CN109345409B - 一种基于宽带载波的居民用户综合能效管理方法 - Google Patents
一种基于宽带载波的居民用户综合能效管理方法 Download PDFInfo
- Publication number
- CN109345409B CN109345409B CN201811052231.1A CN201811052231A CN109345409B CN 109345409 B CN109345409 B CN 109345409B CN 201811052231 A CN201811052231 A CN 201811052231A CN 109345409 B CN109345409 B CN 109345409B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- energy
- user
- analysis
- 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
Images
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明提供一种基于宽带载波的居民用户综合能效管理方法,包括如下步骤:步骤一、基于宽带载波技术实现用户用电数据非侵入式高频稳态采集;步骤二、采用改进模糊聚类的差量特征提取方法识别相应家用电器的负荷特征,实现电器数量和类型的识别;步骤三、采用模式识别与机器学习构建负荷特征库:步骤四、应用多元线性回归分析法实现家庭能源的综合监控及分析:步骤五、展示监控分析数据以及能源管理建议方案。本发明建立一套完整的综合用能管理方案,实现居民负荷数据的采集、传输、存储及展示等功能,实现家庭能源的负荷分解及监控,指导用户用能,最终实现家庭能源的综合管理。
Description
技术领域
本发明涉及电子信息技术领域,具体是一种基于宽带载波的居民用户综合能效管理方法。
背景技术
随着我国城镇化推进和经济结构调整,居民生活用电量占全社会用电量的比例越来越大,而且未来其占比将会更大;居民负荷作为电力负荷重要组成部分,且其电能的消耗比重还在逐渐增大,因此居民用电节能对推进整个社会的节能减排、缓解能源危机起着重要的作用。因此,建立可实现居民家庭用电可视化的智能用电系统成为一种迫切的需求。居民家庭用电可视化,被认为是唤醒个人节电意识的重要手段。所谓可视化用电,就是以日、周、月为单位显示家庭甚至每个电器的用电消耗量,并同时显示电价信息及与其他家庭的比较等,一旦超过节电目标,可利用短信、电子邮件等发送提示信息。这样,当用户可实时感觉到用电过多时,会自觉地采取各种节能措施。居民家庭的用电可视化是开展节能工作的基础,它有助于用户了解自身不同时段各电器设备电能的消耗情况,制定合理的节能计划,有针对性的选购节能设备,检验节能效果,从而降低能源消耗,减少电费开支。
发明内容
本发明提供一种基于宽带载波的居民用户综合能效管理方法,其在宽带载波(HPLC)高频稳态采集用电数据的基础上,利用居民用户负荷特性(Load Signature)来识别并细化每个电气设备的操作信息和用电消耗量,研究居民用户的负荷特征辨识方法,建立一套完整的综合用能管理方案,实现居民负荷数据的采集、传输、存储及展示等功能,实现家庭能源的负荷分解及监控,指导用户用能,最终实现家庭能源的综合管理。
一种基于宽带载波的居民用户综合能效管理方法,包括如下步骤:
步骤一、基于宽带载波技术实现用户用电数据非侵入式高频稳态采集:基于用电信息采集全覆盖,通过宽带载波通信技术,采集智能电表获取居民用电负荷数据,所述民用电负荷数据包括电压、电流、电量、谐波;
步骤二、采用改进模糊聚类的差量特征提取方法识别相应家用电器的负荷特征,实现电器数量和类型的识别;
步骤三、采用模式识别与机器学习构建负荷特征库:在步骤二实现电器数量以及类型识别的基础上,对各家用电器的各个负荷特征提取、模式分类进行模式识别与机器学习,建立适用于目前、又适应未来发展需求的各种电器的用电负荷特征库;
步骤四、应用多元线性回归分析法实现家庭能源的综合监控及分析:在步骤三建立负荷特征库,识别出相应电器的运行状态及时长等用户的用能行为的基础上,应用多元线性回归分析法,以各种家用电器的使用频率、时长、时段、用水、用气等重要因素为自变量,预测出因变量用户综合用能的变化,实现现家庭能源的综合监控及分析;
步骤五、展示监控分析数据以及能源管理建议方案:对步骤三得出的用电行为历史分析数据以及步骤四的综合用能分析预测数据进行直观展示,并提供合理化用能优化方案。
进一步的,所述步骤二具体为:
(1)根据非活性电流谐波特征提取方法计算出功率、非活性电流谐波的特征值,根据公式(2-1)进一步提取差量负荷特征数据集 X={F(t1),F(t2),,,,,,F(tn)}:
公式(2-1)表示在任意采样时刻t的下一个采样时刻的负荷差异特征,其中,Δt表示采样间隔,Fi(Δt)表示电器i的特征变化量,若电器i在Δt时刻后状态发生变化,则
Fi(Δt)=[fi1,fi2,…fiN] (2-2)
否则Fi(Δt)=0;
公式(2-2)表示通过采样计算得到的差量特征数据集 X={F(t1),F(t2),,,,,,F(tn)}中共包含n个采样时刻的差量特征元素,N为监测所需的差异特征个数,F(ti)∈Rn,即数据集合中每一个样本为N 维向量,把X划分为c个子集{S1,S2,…,SC},A={a1,a2,…,ac}表示这c个子集的聚类中心,模糊聚类算法的优化目标函数为:
式中U=U(i,j)为c×n的隶属度矩阵,dij为第j个差量特征F(tj) 与第i个聚类中心ai的距离,即dij=||F(tj)-ai||2,m为模糊指数,uij表示元素F(tj)对其所在子集Si的隶属度;
(2)初始化模糊聚类的类中心个数c以及隶属度矩阵U,并使其满足公式(2-4)中的约束条件,即元素F(tj)对其所在子集Si的隶属度uij需满足以下约束条:
uij≥0,1≤i≤c,1≤j≤n (2-4)
m的取值一般大于1,用来控制隶属度矩阵U的模糊程度,m越大,分类的模糊程度越高,m的取值一般在(1.5,2.5);
FCM算法通过迭代计算,使得目标函数取得最小值。为使目标函数取得最小值,采用拉格朗乘数法对公式(2-3)进行展开:
其中λn为拉格朗日系数,上式对uij求导并令其为零,即
可以求得使目标函数最小时的uij为
根据式(2-4)中的约束条件可以消去λj,得
(3)根据公式(2-9)计算出c个聚类中心A=(a1,a2,…,ac):
模糊聚类算法在初始化聚类中心后,通过计算公式(2-9)获得目标函数值最小的聚类中心,以达到优化聚类的目的;
(4)根据公式(2-3)计算目标函数值J判断函数值是否收敛,是则继续下一步,否则根据公式(2-8)计算此时的隶属度矩阵U并返回(3);
(5)根据公式(2-10)计算此时的簇间熵值Hc,并判断是否最优,是则继续,否则返回(2),且c=c+1;
其中
其中Fi、Fj分别表示i、j时刻的差量负荷特征,x为不同特征值之间的相关矩阵,N为特征值个数,Nk为每个簇内元素个数。如图3所示,簇间熵值越大表明簇间差异性越大,即聚类的结果越好。同理,簇间熵也可以用来表示个体与簇之间的相似性;
(6)确定电器种类,然后根据公式(2-13)计算每类中心与已知电器特征的相似性,再根据公式(2-14)确定每种电器类型。
其中Fi表示类中心a中的负荷特征数据,Fj表示电器j的负荷特征数据,如果满足
Si:j=MaxS a:b
s.t.a∈A
b∈{1,2···R} (2-14)
那么认为第i个类中的数据为电器j;
通过公式(2-10)簇间熵和(2-14)相似性的计算与对比,选择与每一类负荷特征数据最相似的电器特征为其电器种类,从而实现电器种类的识别。
进一步的,所述步骤三的模式识别主要包括信息预处理、模式分割、特征提取、模式分类和分析后处理五个步骤,信息预处理的主要任务是通过异常数据治理来剔除异常数据,保证数据的准确性;模式分割的主要是将对象模式从背景信号中成功分离或将多个对象模式相互分开;特征提取则是应用改进模糊聚类的差量特征提取方法从用户用电模式中提取出能够表示该模式的结构或性质的特征,从而完成对特征模式的抽象描述,并利用一种合适数据结构来表示所选特征;在对象模式抽象描述和特征表示的基础上,模式分类将对象模式判别为属于某一类别或者赋予其属于某些类别的概率值;分析后处理则是利用对象模式与环境模式的相关性来校验模式类别的实现过程和对模式识别所得结果进行分析处理;通过不断的机器学习,构建精准负荷特征库,进而实现非侵入式负荷数据分析,识别出相应电器的运行状态及时长等用户的用能行为。
进一步的,所述步骤四具体为:
设用户的综合用能为因变量y,各种家用电器的使用频率、时长、时段等用电行为为自变量x1,x2,…xk,并且自变量与因变量之间为线性关系时,则多元线性回归模型为:
y=b0+b1x1+b2x2+…+bkxk+e
其中,b0为常数项,b1,b2,…bk为回归系数,b1为x2,x3…xk固
定时,x1每增加一个单位对y的效应,即x1对y的偏回归系数;同理b2为x1,x2,…,xk固定时,x2每增加一个单位对y的效应,即, x2对y的偏回归系数,等等,各自变量的偏回归系数确定后,也就确定了多元线性回归模型,既可以根据各个自变量的变化预测出因变量的变化,从而对用户的水、气、电等用能行为进行综合监控分析,并提供合理化的建议方案。
进一步的,所述步骤五中家庭能源管理主要包括:
(1)用户设置:用户通过人机界面对家庭环境内的设备进行参数设置,可以设定不同用电设备的优先级,选定不同的控制模式,用户通过此模块完成与系统相关的所有设置;
(2)行为检测功能:主要用于用户行为检测包括用户物理位置检测和家庭用户行为模式的识别以及相应分析数据的展示;
(3)预测功能:对家庭环境内的负载进行预测,这些预测结果用于优化调度过程以提高系统性能;
(4)优化调度功能:可根据用户设置、设备工作状态、环境信息、人员活动信息、电价信息对家庭环境内的可调度用电负载及储能系统的运行进行优化调度,达到用户预先设定的某一最优目标;
(5)设备监控:根据优化调度模块计算的结果对用电负载、储能系统的运行进行控制,实时监测设备的工作状态,并将设备的工作状态和当前的用电状态通过人机界面实时反映给用户。
本发明从“数据高频稳态采集、负荷特征辨识-识别、多元线性回归分析法实现水电气综合监控及分析、家庭能源管理方案及展示”四个方面来实现此方案,首先基于宽带载波技术实现用户用电数据非侵入式高频稳态采集并存储;同时采用改进模糊聚类的差量特征提取方法,提取各家用电器的负荷特征,构建适用于目前、又适应未来发展需求的“用电负荷特征库”,实现“全天候、全方位”非侵入式用电负荷监测;然后应用多元线性回归分析法实现家庭能源“水、电、气”的综合监控及分析;最后在分析数据基础上为客户提供更多更全面用能服务方案,实现综合能源科学管理。
附图说明
图1是本发明基于宽带载波的居民用户综合能效管理方法的流程示意图;
图2是本发明基于宽带载波的居民用户综合能效管理系统的结构示意图;
图3是不同聚类数时的簇间熵值对比图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
本发明从“数据高频稳态采集、负荷特征辨识-识别、多元线性回归分析法实现水电气综合监控及分析、家庭能源管理方案及展示”四个方面来实现此方案:首先基于宽带载波技术实现用户用电数据非侵入式高频稳态采集并存储;采用改进模糊聚类的差量特征提取方法,提取各家用电器的负荷特征,采用模式识别和机器学习技术构建适用于目前、又适应未来发展需求的“用电负荷特征库”,实现“全天候、全方位”非侵入式用电负荷监测;然后应用多元线性回归分析法实现家庭能源“水、电、气”的综合监控及分析;最后在分析数据基础上为客户提供更多更全面用能服务方案,实现综合能源科学管理。
如图1所示,本发明提供一种基于宽带载波的居民用户综合能效管理方法,包括如下步骤:
步骤一、基于宽带载波技术实现用户用电数据非侵入式高频稳态采集
电力宽带载波是伴随智能电网的发展提出的,使用电网现有的网络作为架构,无需重新铺设通信信道,节约成本,且可以实现高频度、及时性数据,稳定可靠的实时传输,是解决“最后100m”通信瓶颈问题的最佳方式。宽带载波通信的原理是将采集到的电压、电流、电量、谐波等用电负荷数据经Modem调制耦合到电力线信道上,经电力线传输到采集终端设备,进而通过GPRS公网上传到系统主站。具体的,基于用电信息采集全覆盖,通过宽带载波通信技术,采集智能电表获取用户电压、电流、电量、谐波等高频采样数据。
步骤二、采用改进模糊聚类的差量特征提取方法识别相应家用电器的负荷特征
在非侵入式负荷监测的实际用电场景中电器负荷种类难以预知的情况下,低功率电器特征容易被大功率电器所掩盖而导致无法准确识别。本发明针对上述问题采用基于改进模糊聚类的差量特征提取方法,旨在提高非侵入式负荷监测中电器类别判定和低功率电器负荷识别的有效性。该特征识别方法主要包括特征选择、差量特征提取、模糊聚类和熵值判定几个步骤,如图所示。下面具体介绍负荷特征的差量计算以及改进模糊聚类实现过程。
基于改进模糊聚类的差量特征提取方法实现过程具体步骤如下:
(1)根据非活性电流谐波特征提取方法计算出功率、非活性电流谐波(以下简称谐波)等特征值,根据公式(2-1)进一步提取差量负荷特征数据集X={F(t1),F(t2),,,,,,F(tn)}:
公式(2-1)表示在任意采样时刻t的下一个采样时刻的负荷差异特征,其中,Δt表示采样间隔,Fi(Δt)表示电器i的特征变化量,若电器i在Δt时刻后状态发生变化,则
Fi(Δt)=[fi1,fi2,…fiN] (2-2)
否则Fi(Δt)=0;
公式(2-2)表示通过采样计算得到的差量特征数据集 X={F(t1),F(t2),,,,,,F(tn)}中共包含n个采样时刻的差量特征元素,N为监测所需的差异特征个数,F(ti)∈Rn,即数据集合中每一个样本为N 维向量,把X划分为c个子集{S1,S2,…,SC},A={a1,a2,…,ac}表示这c个子集的聚类中心,模糊聚类算法的优化目标函数为:
式中U=U(i,j)为c×n的隶属度矩阵,dij为第j个差量特征F(tj) 与第i个聚类中心ai的距离,即dij=||F(tj)-ai||2,m为模糊指数,uij表示元素F(tj)对其所在子集Si的隶属度。
(2)初始化模糊聚类的类中心个数c以及隶属度矩阵U,并使其满足公式(2-4)中的约束条件,即元素F(tj)对其所在子集Si的隶属度uij需满足以下约束条:
uij≥0,1≤i≤c,1≤j≤n
(2-4)
m的取值一般大于1,用来控制隶属度矩阵U的模糊程度,m越大,分类的模糊程度越高,m的取值一般在(1.5,2.5)。
FCM算法通过迭代计算,使得目标函数取得最小值。为使目标函数取得最小值,采用拉格朗乘数法对公式(2-3)进行展开:
其中λn为拉格朗日系数,上式对uij求导并令其为零,即
可以求得使目标函数最小时的uij为
根据式(2-4)中的约束条件可以消去λj,得
(3)根据公式(2-9)计算出c个聚类中心A=(a1,a2,…,ac):
模糊聚类算法在初始化聚类中心后,可以通过计算公式(2-9)获得目标函数值最小的聚类中心,以达到优化聚类的目的。
(4)根据公式(2-3)计算目标函数值J判断函数值是否收敛,是则继续下一步,否则根据公式(2-8)计算此时的隶属度矩阵U并返回(3)。
(5)根据公式(2-10)计算此时的簇间熵值Hc,并判断是否最优,是则继续,否则返回(2),且c=c+1;
其中
其中Fi、Fj分别表示i、j时刻的差量负荷特征,x为不同特征值之间的相关矩阵,N为特征值个数,Nk为每个簇内元素个数。如图3所示,簇间熵值越大表明簇间差异性越大,即聚类的结果越好。同理,簇间熵也可以用来表示个体与簇之间的相似性。
(6)确定电器种类,然后根据公式(2-13)计算每类中心与已知电器特征的相似性,再根据公式(2-14)确定每种电器类型。
其中Fi表示类中心a中的负荷特征数据,Fj表示电器j的负荷特征数据。如果满足
Si:j=MaxS a,b
s.t.a∈A
b∈{1,2···R} (2-14)
那么认为第i个类中的数据为电器j。
通过公式(2-10)簇间熵和(2-14)相似性的计算与对比,选择与每一类负荷特征数据最相似的电器特征为其电器种类,从而实现电器种类的识别;解决在家用电器情况未知的条件下,实现电器数量和类型的识别,为非侵入式下用电行为分析奠定基础。
步骤三、采用模式识别与机器学习构建负荷特征库
在步骤二实现电器数量以及类型识别的基础上,对各家用电器的各个负荷特征提取、模式分类等进行模式识别与机器学习,建立适用于目前、又适应未来发展需求的各种电器的“用电负荷特征库”。
模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的信息中存在的事物、行为和关系等对象模式进行检测、描述、判别、分类和解释的过程,它是信息科学和人工智能的重要组成部分。模式识别主要包括信息预处理、模式分割、特征提取、模式分类和分析后处理这五个步骤。
信息预处理的主要任务是通过异常数据治理来剔除异常数据,保证数据的准确性;模式分割的主要是将对象模式从背景信号中成功分离或将多个对象模式相互分开;特征提取则是应用改进模糊聚类的差量特征提取方法从用户用电模式中提取出能够表示该模式的结构或性质的特征,从而完成对特征模式的抽象描述,并利用一种合适数据结构来表示所选特征;在对象模式抽象描述和特征表示的基础上,模式分类(通常是利用机器学习方法学习所得)将对象模式判别为属于某一类别或者赋予其属于某些类别的概率值;分析后处理则是利用对象模式与环境模式的相关性来校验模式类别的实现过程和对模式识别所得结果进行分析处理。如此,通过不断的机器学习,构建精准负荷特征库,进而实现非侵入式负荷数据分析,识别出相应电器的运行状态及时长等用户的用能行为;
步骤四、应用多元线性回归分析法实现家庭能源的综合监控及分析
回归分析预测法,是指通过对两个或两个以上的自变量与一个因变量的相关分析,建立预测模型进行预测分析的方法。当自变量与因变量之间存在线性关系时,称为多元线性回归分析。在用户综合用能管控分析问题中,因变量的变化往往受各种家用电器的使用频率、时长、时段等重要因素的影响,此时就需要用两个以上的影响因素作为自变量来解释综合用能这个因变量的变化,这就是多元回归。当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元性回归。
在步骤三建立负荷特征库,识别出相应电器的运行状态及时长等用户的用能行为的基础上,应用多元线性回归分析法,以各种家用电器的使用频率、时长、时段、用水、用气等重要因素为自变量,预测出因变量用户综合用能的变化,实现现家庭能源的综合监控及分析。设用户的综合用能为因变量y,各种家用电器的使用频率、时长、时段等用电行为为自变量x1,x2,…xk,并且自变量与因变量之间为线性关系时,则多元线性回归模型为:
y=b0+b1x1+b2x2+…+bkxk+e
其中,b0为常数项,b1,b2,…bk为回归系数,b1为x2,x3…xk固定时,x1每增加一个单位对y的效应,即x1对y的偏回归系数;同理b2为x1,x2,…,xk固定时,x2每增加一个单位对y的效应,即,x2对y的偏回归系数,等等。各自变量的偏回归系数确定后,也就确定了多元线性回归模型,既可以根据各个自变量的变化预测出因变量的变化,从而对用户的水、气、电等用能行为进行综合监控分析,并提供合理化的建议方案。
步骤五、展示监控分析数据以及能源管理建议方案
对步骤三得出的用电行为历史分析数据以及步骤四的综合用能分析预测数据进行直观展示,并提供合理化用能优化方案;具体智能电网环境下的家庭能源管理主要包含以下主要内容:
(1)用户设置。用户通过人机界面对家庭环境内的设备进行参数设置;可以设定不同用电设备的优先级;选定不同的控制模式。用户通过此模块完成与系统相关的所有设置。
(2)行为检测功能。主要用于用户行为检测包括用户物理位置检测和家庭用户行为模式的识别以及相应分析数据的展示。
(3)预测功能。对家庭环境内的负载进行预测,这些预测结果用于优化调度过程以提高系统性能。
(4)优化调度功能。可根据用户设置、设备工作状态、环境信息、人员活动信息、电价等信息对家庭环境内的可调度用电负载及储能系统的运行进行优化调度,达到用户预先设定的某一最优目标,比如最小化用户用电费用等。
(5)设备监控。根据优化调度模块计算的结果对用电负载、储能系统的运行进行控制,实时监测设备的工作状态,并将设备的工作状态和当前的用电状态通过人机界面实时反映给用户。
应用主要包含以下方面:
(1)用户家庭(水、气、电)能源一站式管理;
(2)直接面对面的用户业务办理窗口(实现多种能源缴费,投诉,客户服务、复电,家庭用能情况查询等;
(3)用能优化建议:根据监控结果,结合相应政策,为用户提供节能优化建议。
(4)用能安全风险监控:建立基于负荷状态数据的用电行为特征模型,该特征能够体现用户用电行为对负荷数据变化的影响,实现多种异常用电行为监测。
(5)结合用户的用电情况及负荷监控及分析结果,有效提高电表-用户对应率,为电力公司排查串户提供有力的数据基础。
(6)作为电力公司信息对外宣传以及客户服务的窗口。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于宽带载波的居民用户综合能效管理方法,其特征在于包括如下步骤:
步骤一、基于宽带载波技术实现用户用电数据非侵入式高频稳态采集:基于用电信息采集全覆盖,通过宽带载波通信技术,采集智能电表获取居民用电负荷数据,所述居民用电负荷数据包括电压、电流、电量、谐波;
步骤二、采用改进模糊聚类的差量特征提取方法识别相应家用电器的负荷特征,实现电器数量和类型的识别;
步骤三、采用模式识别与机器学习构建负荷特征库:在步骤二实现电器数量以及类型识别的基础上,对各家用电器的各个负荷特征提取、模式分类进行模式识别与机器学习,建立适用于目前、又适应未来发展需求的各种电器的用电负荷特征库;
步骤四、应用多元线性回归分析法实现家庭能源的综合监控及分析:在步骤三建立负荷特征库,识别出相应电器的运行状态及时长的基础上,应用多元线性回归分析法,以各种家用电器的使用频率、时长、时段、用水、用气为自变量,预测出因变量用户综合用能的变化,实现现家庭能源的综合监控及分析;
步骤五、展示监控分析数据以及能源管理建议方案:对步骤三得出的用电行为历史分析数据以及步骤四的综合用能分析预测数据进行直观展示,并提供合理化用能优化方案;
所述步骤二具体为:
(1)根据非活性电流谐波特征提取方法计算出功率、非活性电流谐波的特征值,根据公式(2-1)进一步提取差量负荷特征数据集
公式(2-1)表示在任意采样时刻t的下一个采样时刻的差量负荷特征,其中,Δt表示采样间隔,Fi(Δt)表示电器i的特征变化量,若电器i在Δt时刻后状态发生变化,则
Fi(Δt)=[fi1,fi2,…fiN] (2-2)
否则Fi(Δt)=0;
公式(2-2)表示通过采样计算得到的差量负荷特征数据集X={F(t1),F(t2),,,,,,F(tn)}中共包含n个采样时刻的差量特征元素,N为监测所需的差异特征个数,F(ti)∈Rn,即数据集合中每一个样本为N维向量,把X划分为c个子集{S1,S2,...,SC},A={a1,a2,...,ac}表示这c个子集的聚类中心,模糊聚类算法的优化目标函数为:
式中U=U(i,j)为c×n的隶属度矩阵,dij为第j个差量特征F(tj)与第i个聚类中心ai的距离,即dij=||F(tj)-ai||2,m为模糊指数,uij表示元素F(tj)对其所在子集Si的隶属度;
(2)初始化模糊聚类的类中心个数c以及隶属度矩阵U,并使其满足公式(2-4)中的约束条件,即元素F(tj)对其所在子集Si的隶属度uij需满足以下约束条件:
uij≥0,1≤i≤c,1≤j≤n (2-4)
m的取值大于1,用来控制隶属度矩阵U的模糊程度,m越大,分类的模糊程度越高,m的取值在1.5与2.5之间;
FCM算法通过迭代计算,使得目标函数取得最小值,为使目标函数取得最小值,采用拉格朗乘数法对公式(2-3)进行展开:
其中λn为拉格朗日系数,上式对uij求导并令其为零,即
求得使目标函数最小时的uij为
根据式(2-4)中的约束条件消去λj,得
(3)根据公式(2-9)计算出c个聚类中心A=(a1,a2,…,ac):
模糊聚类算法在初始化聚类中心后,通过计算公式(2-9)获得目标函数值最小的聚类中心,以达到优化聚类的目的;
(4)根据公式(2-3)计算目标函数值J判断函数值是否收敛,是则继续下一步,否则根据公式(2-8)计算此时的隶属度矩阵U并返回(3);
(5)根据公式(2-10)计算此时的簇间熵值Hc,并判断是否最优,是则继续,否则返回(2),且c=c+1;
其中
其中Fi、Fj分别表示i、j时刻的差量负荷特征,x为不同特征值之间的相关矩阵,N为特征值个数,Nk为每个簇内元素个数,簇间熵值越大表明簇间差异性越大,即聚类的结果越好,同理,簇间熵也用来表示个体与簇之间的相似性;
(6)确定电器种类,然后根据公式(2-13)计算每类中心与已知电器特征的相似性,再根据公式(2-14)确定每种电器类型,
其中Fi表示类中心a中的负荷特征数据,Fj表示电器j的负荷特征数据,如果满足
Si,j=MaxS a,b
s.t.a∈A
b∈{1,2…R} (2-14)
那么认为第i个类中的数据为电器j;
通过公式(2-10)簇间熵和(2-14)相似性的计算与对比,选择与每一类负荷特征数据最相似的电器特征为其电器种类,从而实现电器种类的识别;
所述步骤三的模式识别主要包括信息预处理、模式分割、特征提取、模式分类和分析后处理五个步骤,信息预处理的主要任务是通过异常数据治理来剔除异常数据,保证数据的准确性;模式分割的主要是将对象模式从背景信号中成功分离或将多个对象模式相互分开;特征提取则是应用改进模糊聚类的差量特征提取方法从用户用电模式中提取出能够表示该模式的结构或性质的特征,从而完成对特征模式的抽象描述,并利用一种合适数据结构来表示所选特征;在对象模式抽象描述和特征表示的基础上,模式分类将对象模式判别为属于某一类别或者赋予其属于某些类别的概率值;分析后处理则是利用对象模式与环境模式的相关性来校验模式类别的实现过程和对模式识别所得结果进行分析处理;通过不断的机器学习,构建精准负荷特征库,进而实现非侵入式负荷数据分析,识别出相应电器的运行状态及时长;
所述步骤四具体为:
设用户的综合用能为因变量y,各种家用电器的使用频率、时长、时段为自变量x1,x2,…xk,并且自变量与因变量之间为线性关系时,则多元线性回归模型为:
y=b0+b1x1+b2x2+…+bkxk+e
其中,b0为常数项,b1,b2,…bk为回归系数,b1为x2,x3…xk固定时,x1每增加一个单位对y的效应,即x1对y的偏回归系数;同理b2为x1,…,xk固定时,x2每增加一个单位对y的效应,即,x2对y的偏回归系数,各自变量的偏回归系数确定后,也就确定了多元线性回归模型,根据各个自变量的变化预测出因变量的变化,从而对用户的水、气、电用能行为进行综合监控分析,并提供合理化的建议方案。
2.如权利要求1所述的基于宽带载波的居民用户综合能效管理方法,其特征在于:所述步骤五中家庭能源管理主要包括:
(1)用户设置:用户通过人机界面对家庭环境内的设备进行参数设置,设定不同用电设备的优先级,选定不同的控制模式,用户通过此模块完成与系统相关的所有设置;
(2)行为检测功能:主要用于用户行为检测包括用户物理位置检测和家庭用户行为模式的识别以及相应分析数据的展示;
(3)预测功能:对家庭环境内的负载进行预测,这些预测结果用于优化调度过程以提高系统性能;
(4)优化调度功能:根据用户设置、设备工作状态、环境信息、人员活动信息、电价信息对家庭环境内的调度用电负载及储能系统的运行进行优化调度,达到用户预先设定的某一最优目标;
(5)设备监控:根据优化调度模块计算的结果对用电负载、储能系统的运行进行控制,实时监测设备的工作状态,并将设备的工作状态和当前的用电状态通过人机界面实时反映给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811052231.1A CN109345409B (zh) | 2018-09-10 | 2018-09-10 | 一种基于宽带载波的居民用户综合能效管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811052231.1A CN109345409B (zh) | 2018-09-10 | 2018-09-10 | 一种基于宽带载波的居民用户综合能效管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345409A CN109345409A (zh) | 2019-02-15 |
CN109345409B true CN109345409B (zh) | 2021-06-25 |
Family
ID=65304801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811052231.1A Active CN109345409B (zh) | 2018-09-10 | 2018-09-10 | 一种基于宽带载波的居民用户综合能效管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345409B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444946B (zh) * | 2020-03-20 | 2023-04-28 | 国网湖南省电力有限公司 | 基于广义Dice系数和局部离群因子的非入户式串户排查方法及系统 |
CN111461189B (zh) * | 2020-03-23 | 2022-11-15 | 东南大学 | 基于非侵入式量测技术的居民节律检测方法 |
CN111551773A (zh) * | 2020-05-14 | 2020-08-18 | 资明 | 一种智能电力管理系统 |
CN111709589A (zh) * | 2020-06-23 | 2020-09-25 | 国网重庆市电力公司电力科学研究院 | 一种社区能效管理方法、装置及可读存储介质 |
CN112051462A (zh) * | 2020-07-24 | 2020-12-08 | 南京航灵信息科技有限公司 | 基于大数据的负荷分解实现方法及系统 |
CN112286063A (zh) * | 2020-09-30 | 2021-01-29 | 国网天津市电力公司 | 一种基于非侵入量测的区域能耗监测系统及方法 |
CN112736907A (zh) * | 2020-12-28 | 2021-04-30 | 国网电子商务有限公司 | 一种非侵入式家庭电力负荷分解特征选择方法及装置 |
CN113447820A (zh) * | 2021-06-29 | 2021-09-28 | 国网北京市电力公司 | 电量监测方法、装置、智能电表及处理器 |
CN113762355B (zh) * | 2021-08-17 | 2024-03-29 | 上海电力大学 | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 |
CN115859160B (zh) * | 2023-02-20 | 2023-07-04 | 中建安装集团有限公司 | 建筑工程用电设备分类识别及节能减碳控制系统及方法 |
CN117040132A (zh) * | 2023-08-18 | 2023-11-10 | 苏州钮斯拓系统集成有限公司 | 基于用电系统储能的ai智能管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062958A (zh) * | 2014-06-16 | 2014-09-24 | 国家电网公司 | 一种基于动态负荷管理的居家智能优化方法 |
CN105701554A (zh) * | 2014-11-28 | 2016-06-22 | 国家电网公司 | 基于海量计量数据的用电设备能效混沌分析方法 |
CN106200408A (zh) * | 2016-08-26 | 2016-12-07 | 特斯联(北京)科技有限公司 | 一种基于云计算的智能家居配备方法及系统 |
CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022645B (zh) * | 2016-06-07 | 2021-02-12 | 深圳市芝电能源科技有限公司 | 非侵入式在线实时电力负荷识别方法及识别系统 |
-
2018
- 2018-09-10 CN CN201811052231.1A patent/CN109345409B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062958A (zh) * | 2014-06-16 | 2014-09-24 | 国家电网公司 | 一种基于动态负荷管理的居家智能优化方法 |
CN105701554A (zh) * | 2014-11-28 | 2016-06-22 | 国家电网公司 | 基于海量计量数据的用电设备能效混沌分析方法 |
CN106200408A (zh) * | 2016-08-26 | 2016-12-07 | 特斯联(北京)科技有限公司 | 一种基于云计算的智能家居配备方法及系统 |
CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109345409A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
Liu et al. | Multivariate exploration of non-intrusive load monitoring via spatiotemporal pattern network | |
CN108062627B (zh) | 一种基于非侵入式用电数据的需求响应分析方法 | |
Wang et al. | Household profile identification for behavioral demand response: A semi-supervised learning approach using smart meter data | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
Chen et al. | Day-ahead prediction of hourly subentry energy consumption in the building sector using pattern recognition algorithms | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN105320834A (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
Eskander et al. | A complementary unsupervised load disaggregation method for residential loads at very low sampling rate data | |
Rahman et al. | Deep learning based ensemble method for household energy demand forecasting of smart home | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
Azizi et al. | Residential energy flexibility characterization using non-intrusive load monitoring | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
Wang et al. | Data-driven assessment of room air conditioner efficiency for saving energy | |
Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
Li et al. | Feature extraction and an interpretable hierarchical model for annual hourly electricity consumption profile of commercial buildings in China | |
Luan et al. | Non-intrusive power waveform modeling and identification of air conditioning load | |
Yang et al. | Household power consumption pattern modeling through a single power sensor | |
CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
Xue et al. | A framework for short-term energy consumption prediction based on room air conditioner group characteristics |
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 |