CN109245099A - 一种电力负荷辨识方法、装置、设备及可读存储介质 - Google Patents
一种电力负荷辨识方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109245099A CN109245099A CN201811267785.3A CN201811267785A CN109245099A CN 109245099 A CN109245099 A CN 109245099A CN 201811267785 A CN201811267785 A CN 201811267785A CN 109245099 A CN109245099 A CN 109245099A
- Authority
- CN
- China
- Prior art keywords
- electric load
- load
- sample data
- electric
- model
- 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
- 238000012850 discrimination method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 16
- 230000005611 electricity Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷辨识方法,在获取到预先测得的电力系统中各用电设备的原始数据之后,会对该电力系统中的负荷事件进行检测,目的是对原始数据中存在的负荷设备类别的开关状态进行提取,得出准确性高的负荷设备投切事件信息,以对原始数据进行特征转换得出样本数据;再利用该样本数据构建电力负荷辨识模型,并对该模型进行训练;后期直接利用训练好的电力负荷辨识模型对电力负荷进行辨识。该方法,在得到原始数据之后,会检测负荷事件对原始数据进行特征转换,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型,进而可提高电力负荷的辨识准确性。另外,本发明还公开了一种电力负荷的辨识装置、设备及可读存储介质,效果如上。
Description
技术领域
本发明涉及电网系统中电力负荷辨识领域,特别涉及一种电力负荷辨识方法、装置、设备及可读存储介质。
背景技术
随着能源互联网时代的到来,非侵入式负荷监测技术作为一种比较前沿的监测电气设备工作情况的技术,无需“近负荷”安装传感设备,仅仅通过监测和分析配电进线处的电压、电流等信号,就可获取用户内部表征不同类型负荷用电行为的负荷特征。
但是,目前在对电力负荷进行辨识时,直接利用得到的与电力负荷相关的参数进行模型训练测试,然后得出电力负荷辨识结果。并没有对与电力负荷相关的参数进行其它处理,最终会影响电力负荷辨识的准确性。
由此可见,如何提高电力负荷辨识的准确性问题是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了一种电力负荷辨识方法、装置、设备及可读存储介质,以解决现有技术中如何提高电力负荷辨识的准确性问题。
为解决上述技术问题,本发明提供了一种电力负荷辨识方法,包括:
获取预先测得的电力系统中各用电设备的原始数据;
检测所述电力系统中的负荷事件以对所述原始数据进行特征变换得出样本数据;
依据所述样本数据构建电力负荷辨识模型,并对所述电力负荷辨识模型进行训练;
根据训练后的所述电力负荷辨识模型对所述用电设备的电力负荷进行辨识;
其中,所述样本数据包括对所述电力负荷辨识模型进行训练时的输入样本数据和以与所述输入样本数据对应的电力负荷作为输出的输出样本数据。
优选地,所述获取预先测得的电力系统中各用电设备的原始数据具体为:
通过非入侵式检测设备获取所述原始数据。
优选地,所述检测所述电力系统中的负荷事件具体为:
利用自适应变点寻优算法检测所述负荷事件。
优选地,所述利用自适应变点寻优算法检测所述负荷事件具体为:
采用一维时间高斯窗检测所述负荷事件。
优选地,所述对所述原始数据进行特征变换得出样本数据具体为:
对所述原始数据进行快速傅里叶变换得出所述样本数据。
优选地,所述电力负荷辨识模型具体为深度神经网络模型中的LSTM模型。
优选地,所述输入样本数据具体包括所述用电设备的电压、电流以及功率。
为解决上述技术问题,本发明还提供了一种与电力负荷辨识方法对应的电力负荷辨识装置,包括:
获取模块,用于获取预先测得的电力系统中各用电设备的原始数据;
检测模块,用于检测所述电力系统中的负荷事件以对所述原始数据进行特征变换得出样本数据;
模型训练模块,用于依据所述样本数据构建电力负荷辨识模型,并对所
辨识模块,用于根据训练后的所述电力负荷辨识模型对所述用电设备的电力负荷进行辨识;
其中,所述样本数据包括对所述电力负荷辨识模型进行训练时的输入样本数据和以与所述输入样本数据对应的电力负荷作为输出的输出样本数据。
为解决上述技术问题,本发明还提供了一种与电力负荷辨识方法对应的电力负荷辨识设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现上述任意一种电力负荷辨识方法的步骤。
为解决上述技术问题,本发明还提供了一种与电力负荷辨识方法对应的计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行以实现上述任意一种电力负荷辨识方法的步骤。
相比于现有技术,本发明所提供的一种电力负荷辨识方法,在获取到预先测得的电力系统中各用电设备的原始数据之后,会对该电力系统中的负荷事件进行检测,目的是对原始数据中存在的负荷设备类别的开关状态进行提取,得出准确性高的负荷设备投切事件信息,以对原始数据进行特征转换得出样本数据;然后再利用该样本数据构建电力负荷辨识模型,并对该模型进行训练,样本数据包括对电力负荷辨识模型进行训练时的输入样本数据和以与输入样本数据对应的电力负荷作为输出的输出样本数据;后期直接利用训练好的电力负荷辨识模型对电力负荷进行辨识。因为本方法,在得到原始数据之后,会通过检测负荷事件的方式对原始数据进行特征转换,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型。由此可见,应用本方法,可以提高电力负荷的辨识准确性。另外,本发明还提供了一种电力负荷的辨识装置、设备及可读存储介质,效果如上。
附图说明
图1为本发明实施例所提供的一种电力负荷辨识方法流程图;
图2为本发明实施例所提供的一维时间高斯窗示意图;
图3(a)为本发明实施例所提供的用电设备在稳态区段的功率波形图;
图3(b)为本发明实施例所提供的与图3(a)对应时刻的电流谐波特征曲线图;
图4为本发明实施例所提供的LSTM模型平均误差随训练过程迭代次数的变化曲线图;
图5为本发明实施例所提供的一种电力负荷辨识装置组成示意图;
图6为本发明实施例所提供的一种电力负荷辨识设备组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明的核心是提供一种电力负荷辨识方法、装置、设备及可读存储介质,可以解决现有技术中如何提高电力负荷辨识的准确性问题。
为了使本技术领域的人员更好地理解本发明的方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例所提供的一种电力负荷辨识方法流程图,如图1所示,该辨识方法包括以下步骤:
S101:获取预先测得的电力系统中各用电设备的原始数据。
具体就是获取电力系统中各用电设备的电压以及电流信号,然后计算提取出用电设备的有功功率和无功功率。在实际应用中,考虑到数据获取的方便性以及准确性,作为优选地实施方式,获取预先测得的电力系统中各用电设备的原始数据具体为:通过非入侵式检测设备获取原始数据。具体就是在配电总进线处安装数据检测设备,获取用户总电压和总电流信号。数据检测设备从户内220V母线上采集实时电压和电流信号,通过A/D转换器将模拟信号转变为数字信号,并发送到数据处理模块,进行实时的计算分析。数据检测设备每2秒钟采集工频周期内的原始电压、电流信号,数据采样频率为16kHZ,则对应一个工频周期的采集点数为320。然后通过数据处理模块对采集的到的电压、电流数据进行计算,得到不同时刻有功功率和无功功率负荷特征及其变化。
S102:检测电力系统中的负荷事件以对原始数据进行特征变换得出样本数据。
具体就是在获取到用电设备的原始数据之后,检测电力系统中是否有其它负荷事件(用电设备)的投入或切除操作发生,然后根据检测的结果对获取到的原始数据进行特征变换,目的是对原始数据中存在的负荷设备类别的开关状态进行提取,得出准确性高的负荷设备投切事件信息,进而使确定出的样本数据的准确性较高。
考虑到负荷事件的检测效率以及准确性的问题,作为优选地实施方式,检测电力系统中的负荷事件具体为:利用自适应变点寻优算法检测负荷事件。作为优选地实施方式,利用自适应变点寻优算法检测负荷事件具体为:采用一维时间高斯窗检测负荷事件。
其基本思想在一定长度的时间窗内以某个时刻点为界划分为两类。如果存在负荷事件,则这两类的负荷特征具有较大的差别,此时该时刻认为是变点,存在负荷事件。具体地,为了方便描述,这里假定在某个时刻点k,将时间窗内N个数据样本{xi}分为两类,为了避免电压、电流等波动的干扰,采用一维时间高斯窗进行负荷事件检测,具体就是采用适应变点寻优算法中的一维时间高斯窗对负荷事件进行检测,然后根据检测结果对利用原始数据形成的功率曲线图进行修正,其中一维时间高斯窗定义如下:
其中,t为某个时刻,σ为方差。
第一,检测电力系统中的负荷事件。
图2为本发明实施例所提供的一维时间高斯窗示意图,如图2所示,假设变点为时刻k。若时刻t距离当前点k的距离越远,则代表其对当前点k的影响比较小,反之对当前点k影响大。当时刻为t逼近或者等于k点时,存在最大的电压值(V值),即:
其中,ΔP(t)为相邻点差分功率。将σ设置为1,一维时间高斯窗的窗长度L设置为10,门限阈值设置为即当V超过该阈值,即认为检测到负荷事件,表明有其它用电设备的投入或切除操作发生,否则不认为是负荷事件。
第二,对原始数据进行特征变换得出样本数据。
考虑到对数据的修正速度,作为优选地实施方式,对原始数据进行特征变换得出样本数据具体为:对原始数据进行快速傅里叶变换得出样本数据。
具体地,就是在检测到有其它用电设备的投入或切除操作发生时,提取检测到的负荷事件点时刻的负荷特征信号(原始数据),对原始数据进行快速傅立叶变换,获取到稳态电流波形的谐波分量,即得出修正后的原始数据,然后将该修正后的原始数据作为样本数据,该样本数据包括训练样本数据和测试样本数据。具体地,将利用修正后的电压、电流计算出的功率作为样本数据的输入样本数据,将用电设备的电力负荷,即当前时间开启的用电设备数目以及各用电设备的运行状态样本数据的输出样本数据,在本申请实施例中共采集了27组数据,数据检测设备以2秒间隔采集相关数据,同时将采集的数据记录在MySQL数据库上。
在实际应用中,通常采用16次谐波分量来完整的表达谐波信号的有效特征。
其中,IL(n)表示电流信号n次谐波分量的幅值;ω表示基波分量的角频率;θL(n)表示n次谐波分量的初相角。
稳态电流信号在时域上具有相似的特征,而快速傅立叶变换所得各次谐波分量可以体现用户设备的频域特性,进而区分相似用电。以某一时刻居民负荷为例,图3(a)为本发明实施例所提供的用电设备在稳态区段的功率波形图,如图3(a)所示;图3(b)为本发明实施例所提供的与图3(a)对应时刻的电流谐波特征曲线图,如图3(b)所示。图3(a)和图3(b)中的1表示用电设备处于开启状态,0表示用电设备处于关停状态。七位二进制数字依次对应的用电设备为电暖器、电冰箱、电视机、空调、电饭煲、消毒柜和热水壶的工作状态。
S103:依据样本数据构建电力负荷辨识模型,并对电力负荷辨识模型进行训练。
在确定出样本数据之后,就依据样本数据构建电力负荷辨识模型,然后对电力负荷辨识模型进行训练,得出准确性高的电力负荷辨识模型。
为了提高用电设备的电力负荷辨识准确性,作为优选地实施方式,电力负荷辨识模型具体为深度神经网络模型中的LSTM模型。
具体地,将采样时刻的电流谐波数据作为时间序列的输入,针对一类投切电器组合工作状态的辨识,采取50个采样时刻的数据,则总共以40×27个采样点的数据集作为训练样本集,以10×27个采样点的数据集作为测试样本集。
第一,对LSTM模型进行初始化。具体包括以下子步骤:
第一步,准备训练和测试样本数据。
在准备训练样本时,数据检测设备以2秒间隔获取一组谐波,用电设备的开关按表1所对应的状态,表1为用电设备的运行状态关系表,如表1所示,其中N表示负荷设备种类。在不同组合情况下,原则上不考虑设备的顺序;其次,两个设备不存在同时开,即一个设备开了之后,如果需要开下一个设备,则以间隔1分钟或等待先前设备运行到稳态为起始点,并实时将数据记录在MySQL数据库上。将学习步长初始化为0.01。权重参数矩阵所有元素初始化为(-1,1),将误差限值设置为1×10-4。输出变量按照表1进行定义,其中0表示用电设备处于停机状态,1表示用电设备处于运行状态。
表1
第二步,LSTM模型的输入输出节点数和隐含层神经元个数的选取。
将LSTM模型应用于负荷辨识,其神经元节点和网络层数决定了辨识结果的好坏。本申请实施例将输入的负荷特征向量的维数作为输入层节点的个数,而相应期望的负荷标签向量的维数则决定输出节点的个数,一般选择2倍的输入神经元个数或更多。在本申请实施例中将输入维度设置为16,将训练样本集中16次谐波信息作为网络的输入;隐含层的节点个数为32;输出层节点个数为7。
输入层的输入主要依据各个用电设备投入工作运行的负荷特征。由用电设备的工作状态的组合下负荷特征可知,选取输入层神经元个数为16,输入的时序变量为{x1,x2,…,xT},其中在采样时刻t神经元的输入时间序列为
第三步,定义LSTM模型的输出层变量。
实验对象为具有代表性的7类电器,则选取输出层神经元的个数7,输出变量按照表1进行定义,其中0表示电器处于停机状态,1表示电器处于运行状态。
第四步,设置LSTM模型的隐含层层数为单层。
对于每个负荷标签对应的负荷特征输入信号,每个采样时间点的输入数据对应一层网络。隐含层是神经网络学习过程中具有对细节认知的功能,能够更好的区分类别。因此相对来说,层数越多其辨识准确度越高,但训练过程也越复杂。通常,隐含层的层数与输入的特征类别有关,单类特征情况下一般设置一层隐含层,故在本申请实施例中设置隐含层层数为单层。
第五步,确定LSTM模型的各层激活函数。
在人工神经网络中,激活函数表示网络中节点对给定输入产生相应输出的映射关系。在本申请实施例中选用应用范围广泛的sigmoid函数作为激活函数。其sigmoid函数表达式为:
其中λ=1,b=0。
第六步,确定LSTM模型的损失函数。
在神经网络中,网络模型理想的输出值与真实值之间的差值即为误差,在分类模型或回归模型中,监督式学习机制以损失函数为标准,对训练效果进行评估,其目的在于使预测值与实际值之间的差值最小化。损失函数的选取与网络对权重的修正作用有重要关联,在很大程度上影响着网络的学习能力。在本申请实施例中选取对数似然损失函数,其表达式为:
第二,将训练样本作为LSTM模型的输入,采用BPTT算法修正网络的权重参数,并提升学习能力;当误差达到训练目标时,训练阶段结束。
在本申请实施例中选取电流稳态谐波分量为负荷特征,根据当前时间开启的用电设备数目,以所有工作状态组合作为一组训练集,共采集了27组数据,采样时刻点以2秒为一个间隔,并记录到MySQL数据库,其中每一组分别与表1的工作态组合相对应,依此对LSTM模型进行训练。在实际应用中,将训练样本集中16次谐波信息作为网络的输入,对网络模型进行离线训练,图4为本发明实施例所提供的LSTM模型平均误差随训练过程迭代次数的变化曲线图,如图4所示,当迭代次数设置为1000次时,同一类训练样本数据进行离线训练,当迭代160次左右时,所有训练样本误差小于1×10-4,当迭代次数超过400之后,平均误差已经接近于零。LSTM模型收敛速率快,且不存在“梯度消失”问题。
第三,为了验证训练后的LSTM模型的准确性,在训练过程结束之后,将测试样本导入到经过训练的LSTM模型中,得到辨识输出的分类值,即各用电设备的运行状态,通过与实际的用电设备的运行状态进行比对,确定训练后的LSTM模型的准确性以对训练后的LSTM模型进行相关调整。
为了能够较好的统计辨识准确率,在实际负荷辨识测试过程中,先将负荷数据记录到MySQL数据库中,其中采样时刻点以2秒为一个间隔,当每个设备状态组合中为1的用电设备依次以1分钟间隔开启,确保负荷事件能够被检测到。表2为利用测试样本对训练后的LSTM模型进行测试的辨识准确率,如表2所示。
表2
从中随机获取9个时刻点数据进行负荷辨识,分别是53,90,150,190,220,250,266,298,322;表3为各采样时刻各用电设备的运行状态以及利用LSTM模型辨识的结果,表示用电设备的运行状态,y表示各用电设备处于当前运行状态的概率。经过实验验证基于LSTM模型的非侵入式电力负荷辨识算法能够有效辨识电气设备的工作状态组合,从而进一步验证了本算法的可靠性。
表3
S104:根据训练后的电力负荷辨识模型对用电设备的电力负荷进行辨识。
在训练好电力负荷辨识模型之后,后期就可直接利用训练后的电力负荷辨识模型对用电设备的电力负荷进行辨识。也就是只要获取到用电设备的电压、电流等值,就可利用训练后的电力负荷辨识模型得出对用电设备的电力负荷,即用电设备的运行状态。
本发明所提供的一种电力负荷辨识方法,在获取到预先测得的电力系统中各用电设备的原始数据之后,会对该电力系统中的负荷事件进行检测,目的是对原始数据中存在的负荷设备类别的开关状态进行提取,得出准确性高的负荷设备投切事件信息,以对原始数据进行特征转换得出样本数据;然后再利用该样本数据构建电力负荷辨识模型,并对该模型进行训练,样本数据包括对电力负荷辨识模型进行训练时的输入样本数据和以与输入样本数据对应的电力负荷作为输出的输出样本数据;后期直接利用训练好的电力负荷辨识模型对电力负荷进行辨识。因为本方法,在得到原始数据之后,会通过检测负荷事件的方式对对原始数据进行特征转换,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型。由此可见,应用本方法,可以提高电力负荷的辨识准确性。
上文中对于一种电力负荷辨识方法的实施例进行了详细描述,基于上述实施例描述的电力负荷辨识方法,本发明实施例还提供了一种与该方法对应的电力负荷辨识装置。由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参照方法部分的实施例描述,这里不再赘述。
图5为本发明实施例所提供的一种电力负荷辨识装置组成示意图,如图5所示,该装置包括获取模块501,检测模块502,模型训练模块503以及辨识模块504。
获取模块501,用于获取预先测得的电力系统中各用电设备的原始数据;
检测模块502,用于检测电力系统中的负荷事件以对原始数据进行特征变换得出样本数据;
模型训练模块503,用于依据样本数据构建电力负荷辨识模型,并对电力负荷辨识模型训练;
辨识模块504,用于根据训练后的电力负荷辨识模型对用电设备的电力负荷进行辨识;
其中,样本数据包括对电力负荷辨识模型进行训练时的输入样本数据和以与输入样本数据对应的电力负荷作为输出的输出样本数据。
本发明所提供的一种电力负荷辨识装置,在获取到预先测得的电力系统中各用电设备的原始数据之后,会对该电力系统中的负荷事件进行检测,目的是对原始数据中存在的负荷设备类别的开关状态进行提取,得出准确性高的负荷设备投切事件信息;然后再利用该样本数据构建电力负荷辨识模型,并对该模型进行训练,样本数据包括对电力负荷辨识模型进行训练时的输入样本数据和以与输入样本数据对应的电力负荷作为输出的输出样本数据;后期直接利用训练好的电力负荷辨识模型对电力负荷进行辨识。因为本装置,在得到原始数据之后,会通过检测负荷事件的方式对原始数据进行特征提取,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型。由此可见,应用本装置,可以提高电力负荷的辨识准确性。
上文中对于一种电力负荷辨识方法的实施例进行了详细描述,基于上述实施例描述的电力负荷辨识方法,本发明实施例还提供了一种与该方法对应的电力负荷辨识设备。由于设备部分的实施例与方法部分的实施例相互对应,因此设备部分的实施例请参照方法部分的实施例描述,这里不再赘述。
图6为本发明实施例所提供的一种电力负荷辨识设备组成示意图,如图6所示,该设备包括存储器601和处理器602。
存储器601,用于存储计算机程序;
处理器602,用于执行计算机程序以实现上述任意一个实施例所提供的电力负荷辨识方法的步骤。
本发明所提供的一种电力负荷辨识设备,在得到原始数据之后,会通过检测负荷事件的方式对原始数据进行特征提取,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型。可以提高电力负荷的辨识准确性。
上文中对于一种电力负荷辨识方法的实施例进行了详细描述,基于上述实施例描述的电力负荷辨识方法,本发明实施例还提供了一种与该方法对应的计算机可读存储介质。由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应,因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述,这里不再赘述。
一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行以实现上述任意一个实施例所提供的电力负荷辨识方法的步骤。
本发明所提供的一种计算机可读存储介质,处理器可以读取可读存储介质中存储的程序,即可以实现上述任意一个实施例提供的电力负荷辨识方法的步骤,在得到原始数据之后,会通过检测负荷事件的方式对原始数据进行特征转换,确保样本数据的准确性,得出准确性较高的电力负荷辨识模型。可以提高电力负荷的辨识准确性。
以上对本发明所提供的一种电力负荷辨识方法、装置、设备及可读存储介质进行了详细介绍。本文中运用几个实例对本发明的原理及实施方式进行了阐述,以上实施例的说明,只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制,本领域技术人员,在没有创造性劳动的前提下,对本发明所做出的修改、等同替换、改进等,均应包含在本申请中。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个操作与另一个操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”等类似词,使得包括一系列要素的单元、设备或系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种单元、设备或系统所固有的要素。
Claims (10)
1.一种电力负荷辨识方法,其特征在于,包括:
获取预先测得的电力系统中各用电设备的原始数据;
检测所述电力系统中的负荷事件以对所述原始数据进行特征变换得出样本数据;
依据所述样本数据构建电力负荷辨识模型,并对所述电力负荷辨识模型进行训练;
根据训练后的所述电力负荷辨识模型对所述用电设备的电力负荷进行辨识;
其中,所述样本数据包括对所述电力负荷辨识模型进行训练时的输入样本数据和以与所述输入样本数据对应的电力负荷作为输出的输出样本数据。
2.根据权利要求1所述的电力负荷辨识方法,其特征在于,所述获取预先测得的电力系统中各用电设备的原始数据具体为:
通过非入侵式检测设备获取所述原始数据。
3.根据权利要求1所述的电力负荷辨识方法,其特征在于,所述检测所述电力系统中的负荷事件具体为:
利用自适应变点寻优算法检测所述负荷事件。
4.根据权利要求3所述的电力负荷辨识方法,其特征在于,所述利用自适应变点寻优算法检测所述负荷事件具体为:
采用一维时间高斯窗检测所述负荷事件。
5.根据权利要求4所述的电力负荷辨识方法,其特征在于,所述对所述原始数据进行特征变换得出样本数据具体为:
对所述原始数据进行快速傅里叶变换得出所述样本数据。
6.根据权利要求1所述的电力负荷辨识方法,其特征在于,所述电力负荷辨识模型具体为深度神经网络模型中的LSTM模型。
7.根据权利要求1所述的电力负荷辨识方法,其特征在于,所述输入样本数据具体包括所述用电设备的电压、电流以及功率。
8.一种电力负荷辨识装置,其特征在于,包括:
获取模块,用于获取预先测得的电力系统中各用电设备的原始数据;
检测模块,用于检测所述电力系统中的负荷事件以对所述原始数据进行特征变换得出样本数据;
模型训练模块,用于依据所述样本数据构建电力负荷辨识模型,并对所述电力负荷辨识模型训练;
辨识模块,用于根据训练后的所述电力负荷辨识模型对所述用电设备的电力负荷进行辨识;
其中,所述样本数据包括对所述电力负荷辨识模型进行训练时的输入样本数据和以与所述输入样本数据对应的电力负荷作为输出的输出样本数据。
9.一种电力负荷辨识设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至7任意一项所述的电力负荷辨识方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述的电力负荷辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267785.3A CN109245099A (zh) | 2018-10-29 | 2018-10-29 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267785.3A CN109245099A (zh) | 2018-10-29 | 2018-10-29 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109245099A true CN109245099A (zh) | 2019-01-18 |
Family
ID=65078889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811267785.3A Pending CN109245099A (zh) | 2018-10-29 | 2018-10-29 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109245099A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018344A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 具备辨识用电负荷功能的电能计量装置 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
CN110322073A (zh) * | 2019-07-09 | 2019-10-11 | 南方电网科学研究院有限责任公司 | 基于循环神经网络的电力负荷预测方法、装置及设备 |
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
CN110991263A (zh) * | 2019-11-12 | 2020-04-10 | 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 |
CN110988570A (zh) * | 2019-12-26 | 2020-04-10 | 威胜集团有限公司 | 定频空调启动辨识方法、装置及存储介质 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
CN112234996A (zh) * | 2020-10-29 | 2021-01-15 | 广东电网有限责任公司计量中心 | 一种电力负荷数据的压缩方法、装置、设备和存储介质 |
CN112821380A (zh) * | 2020-12-31 | 2021-05-18 | 广东电网有限责任公司 | 一种基于多通道填充矩阵的非侵入式负荷识别方法和系统 |
CN112836320A (zh) * | 2020-12-15 | 2021-05-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305889A1 (en) * | 2009-05-27 | 2010-12-02 | General Electric Company | Non-intrusive appliance load identification using cascaded cognitive learning |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
-
2018
- 2018-10-29 CN CN201811267785.3A patent/CN109245099A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305889A1 (en) * | 2009-05-27 | 2010-12-02 | General Electric Company | Non-intrusive appliance load identification using cascaded cognitive learning |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
曲禾笛 等: "服务于用电设备的快速辨识边沿检测方法研究", 《中国电机工程学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018344A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 具备辨识用电负荷功能的电能计量装置 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
CN110322073A (zh) * | 2019-07-09 | 2019-10-11 | 南方电网科学研究院有限责任公司 | 基于循环神经网络的电力负荷预测方法、装置及设备 |
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
CN110516788B (zh) * | 2019-08-07 | 2023-05-02 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
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 |
CN110991263A (zh) * | 2019-11-12 | 2020-04-10 | 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 |
CN110988570A (zh) * | 2019-12-26 | 2020-04-10 | 威胜集团有限公司 | 定频空调启动辨识方法、装置及存储介质 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
CN112085111B (zh) * | 2020-09-14 | 2024-01-23 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
CN112234996A (zh) * | 2020-10-29 | 2021-01-15 | 广东电网有限责任公司计量中心 | 一种电力负荷数据的压缩方法、装置、设备和存储介质 |
CN112234996B (zh) * | 2020-10-29 | 2023-03-21 | 广东电网有限责任公司计量中心 | 一种电力负荷数据的压缩方法、装置、设备和存储介质 |
CN112836320A (zh) * | 2020-12-15 | 2021-05-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
CN112836320B (zh) * | 2020-12-15 | 2022-10-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
CN112821380A (zh) * | 2020-12-31 | 2021-05-18 | 广东电网有限责任公司 | 一种基于多通道填充矩阵的非侵入式负荷识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109245099A (zh) | 一种电力负荷辨识方法、装置、设备及可读存储介质 | |
Angelis et al. | NILM applications: Literature review of learning approaches, recent developments and challenges | |
Mahela et al. | Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers | |
Dinesh et al. | Residential appliance identification based on spectral information of low frequency smart meter measurements | |
Basu et al. | Nonintrusive load monitoring: A temporal multilabel classification approach | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
Xi et al. | Detection of power quality disturbances using an adaptive process noise covariance Kalman filter | |
Shao et al. | Short‐term wind speed forecasting using wavelet transformation and AdaBoosting neural networks in Yunnan wind farm | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
Lin et al. | Wide‐area coherency identification of generators in interconnected power systems with renewables | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Wu et al. | Event‐based non‐intrusive load identification algorithm for residential loads combined with underdetermined decomposition and characteristic filtering | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
Huang et al. | BIT-based intermittent fault diagnosis of analog circuits by improved deep forest classifier | |
Zhang et al. | IEHouse: A non-intrusive household appliance state recognition system | |
Guo et al. | Wind power assessment based on a WRF wind simulation with developed power curve modeling methods | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
Pan et al. | A novel probabilistic modeling framework for wind speed with highlight of extremes under data discrepancy and uncertainty | |
CN115758162A (zh) | 数据预测模型训练、光伏逆变器故障预测方法及装置 | |
Nait-Meziane et al. | Electrical transient modeling for appliance characterization | |
Li et al. | The investigation of residential load identification technologies | |
Zhang et al. | Fault detection, classification, and location for active distribution network based on neural network and phase angle analysis | |
Wickramarachchi et al. | Non-Intrusive Load Monitoring for High Power Consuming Appliances using Neural Networks | |
Babaali et al. | Weighted ensemble learning for real‐time short‐term voltage stability assessment with phasor measurements data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |