CN109521296A - 一种稳态工况下的非侵入式电力负载识别优化算法 - Google Patents
一种稳态工况下的非侵入式电力负载识别优化算法 Download PDFInfo
- Publication number
- CN109521296A CN109521296A CN201811407291.0A CN201811407291A CN109521296A CN 109521296 A CN109521296 A CN 109521296A CN 201811407291 A CN201811407291 A CN 201811407291A CN 109521296 A CN109521296 A CN 109521296A
- Authority
- CN
- China
- Prior art keywords
- electric appliance
- electric
- array
- steady state
- electrical load
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及电力负荷监测领域,公开了一种稳态工况下的非侵入式电力负载识别优化算法,用于解决目前侵入式电力负荷监测需要在各个负载前加装传感器,成本高、破坏原有线路的问题。本发明先调研实际使用环境中可能存在的电器种类以及各类电器的最大可能数量;再生成电器数量数组,并对数组中的电器生成随机数量再分别建立单个用电设备的M域矩阵M1,根据多个电器同时运行的电流稳态数据建立电流复合波的M域矩阵M2;通过M1和M2建立带约束的估计方程组;基于电器数量的编码方法以及适应度函数,通过最优解迭代的获得各电器稳态电流的权重系数的最优解,得出最优的电器数量数组,得到可能的各电器运行数量。本发明适用于非侵入式电力负载识别。
Description
技术领域
本发明涉及电力负荷监测领域,特别涉及一种稳态工况下的非侵入式电力负载识别优化算法。
背景技术
能源是人类社会赖以生存和发展的重要物质基础。就我国过去几年实际用电情况而言,全国用电总量每年都呈现增长的形势。并且,随着我国经济的发展和经济结构的调整,居民用电占全社会用电量的比重逐渐增大并且有继续增长的趋势。电力负荷用电监测是开展节电这项系统工程的第一步,因为只有清楚电能是如何被利用与消耗的,才能找到有效的节电调控措施和更高效的用电方式。研究表明,若使用有效技术向电力用户反馈负荷用电信息,即便不采取任何自动调控措施,用户自愿的优化用电也能达到明显的节能效果,从而节省居民用电量。因此,负荷用电监测是实现节电的基础和关键,它能有效缓解能源危机的压力,实现能源资源与生态环境的可持续发展和建设节约型社会,具有重要的现实意义。
传统的侵入式电力负荷监测系统需要在各个负载前加装传感器,综合成本高,施工非常复杂,对原有线路也造成破坏。而非侵入式电力负荷监测NILM系统仅需在住户进户线总开关处或者工业车间总线上安装一个传感器就能获知每个/类电器的使用情况,并且成本低,施工方便,不对用户造成用电干扰,有望发展成为新一代智能电表的核心技术,为电力用户和整个社会带来多方面的效益。
发明内容
本发明要解决的技术问题是:提供一种稳态工况下的非侵入式电力负载识别优化算法,用于解决现有技术中侵入式电力负荷监测需要在各个负载前加装传感器,成本高、破坏原有线路的问题。
为解决上述问题,本发明采用的技术方案是:一种稳态工况下的非侵入式电力负载识别优化算法,包括如下步骤:
步骤1:调研实际使用环境中可能存在的电器种类以及各类电器的最大可能数量;
步骤2:生成电器数量数组,并对数组中的电器生成随机数量,各类电器生成的随机数量不超过步骤1调研的最大可能数量;
步骤3:使每个设备单独运行,对电器平稳运行时的电流数据进行采样,得到稳态电流数据:样本为单个电器的电流复合波的幅值数据;
步骤4:分别建立单个用电设备的M域矩阵M1[n][m],其中n为用电设备个数,m为采样周期内电流幅值的极高点与极低点的总个数;
步骤5:根据多个电器同时运行的电流稳态数据建立电流复合波的M域矩阵M2[n][m];
步骤6:对所述M域矩阵M1[n][m]加权求和,并与所述M域矩阵M2[n][m]建立带约束的估计方程组;
步骤7:基于所述带约束的估计方程组,建立引入电器数量后的适应度函数;
步骤8:将步骤2生产的随机数量带入所述适应度函数中,求出随机生成的多个电器数量数组的估计值Q';
步骤9:计算估计值Q'与实际监测值Q的距离d;
步骤10:选择d较小的电器数量数组作为局部最优解并放弃d较大的电器数量数组;
步骤11:在局部最优解的电器数量数组的某些位上随机改变数值,得到新的电器数量数组,使用新的电器数量数组计算Q'与实际监测到的Q的距离d,并与之前选出的局部最优的电器数量数组相比较,保留更优的电器数量数组;
步骤12:重复步骤11,得出最优的电器数量数组,得到可能的各电器运行数量。
进一步的,步骤2生成以二进制编码的随机数量.
进一步的,步骤4中的M域矩阵M1[n][m]是由第i个用电设备的采样点Pij的电流幅值按照采样顺序建立的二维矩阵,其中i=[1,2,…,n],j=[1,2,…,m]。
进一步的,步骤5中的M域矩阵M2[n][m]是由采样点Qj的电流幅值按照采样顺序建立组成的,其中j=[1,2,…,m],所述采样点Qj的采样频率与步骤4中采样点Pij的采样频率一致。
进一步的,所述带约束的估计方程组为:
其中i=[1,2,…,n],j=[1,2,…,m]。
进一步的,所述适应度函数为:
其中i=[1,2,…,n],j=[1,2,…,m];
其中,Npi为数组中第i个用电设备对应的电器数量。
进一步的,步骤7具体为:
在所述带约束的估计方程组中,通过选择不同的方程个数以及采用不同的方程组合的方式,进行遍历匹配求解;得到最接近M域矩阵M2[n][m]的采样点电流幅值数据的方程组合Y,由所述方程组合Y中包含的M域矩阵M1[n][m]得到电力负载中包含的电器类型。
进一步的,步骤9中,距离d的计算公式为:
进一步的,步骤2生成的数组的个数以及步骤12中的重复次数根据计算平台的运算能力确定。
本发明的有益效果是:(1)本发明只需每隔一定时间周期进行电流数据采样,再对由稳态数据所形成的带约束的不相容估计方程组进行最优计算,求得各电器稳态电流的权重系数的最优解,便可实现负载识别,知道哪个/类电器正在使用。本方法的采样频率低,可以大幅降低采集硬件的成本,且不需要对原有线路进行改造,无需破坏原有线路。
(2)非侵入式电力负荷监测NILM系统仅需在住户进户线总开关处或者工业车间总线上安装一个传感器,通过采集和分析电力用户的用电总电流来识别总负荷内部每个/类用电设备。与其他NILM基于瞬态特征的分解技术比较,本发明仅针对电器稳态工况下的电流特征就能达到高识别率。
(3)并且,本发明还提供了一种稳态工况下的非侵入式电力负载识别优化算法,该方法基于电器数量的编码方法以及适应度函数,通过最优解迭代的思想获得各电器稳态电流的权重系数的最优解,提高识别精度。
附图说明
图1是本发明随机数量电器数组生成方法图。
具体实施方式
下面结合附图及实施例,进一步说明本发明的技术方案。
实施例1:
实施例1提供一种基于稳态电流的非侵入式电力负载识别方法,具体步骤包括:
(1)根据电力负荷的实际会用到的用电设备情况,选取待测用电设备,使每个待测设备单独运行,对电器平稳运行时的电流数据进行采样即稳态电流数据:样本为单个电器的电流复合波的幅值数据。
(2)构建单个用电设备独立运行的单元电流参数M域二维矩阵M1[n][m]。M域是由单个电器运行时电流复合波在二维空间(电流幅值与时间)中的m个幅值的极高点与极低点的连线组成。电视M域由m个顺序采样的P1点(P11,P12,…,P1m)的电流幅值组成,烧水壶M域由m个顺序采样的P2点(P21,P22,…,P2m)的电流幅值组成)。n是单个电器运行状态下的被测电器个数,决定了样本空间的大小。二维矩阵M1[n][m]是建立的样本库,包含了n个用电设备的采样点的电流幅值。
(3)对多个用电设备同时运行时的电流稳态数据进行电流复合波的M域矩阵M2[1][m]的构建,M域矩阵M2[1][m]由m个顺序采样的Q点(Q1,Q2,…,Qm)的电流幅值组成),采样频率与步骤(2)中P点(P1点,P2点,…,Pn点)和Q点的采样频率相同;
(4)将步骤(2)中的M域矩阵M1[n][m]加权求和与步骤(3)中的M域矩阵M2[1][m]形成带约束的估计方程组:
Q1'=ω11P11+ω21P21+…+ωn1Pn1,其中ω11=P11/总电流幅值,ω21=P21/总电流幅值,ωn1=Pn1/总电流幅值;此时总电流幅值=P11+P21+…+Pn1;
Q2'=ω12P12+ω22P22+…+ωn2Pn2;其中ω12=P12/总电流幅值,ω22=P22/总电流幅值,ωn2=Pn2/总电流幅值;此时总电流幅值=P12+P22+…+Pn2;
Qm'=ω1mP1m+ω2mP2m+…+ωnmPnm,其中ω1m=P1m/总电流幅值,ω2m=P2m/总电流幅值,ωnm=Pnm/总电流幅值;此时总电流幅值=P1m+P2m+…+Pnm;
(5)估计方程组的大小是随机的,通过增减Px的个数和不同的组合方式来进行随机匹配(其中,Px为从M1[n][m]中随机选取的x电器的m个电流幅值数据采样点,如方程组合1选择P1,P3,P6;方程组合2选择P2,P5,P6,P8,P9,将选出的Px带入步骤(4)的方程组中运算。
(6)通过步骤(5)中求得的最接近Q1,Q2,…,Qm的方程组Y(方程组Y为一组Px的组合,例如P1,P6,P8,其中P1可能是电水壶的采样点,P6是电扇的采样点,P8是电脑的采样点),据此就可识别出当前正在使用的电器类型(按本例则为电水壶、电扇和电脑在同时使用)。
实施例2
在实施例1中提到了数据采样过程,建立估计方程组求解,但是对于最优解的选取过程仍有改进空间,因此实施例2提供一种稳态工况下的非侵入式电力负载识别优化算法,该方法基于电器数量的编码方法以及适应度函数,通过最优解迭代的思想获得各电器稳态电流的权重系数的最优解。实施例2具体包括如下步骤:
步骤1:调研实际使用环境中可能存在的电器种类以及各类电器的最大可能数量,例如正常使用环境中冰箱数量<=1,微波炉数量<=1,油烟机数量<=1,空调数量<=4,PC/TV数量<=3,风扇数量<=3等;
步骤2:生成电器数量数组,并对数组中的电器生成随机数量,各类电器生成的随机数量不超过步骤1调研的最大可能数量,数组的个数为u(u的大小选取取决于计算平台的处理能力,越大越好)。(见图1,示例中的数组依次代表冰箱、风扇、空调、PC/TV、电暖器、微波炉、油烟机等电器,所填充的二进制数字为所表示的该类电器数量);
步骤3:按照实施例1所述的方法,采集数据并建立带约束的估计方程组:
其中i=[1,2,…,n],j=[1,2,…,m];
步骤4:基于步骤3所述带约束的估计方程组,建立引入电器数量后的适应度函数:
其中i=[1,2,…,n],j=[1,2,…,m];
其中,以及分别为各数组对应的电器数量,例如图1中数组1的冰箱和风扇为0,则为0,空调数量为1,则为1,将该数量代入步骤4的适应度函数公式即可得出估计的Q'1、Q'2以及Q'm。
步骤5:将步骤2生产的随机数量带入所述适应度函数中,求出随机生成的多个电器数量数组的估计值Q',计算原理可参考实施例1;
步骤6:计算估计值Q'与实际监值Q的距离d,其中,实际监值Q即实施例1中步骤(4)顺序采样的Q点(Q1,Q2,…,Qm),计算距离d时:d1=Q1-Q1',d2=Q2–Q2',…,dm=Qm-Qm',d=d1+d1+…+dm;
步骤7:选择d较小的电器数量数组作为局部最优解并放弃d较大的电器数量数组;
步骤8:在局部最优解的电器数量数组的某些位上随机改变数值,得到新的电器数量数组(例如图1中数组4和数组6是最优解,那么可随机的将数组4的前6位改变数值,或者数组6的后3位改变数值,得到新的数组,并重复该操作随机生成更多新的电器数量数组),使用新的电器数量数组计算Q'与实际监测到的Q的距离d,并与之前选出的局部最优的电器数量数组相比较,保留更优的电器数量数组;
步骤9:重复步骤8,重复次数根据计算平台的运算能力而定;
步骤10:完成重复次数,得出最优的电器数量数组,得到可能的各电器运行数量。
Claims (9)
1.一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,包括如下步骤:
步骤1:调研实际使用环境中可能存在的电器种类以及各类电器的最大可能数量;
步骤2:生成电器数量数组,并对数组中的电器生成随机数量,各类电器生成的随机数量不超过步骤1调研的最大可能数量;
步骤3:使每个设备单独运行,对电器平稳运行时的电流数据进行采样,得到稳态电流数据:样本为单个电器的电流复合波的幅值数据;
步骤4:分别建立单个用电设备的M域矩阵M1[n][m],其中n为用电设备个数,m为采样周期内电流幅值的极高点与极低点的总个数;
步骤5:根据多个电器同时运行的电流稳态数据建立电流复合波的M域矩阵M2[n][m];
步骤6:对所述M域矩阵M1[n][m]加权求和,并与所述M域矩阵M2[n][m]建立带约束的估计方程组;
步骤7:基于所述带约束的估计方程组,建立引入电器数量后的适应度函数;
步骤8:将步骤2生产的随机数量带入所述适应度函数中,求出随机生成的多个电器数量数组的估计值Q';
步骤9:计算估计值Q'与实际监值Q的距离d;
步骤10:选择d较小的电器数量数组作为局部最优解并放弃d较大的电器数量数组;
步骤11:在局部最优解的电器数量数组的某些位上随机改变数值,得到新的电器数量数组,使用新的电器数量数组计算Q'与实际监测到的Q的距离d,并与之前选出的局部最优的电器数量数组相比较,保留更优的电器数量数组;
步骤12:重复步骤11,得出最优的电器数量数组,得到可能的各电器运行数量。
2.如权利要求1所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤2生成以二进制编码的随机数量。
3.如权利要求1所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤4中的M域矩阵M1[n][m]是由第i个用电设备的采样点Pij的电流幅值按照采样顺序建立的二维矩阵,其中i=[1,2,…,n],j=[1,2,…,m]。
4.如权利要求3所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤5中的M域矩阵M2[n][m]是由采样点Qj的电流幅值按照采样顺序建立组成的,其中j=[1,2,…,m],所述采样点Qj的采样频率与步骤4中采样点Pij的采样频率一致。
5.如权利要求4所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,所述带约束的估计方程组为:
其中i=[1,2,…,n],j=[1,2,…,m]。
6.如权利要求5所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,所述适应度函数为:
其中i=[1,2,…,n],j=[1,2,…,m];
其中,Npi为数组中第i个用电设备对应的电器数量。
7.如权利要求5所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤7具体为:
在所述带约束的估计方程组中,通过选择不同的方程个数以及采用不同的方程组合的方式,进行遍历匹配求解;得到最接近M域矩阵M2[n][m]的采样点电流幅值数据的方程组合Y,由所述方程组合Y中包含的M域矩阵M1[n][m]得到电力负载中包含的电器类型。
8.如权利要求1所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤9中,距离d的计算公式为:
9.如权利要求1所述的一种稳态工况下的非侵入式电力负载识别优化算法,其特征在于,步骤2生成的数组的个数以及步骤12中的重复次数根据计算平台的运算能力确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407291.0A CN109521296B (zh) | 2018-11-23 | 2018-11-23 | 一种稳态工况下的非侵入式电力负载识别优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407291.0A CN109521296B (zh) | 2018-11-23 | 2018-11-23 | 一种稳态工况下的非侵入式电力负载识别优化算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521296A true CN109521296A (zh) | 2019-03-26 |
CN109521296B CN109521296B (zh) | 2020-09-01 |
Family
ID=65777572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811407291.0A Active CN109521296B (zh) | 2018-11-23 | 2018-11-23 | 一种稳态工况下的非侵入式电力负载识别优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521296B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261693A (zh) * | 2019-04-16 | 2019-09-20 | 南京华盾电力信息安全测评有限公司 | 一种基于稳态采样技术的在线热力试验方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN106501728A (zh) * | 2016-11-23 | 2017-03-15 | 湖北大学 | 一种基于多目标遗传算法的电池等效模型参数识别方法 |
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
CN106872824A (zh) * | 2017-02-15 | 2017-06-20 | 宁波华创锐科智能科技有限公司 | 一种电网负载电器类型识别和不同电器电量统计的方法及其装置 |
CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
-
2018
- 2018-11-23 CN CN201811407291.0A patent/CN109521296B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN106501728A (zh) * | 2016-11-23 | 2017-03-15 | 湖北大学 | 一种基于多目标遗传算法的电池等效模型参数识别方法 |
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
CN106872824A (zh) * | 2017-02-15 | 2017-06-20 | 宁波华创锐科智能科技有限公司 | 一种电网负载电器类型识别和不同电器电量统计的方法及其装置 |
Non-Patent Citations (1)
Title |
---|
常晓通 等: "一种基于遗传算法的时域内稳态动载荷识别", 《应用力学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261693A (zh) * | 2019-04-16 | 2019-09-20 | 南京华盾电力信息安全测评有限公司 | 一种基于稳态采样技术的在线热力试验方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109521296B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN105514993B (zh) | 一种电力负荷分解方法及装置 | |
Wu et al. | Event‐based non‐intrusive load identification algorithm for residential loads combined with underdetermined decomposition and characteristic filtering | |
CN106786608B (zh) | 一种适用于分布式电源接入的不确定谐波潮流计算方法 | |
Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
Schirmer et al. | Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation | |
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
Fatouh et al. | New semi-supervised and active learning combination technique for non-intrusive load monitoring | |
Tang et al. | Semi-intrusive load monitoring for large-scale appliances | |
CN109521296A (zh) | 一种稳态工况下的非侵入式电力负载识别优化算法 | |
Paraskevas et al. | Domestic smart metering infrastructure and a method for home appliances identification using low‐rate power consumption data | |
Elombo et al. | Residential load variability and diversity at different sampling time and aggregation scales | |
CN110009231A (zh) | 一种基于重复性和熵权区分性的用电负荷识别方法及装置 | |
CN109270368A (zh) | 一种基于稳态电流的非侵入式电力负载识别方法 | |
Wang et al. | Short term load forecasting based on vmd-dnn | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
Li et al. | The investigation of residential load identification technologies | |
Song et al. | Non-intrusive load decomposition method based on the factor hidden Markov model | |
Luo et al. | Short-term voltage stability assessment based on local autopattern discovery | |
CN112379159A (zh) | 一种基于电器运行模式的非侵入式家用负荷分解方法 |
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 |