CN109194367B - 能量分解中功率信号重构方法 - Google Patents

能量分解中功率信号重构方法 Download PDF

Info

Publication number
CN109194367B
CN109194367B CN201810948688.4A CN201810948688A CN109194367B CN 109194367 B CN109194367 B CN 109194367B CN 201810948688 A CN201810948688 A CN 201810948688A CN 109194367 B CN109194367 B CN 109194367B
Authority
CN
China
Prior art keywords
power signal
power
data
decomposition coefficient
parameter
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
Application number
CN201810948688.4A
Other languages
English (en)
Other versions
CN109194367A (zh
Inventor
翟明岳
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201810948688.4A priority Critical patent/CN109194367B/zh
Publication of CN109194367A publication Critical patent/CN109194367A/zh
Application granted granted Critical
Publication of CN109194367B publication Critical patent/CN109194367B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • H04B3/542—Systems for transmission via power distribution lines the information being in digital form

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种能量分解中功率信号重构方法，能够重构生成没有缺失数据的功率信号序列。所述方法包括：采集功率信号序列，将其转换为二维信号；对二维信号进行分解，求取功率信号分解系数；计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列。本发明涉及电力领域。

Description

能量分解中功率信号重构方法
技术领域
本发明涉及电力领域，特别是指一种能量分解中功率信号重构方法。
背景技术
能量分解是将电表处读取的功率值分解为单个负载所消耗的功率值，如图1所示，其中，图1中的数据为模拟数据，非实测数据。
随着智能电网的发展，家庭用电负荷的分析变得越来越重要。通过用电负荷的分析，家庭用户可以及时获得每个电器的用电信息，以及电费的精细化清单；电力部门可以获得更详尽的用户用电信息，并可以提高用电负荷预测的准确度，为电力部门提供统筹规划的依据。同时，利用每个电器的用电信息，可获知用户的用电行为，这对于家庭能耗评估和节能策略的研究具有指导意义。
当前用电负荷分解主要分为侵入式负荷分解和非侵入式负荷分解两种方法。非侵入式负荷分解方法不需要在负荷的内部用电设备上安装监测设备，只需要根据用电负荷总信息即可获得每个用电设备的负荷信息。非侵入式负荷分解方法具有投入少、方便使用等特点，因此，该方法适用于家庭负荷用电的分解。
非侵入式负荷分解方法所使用的功率数据来自于智能电表的读数，智能电表一般安装在家庭用电入户线处，以检测家庭用户所使用的总电量。由于负荷分解属于典型的欠定问题(即：方程数远远小于未知变量的个数)，所以数据的完备性在负荷分解中显得尤其重要。但是来自智能电表的实际数据可能有缺失(例如，智能电表故障、通信故障、数据接收装置故障等等均会造成数据的缺失)，有缺失的数据会进一步恶化欠定问题的求解，造成负荷分解结果具有较大的误差。
发明内容
本发明要解决的技术问题是提供一种能量分解中功率信号重构方法，以解决现有技术所存在的智能电表数据缺失的问题。
为解决上述技术问题，本发明实施例提供一种能量分解中功率信号重构方法，包括：
采集功率信号序列，将其转换为二维信号；
对二维信号进行分解，求取功率信号分解系数；
计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；
根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；
根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列。
进一步地，所述采集功率信号序列，将其转换为二维信号包括：
采集功率信号序列P(1),P(2),…,P(N)，将其转换为矩阵形式，得到功率矩阵，其中，N为功率信号序列的长度；
将功率矩阵转换为二维信号。
进一步地，所述采集功率信号序列P(1),P(2),…,P(N)，将其转换为矩阵形式，得到功率矩阵包括：
按照功率信号序列P(1),P(2),…,P(N)的先后次序，将功率信号序列P(1),P(2),…,P(N)分为NR段，每段含有NC个数据，
Figure BDA0001770929500000021
其中，符号
Figure BDA0001770929500000022
表示上取整；
如果N<NR×NC，则将最后一段不足的部分补零；
将分段后的数据重新排列为矩阵的形式，一段数据为一行，得到功率矩阵
Figure BDA0001770929500000023
进一步地，转换后得到的二维信号为：
Figure BDA0001770929500000024
nr＝1,2,…,NR
nc＝1,2,…,NC
其中，
Figure BDA0001770929500000025
表示二维信号，
Figure BDA0001770929500000026
表示功率矩阵
Figure BDA0001770929500000027
的第nr行、第nc列元素。
进一步地，所述对二维信号进行分解，求取功率信号分解系数包括：
通过公式
Figure BDA0001770929500000031
对二维信号进行分解，得到功率信号分解系数
Figure BDA0001770929500000032
其中，
Figure BDA0001770929500000033
表示功率信号变换算子，
Figure BDA0001770929500000034
表示功率信号变换算子
Figure BDA0001770929500000035
的共轭，
Figure BDA0001770929500000036
表示参量。
进一步地，功率信号变换算子
Figure BDA0001770929500000037
的计算公式为：
Figure BDA0001770929500000038
其中，
Figure BDA0001770929500000039
为
Figure BDA00017709295000000321
域中的权重函数，自变量为
Figure BDA00017709295000000320
Figure BDA00017709295000000310
为
Figure BDA00017709295000000311
域中的权重函数，自变量为
Figure BDA00017709295000000312
上标i表示虚数单位。
进一步地，所述根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整包括：
根据求得的各个参量的均值与均方差，确定功率信号分解系数的理论概率分布；
根据计算得到的各个参量的实际边缘概率分布与理论概率分布之间的差异，按照预先设置的调整原则，调整功率信号分解系数出现的频次，得到新的功率信号分解系数
Figure BDA00017709295000000313
进一步地，预先设置的调整原则包括：
按照分解系数的绝对值由小到大的顺序，依次调整分解系数出现的频次。
进一步地，所述根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列包括：
根据得到的新的功率信号分解系数
Figure BDA00017709295000000314
通过公式
Figure BDA00017709295000000315
得到无数据缺失的功率信号
Figure BDA00017709295000000316
根据得到的无数据缺失的功率信号
Figure BDA00017709295000000317
构造新的功率矩阵
Figure BDA00017709295000000318
将得到的功率矩阵
Figure BDA00017709295000000319
的第一行数据作为第一段，第二行数据作为第二段，以此类推，最后一行数据作为最后一段，将这些段按照顺序连接起来，并截取前面的N个数据组成一数据序列，此数据序列就是没有缺失数据的功率信号序列。
进一步地，功率矩阵
Figure BDA0001770929500000041
表示为：
Figure BDA0001770929500000042
本发明的上述技术方案的有益效果如下：
上述方案中，采集功率信号序列，将其转换为二维信号；对二维信号进行分解，求取功率信号分解系数；计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列，从而重构智能电表数据，解决智能电表数据缺失问题。
附图说明
图1为能量分解示意图；
图2为本发明实施例提供的能量分解中功率信号重构方法的流程示意图；
图3为本发明实施例提供的能量分解中功率信号重构方法的详细流程示意图；
图4为本发明实施例提供的数据分段和矩阵排列示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的智能电表数据缺失的问题，提供一种能量分解中功率信号重构方法。
如图2所示，本发明实施例提供的能量分解中功率信号重构方法，包括：
S101，采集功率信号序列，将其转换为二维信号；
S102，对二维信号进行分解，求取功率信号分解系数；
S103，计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；
S104，根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；
S105，根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列。
本发明实施例所述的能量分解中功率信号重构方法，采集功率信号序列，将其转换为二维信号；对二维信号进行分解，求取功率信号分解系数；计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列，从而重构智能电表数据，解决智能电表数据缺失问题。
为了更好地理解本发明实施例所述的能量分解中功率信号重构方法，对其进行详细说明，如图3所示，所述能量分解中功率信号重构方法具体可以包括以下步骤：
A1，采集功率信号序列
采集功率信号序列P(1),P(2),…,P(N)，其中，N为功率信号序列的长度，其中，功率信号序列也可称为功率数据序列。
A2，将功率信号序列P(1),P(2),…,P(N)进行分段并将分段后的数据重新排列为一功率矩阵P，数据分段和矩阵排列如图4所示。
A21，按照功率信号序列P(1),P(2),…,P(N)的先后次序，将功率信号序列P(1),P(2),…,P(N)分为NR段，每段含有NC个数据，
Figure BDA0001770929500000051
其中，符号
Figure BDA0001770929500000052
表示上取整，例如，
Figure BDA0001770929500000053
这样做的目的是所有的数据都参与运算，不舍弃数据。
一般情况下，NR＝256或512或1024，在实际应用中，NR的取值由实际应用场景确定。
A22，如果N<NR×NC，则将最后一段不足的部分补零。
A23，将分段后的数据重新排列为矩阵的形式，一段数据为一行，故此功率矩阵P共有NR行，NC列，功率矩阵可以表示为
Figure BDA0001770929500000054
A3，将功率矩阵
Figure BDA0001770929500000061
转换为二维信号
Figure BDA0001770929500000062
Figure BDA0001770929500000063
nr＝1,2,…,NR
nc＝1,2,…,NC
其中，
Figure BDA0001770929500000064
表示功率矩阵
Figure BDA0001770929500000065
的第nr行、第nc列元素。
A4，对二维信号
Figure BDA0001770929500000066
进行分解
通过公式
Figure BDA0001770929500000067
对二维信号
Figure BDA0001770929500000068
进行分解，得到功率信号分解系数
Figure BDA0001770929500000069
其中，
Figure BDA00017709295000000610
表示功率信号变换算子，
Figure BDA00017709295000000611
表示功率信号变换算子
Figure BDA00017709295000000612
的共轭，
Figure BDA00017709295000000613
表示参量。
本实施例中，功率信号变换算子
Figure BDA00017709295000000614
的计算公式为：
Figure BDA00017709295000000615
其中，
Figure BDA00017709295000000616
为
Figure BDA00017709295000000617
域中的权重函数，自变量为
Figure BDA00017709295000000618
一般情况下可以选择高斯函数；
Figure BDA00017709295000000619
为
Figure BDA00017709295000000620
域中的权重函数，自变量为
Figure BDA00017709295000000621
上标i表示虚数单位，其平方等于-1。
A5，求取功率信号分解系数中每个参量的边缘概率分布
Figure BDA00017709295000000622
以及各个参量的均值
Figure BDA00017709295000000623
和均方差
Figure BDA00017709295000000624
按照通用的方法对求得的功率信号分解系数
Figure BDA00017709295000000625
序列，求每个参量
Figure BDA00017709295000000626
的边缘概率分布
Figure BDA00017709295000000627
并求取每个参量
Figure BDA00017709295000000628
的均值
Figure BDA00017709295000000629
和均方差
Figure BDA00017709295000000630
A6，调整功率信号分解系数
A6.1根据求得的各个参量的均值与均方差，求得功率信号分解系数的理论概率分布：
Figure BDA00017709295000000631
Figure BDA00017709295000000632
Figure BDA00017709295000000633
Figure BDA00017709295000000634
其中，norm[m,σ]表示均值为m，均方差为σ的高斯分布。
A6.2根据参量概率分布的差异调整功率信号分解系数
根据4个参量
Figure BDA0001770929500000071
的实际边缘概率分布
Figure BDA0001770929500000072
与理论分布
Figure BDA0001770929500000073
之间的差异，按照预先设置的调整原则，调整功率信号分解系数出现的频次，得到新的功率信号分解系数
Figure BDA0001770929500000074
本实施例中，所述预先设置的调整原则包括：
从分解系数的绝对值最小的系数开始，使其实际分布尽可能吻合理论分布，即：使参量的实际分布与理论分布之间的误差小于预设值(例如，10％)；
按照分解系数的绝对值由小到大的顺序，依次调整分解系数出现的频次，使其尽可能吻合理论分布；
经过调整之后，得到新的功率信号分解系数
Figure BDA0001770929500000075
A7，求取新的功率信号
A7.1所求得的功率信号分解系数
Figure BDA0001770929500000076
为所需系数，此分解系数序列所对应的功率信号即为所求的无缺失数据的功率信号。具体的：
根据得到的新的功率信号分解系数
Figure BDA0001770929500000077
通过公式
Figure BDA0001770929500000078
得到无数据缺失的功率信号
Figure BDA0001770929500000079
A7.2构造新的功率信号矩阵
Figure BDA00017709295000000710
所求得的
Figure BDA00017709295000000711
作为新的功率矩阵
Figure BDA00017709295000000712
的第nr行，第nc列元素，即：
Figure BDA00017709295000000713
A8，重新排列数据，得到没有缺失数据的功率信号序列
将得到的功率矩阵
Figure BDA00017709295000000714
的第一行数据作为第一段，第二行数据作为第二段，以此类推，最后一行数据作为最后一段，将这些段按照顺序连接起来，并截取前面的N个数据组成一数据序列，此数据序列就是没有缺失数据的功率信号序列。
本发明实施例所述的能量分解中功率信号重构方法，可以有效恢复缺失的功率信号。如果采集的功率信号序列缺失不超过总数据的20％，本算法所恢复的信号序列，其误差不超过5％。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种能量分解中功率信号重构方法，其特征在于，包括：
采集功率信号序列，将其转换为二维信号；
对二维信号进行分解，求取功率信号分解系数；
计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差；
根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整；
根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列；
其中，所述采集功率信号序列，将其转换为二维信号包括：
采集功率信号序列P(1),P(2),…,P(N)，将其转换为矩阵形式，得到功率矩阵，其中，N为功率信号序列的长度；
将功率矩阵转换为二维信号；
其中，所述采集功率信号序列P(1),P(2),…,P(N)，将其转换为矩阵形式，得到功率矩阵包括：
按照功率信号序列P(1),P(2),…,P(N)的先后次序，将功率信号序列P(1),P(2),…,P(N)分为NR段，每段含有NC个数据，
Figure FDA0003020109690000011
其中，符号
Figure FDA0003020109690000012
表示上取整；
如果N<NR×NC，则将最后一段不足的部分补零；
将分段后的数据重新排列为矩阵的形式，一段数据为一行，得到功率矩阵
Figure FDA0003020109690000013
其中，转换后得到的二维信号为：
Figure FDA0003020109690000014
其中，
Figure FDA0003020109690000015
表示二维信号，
Figure FDA0003020109690000016
表示功率矩阵
Figure FDA0003020109690000017
的第nr行、第nc列元素；
其中，所述对二维信号进行分解，求取功率信号分解系数包括：
通过公式
Figure FDA0003020109690000021
对二维信号进行分解，得到功率信号分解系数
Figure FDA0003020109690000022
其中，
Figure FDA0003020109690000023
表示功率信号变换算子，
Figure FDA0003020109690000024
表示功率信号变换算子
Figure FDA0003020109690000025
的共轭，
Figure FDA0003020109690000026
表示参量；
其中，功率信号变换算子
Figure FDA0003020109690000027
的计算公式为：
Figure FDA0003020109690000028
其中，
Figure FDA0003020109690000029
为
Figure FDA00030201096900000210
域中的权重函数，自变量为
Figure FDA00030201096900000211
Figure FDA00030201096900000212
为
Figure FDA00030201096900000213
域中的权重函数，自变量为
Figure FDA00030201096900000214
上标i表示虚数单位；
其中，所述根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差，对功率信号分解系数进行调整包括：
根据求得的各个参量的均值与均方差，确定功率信号分解系数的理论概率分布；
根据计算得到的各个参量的实际边缘概率分布与理论概率分布之间的差异，按照预先设置的调整原则，调整功率信号分解系数出现的频次，得到新的功率信号分解系数
Figure FDA00030201096900000215
其中，预先设置的调整原则包括：
按照分解系数的绝对值由小到大的顺序，依次调整分解系数出现的频次；
其中，所述根据调整后的功率信号分解系数，生成没有缺失数据的功率信号序列包括：
根据得到的新的功率信号分解系数
Figure FDA00030201096900000216
通过公式
Figure FDA00030201096900000217
得到无数据缺失的功率信号
Figure FDA00030201096900000218
根据得到的无数据缺失的功率信号
Figure FDA00030201096900000219
构造新的功率矩阵
Figure FDA00030201096900000220
将得到的功率矩阵
Figure FDA00030201096900000221
的第一行数据作为第一段，第二行数据作为第二段，以此类推，最后一行数据作为最后一段，将这些段按照顺序连接起来，并截取前面的N个数据组成一数据序列，此数据序列就是没有缺失数据的功率信号序列；
其中，功率矩阵
Figure FDA0003020109690000031
表示为：
Figure FDA0003020109690000032
CN201810948688.4A 2018-08-20 2018-08-20 能量分解中功率信号重构方法 Expired - Fee Related CN109194367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810948688.4A CN109194367B (zh) 2018-08-20 2018-08-20 能量分解中功率信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810948688.4A CN109194367B (zh) 2018-08-20 2018-08-20 能量分解中功率信号重构方法

Publications (2)

Publication Number Publication Date
CN109194367A CN109194367A (zh) 2019-01-11
CN109194367B true CN109194367B (zh) 2021-06-11

Family

ID=64918413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810948688.4A Expired - Fee Related CN109194367B (zh) 2018-08-20 2018-08-20 能量分解中功率信号重构方法

Country Status (1)

Country Link
CN (1) CN109194367B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307997B (zh) * 2020-11-06 2022-02-08 华北电力大学 一种利用主模式分解的功率信号重构方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9116833B1 (en) * 2014-12-18 2015-08-25 Igneous Systems, Inc. Efficiency for erasure encoding
CN106199698A (zh) * 2016-06-29 2016-12-07 中国石油化工股份有限公司 基于多次波信息的频率域地震数据重构方法
CN107546855A (zh) * 2017-09-28 2018-01-05 广东工业大学 一种居民用电负荷的非侵入分解方法
CN107800437A (zh) * 2017-10-31 2018-03-13 北京金风科创风电设备有限公司 数据压缩方法和装置
CN108153267A (zh) * 2017-12-15 2018-06-12 宁波大学 一种基于误差主元分析模型的工业过程监测方法
CN108197425A (zh) * 2018-01-19 2018-06-22 北京工业大学 一种基于非负矩阵分解的智能电网数据分解方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9116833B1 (en) * 2014-12-18 2015-08-25 Igneous Systems, Inc. Efficiency for erasure encoding
CN106199698A (zh) * 2016-06-29 2016-12-07 中国石油化工股份有限公司 基于多次波信息的频率域地震数据重构方法
CN107546855A (zh) * 2017-09-28 2018-01-05 广东工业大学 一种居民用电负荷的非侵入分解方法
CN107800437A (zh) * 2017-10-31 2018-03-13 北京金风科创风电设备有限公司 数据压缩方法和装置
CN108153267A (zh) * 2017-12-15 2018-06-12 宁波大学 一种基于误差主元分析模型的工业过程监测方法
CN108197425A (zh) * 2018-01-19 2018-06-22 北京工业大学 一种基于非负矩阵分解的智能电网数据分解方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于压缩感知的块稀疏信号重构算法及其应用研究;祁锐;《中国地质大学博士学位论文》;20180501;28-38 *

Also Published As

Publication number Publication date
CN109194367A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN108021736B (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
de Souza et al. Data compression in smart distribution systems via singular value decomposition
CN108918930B (zh) 一种负荷分解中功率信号自适应重构方法
CN111242391B (zh) 用于电力负荷识别的机器学习模型训练方法及系统
CN107546855B (zh) 一种居民用电负荷的非侵入分解方法
CN108918931B (zh) 一种负荷分解中功率信号自适应滤波方法
CN111382789B (zh) 基于机器学习的电力负荷识别方法及系统
EP1913523A1 (en) Automated hierarchy classification in utility monitoring systems
Wang et al. Regional nonintrusive load monitoring for low voltage substations and distributed energy resources
CN108918932B (zh) 负荷分解中功率信号自适应滤波方法
CN108918928B (zh) 一种负荷分解中功率信号自适应重构方法
CN106093565A (zh) 一种基于稳态特征波形匹配的电能分项计量方法及装置
CN112215405A (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN104331846A (zh) 一种窃电行为多源建模与协同分析方法
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
Lin et al. Enhancing the spatio-temporal observability of grid-edge resources in distribution grids
Yan et al. LIFTED: Household appliance-level load dataset and data compression with lossless coding considering precision
CN109194367B (zh) 能量分解中功率信号重构方法
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN111666870A (zh) 一种利用二次约束的功率信号重构方法和系统
Hussain et al. FastICA techniques for load profiles estimation
CN107069710B (zh) 计及新能源时空相关性的电力系统状态估计方法
Dahale et al. Recursive gaussian process over graphs for integrating multi-timescale measurements in low-observable distribution systems
CN111400649B (zh) 谐波责任量化方法、装置、计算机设备和存储介质
CN109038577B (zh) 负荷分解中功率信号自适应重构方法

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

Granted publication date: 20210611