CN108429254B - 一种非侵入式用电负荷识别方法 - Google Patents
一种非侵入式用电负荷识别方法 Download PDFInfo
- Publication number
- CN108429254B CN108429254B CN201810187521.0A CN201810187521A CN108429254B CN 108429254 B CN108429254 B CN 108429254B CN 201810187521 A CN201810187521 A CN 201810187521A CN 108429254 B CN108429254 B CN 108429254B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- training set
- load
- current harmonic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 28
- 238000002679 ablation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 101150055297 SET1 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种非侵入式用电负荷识别方法,所述方法包括:在用户总的进线端安装硬件设备测量,采集用户总线上电气负荷特征数据;基于电气负荷特征数据中的有功功率数据,应用CUSUM算法进行设备的投切辨识,并记录投切事件;基于电气负荷特征数据中的电流谐波数据,获得设备的负荷特征数据;基于电流谐波数据,应用正则化rbf神经网络进行负荷设备识别;实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。
Description
技术领域
本发明涉及智能电网领域,具体地,涉及一种非侵入式用电负荷识别方法。
背景技术
在智能电网环境下,智能量测设备会逐步得到广泛应用,从而能够得到用户负荷准确的、海量的数据。利用数据挖掘方法对用户负荷大数据进行处理,能够从中提取出有用信息,从而能够对电力负荷有更系统和深入的理解进而改善负荷管理水平及系统运行的安全性与经济性。负荷识别是大数据挖掘在电力系统中应用的重要领域。
居民用电负荷设备识别现在大都采用侵入式监测方法,侵入式监测方法需要在用电设备和插座之间安装中间监测装置来记录设备操情况。该方法通常依靠中间装置监测负荷设备操作记录、设备能耗数据等。
侵入式负荷识别方法需要在用电设备和插座之间安装硬件设备,当监测的用户数多时,需要采购大量的硬件设备,在一定程度上增加了采购成本,其次,硬件设备本身需要消耗电能,此外,安装时需要进入用户室内,给安装和维护带来不便。
发明内容
本发明提供了一种非侵入式用电负荷识别方法,解决了现有的侵入式负荷识别方法存在的成本较高,耗能大,安装维护不便的技术问题,实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。
为实现上述发明目的,本申请提供了一种基于神经网络的非侵入式负荷识别方法。直接在用户总的进线端安装硬件设备测量,根据进线端的用电信息进行负荷设备识别,以有功功率和电流谐波作为识别特征,首先进行投切辨识,其次应用正则化的RBF神经网络算法识别负荷设备,具体步骤如下:
步骤:2.1数据采集。采集用户总线上电气负荷特征数据。
步骤:2.2投切辨识。基于有功功率数据,应用CUSUM算法进行设备的投切辨识,并记录投切事件。设有功功率时间序列为P={p(k)},(k=1,2,...,∞),具体步骤如下:
1)在该时间序列上定义1个连续的滑动窗口,窗口的长度为m,计算窗口的均值Mm
步骤2.3负荷特征提取。
步骤2.4负荷设备识别。基于电流谐波的数据,应用正则化rbf神经网络来进行负荷设备识别。具体步骤如下:
1)对电流谐波数据进行正则化rbf神经网络训练。具体步骤如下:
步骤1构建训练集。选取各种不同品牌、不同型号、不同类型的电器的电流谐波数据,并对设备进行编号,去重,构建训练集。设训练集中各设备的谐波数据为X1,X2...,Xn,对应的设备编号为b1,b2,...,bn。
步骤3选取训练集中所有的谐波数据均为隐含层的中心点,设输入层输入样本Xi,计算输入样本与隐含层所有中心点的径ρij,其中ρij为Xi与Xj之间的欧式距离,i=1,2,...,n,j=1,2,...,n.
2)应用正则化RBF神经网络训练出来的模型进行负荷设备识别。
已知电流谐波特征数据为Y,识别该负荷的设备。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
1)与现有技术相比,本发明提出的负荷设备识别方法是非侵入式的,在用户总进线端安装传感器监测即可,所需安装硬件设备少,一定程度上减少了采购硬件设备的成本,无需进入用户住宅里面安装,安装和维护简便,有利于推广。
2)本发明提出的负荷设备识别方法采用CUSUM算法来辨识设备的投切,该算法可以对样本数据信息累加,将过程的小偏移累积起来,达到放大的效果,不仅可识别逐渐变化的过程,对瞬时突变的过程也可以识别。
3)本发明提出的负荷设备识别方法采用正则化的RBF神经网络算法识别负荷设备,该算法是一种性能优良的前馈型神经网络,RBF网络可以任意精度逼近任意非线性函数,具有全局逼近能力,拓扑结构紧凑,收敛速度快。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中非侵入式用电负荷识别方法的流程示意图。
具体实施方式
本发明提供了一种非侵入式用电负荷识别方法,解决了现有的侵入式负荷识别方法存在的成本较高,耗能大,安装维护不便的技术问题,实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
由图1可知本发明采用非侵入式的方式进行负荷设备识别,在用户总线上安装硬件设备监测即可,其具体步骤如下:
1通过硬件设备采集用户总线上的数据,采集的数据包括:有功功率、不低于10次的电流谐波数据;数据采集频率不低于1秒。
2基于有功功率数据,应用CUSUM算法进行投切辨识,在CUSUM算法中设置窗口长度m=3,阈值H=300,参数值可根据具体情况做适当的调整。识别出任意时刻是否有设备投入进来或者切除出去。
3若某时刻存在投切,提取出投切时刻的电流谐波特征。电流谐波为标量可直接加减,因此,设备投入时,该设备谐波特征为投入时刻的电流谐波减去投入时刻前1秒的电流谐波数据;设备切除时,该设备谐波特征切除时刻前秒的电流谐波数据减去切除时刻的电流谐波数据。
4应用正则化RBF神经网络算法训练模型,正则化RBF神经网络算法是一种非常经典机器学习算法,首先需要构建训练集,训练集中的数据包含各类电器的特征数据,需准确和具备多样性等特点。训练集的构建方式如下:
1)采集多个设备叠加的电流谐波数据,这些设备包含不同品牌和不同型号的各类设备,以及不同的叠加组合形式,人工记录投切设备和投切时间。
2)投切设备电流谐波特征数据提取,电流谐波为标量具有可加减性,因此,设备投入时,该设备谐波特征为投入时刻的电流谐波减去投入时刻前1秒的电流谐波数据,设备切除时,该设备谐波特征切除时刻前秒的电流谐波数据减去切除时刻的电流谐波数据。
由于叠加的设备、投切的设备以及投切的时间均由人工控制和记录,保证了训练集中数据的准确性。此外,叠加的设备包含有不同的品牌不同型号的各类设备,保证训练集中数据的多样性。
5基于电流谐波特征,应用正则化RBF神经网络训练出来的模型识别出投入或者切除的具体是什么负荷设备。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种非侵入式用电负荷识别方法,其特征在于,所述方法包括:
在用户总的进线端安装硬件设备测量,采集用户总线上电气负荷特征数据;
基于电气负荷特征数据中的有功功率数据,应用CUSUM算法进行设备的投切辨识,并记录投切事件;
基于电气负荷特征数据中的电流谐波数据,获得设备的负荷特征数据;
基于电流谐波数据,应用正则化rbf神经网络进行负荷设备识别,具体包括:
对电流谐波数据进行正则化rbf神经网络训练;
应用正则化RBF神经网络训练出来的模型进行负荷设备识别,具体包括:
已知电流谐波特征数据为Y,识别该负荷的设备;
ρj为电流谐波特征数据Y与训练集中Xj的欧氏距离;delta为训练集的扩展宽度;
4.根据权利要求1所述的非侵入式用电负荷识别方法,其特征在于,所述对电流谐波数据进行正则化rbf神经网络训练,具体包括:
步骤1:构建训练集:选取各种不同品牌、不同型号、不同类型的电器的电流谐波数据,并对设备进行编号,去重,构建训练集;设训练集中各设备的谐波数据为X1,X2...,Xn,对应的设备编号为b1,b2,...,bn;
步骤2:计算训练集的扩展宽度其中dmax为训练集中X1,X2...,Xn数据之间的最大欧式距离,n为训练集中的数据观测数;
步骤3:选取训练集中所有的谐波数据均为隐含层的中心点,设输入层输入样本Xi,计算输入样本与隐含层所有中心点的径ρij,其中ρij为Xi与Xj之间的欧式距离,i=1,2,...,n;j=1,2,...,n;
5.根据权利要求1所述的非侵入式用电负荷识别方法,其特征在于,通过硬件设备采集用户总线上的数据,采集的数据包括:有功功率、不低于10次的电流谐波数据;数据采集频率不低于1秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187521.0A CN108429254B (zh) | 2018-03-07 | 2018-03-07 | 一种非侵入式用电负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187521.0A CN108429254B (zh) | 2018-03-07 | 2018-03-07 | 一种非侵入式用电负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108429254A CN108429254A (zh) | 2018-08-21 |
CN108429254B true CN108429254B (zh) | 2020-01-31 |
Family
ID=63157564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810187521.0A Active CN108429254B (zh) | 2018-03-07 | 2018-03-07 | 一种非侵入式用电负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108429254B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242286A (zh) * | 2018-08-27 | 2019-01-18 | 华北电力大学 | 一种基于径向基神经网络的需求侧响应潜力挖掘方法 |
CN109633301B (zh) * | 2018-12-03 | 2021-04-06 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
CN111722028A (zh) * | 2019-03-19 | 2020-09-29 | 华北电力大学 | 一种基于高频数据的负荷识别方法 |
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 |
CN110376457B (zh) * | 2019-06-28 | 2020-10-02 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
CN110381126B (zh) * | 2019-07-02 | 2021-07-23 | 山东建筑大学 | 基于边缘计算的用电设备识别方法、系统、设备及介质 |
CN110504679B (zh) * | 2019-07-25 | 2021-05-18 | 深圳供电局有限公司 | 一种基于km匹配算法的非侵入式负荷辨识方法 |
CN110658385B (zh) * | 2019-08-29 | 2021-07-16 | 四川大学 | 一种基于复化梯形法的用电量分类计量方法 |
CN110751385B (zh) * | 2019-10-08 | 2023-05-05 | 威胜集团有限公司 | 非侵入式负荷识别方法、终端设备及存储介质 |
CN110991263B (zh) * | 2019-11-12 | 2022-03-18 | 华中科技大学 | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 |
CN112903301B (zh) * | 2019-12-04 | 2023-09-15 | 西门子能源国际公司 | 识别燃气轮机运行状态的方法和装置 |
CN111191908B (zh) * | 2019-12-25 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 一种负荷事件检测方法、系统及存储介质 |
CN111308185A (zh) * | 2020-02-28 | 2020-06-19 | 宁波三星医疗电气股份有限公司 | 一种非侵入式负荷识别方法 |
CN111553281A (zh) * | 2020-04-29 | 2020-08-18 | 国网重庆市电力公司营销服务中心 | 一种用电器状态识别方法及装置 |
CN111665387B (zh) * | 2020-05-08 | 2021-06-04 | 深圳供电局有限公司 | 一种非侵入式的家用电饭煲辨识方法 |
CN111985563B (zh) * | 2020-08-20 | 2024-03-01 | 国网上海市电力公司 | 一种基于谐波发射水平的工业用户电力设备分类方法 |
CN112396007B (zh) * | 2020-11-24 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 一种非侵入式居民负荷突变事件三阈值检测方法和系统 |
WO2022141330A1 (en) * | 2020-12-31 | 2022-07-07 | Guizhou Power Grid Company Limited | A non-intrusive load identification method based on fingerprint characteristics of load power |
CN114019281B (zh) * | 2021-11-04 | 2024-06-04 | 国网四川省电力公司营销服务中心 | 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 |
CN116610922A (zh) * | 2023-07-13 | 2023-08-18 | 浙江大学滨江研究院 | 基于多策略学习的非侵入式负荷识别方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140065897A (ko) * | 2012-11-22 | 2014-05-30 | 삼성전자주식회사 | 전력 부하 모니터링 장치 및 방법 |
CN105514993B (zh) * | 2015-12-17 | 2018-02-09 | 华电智连信达科技(北京)有限公司 | 一种电力负荷分解方法及装置 |
CN105652118B (zh) * | 2015-12-29 | 2019-02-26 | 国家电网公司 | 一种基于负荷瞬时能量特征的电网电能负荷监测方法 |
CN107330517B (zh) * | 2017-06-14 | 2021-08-06 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
-
2018
- 2018-03-07 CN CN201810187521.0A patent/CN108429254B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108429254A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108429254B (zh) | 一种非侵入式用电负荷识别方法 | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
WO2015176565A1 (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN110907762B (zh) | 一种非侵入式负荷匹配辨识方法 | |
Wang et al. | Wind power forecasting based on time series ARMA model | |
CN110133393B (zh) | 一种基于非侵入式监测技术的用电监测系统及方法 | |
CN112101110B (zh) | 一种电力系统用户侧非侵入式负荷识别的方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
Mehra et al. | Analysis of PCA based compression and denoising of smart grid data under normal and fault conditions | |
CN113363980B (zh) | 一种适用于低压配电网拓扑自动识别方法及设备 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN109613362B (zh) | 非侵入式电器数量识别方法 | |
CN105787283B (zh) | 一种基于时空相关性的土遗址监测数据修正拟合方法 | |
Vinayagam et al. | Heterogeneous learning method of ensemble classifiers for identification and classification of power quality events and fault transients in wind power integrated microgrid | |
CN116885702A (zh) | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN111178679A (zh) | 一种基于聚类算法和网络搜索的相位识别方法 | |
WO2023236197A1 (zh) | 负荷辨识方法、计算机可读存储介质及设备 | |
Zhang et al. | An abnormal behavior detection based on deep learning | |
Tito et al. | Image segmentation-based event detection for non-intrusive load monitoring using Gramian Angular Summation Field | |
CN115186258A (zh) | 基于CUSUM-Bi-LSTM的边缘侧在线非侵入式负荷识别方法 | |
CN113224748A (zh) | 一种低压配电台区线路损耗的计算方法 | |
CN112560889A (zh) | 一种电力负荷识别方法 | |
Wang et al. | Non-intrusive electric vehicle charging load disaggregation based on independent component analysis with reference | |
CN117439068B (zh) | 一种大规模电网中的电压暂降预估方法、介质及系统 |
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 |