算功率最优解和谐波最优解的最终解；
识别模块743，用于回归验证最终解，识别用电终端的电器负荷。
本申请提供了一种基于融合决策的非侵入式负荷识别装置，通过获取用电终端的电器负荷特征数据，然后按照预置周期，获取用电终端的当前功率，再根据电器负荷特征数据和当前功率，分别构建用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数，再根据预置约束条件，求解功率最优解和谐波最优，最后根据预置融合规则，回归验证功率最优解和谐波最优解，识别用电终端的电器负荷。与现有技术相比，本申请能够以具有表征性和稳定性的电器负荷特征数据，构建目标函数，准确识别用电终端负荷。对于小功率电器的功率和谐波特征不够明显，数据波动容易造成误识别，分别构建功率谐波目标函数和高次谐波目标函数，充分并合适度量用电终端电器功率和谐波特征，通过融合决策提高识别准确率。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的呼叫方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.一种基于融合决策的非侵入式负荷识别方法，其特征在于，所述方法包括：
获取用电终端的电器负荷特征数据，所述电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；
按照预置周期，获取所述用电终端的当前功率；
根据所述电器负荷特征数据和所述当前功率，分别构建所述用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；
根据预置约束条件，求解所述功率谐波目标函数的功率最优解和所述高次谐波目标函数的谐波最优解；
根据预置融合规则，回归验证所述功率最优解和所述谐波最优解，识别所述用电终端的电器负荷。
2.如权利要求1所述的方法，其特征在于，所述获取用电终端的电器负荷特征数据，包括：
按照所述预置周期，获取所述用电终端的电器特征数据；
根据预置基准功率，判断所述电器特征数据是否为功率事件；
如果判断结果为否，则根据所述电器特征数据的平均值，选取所述电器负荷特征数据，所述平均值是指在当前所述预置周期，以及预置数量的与所述当前所述预置周期邻接的周期，获取的所述电器特征数据的平均值；
如果判断结果为是，则判断所述电器特征数据中的电压波动是否大于预置波动阈值；
如果所述电压波动大于所述预置波动阈值，则根据所述电器特征数据，选取所述电器负荷特征数据；
如果所述电压波动不大于所述预置波动阈值，则根据所述电压波动，计算所述电器负荷特征数据。
3.如权利要求2所述的方法，其特征在于，所述根据预置功率判断参数，判断所述电器特征数据是否为功率事件，包括：
根据所述电器特征数据，计算所述用电终端的当前周期与前一周期的功率偏差；
如果所述功率偏差大于所述预置基准功率，则确定所述用电终端在当前周期发生功率事件；
如果所述功率偏差不大于所述预置基准功率，则确定所述用电终端在当前周期未发生功率事件。
4.如权利要求1所述的方法，其特征在于，所述根据所述电器负荷特征数据和所述当前功率，分别构建所述用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数，包括：
建立所述稳态有功功率特征数据与所述当前功率的第一关系式，P(n)＝S(n)×PF+εp，其中，P(n)为n时刻测量的所述当前功率，S(n)为n时刻所述电器工作状态特征数据，PF为所述稳态有功功率特征数据，εp为功率误差；
建立所述电流谐波特征数据与所述当前功率的第二关系式，H(n)＝S(n)×HF+εh，其中，H(n)为n时刻测量的谐波矩阵，HF为所述电流谐波特征数据，εh为谐波误差；
根据所述第一关系式和所述第二关系式，构建所述功率谐波目标函数，其中fηph为所述功率谐波目标函数，M为所述用电终端的电器工作状态的状态种类数量；
建立所述电流谐波特征数据与所述当前功率的第三关系式，Hs(n)＝S(n)×HFs+εhs，其中，Hs(n)为n时刻测量的二次及以上谐波矩阵，HFs为二次及以上的所述电流谐波特征数据，εhs为二次及以上谐波误差；
根据所述第三关系式，构建所述高次谐波目标函数，fR＝λ×||S(n)||1+||εhs||1，其中fR为高次谐波目标函数，λ为权重系数。
5.如权利要求4所述的方法，其特征在于，所述根据预置约束条件，求解所述功率谐波目标函数的功率最优解和所述高次谐波目标函数的谐波最优解，包括：
判断所述状态种类数量是否大于预置状态数量；
如果判断结果为是，则选取遗传算法或蚁群算法，求解所述功率最优解和所述谐波最优解；
如果判断结果为否，则选取枚举算法，求解所述功率最优解和所述谐波最优解。
6.如权利要求1所述的方法，其特征在于，所述根据预置融合规则，回归验证所述功率最优解和所述谐波最优解，识别所述用电终端的电器负荷，包括：
计算所述用电终端的负荷参数，所述负荷参数包括当前功率等级、波动情况和谐波幅值；
根据所述负荷参数，确定负荷识别的判断依据；
根据所述判断依据，计算所述功率最优解和所述谐波最优解的最终解；
回归验证所述最终解，识别所述用电终端的电器负荷。
7.一种基于融合决策的非侵入式负荷识别装置，其特征在于，所述装置包括：
获取单元，用于获取用电终端的电器负荷特征数据，所述电器负荷特征包括稳态有功功率特征数据和电流谐波特征数据；
所述获取单元，还用于按照预置周期，获取所述用电终端的当前功率；
构建单元，用于根据所述电器负荷特征数据和所述当前功率，分别构建所述用电终端的电器工作状态特征数据的功率谐波目标函数和高次谐波目标函数；
求解单元，用于根据预置约束条件，求解所述功率谐波目标函数的功率最优解和所述高次谐波目标函数的谐波最优解；
识别单元，用于根据预置融合规则，回归验证所述功率最优解和所述谐波最优解，识别所述用电终端的电器负荷。
8.如权利要求7所述的装置，其特征在于，所述获取单元，包括：
获取模块，用于按照所述预置周期，获取所述用电终端的电器特征数据；
第一判断模块，用于根据预置基准功率，判断所述电器特征数据是否为功率事件；
第一选取模块，用于如果判断结果为否，则根据所述电器特征数据的平均值，选取所述电器负荷特征数据，所述平均值是指在当前所述预置周期，以及预置数量的与所述当前所述预置周期邻接的周期，获取的所述电器特征数据的平均值；
第二判断模块，用于如果判断结果为是，则判断所述电器特征数据中的电压波动是否大于预置波动阈值；
第二选取模块，用于如果所述电压波动大于所述预置波动阈值，则根据所述电器特征数据，选取所述电器负荷特征数据；
计算模块，用于如果所述电压波动不大于所述预置波动阈值，则根据所述电压波动，计算所述电器负荷特征数据。
9.如权利要求8所述的装置，其特征在于，所述第一判断模块，包括：
计算子模块，用于根据所述电器特征数据，计算所述用电终端的当前周期与前一周期的功率偏差；
确定子模块，用于如果所述功率偏差大于所述预置基准功率，则确定所述用电终端在当前周期发生功率事件；
所述确定子模块，还用于如果所述功率偏差不大于所述预置基准功率，则确定所述用电终端在当前周期未发生功率事件。
10.如权利要求7所述的装置，其特征在于，所述构建单元，包括：
建立模块，用于建立所述稳态有功功率特征数据与所述当前功率的第一关系式，P(n)＝S(n)×PF+εp，其中，P(n)为n时刻测量的所述当前功率，S(n)为n时刻所述电器工作状态特征数据，PF为所述稳态有功功率特征数据，εp为功率误差；
所述建立模块，还用于建立所述电流谐波特征数据与所述当前功率的第二关系式，H(n)＝S(n)×HF+εh，其中，H(n)为n时刻测量的谐波矩阵，HF为所述电流谐波特征数据，εh为谐波误差；
构建模块，用于根据所述第一关系式和所述第二关系式，构建所述功率谐波目标函数，其中fηph为所述功率谐波目标函数，M为所述用电终端的电器工作状态的状态种类数量；
所述建立模块，还用于建立所示电流谐波特征数据与所述当前功率的第三关系式，Hs(n)＝S(n)×HFs+εhs，其中，Hs(n)为n时刻测量的二次及以上谐波矩阵，HFs为二次及以上的所述电流谐波特征数据，εhs为二次及以上谐波误差；
所述构建模块，还用于根据所述第三关系式，构建所述高次谐波目标函数，fR＝λ×||S(n)||1+||εhs||1，其中fR为高次谐波目标函数，λ为权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710995880.4A CN107525964B (zh) | 2017-10-23 | 2017-10-23 | 一种基于融合决策的非侵入式负荷识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710995880.4A CN107525964B (zh) | 2017-10-23 | 2017-10-23 | 一种基于融合决策的非侵入式负荷识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107525964A true CN107525964A (zh) | 2017-12-29 |
| CN107525964B CN107525964B (zh) | 2023-11-21 |
Family
ID=60685252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710995880.4A Active CN107525964B (zh) | 2017-10-23 | 2017-10-23 | 一种基于融合决策的非侵入式负荷识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107525964B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470957A (zh) * | 2018-11-12 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于Fréchet distance的非侵入式电器识别方法 |
| 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 |
| CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 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 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN111007347A (zh) * | 2019-12-27 | 2020-04-14 | 广东电网有限责任公司电力科学研究院 | 一种非侵入式负荷识别、装置和相关设备 |
| CN114236301A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 一种非侵入式工业负荷事件检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011084390A1 (en) * | 2009-12-16 | 2011-07-14 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN113158446A (zh) * | 2021-04-07 | 2021-07-23 | 国网江苏省电力有限公司信息通信分公司 | 非侵入式电力负载识别方法 |
-
2017
- 2017-10-23 CN CN201710995880.4A patent/CN107525964B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011084390A1 (en) * | 2009-12-16 | 2011-07-14 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN113158446A (zh) * | 2021-04-07 | 2021-07-23 | 国网江苏省电力有限公司信息通信分公司 | 非侵入式电力负载识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| AHMED ZOHA: "Non-Intrusive Load Monitoring Approaches for Disaggregated Energy Sensing: A Survey" * |
| NUR FARAHIN ESAA: "A review disaggregation method in Non-intrusive Appliance Load Monitoring" * |
| 王晓换: "基于决策融合的非侵入式电力负荷辨识方法及应用" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470957A (zh) * | 2018-11-12 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于Fréchet distance的非侵入式电器识别方法 |
| 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 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110416995B (zh) * | 2019-05-10 | 2023-05-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 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 |
| 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 |
| CN111007347A (zh) * | 2019-12-27 | 2020-04-14 | 广东电网有限责任公司电力科学研究院 | 一种非侵入式负荷识别、装置和相关设备 |
| CN114236301A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 一种非侵入式工业负荷事件检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107525964B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107525964A (zh) | 一种基于融合决策的非侵入式负荷识别方法及装置 | |
| CN106505593B (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
| CN103501058B (zh) | 基于智能台区的能效管理系统 | |
| CN109325545A (zh) | 低压配电网拓扑结构校验方法、装置、设备及存储介质 | |
| CN107563680A (zh) | 一种基于ahp和熵权法的配电网可靠性评估方法 | |
| CN103984316A (zh) | 能源管理设备和系统 | |
| CN110264032B (zh) | 一种直流配网规划方案评价结果的获取方法 | |
| CN103872782A (zh) | 一种电能质量数据综合服务系统 | |
| Pijnenburg et al. | Testing the performance of bus-split aggregation method for residential loads | |
| CN103904780A (zh) | 基于低压配电网的节点信息处理器 | |
| JP6525642B2 (ja) | 契約メニュー作成方法 | |
| Chang et al. | Distribution transformer load modeling using load research data | |
| Milanović et al. | Compound index for power quality evaluation and benchmarking | |
| Anderson et al. | Power factor and reactive power in us residences–survey and energyplus modeling | |
| CN102738791B (zh) | 一种基于拓扑比较的在线静态安全分析方法 | |
| CN107732902B (zh) | 配电网经济运行监控及评价方法 | |
| CN117097768B (zh) | 一种基于大数据的智能电能表安全通信传输系统及方法 | |
| He et al. | Utilizing building-level demand response in frequency regulation of actual microgrids | |
| Dong et al. | Nonlinear load harmonic prediction method based on power distribution Internet of Things | |
| JP2015042052A (ja) | 電力需給量予測装置、予測システムおよび予測方法 | |
| Yan et al. | Applications of NILM in the optimization management of intelligent home energy management system | |
| Alarbi et al. | AI concepts for Demand Side Shedding Management in Libya | |
| CN111146781A (zh) | 一种低压台区程控负载模拟系统 | |
| Zeng et al. | Load Control at Users' Demand Side in Cyber‐Physical System for Balancing Variable Renewable Generation | |
| CN110334945A (zh) | 一种馈线段重要度计算方法和系统 |
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 |