CN109541346B - 一种稳态工况下的非侵入式电力负载识别提升方法 - Google Patents
一种稳态工况下的非侵入式电力负载识别提升方法 Download PDFInfo
- Publication number
- CN109541346B CN109541346B CN201811407402.8A CN201811407402A CN109541346B CN 109541346 B CN109541346 B CN 109541346B CN 201811407402 A CN201811407402 A CN 201811407402A CN 109541346 B CN109541346 B CN 109541346B
- Authority
- CN
- China
- Prior art keywords
- point
- sampling
- current
- domain
- matrix
- 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
- 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
Abstract
本发明公开了一种稳态工况下的非侵入式电力负载识别提升方法,包括:待用电设备工作状态稳定后记录一段相同时间轴的电压信号和电流信号;找出这段电压信号的最低点Vlow和最高点Vhigh,求得过零点V0=(Vlow+Vhigh)/2;对电压信号的幅值按时间顺序找出Vstart,Istart,Vend和Iend;在Istart和Iend作为起始点的采样周期中,建立M域矩阵。本发明在选取采样周期内电流值的极高点和极低点确定M域时,通过相位对齐方法,找到采样周期的最佳起始点,克服了起始点选取偏差对后面算法的影响。
Description
技术领域
本发明涉及非侵入式电力负荷监测技术领域,具体的说,是一种稳态工况下的非侵入式电力负载识别提升方法。
背景技术
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。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端电压和用电总电流来辨识总负荷内部每个/类用电设备的用电功率和工作状态(如空调具有制冷、制热、待机和停机四种不同工作状态),从而知晓每个/类用电设备的耗电状态和用电规律。本发明基于申请号为:201811021392.4,名称为:一种基于稳态电流的非侵入式电力负载识别方法的专利申请的基础上,进行改进。对“M域”的选取过程,通过在采样周期内电流幅值的极高点与极低点来确定“M域”,但是不论极高点或极低点可能都不是“M域”的最佳起点,因为含有电感和电容的电路可能使电流信号移相或反相,“M域”起始点选取的偏差会对后面的算法识别造成较大影响,因此,提出一种更优的“M域”选取方法,提升电器识别率。
发明内容
本发明的目的在于提供一种稳态工况下的非侵入式电力负载识别提升方法,用于解决现有技术中在采样周期内电流幅值的极高点与极低点来确定“M域”会造成电流信号移相或者反相的问题。
本发明通过下述技术方案解决上述问题:
一种稳态工况下的非侵入式电力负载识别提升方法,包括:
步骤S100:待用电设备工作状态稳定后记录一段相同时间轴的电压信号和电流信号;
步骤S200:找出这段电压信号的最低点Vlow和最高点Vhigh,求得过零点V0=(Vlow+Vhigh)/2;
步骤S300:对电压信号的幅值按时间顺序作如下判断:
当满足Vd-1<V0且Vd>=V0时,
则Vb经过零点,记为Vstart,Vstart对应的时间点为Tstart,时间点Tstart对应的电流信号为Istart,其中α的大小是抖动处理的偏移量,b为选取点的总个数,d=1,2,…,b;
当找到第a个经过零点的幅值时,记为Vend,并且记录Vend对应的时间点Tend,时间点Tend对应的电流信号为Iend;
步骤S400:选取Istart和Iend之间的电流信号波形作为构建M域矩阵的起点和结束点,分别建立单个用电设备的M域矩阵M1[i][m],其中,i=[1,2,…,n],n为用电设备个数,y为采样周期内电流幅值的极高点与极低点的总个数;
步骤S500: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S600:对所述M域矩阵M1[i][m]加权求和与所述M域矩阵M2[n][m]建立带约束的估计方程组;
步骤S700:求解所述带约束的估计方程组的最优解,识别当前电力负载中的电器类型。
进一步地,所述步骤S400中的M域矩阵M1[i][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]。
进一步地,所述步骤S200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的采样频率与所述步骤S400中采样点Pij的采样频率一致。
进一步地,所述带约束的估计方程组为:
进一步地,所述步骤S700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[i][m]得到电力负载中包含的电器类型。
本发明与现有技术相比,具有以下优点及有益效果:
本发明在选取采样周期内电流值的极高点和极低点确定M域时,通过相位对齐方法,找到采样周期的最佳起始点,克服了起始点选取偏差对后面算法的影响,使用本方法选取的“M域”可以提升综合识别率约15%。
附图说明
图1为本发明的电流信号M域选取方法示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1:
一种稳态工况下的非侵入式电力负载识别提升方法,包括:
步骤S100:待用电设备工作状态稳定后记录一段相同时间轴的电压信号和电流信号,优选时间为200ms;
步骤S200:找出这段电压信号的最低点Vlow和最高点Vhigh,求得过零点V0=(Vlow+Vhigh)/2,如图1所示;
步骤S300:对电压信号的幅值按时间顺序作如下判断:
当满足Vd-1<V0且Vd>=V0时,
则Vd经过零点,记为Vstart,Vstart对应的时间点为Tstart,时间点Tstart对应的电流信号为Istart,其中α的大小是抖动处理的偏移量,根据计算能力确定,可以定义α=10,b为选取点的总个数,d=1,2,…,b;
当找到第a个经过零点的幅值时,记为Vend,并且记录Vend对应的时间点Tend,时间点Tend对应的电流信号为Iend;a的大小取决于期望选取的M域的大小,为了选完整的周波,在计算过程中只筛选了上升沿,因此,图1中a=3,等于3的时候就是2个周期的波形。
步骤S400:选取Istart和Iend之间的电流信号波形作为构建M域矩阵的起点和结束点,分别建立单个用电设备的M域矩阵M1[i][m],得到相对电压信号对齐的电流M域矩阵,其中i=[1,2,…,n],y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S500: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],得到相对电压信号对齐的电流M域矩阵;
步骤S600:对所述M域矩阵M1[i][m]加权求和与所述M域矩阵M2[n][m]建立带约束的估计方程组;
步骤S700:求解所述带约束的估计方程组的最优解,识别当前电力负载中的电器类型。
进一步地,所述步骤S400中的M域矩阵M1[i][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]。
进一步地,所述步骤S200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的采样频率与所述步骤S400中采样点Pij的采样频率一致。
进一步地,所述带约束的估计方程组为:
进一步地,所述步骤S700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[i][m]得到电力负载中包含的电器类型。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (4)
1.一种稳态工况下的非侵入式电力负载识别提升方法,其特征在于,包括:
步骤S100:分别建立单个用电设备的M域矩阵M1[i][m],M域矩阵M1[i][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],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S200: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],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];
步骤S300:待用电设备工作状态稳定后记录一段相同时间轴的电压信号和电流信号,找出这段电压信号的最低点Vlow和最高点Vhigh,求得过零点V0=(Vlow+Vhigh)/2,对电压信号的幅值按时间顺序作如下判断:
当满足Vd-1<V0且Vd>=V0时,
则Vd经过零点,记为Vstart,Vstart对应的时间点为Tstart,时间点Tstart对应的电流信号为Istart,其中α的大小是抖动处理的偏移量,b为选取点的总个数,d=1,2,…,b;
当找到第a个经过零点的幅值时,记为Vend,并且记录Vend对应的时间点Tend,时间点Tend对应的电流信号为Iend;
步骤S400:选取Istart和Iend之间的电流信号波形作为构建M域矩阵的起点和结束点,分别建立单个用电设备的M域矩阵M1[i][m],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S500: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S600:对所述M域矩阵M1[i][m]加权求和与所述M域矩阵M2[n][m]建立带约束的估计方程组;
步骤S700:求解所述带约束的估计方程组的最优解,识别当前电力负载中的电器类型。
2.根据权利要求1所述的一种稳态工况下的非侵入式电力负载识别提升方法,其特征在于,所述采样点Qj的采样频率与采样点Pij的采样频率一致。
4.根据权利要求3所述的一种稳态工况下的非侵入式电力负载识别提升方法,其特征在于,所述步骤S700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[i][m]得到电力负载中包含的电器类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407402.8A CN109541346B (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提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407402.8A CN109541346B (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提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109541346A CN109541346A (zh) | 2019-03-29 |
CN109541346B true CN109541346B (zh) | 2020-10-23 |
Family
ID=65849431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811407402.8A Active CN109541346B (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提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541346B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146758B (zh) * | 2019-05-28 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110347725B (zh) * | 2019-07-16 | 2022-08-16 | 四川长虹电器股份有限公司 | 一种非侵入式电力负载识别错误样本的采集方法 |
CN113158446A (zh) * | 2021-04-07 | 2021-07-23 | 国网江苏省电力有限公司信息通信分公司 | 非侵入式电力负载识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182250A (zh) * | 2015-08-24 | 2015-12-23 | 北京国电通网络技术有限公司 | 一种非侵入式分布式电源出力监测装置 |
US9551686B1 (en) * | 2013-03-09 | 2017-01-24 | William F. Griffith | Apparatus and method of non-invasive analysis and identification of physical materials in real time |
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 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN108847665A (zh) * | 2018-06-26 | 2018-11-20 | 广东石油化工学院 | 一种非侵入式负荷分解方法及系统 |
-
2018
- 2018-11-23 CN CN201811407402.8A patent/CN109541346B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9551686B1 (en) * | 2013-03-09 | 2017-01-24 | William F. Griffith | Apparatus and method of non-invasive analysis and identification of physical materials in real time |
CN105182250A (zh) * | 2015-08-24 | 2015-12-23 | 北京国电通网络技术有限公司 | 一种非侵入式分布式电源出力监测装置 |
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 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN108847665A (zh) * | 2018-06-26 | 2018-11-20 | 广东石油化工学院 | 一种非侵入式负荷分解方法及系统 |
Non-Patent Citations (3)
Title |
---|
《Research on load identification based on load steady and transient signal processing》;Zhensheng Wu等;《IEEE》;20180227;全文 * |
《基于DTW算法与稳态电流波形的非侵入式负荷辨识方法》;祁兵等;《电力系玩自动化》;20180210;全文 * |
《基于改进聚类和DTW的非侵入式负荷识别》;王丹等;《信息通信》;20180731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109541346A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541346B (zh) | 一种稳态工况下的非侵入式电力负载识别提升方法 | |
CN103119454B (zh) | 从电压下降推断能量使用 | |
CN110531155B (zh) | 一种用于户变关系识别的投切电阻信号生成方法及系统 | |
Weiss et al. | Leveraging smart meter data to recognize home appliances | |
JP3892358B2 (ja) | 消費電力の変動が頻繁に起こる電気機器の動作状態を推定する方法および消費電力の変動が頻繁に起こる電気機器のモニタリングシステム | |
CN109813978A (zh) | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
JP5520338B2 (ja) | 電気機器検出および電力消費量モニタリングシステム | |
WO2010103332A1 (en) | Current measuring device | |
CN112180193A (zh) | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 | |
Girmay et al. | Simple event detection and disaggregation approach for residential energy estimation | |
CN112019241B (zh) | 一种用于在电力系统中识别设备关联关系的方法及系统 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN108918931B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
CN108595376B (zh) | 一种区分定频空调与冲击钻的非侵入负荷辨识方法 | |
CN109447473B (zh) | 一种电力负荷监测方法、装置、设备及可读存储介质 | |
CN109145825B (zh) | 一种相干噪声滤除方法及系统 | |
CN110555787B (zh) | 基于改进粒子群算法的非入侵式负荷识别方法 | |
CN108572292A (zh) | 一种微波炉非侵入负荷辨识方法 | |
Bier et al. | Smart meter systems measurements for the verification of the detection & classification algorithms | |
CN109241874B (zh) | 能量分解中功率信号滤波方法 | |
CN107482786B (zh) | 一种无线充电系统负载估计方法 | |
Buchhop et al. | Residential load identification based on load profile using artificial neural network (ANN) | |
Djordjevic et al. | Nonintrusive identification and type recognition of household appliances based on the harmonic analysis of the steady-state current |
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 |