CN108964016A - 计及离散总用电量数据的用户电器运行情况识别方法 - Google Patents

计及离散总用电量数据的用户电器运行情况识别方法 Download PDF

Info

Publication number
CN108964016A
CN108964016A CN201810564667.2A CN201810564667A CN108964016A CN 108964016 A CN108964016 A CN 108964016A CN 201810564667 A CN201810564667 A CN 201810564667A CN 108964016 A CN108964016 A CN 108964016A
Authority
CN
China
Prior art keywords
active power
total
situation
user
minimum 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.)
Granted
Application number
CN201810564667.2A
Other languages
English (en)
Other versions
CN108964016B (zh
Inventor
张凯锋
黄宇乾
吴烁民
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201810564667.2A priority Critical patent/CN108964016B/zh
Publication of CN108964016A publication Critical patent/CN108964016A/zh
Application granted granted Critical
Publication of CN108964016B publication Critical patent/CN108964016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明涉及一种计及离散总用电量数据的用户电器运行状态识别方法，所述方法包括：建立用户电器稳定工作状态有功功率表；利用采集到的用户离散总有功功率数据和离散总用电量数据拟合得到用户用电总有功功率曲线；基于整数规划方法及用户用电总有功功率曲线进行用户电器运行情况识别。本发明能通过智能电表采集到的用户离散总有功功率数据和离散总用电量数据，识别用户电器的启停次数和启停时刻。本发明一方面有利于电网更好地实现负荷预测，实现更科学的电网规划，实现电网的高效运行；另一方面有利于用户了解家庭用电情况，制定更为合理的用电计划。

Description

计及离散总用电量数据的用户电器运行情况识别方法
技术领域
本发明涉及一种用户电器运行情况识别方法，尤其涉及一种计及总用电量数 据的用户电器运行情况识别方法。
背景技术
随着智能电网的发展，配用电侧智能化需求日益凸显。电力负荷分解是实现 负荷管理，进而实现用电侧全面智能化的关键技术之一。电力负荷分解技术目前 分为侵入式和非侵入式两种，非侵入式负荷分解是指通过在电力入口处采集用户 的总用电信息，利用数据分析和挖掘技术获取用户各电器用电用能信息，构建用 户用电行为模式。
侵入式负荷分解方法需要大量的硬件设备，在采购、安装、维护时都会耗费 大量成本，又因为每个检测设备都是一个数据源，因此在符合较多时，数据处理 和分析都将变得比较困难。
非侵入式负荷分解方法可以省去大量的检测设备，减少数据处理与分析工作， 同时实现对系统内每类负荷的状态监测。
负荷识别算法式非侵入式负荷识别技术的核心部分，大致可分为两类：一类是模式识别算法，优点在于负荷识别准确率高，但它们的缺点只适用于识别家电单独 投切工作的情形，而不适用于多个家电同时投切工作的情形，限制了其适用范围； 第二类是优化算法，选取具有线性叠加性的负荷特征量，利用优化算法求解家电 负荷最优化组合问题，如整数规划、进制拟合等，这类方法的优点在突破了只适 用于单一家电负荷识别的局限性，可识别出多种家电负荷同时工作的复杂情形， 但降低了负荷识别准确率。
发明内容
发明目的：本发明提出一种计及离散总用电量数据的用户电器运行情况识别 方法，该方法利用智能电表采集到的离散总有功功率数据和离散总用电量数据， 拟合连续的用户用电总有功功率曲线；在拟合的总有功功率曲线的基础上，基于 整数规划方法识别用户电器，以实现对用户的多种电器运行情况的有效而准确的 识别。
技术方案：本发明所述的计及离散总用电量数据的用户电器运行情况识别方 法包括如下步骤：(1)建立有功功率表，所述有功功率表记录各种用户电器在各 稳定工作状态下的有功功率状态值；(2)将按照一定时间间隔排列的时刻作为采 样点，通过智能电表采集用户的总有功功率数据和总用电量数据；(3)基于所述 有功功率表、采集的总有功功率数据和总用电量数据，拟合用户用电总有功功率 曲线；(4)基于拟合的用户用电总有功功率曲线使用整数规划算法识别用户电器 运行情况。
进一步地，步骤(3)包括：
(3.1)基于所述有功功率表计算各种电器的不同稳定工作状态之间的有功功 率差值组成的集合D’；
(3.2)计算步骤(2)中各相邻采样点间总用电量数据：J(i)＝J’(i+1)-J’(i)， i＝1,2,…,n，其中n为总采样点的数目，J’(i)为在第i个采样点处采集的总用电 量数据，J(i)为第i个采样点和第i+1个采样点间的总用电量数据；
(3.3)在以各个相邻采样点为端点的区间内，通过比较P(i)*T、J(i)和 P(i+1)*T的大小，结合集合D’拟合出各区间内的用户用电有功功率曲线，其中， P(i)为在第i个采样点处采集的总有功功率数据，T为相邻采样点间的时间间隔。
进一步地，在步骤(3.3)中，若P(i)<P(i+1)：
情况一：当P(i)*T<J(i)<P(i+1)*T时，采样点i和i+1之间的用户用电总有 功功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况二：当J(i)>P(i+1)*T时，令ΔP为D'中最小值且P(i+1)＝P(i+1)+ΔP， 若不满足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直 到满足P(i)*T<J(i)<P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间 的用户用电总有功功率曲线；
情况三：当J(i)<P(i)*T时，令ΔP为D'中最小值且P(i)＝P(i)-ΔP，若不 满足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满足 P(i)*T<J(i)<P(i+1)*T，并根据情况一中的公式(1)拟合采样点i和i+1之间的 用户用电总有功功率曲线。
进一步地，在步骤(3.3)中，若P(i)＝P(i+1)：
情况一：当J(i)＝P(i+1)*T时，采样点i和i+1之间的用户用电总有功功率 曲线P’(i)＝P(i+1)；
情况二：当J(i)>P(i+1)*T时，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若 不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥P(i)*T， 并依据以下公式拟合采样点i和i+1之间的用户用电总有功功率曲线：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况三：当J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i)＝P(i)-ΔP，若 不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥P(i)*T， 并依据情况二中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线。
进一步地，在步骤(3.3)中，若P(i)>P(i+1)：
情况一：当P(i)*T>J(i)>P(i+1)*T时，采样点i和i+1之间的用户用电总有 功功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况二：当J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i+1)＝P(i+1)-ΔP， 若不满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直 到满足P(i)*T>J(i)>P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间 的用户用电总有功功率曲线；
情况三：当J(i)>P(i)*T时，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若不 满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满足 P(i)*T>J(i)>P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间的用户 用电总有功功率曲线。
有益效果：本发明与现有技术相比具有如下显著优点：1、所需的数据容易 获得，且无需大量训练样本来实现用户电器运行情况识别；2、有利于电网更好 地实现负荷预测，实现更科学的电网规划，实现电网的高效运行；3、有利于用 户了解家庭用电情况，制定更为合理的用电计划。
附图说明
图1表示计及离散总用电量数据的用户电器识别方法的总体流程；
图2表示算例一中包含有冰箱、空调(制冷)以及LED负荷的家庭用电总有 功功率曲线；
图3表示算例二中该曲线中包含有冰箱、空调(制冷)、洗衣机以及LED负 荷的家庭用电总有功功率曲线。
具体实施方式
下面对本发明作详细说明。本发明提出了一种计及离散总用电量数据的用户 电器运行情况识别方法，选取冰箱、LED灯、洗衣机、空调作为典型电器，构 建典型的用户用电有功功率曲线。使用本发明所述方法进行用户电器识别包括如 下步骤：
步骤1：建立用户电器工作状态有功功率表。
LED灯：[0 40]
冰箱：[0 160 190]
空调：[0 780]
洗衣机：[0 120 200 250 300]
步骤2：以间隔十分钟的一系列时刻作为采样点，采集典型用户用电有功功 率曲线的有功功率值及十分钟内的耗电量，
总有功功率数据采样值：P＝{P(1),P(2),…,P(i),…,P(n)}；
总用电量数据采样值：J’＝{J’(1),J’(2),…,J’(i),…,J’(n)}；
其中，i表示采样点的序数，n为采样点的个数。
步骤3：计算所有电器的不同工作状态之间有功功率差值，
LED灯不同工作状态之间的有功功率差值D1＝[40]
冰箱不同工作状态之间的有功功率差值D2＝[160,30,190]
空调不同工作状态之间的有功功率差值D3＝[780]
洗衣机不同工作状态之间的有功功率差值 D4＝[120,80,50,50,130,100,180,250,300,200]
将D1至D4中的数值按从小到大排列组成有功功率差值的集合D’：
D'＝[30,40,50,80,100,120,130,160,180,190,200,250,300,780]。
步骤4：计算采样点间的总用电量数据，令J(i)＝J’(i+1)-J’(i)为第i个采样点和第i+1个采样点间的总用电量数据，则J＝{J(1),J(2),J(3),…,J(n-1)}为所有采样 点间的总用电量数据。
步骤5：比较P(i)*T、J(i)和P(i+1)*T的大小，结合集合D’拟合出各区间内 的用户用电有功功率曲线：
(1)若P(i)<P(i+1)，则有以下三种情况：
情况1.1：若P(i)*T>J(i)>P(i+1)*T，则采样点i和i+1之间的用户用电总 有功功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况1.2：若J(i)>P(i+1)*T，令ΔP为D'中最小值且P(i+1)＝P(i+1)+ΔP， 若不满足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直 到满足P(i)*T<J(i)<P(i+1)*T，并根据情况1.1中的公式拟合采样点i和i+1之 间的用户用电总有功功率曲线；
情况1.3：若J(i)<P(i)*T，令ΔP为D'中最小值且P(i)＝P(i)-ΔP，若不满 足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满足 P(i)*T<J(i)<P(i+1)*T，并根据情况1.1中的公式拟合采样点i和i+1之间的用 户用电总有功功率曲线；
(2)若P(i)＝P(i+1)，则有以下三种情况：
情况2.1：若J(i)＝P(i+1)*T，采样点i和i+1之间的用户用电总有功功率曲 线P’(i)＝P(i+1)；
情况2.2：若J(i)>P(i+1)*T，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若 不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥P(i)*T， 并依据以下公式拟合采样点i和i+1之间的用户用电总有功功率曲线：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况2.3：当J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i)＝P(i)-ΔP， 若不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥ P(i)*T，并依据情况2.2中的公式拟合采样点i和i+1之间的用户用电总有功功率 曲线；
(3)若P(i)>P(i+1)，则有以下三种情况：
情况3.1：若P(i)*T>J(i)>P(i+1)*T，采样点i和i+1之间的用户用电总有功 功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况3.2：若J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i+1)＝P(i+1)-ΔP， 若不满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直 到满足P(i)*T>J(i)>P(i+1)*T，并根据情况3.1中的公式拟合采样点i和i+1之 间的用户用电总有功功率曲线；
情况3.3：当J(i)>P(i)*T时，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若 不满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满 足P(i)*T>J(i)>P(i+1)*T，并根据情况3.1中的公式拟合采样点i和i+1之间的 用户用电总有功功率曲线。
步骤6：使用基于整数规划方法进行用户电器运行情况识别：
用户电器运行情况识别问题可以描述为：在第k(k＝1,2,…,t’)时刻，对于包含 n个电器设备的对象，已知各设备状态对应的有功功率值以及用户用电总有功功 率曲线，求取使得设备组合总有功功率与用户用电总有功功率曲线偏差最小的最 优组合。该问题是一个优化问题。
为求解该优化问题，首先对拟合后的用户用电总有功功率曲线进行采样。为 了保证识别精度，以一分钟的时间间隔对拟合后的曲线进行采样，获得的采样值 为
接着，设n个电器设备的状态数为L＝{l1,l2,...,ln}，令m表示n 种电器的稳定工作状态数总和；bki j存储k时刻第j种 电器的第i(i＝1,2,…,lj)种非零工作状态的状态信息，即bki j表示该第j种电器的在 k时刻是否工作在该第i种工作状态；表示各电器各稳定工 作状态的有功功率值，其中ri j表示第j种电器的第i种工作状态。
该优化问题的目标函数如下：
其中，为k时刻的总有功功率数据。
由于电器设备运行规律的特殊性，有以下约束条件：
1)每种电器设备在k时刻，最多仅有一个非零稳定工作状态；
2)通常，电器设备开启后至少运行一个周期；
约束条件1)可表示为：
建立相应的优化调度模型，并用整数规划算法对0-1矩阵bk进行求解。需要 注意的是，此处是对拟合的总有功功率曲线进行采样。符合目标函数的bki j即为k 时刻j电器的运行状态。因此，可通过求解bk来识别t个时刻的电器运行情况。
若识别的设备启停时刻与真实值间误差不超过3分钟，则被认为识别正确。
以下通过算例一和算例二来验证本发明的识别方法的准确性。
在算例一中，设定7:00—8:00和18:15—19:15冰箱压缩机频繁启停，即停 止几秒后重新启动，模拟家庭中做饭时打开冰箱而导致其运行周期改变的现象。 白天家中不开启LED负荷。12:00—15:00及20时～23时10分启动空调负荷，模 拟夏季家中开启空调的情形。相应地，如附图2所示，在该日的总有功功率曲线 中，12:00—15:00及20时～23时10分启动空调负荷，模拟夏季家中开启空调的 情形；7时～8时15分和18时～23时30分启动LED负荷；冰箱保持持续运行。
表1表示算例一中实际的电器启停次数与使用本发明的方法识别出的电器 启停次数对比。表2表示算例一中实际的空调(制冷)、LED的启停时刻与使用 本发明的方法识别出的空调(制冷)、LED的启停时刻的对比。
表1
表2
由表1可知该方法对电器启停次数有很高的识别率；由表2可知空调的的启 停时间识别正确率为75％，LED灯启停时间识别正确率为100％，可知该方法对 电器的启停时间识别正确率很高。
在算例二中，设定冰箱保持持续运行，且7:00—8:00和18:15—19:15冰箱 压缩机频繁启停，即停止几秒后重新启动，模拟家庭中做饭时打开冰箱而导致其 运行周期改变的现象。白天家中不开启LED负荷。20:10—21:30启动空调负荷。 21时26分～22时9分启动洗衣机负荷。相应地，如图3所示，在该日的总有功 功率曲线中，20:10—21:30启动空调负荷；7时～8时15分和18时12分～23时 13分启动LED负荷；21时26分～22时9分启动洗衣机负荷；冰箱保持持续运 行。
表3表示算例二中实际的电器启停次数与使用本发明的方法识别出的电器 启停次数对比。表4表示算例二中实际的空调(制冷)、LED和洗衣机的启停时 刻与使用的本发明的方法识别出的空调(制冷)、LED和洗衣机的启停时刻的对 比。
表3
表4
由表3可知该方法对电器启停次数有很高的识别率。由表4可知空调的启停 时间识别准确率为100％，洗衣机启停时间识别正确率为100％，LED灯启停时 间识别正确率为75％，可知该方法对电器的启停时间识别正确率很高。

Claims (5)

1.一种计及离散总用电量数据的用户电器运行情况识别方法，其特征在于，包括如下步骤：
(1)建立有功功率表，所述有功功率表记录各种用户电器在各稳定工作状态下的有功功率状态值；
(2)将按照一定时间间隔排列的时刻作为采样点，通过智能电表采集用户的总有功功率数据和总用电量数据；
(3)基于所述有功功率表、采集的总有功功率数据和总用电量数据，拟合用户用电总有功功率曲线；
(4)基于拟合的用户用电总有功功率曲线使用整数规划算法识别用户电器运行情况。
2.根据权利要求1所述的用户电器运行情况识别方法，其特征在于，步骤(3)包括：
(3.1)基于所述有功功率表计算各种电器的不同稳定工作状态之间的有功功率差值组成的集合D’；
(3.2)计算步骤(2)中各相邻采样点间总用电量数据：
J(i)＝J’(i+1)-J’(i)，i＝1,2,…,n-1，
其中n为总采样点的数目，J’(i)为在第i个采样点处采集的总用电量数据，J(i)为第i个采样点和第i+1个采样点间的总用电量数据；
(3.3)在以各个相邻采样点为端点的区间内，通过比较P(i)*T、J(i)和P(i+1)*T的大小，结合集合D’拟合出各区间内的用户用电有功功率曲线，其中，P(i)为在第i个采样点处采集的总有功功率数据，T为相邻采样点间的时间间隔。
3.根据权利要求2所述的用户电器运行情况识别方法，其特征在于，在步骤(3.3)中，若P(i)<P(i+1)：
情况一：当P(i)*T<J(i)<P(i+1)*T时，采样点i和i+1之间的用户用电总有功功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况二：当J(i)>P(i+1)*T时，令ΔP为D'中最小值且P(i+1)＝P(i+1)+ΔP，若不满足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直到满足P(i)*T<J(i)<P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线；
情况三：当J(i)<P(i)*T时，令ΔP为D'中最小值且P(i)＝P(i)-ΔP，若不满足P(i)*T<J(i)<P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满足P(i)*T<J(i)<P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线。
4.根据权利要求2所述的用户电器运行情况识别方法，其特征在于，在步骤(3.3)中，若P(i)＝P(i+1)：
情况一：当J(i)＝P(i+1)*T时，采样点i和i+1之间的用户用电总有功功率曲线P’(i)＝P(i+1)；
情况二：当J(i)>P(i+1)*T时，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥P(i)*T，并依据以下公式拟合采样点i和i+1之间的用户用电总有功功率曲线：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况三：当J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i)＝P(i)-ΔP，若不满足J(i)≥P(i)*T，则令ΔP为D'中次最小值，以此类推，直到满足J(i)≥P(i)*T，并依据情况二中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线。
5.根据权利要求2所述的用户电器运行情况识别方法，其特征在于，在步骤(3.3)中，若P(i)>P(i+1)：
情况一：当P(i)*T>J(i)>P(i+1)*T时，采样点i和i+1之间的用户用电总有功功率曲线为：
其中，t＝(J(i)–P(i+1)*T)/(P(i)–P(i+1))；
情况二：当J(i)<P(i+1)*T时，令ΔP为D'中最小值且P(i+1)＝P(i+1)-ΔP，若不满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中的次最小值，以此类推，直到满足P(i)*T>J(i)>P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线；
情况三：当J(i)>P(i)*T时，令ΔP为D'中最小值且P(i)＝P(i)+ΔP，若不满足P(i)*T>J(i)>P(i+1)*T，则令ΔP为D'中次最小值，以此类推，直到满足P(i)*T>J(i)>P(i+1)*T，并根据情况一中的公式拟合采样点i和i+1之间的用户用电总有功功率曲线。
CN201810564667.2A 2018-06-04 2018-06-04 计及离散总用电量数据的用户电器运行情况识别方法 Active CN108964016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810564667.2A CN108964016B (zh) 2018-06-04 2018-06-04 计及离散总用电量数据的用户电器运行情况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810564667.2A CN108964016B (zh) 2018-06-04 2018-06-04 计及离散总用电量数据的用户电器运行情况识别方法

Publications (2)

Publication Number Publication Date
CN108964016A true CN108964016A (zh) 2018-12-07
CN108964016B CN108964016B (zh) 2021-09-28

Family

ID=64492814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810564667.2A Active CN108964016B (zh) 2018-06-04 2018-06-04 计及离散总用电量数据的用户电器运行情况识别方法

Country Status (1)

Country Link
CN (1) CN108964016B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111092434A (zh) * 2019-12-25 2020-05-01 天津大学 基于非侵入式用电数据居民小区电力负荷控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130310996A1 (en) * 2010-01-08 2013-11-21 International Business Machines Corporation Power profile management
CN103424642A (zh) * 2012-05-16 2013-12-04 杭州佳和电气有限公司 具备多设备动态智能识别及能耗拆分功能的多功能电力仪表
CN103675378A (zh) * 2013-09-23 2014-03-26 东北电力大学 一种非侵入式家庭用电负荷分解方法及装置
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
WO2016079229A1 (en) * 2014-11-21 2016-05-26 Universite Libre De Bruxelles Improved non-intrusive appliance load monitoring method and device
CN107796972A (zh) * 2017-09-25 2018-03-13 广东中粤售电科技有限公司 一种基于非侵入式负荷分解技术的粮仓能耗监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130310996A1 (en) * 2010-01-08 2013-11-21 International Business Machines Corporation Power profile management
CN103424642A (zh) * 2012-05-16 2013-12-04 杭州佳和电气有限公司 具备多设备动态智能识别及能耗拆分功能的多功能电力仪表
CN103675378A (zh) * 2013-09-23 2014-03-26 东北电力大学 一种非侵入式家庭用电负荷分解方法及装置
WO2016079229A1 (en) * 2014-11-21 2016-05-26 Universite Libre De Bruxelles Improved non-intrusive appliance load monitoring method and device
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
CN107796972A (zh) * 2017-09-25 2018-03-13 广东中粤售电科技有限公司 一种基于非侵入式负荷分解技术的粮仓能耗监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111092434A (zh) * 2019-12-25 2020-05-01 天津大学 基于非侵入式用电数据居民小区电力负荷控制方法及装置
CN111092434B (zh) * 2019-12-25 2023-07-04 天津大学 基于非侵入式用电数据居民小区电力负荷控制方法及装置

Also Published As

Publication number Publication date
CN108964016B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN105972761B (zh) 一种非侵入式空调负荷监测方法
Wang et al. Secondary forecasting based on deviation analysis for short-term load forecasting
CN105823948A (zh) 一种非干预式居民负荷识别方法
CN105186693A (zh) 一种非侵入式用电负荷辨识系统及方法
CN107578288B (zh) 一种考虑用户用电模式差异的非侵入式负荷分解方法
CN102930344A (zh) 一种基于负荷趋势变化的超短期母线负荷预测方法
CN110533092B (zh) 一种基于运行工况的风力发电机组scada数据分类方法及应用
CN102521478A (zh) 电力网络拓扑动态着色算法
CN116668482B (zh) 一种基于人工智能的智慧楼宇二总线监控系统及方法
CN111486555A (zh) 一种人工智能ai专家系统进行中央空调节能调控的方法
CN109449919A (zh) 一种非侵入式用电负荷分析方法及装置
CN116976707B (zh) 基于用电信息采集的用户用电数据异常分析方法及系统
CN108828375A (zh) 基于双回路智能电能表的空调用电监控系统及监控方法
CN109495355A (zh) 智慧家庭能源路由器
CN108964016A (zh) 计及离散总用电量数据的用户电器运行情况识别方法
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
CN102799108B (zh) 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统
CN110209649B (zh) 基于关联规则知识库的中央空调系统能效实时诊断方法
CN106124835A (zh) 一种配电电源电压与预定电压比较的方法
CN109284885A (zh) 适应性机台稼动率分析系统及方法
CN116737844A (zh) 一种基于知识图谱负荷辨识的多芯模组化智能电能表
Shabbir et al. Machine learning and deep learning techniques for residential load forecasting: A comparative analysis
Hou et al. A Study Framework of Industrial Electricity-Consumption Correlation Clustering: Taking Xiaoshan Textile Industry as Example
CN104102194A (zh) 一种家电多维信息综合管理方法
CN109472715B (zh) 一种数字化工业能源管控服务系统

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