CN108257044A - 一种基于稳态电流模型的非侵入式负荷分解方法 - Google Patents
一种基于稳态电流模型的非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN108257044A CN108257044A CN201810050031.6A CN201810050031A CN108257044A CN 108257044 A CN108257044 A CN 108257044A CN 201810050031 A CN201810050031 A CN 201810050031A CN 108257044 A CN108257044 A CN 108257044A
- Authority
- CN
- China
- Prior art keywords
- steady
- type load
- load
- current
- waveform
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 15
- 238000013461 design Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于智能电网技术领域，提供了一种基于稳态电流模型的非侵入式负荷分解方法，包括以下步骤：（1）搭建数据采集系统，通过电信号采集设备将上位机与用电负荷进行连接，将负荷用电行为的电信号转化成计算机可以处理的数字信号；（2）构建非侵入式负荷分解算法的训练模型，将采集到的每类负荷电流稳态运行的数据进行FFT变换并进行分析（3）构建非侵入式负荷分解算法的测试模型，对采集到的每系统总端的电流稳态运行的数据进行FFT变换并进行分析，形成待分解波形的特征参数矩阵形式，同训练算法的特征空间一同带入目标函数，利用最小二乘算法进行目标函数的参数估计。
Description
技术领域
本发明属于智能电网技术领域，具体涉及一种基于稳态电流模型 的非侵入式负荷分解方法。
背景技术
智能电网是未来电力系统的发展方向，无论是针对大系统的坚强 智能电网，还是针对微小系统的智能家居等，在最近几年都有了飞速 发展。智能电网依托现代通信网络，通过先进的硬件设备，高效的传 感、测量和通信技术，完善的控制理论和决策方法，实现电网安全、 可靠、经济、高效、环保的运行。
电力系统负荷监测的智能化是智能电网的重要特征之一。负荷监 测是指通过实时采集负荷的电气参数，监测其运行状态。负荷监测不 仅能监测单个负荷，还可以从整个系统的全局角度出发，了解各类负 荷的状态参数、用电量、用电时间等，从而帮助决策者合理地分配电 能，使整个电力系统始终处于高效的运行状态，这在强调节能减排的 今天具有重要的意义。
负荷监测从负荷数据的获取方式上分为侵入式和非侵入式[10]， 非侵入式负荷分解于20世纪80年代由MIT团队的Hart G.W. 首次提出，目的是为了降低负荷监测的硬件成本，以便使电力公司在 使用尽可能少设备的情况下获取较为具体的电能数据
在国内，非侵入式电力负荷分解研究起步相对较晚，虽然近年来 发展迅速，但是非侵入式负荷分解问题目前尚未形成统一的标准。目 前的负荷分解问题一般都基于用电负荷的电压、电流、有功功率、无 功功率和功率因数等作为负载标签，无论是从数据的获取手段上还是 数据的处理方面，都面临巨大的挑战。
发明内容
本发明的目的在于解决上述现有技术中存在的智能电网负荷分 解问题中遇到的数据获取手段及数据处理方面的难题，提供一种基于 电流模型的非侵入式负荷分解方法。在搭建数据采集系统时，只需要 测量负荷的电流大小，而无需测量其他额外参量。同时，在利用不用 的负载标签构建特征空间的时候，使特征空间的维度降低，为后期的 非侵入式负荷分解的训练模型和实测模型都节省了巨大的运算量。
本发明是通过以下技术方案实现的：
一种基于稳态电流模型的非侵入式负荷分解方法，包括以下步骤：
(1)搭建数据采集系统，通过电信号采集设备将上位机与用电 负荷进行连接，将负荷用电行为的电信号转化成计算机可以处理的数 字信号；
(2)构建非侵入式负荷分解算法的训练模型，将采集到的每类 负荷电流稳态运行的数据进行FFT变换，分析出每类负荷的基波和各 次谐波的频率、幅值和相位大小；
(3)构建非侵入式负荷分解算法的测试模型，对采集到的每系 统总端的电流稳态运行的数据进行FFT变换，分析出总电流的基波和 各次谐波的频率、幅值和相位大小，形成待分解波形的特征参数矩阵 形式，同训练算法的特征空间一同带入目标函数，利用最小二乘算法 进行目标函数的参数估计。
进一步的，所述步骤(1)中测量的分别是每类负荷电流稳态运 行的数据和系统总端稳态运行的电流数据。
进一步的，所述步骤(2)包括如下步骤：
(21)测量每类负荷的单负荷电流稳态运行的波形；
(22)对每类负荷的单负荷电流稳态运行的波形进行快速傅立叶 变换，计算出每类负荷稳态电流波形的基波和各次谐波的频率、幅值 和相位大小；
(23)将计算得出的单负荷稳态电流基波和各次谐波的幅值和相 位的值形成特征参数矩阵。
进一步的，所述步骤(3)包括如下步骤：
(31)测量某一时刻系统总端的电流波形，将其作为待分解波形；
(32)利用快速傅立叶变换进行谐波分析，得到待分解波形的基 波和各次谐波的频率、幅值和相位的值；
(33)形成待分解波形的矩阵形式，同训练算法得到的一起代入 式It＝A·B中，完善目标函数；
(34)用最小二乘算法进行目标函数的参数估计；
(35)得到各类负荷含量，完成纵向分解。
与现有技术相比，本发明的有益效果是：
本设计针对稳态过程的非侵入式负荷分解，构建了相关模型，提 出了完善的算法，提出了一种基于电流模型的稳态电流分解方法，在 此基础上，进一步提出了多负荷稳态电流分解模型，并依据模型构建 目标函数，将稳态过程的非侵入式负荷分解转化为参数计算的问题。 本设计构建的稳态分解模型及其改进形式，能够准确反映负荷稳态电 流的构成，基于模型提出的算法，能够精确测定系统中各类负荷的含 量。在实际应用中，可针对各类负荷可能出现的所有的稳定状态进行 训练，形成通用的负荷特征参数数据库。设计中提出的模型和算法便 可在只有一个总端传感器的情况下，针对总端电流，对系统出现的任意稳态过程进行分解，得出系统内各类负荷的含量和状态，进一步可 推断其功率、能耗等重要信息，在实际中具有很高的应用价值。
此外，本发明方法原理可靠，步骤简单，具有非常广泛的应用前 景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显 著地进步，其实施的有益效果也是显而易见的。
附图说明
图1是本发明中构建非侵入式负荷分解算法的训练模型的流程 图。
图2是本发明中构建非侵入式负荷分解算法的测试模型的流程 图。
图3是实施例2中电流数据采集接线示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
实施例1
本发明提供的一种基于稳态电流模型的非侵入式负荷分解方法， 包括以下步骤：
(1)搭建数据采集系统，通过电信号采集设备将上位机与用电 负荷进行连接，将负荷用电行为的电信号转化成计算机可以处理的数 字信号；
(2)构建非侵入式负荷分解算法的训练模型，将采集到的每类 负荷电流稳态运行的数据进行FFT变换，分析出每类负荷的基波和各 次谐波的频率、幅值和相位大小；
(3)构建非侵入式负荷分解算法的测试模型，对采集到的每系 统总端的电流稳态运行的数据进行FFT变换，分析出总电流的基波和 各次谐波的频率、幅值和相位大小，形成待分解波形的特征参数矩阵 形式，同训练算法的特征空间一同带入目标函数，利用最小二乘算法 进行目标函数的参数估计。
在本发明中，所述步骤(1)中测量的分别是每类负荷电流稳态 运行的数据和系统总端稳态运行的电流数据。
在本发明中，如图1所示，所述步骤(2)包括如下步骤：
(21)测量每类负荷的单负荷电流稳态运行的波形；
(22)对每类负荷的单负荷电流稳态运行的波形进行快速傅立叶 变换，计算出每类负荷稳态电流波形的基波和各次谐波的频率、幅值 和相位大小；
(23)将计算得出的单负荷稳态电流基波和各次谐波的幅值和相 位的值形成特征参数矩阵。
在本发明中，如图2所示，所述步骤(3)包括如下步骤：
(31)测量某一时刻系统总端的电流波形，将其作为待分解波形；
(32)利用快速傅立叶变换进行谐波分析，得到待分解波形的基 波和各次谐波的频率、幅值和相位的值；
(33)形成待分解波形的矩阵形式，同训练算法得到的一起代入 式It＝A·B中，完善目标函数；
(34)用最小二乘算法进行目标函数的参数估计；
(35)得到各类负荷含量，完成纵向分解。
本设计针对稳态过程的非侵入式负荷分解，构建了相关模型，提 出了完善的算法，提出了一种基于电流模型的稳态电流分解方法，在 此基础上，进一步提出了多负荷稳态电流分解模型，并依据模型构建 目标函数，将稳态过程的非侵入式负荷分解转化为参数计算的问题。 本设计构建的稳态分解模型及其改进形式，能够准确反映负荷稳态电 流的构成，基于模型提出的算法，能够精确测定系统中各类负荷的含 量。在实际应用中，可针对各类负荷可能出现的所有的稳定状态进行 训练，形成通用的负荷特征参数数据库。设计中提出的模型和算法便 可在只有一个总端传感器的情况下，针对总端电流，对系统出现的任意稳态过程进行分解，得出系统内各类负荷的含量和状态，进一步可 推断其功率、能耗等重要信息，在实际中具有很高的应用价值。
实施例2
在小型局域电力系统中，将稳态定义为，系统中的各类负荷没有 发生故障、投切或档位变化，且系统整体的电气参数相对稳定的状态。 稳态过程的非侵入式负荷分解，就是依据稳态过程，对系统总端采集 到的电气数据进行分析，从而得出各个负荷的含量、状态、相位、功 率等重要信息。由于工频电压相对恒定，且功率能够由电压和电流计 算得来，因此仅对稳态电流信号进行分解，计算得出各类负荷的含量、 开关状态和相位，功率、能耗可由简单推算得出。
由叠加定理可知，n类负荷电流组成的总负荷电流可用下式表 示：
In＝β1I1+β2I2+...+βnIn(1-1)
上式中，n为负荷的个数，In为单负荷电流，β为各类负荷的权 重系数，即相应负荷的数量。
为了清晰的表明各种电流分量间的相对比例，本设计采用标幺值， 即所有电流分量采用同一个电流基值，式(1-1)等号两边同时除以I1， 可得如下电流表现形式：
1·cos(ωt+θ1)+α2cos(2ωt+θ2)+...+αk cos(kωt+θk) ＝β1[1·cos(ωt+θ11)+α12cos(2ωt+θ12)+...+α1k cos(kωt+θ1k)]+ β2[1·cos(ωt+θ21)+α22cos(2ωt+θ22)+...+α2k cos(2ωt+θ2k)]+...+ βn[1·cos(ωt+θn1)+αn2cos(2ωt+θn2)+..+αnk cos(kωt+θnk)](1-2)
其中，n表示负荷个数，α表示各类负荷的基波或谐波的幅值，k 表示每类负荷的谐波次数。将式(1-2)表示为矩阵形式为：
上式即为本申请提出的多负荷稳态电流的完备数学模型，也是稳 态过程非侵入式负荷分解的基础，将其表示为：
It＝A·B (1-4)
上式中，It为横向分解得到的总负荷电流的矩阵形式，A为特征 参数矩阵，其包含了单个负荷电流波形的形状信息和不同负荷电流波 形的位置信息。B为权重系数矩阵，其包含了总电流波形中各个负荷 的数量。
小型局域电力系统的多负荷稳态电流的分解分为横向分解和纵 向分解。横向分解定义为将总电流波形分解为基波和各次谐波相加的 形式，而纵向分解定义为将总电流波形分解为单个负荷电流波形叠加 的形式。其中横向分解可由谐波分析的快速傅立叶变换(FFT)直接 得来，纵向分解才是稳态过程非侵入式负荷分解的实质内容，即求解 总电流波形中各类负荷的含量。
小型电力系统的非侵入式负荷分解模型总共分为三个部分：首先， 搭建小型放射状电力系统的数据采集系统，该系统通过电信号采集设 备将上位机与用电负荷进行连接，将负荷用电行为的电信号转化成计 算机可以处理的数字信号。该系统测量的分别是每类负荷电流稳态运 行的数据和系统总端稳态运行的电流数据。然后，构建非侵入式负荷 分解算法的训练模型，该部分主要是将采集到的每类负荷电流稳态运 行的数据进行FFT变换，分析出每类负荷的基波和各次谐波的频率、 幅值和相位大小。以上三个量，构成了周期量的三要素，即幅值、频 率、相位角。用这三个量构建非侵入式负荷分解训练模型的特征参数 矩阵。最后，建非侵入式负荷分解算法的测试模型。该部分对采集到 的每系统总端的电流稳态运行的数据进行FFT变换，分析出总电流的 基波和各次谐波的频率、幅值和相位大小，形成待分解波形的特征参 数矩阵形式，同训练算法的特征空间一同带入目标函数，利用最小二 乘算法进行目标函数的参数估计，即完成了非侵入式负荷分解。
下面按照上述的三个部分对本实施例进行步骤分解。
一、数据采集部分
在电力系统中，电压信号是相对恒定的，因此负荷自身的信息大 都包含在其电流信号当中。为此，如图3所示，本实施例根据负荷选 取的唯一性和稳定性的原则，选取白炽灯、笔记本电脑、液晶显示器、 荧光灯、电风扇作为测量对象。首先，这五类负荷的电流波形都是显 著可以区分的，适合用于算法验证；其次，这五类负荷分别包含了阻 性、感性和容性负荷，因此具有较强的代表性。稳态过程采样时，测 量的是各负荷单独工作时的稳态电流，以及各类负荷的组合同时工作 的稳态电流。
二、构建非侵入式负荷分解算法的训练模型
该模型主要步骤为：
首先，测量小型电力系统内每类负荷的单负荷电流稳态运行的波 形。
其次，对每类负荷的单负荷电流稳态运行的波形进行快速傅立叶 变换，计算出每类负荷稳态电流波形的基波和各次谐波的频率、幅值 和相位大小。
最后，将计算得出的单负荷稳态电流基波和各次谐波的幅值和相 位的值形成特征参数矩阵。
由于谐波在电力系统中的渗透，导致的各种电能质量问题，引起 了专家学者们的广泛关注，对谐波方法的研究也是一直在不断深入。 谐波分析的主要方法有：傅立叶变换算法、小波分析算法、神经网络 算法、瞬时无功功率的算法、状态空间法等。傅立叶变换算法是研究 最早也是现在最为成熟的谐波分析方法，其应用也是最广泛的。
本申请采用FFT法的主要原因有：
1)快速性。FFT算法的主要优点就是运算速度快，不占用很多 的系统时间，适应快速跟踪动态检测的要求。
2)测量精度较高，功能较多，使用方便。FFT算法将采集的电 压、电流中的干扰化为高次谐波处理，避免了因采用模拟滤波电路产 生参数不匹配带来的误差，从而极大的提高了测量精度。
3)对于多数场合来说都比较适用，因为大多数电网的信号都是 稳态信号。
三、构建非侵入式负荷分解算法的测试模型
该模型主要步骤为：
首先，测量某一时刻本小型电力系统总端的电流波形，将其作为 待分解波形。
其次，利用快速傅立叶变换进行谐波分析，得到待分解波形的基 波和各次谐波的频率、幅值和相位的值。
再次，形成待分解波形的矩阵形式，同训练算法得到的一起代入 式(1-4)，完善目标函数。
然后，用最小二乘算法进行目标函数的参数估计。
最后，得到各类负荷含量，完成纵向分解。
本方案只需要获取小型电力系统入口侧的电流数据，监测简单， 省去了复杂的测量装置，并且针对稳态过程的非侵入式负荷分解，构 建了相关模型，提出了完善的算法，主要工作有：1)提出了一种基 于电流模型的稳态电流分解方法，在此基础上，进一步提出了多负荷 稳态电流分解模型，并依据模型构建目标函数，将稳态过程的非侵入 式负荷分解转化为参数计算的问题。2)分析了FFT理论在谐波分 析中的应用，结合本设计实测样本，其能精确地测定电流波形的谐波 幅值和相位角，为模型的构建和计算奠定了基础。3)分析了最小二 乘算法的基本理论，给出了最小二乘算法应用于目标函数的约束条件 和基本设定，并完善了算法流程。
本申请构建的稳态分解模型及其改进形式，能够准确反映负荷稳 态电流的构成，基于模型提出的算法，能够精确测定系统中各类负荷 的含量。在本实施例中只针对5类负荷的开关状态进行了训练和测 试，在实际应用中，可针对各类负荷可能出现的所有的稳定状态进行 训练，形成通用的负荷特征参数数据库，则设计中提出的模型和算法 便可在只有一个总端传感器的情况下，针对总端电流，对系统出现的 任意稳态过程进行分解，得出系统内各类负荷的含量和状态，进一步 可推断其功率、能耗等重要信息，在实际中具有很高的应用价值。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术 人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各 种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的 方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
Claims (5)
1.一种基于稳态电流模型的非侵入式负荷分解方法，其特征在于：包括以下步骤：
(1)搭建数据采集系统，通过电信号采集设备将上位机与用电负荷进行连接，将负荷用电行为的电信号转化成计算机可以处理的数字信号；
(2)构建非侵入式负荷分解算法的训练模型，将采集到的每类负荷电流稳态运行的数据进行FFT变换，分析出每类负荷的基波和各次谐波的频率、幅值和相位大小；
(3)构建非侵入式负荷分解算法的测试模型，对采集到的每系统总端的电流稳态运行的数据进行FFT变换，分析出总电流的基波和各次谐波的频率、幅值和相位大小，形成待分解波形的特征参数矩阵形式，同训练算法的特征空间一同带入目标函数，利用最小二乘算法进行目标函数的参数估计。
2.如权利要求1所述的一种基于稳态电流模型的非侵入式负荷分解方法，其特征在于：所述步骤(1)中测量的分别是每类负荷电流稳态运行的数据和系统总端稳态运行的电流数据。
3.如权利要求1所述的一种基于稳态电流模型的非侵入式负荷分解方法，其特征在于：所述步骤(2)包括如下步骤：
(21)测量每类负荷的单负荷电流稳态运行的波形；
(22)对每类负荷的单负荷电流稳态运行的波形进行快速傅立叶变换，计算出每类负荷稳态电流波形的基波和各次谐波的频率、幅值和相位大小；
(23)将计算得出的单负荷稳态电流基波和各次谐波的幅值和相位的值形成特征参数矩阵。
4.如权利要求1所述的一种基于稳态电流模型的非侵入式负荷分解方法，其特征在于：所述步骤(3)包括如下步骤：
(31)测量某一时刻系统总端的电流波形，将其作为待分解波形；
(32)利用快速傅立叶变换进行谐波分析，得到待分解波形的基波和各次谐波的频率、幅值和相位的值；
(33)形成待分解波形的矩阵形式，同训练算法得到的一起代入式It＝A·B中，完善目标函数；
(34)用最小二乘算法进行目标函数的参数估计；
(35)得到各类负荷含量，完成纵向分解。
5.如权利要求4所述的一种基于稳态电流模型的非侵入式负荷分解方法，其特征在于：所述It＝A·B式中，It为横向分解得到的总负荷电流的矩阵形式，A为特征参数矩阵，其包含了单个负荷电流波形的形状信息和不同负荷电流波形的位置信息；B为权重系数矩阵，其包含了总电流波形中各个负荷的数量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017108559614 | 2017-09-19 | ||
| CN201710855961 | 2017-09-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108257044A true CN108257044A (zh) | 2018-07-06 |
Family
ID=62741188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810050031.6A Pending CN108257044A (zh) | 2017-09-19 | 2018-01-18 | 一种基于稳态电流模型的非侵入式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108257044A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
| CN108959181A (zh) * | 2018-08-22 | 2018-12-07 | 深圳供电局有限公司 | 一种基于矩阵分解的工业用电负荷分解方法 |
| CN109270368A (zh) * | 2018-09-03 | 2019-01-25 | 四川长虹电器股份有限公司 | 一种基于稳态电流的非侵入式电力负载识别方法 |
| 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 |
| CN110222788A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨工业大学 | 一种智能插座的负荷识别系统及方法 |
| CN111351996A (zh) * | 2018-12-24 | 2020-06-30 | 国网江苏省电力有限公司无锡供电分公司 | 一种非侵入式用电负荷辨识方法及装置 |
| CN111985824A (zh) * | 2020-08-25 | 2020-11-24 | 安徽南瑞中天电力电子有限公司 | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 |
| CN112083238A (zh) * | 2020-08-05 | 2020-12-15 | 上海纺织节能环保中心 | 基于基波谐波变点检测的运行电器荷载状态监测系统 |
| CN112800855A (zh) * | 2021-01-04 | 2021-05-14 | 中南大学 | 一种列车转向架非侵入式实时故障监测方法 |
| CN112949563A (zh) * | 2021-03-25 | 2021-06-11 | 复旦大学 | 基于变点检测和改进knn算法的非侵入式负荷识别方法 |
| CN117132808A (zh) * | 2023-08-07 | 2023-11-28 | 中南民族大学 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282040A (zh) * | 2008-05-09 | 2008-10-08 | 天津大学 | 非侵入式电力负荷实时分解方法 |
| CN106443233A (zh) * | 2016-08-26 | 2017-02-22 | 北京电力经济技术研究院 | 一种非侵入式的稳态负荷监测方法 |
-
2018
- 2018-01-18 CN CN201810050031.6A patent/CN108257044A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282040A (zh) * | 2008-05-09 | 2008-10-08 | 天津大学 | 非侵入式电力负荷实时分解方法 |
| CN106443233A (zh) * | 2016-08-26 | 2017-02-22 | 北京电力经济技术研究院 | 一种非侵入式的稳态负荷监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李雨轩: "非侵入式负荷分解算法的综合研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
| 赵春柳: "基于稳态谐波分析的非侵入式电力负荷分解法的应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
| 黎鹏: "非侵入式电力负荷分解与监测", 《中国博士学位论文全文数据库工程科技II辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
| CN108959181A (zh) * | 2018-08-22 | 2018-12-07 | 深圳供电局有限公司 | 一种基于矩阵分解的工业用电负荷分解方法 |
| CN109270368B (zh) * | 2018-09-03 | 2020-09-25 | 四川长虹电器股份有限公司 | 一种基于稳态电流的非侵入式电力负载识别方法 |
| CN109270368A (zh) * | 2018-09-03 | 2019-01-25 | 四川长虹电器股份有限公司 | 一种基于稳态电流的非侵入式电力负载识别方法 |
| 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 |
| CN111351996A (zh) * | 2018-12-24 | 2020-06-30 | 国网江苏省电力有限公司无锡供电分公司 | 一种非侵入式用电负荷辨识方法及装置 |
| CN110222788A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨工业大学 | 一种智能插座的负荷识别系统及方法 |
| CN112083238A (zh) * | 2020-08-05 | 2020-12-15 | 上海纺织节能环保中心 | 基于基波谐波变点检测的运行电器荷载状态监测系统 |
| CN111985824A (zh) * | 2020-08-25 | 2020-11-24 | 安徽南瑞中天电力电子有限公司 | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 |
| CN112800855A (zh) * | 2021-01-04 | 2021-05-14 | 中南大学 | 一种列车转向架非侵入式实时故障监测方法 |
| CN112800855B (zh) * | 2021-01-04 | 2022-07-12 | 中南大学 | 一种列车转向架非侵入式实时故障监测方法 |
| CN112949563A (zh) * | 2021-03-25 | 2021-06-11 | 复旦大学 | 基于变点检测和改进knn算法的非侵入式负荷识别方法 |
| CN112949563B (zh) * | 2021-03-25 | 2022-09-16 | 复旦大学 | 基于变点检测和改进knn算法的非侵入式负荷识别方法 |
| CN117132808A (zh) * | 2023-08-07 | 2023-11-28 | 中南民族大学 | 一种基于小波混合卷积的多负荷识别方法和系统 |
| CN117132808B (zh) * | 2023-08-07 | 2024-02-06 | 中南民族大学 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108257044A (zh) | 一种基于稳态电流模型的非侵入式负荷分解方法 | |
| CN104280612B (zh) | 一种基于单频电流传输特性的分布式谐波源辨识方法 | |
| Li et al. | Modeling and simulation of fluctuating wind speeds using evolutionary phasespectrum | |
| Tong et al. | Fault diagnosis and location method for active distribution network based on artificial neural network | |
| CN103926462B (zh) | 一种电力系统谐波快速分析方法及运行装置 | |
| Xia et al. | Dominant low‐frequency oscillation modes tracking and parameter optimisation of electrical power system using modified Prony method | |
| Wei et al. | Lithium-ion battery modeling and state of charge estimation | |
| CN116701822B (zh) | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 | |
| CN103412171B (zh) | 一种基于极端学习机的电网谐波电压信号检测方法 | |
| CN107064744A (zh) | 一种谐波源定位方法 | |
| CN102809687B (zh) | 一种交流电频率的数字化测量方法 | |
| CN105445541A (zh) | 一种任意频率下自适应功率计算方法 | |
| Jaiswal et al. | FDST‐based PQ event detection and energy metering implementation on FPGA‐in‐the‐loop and NI‐LabVIEW | |
| Molina-Moreno et al. | Enhanced harmonic state estimation in unbalanced three-phase electrical grids based on the Kalman filter and physical scale-down implementation | |
| Yang et al. | Oscillation mode analysis for power grids using adaptive local iterative filter decomposition | |
| Schirmer et al. | Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation | |
| Shi et al. | Harmonic detection technology for power grids based on adaptive ensemble empirical mode decomposition | |
| Matar et al. | Transformer-based deep learning model for forced oscillation localization | |
| Quirós-Olozábal et al. | A novel FPGA-based system for real-time calculation of the Spectral Kurtosis: A prospective application to harmonic detection | |
| Bucci et al. | Development of a low cost power meter based on a digital signal controller | |
| Chen et al. | Chaotic wind speed series forecasting based on wavelet packet decomposition and support vector regression | |
| CN105572472B (zh) | 分布式电源环境的频率测量方法与系统 | |
| Lin | Identification of interharmonics using disperse energy distribution algorithm for flicker troubleshooting | |
| Li et al. | Dynamic equivalent modeling for power converter based on LSTM neural network in wide operating range | |
| Li et al. | Periodic identification of runoff in Hei river based on predictive extension method of eliminating the boundary effect of the wavelet transform |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
| RJ01 | Rejection of invention patent application after publication |