CN110009231A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110009231A
CN110009231A CN201910271342.XA CN201910271342A CN110009231A CN 110009231 A CN110009231 A CN 110009231A CN 201910271342 A CN201910271342 A CN 201910271342A CN 110009231 A CN110009231 A CN 110009231A
Authority
CN
China
Prior art keywords
load
entropy weight
repeatability
distinction
index
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
Application number
CN201910271342.XA
Other languages
English (en)
Inventor
殷煌凯
许仪勋
李盈含
史光宇
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.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201910271342.XA priority Critical patent/CN110009231A/zh
Publication of CN110009231A publication Critical patent/CN110009231A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于重复性和熵权区分性的负荷识别方法及装置,具体包括以下步骤:采集电气系统总线上电气系统的负荷特征数据;通过重复性指标和熵权区分性指标对负荷特征数据进行筛选,得到优选负荷特征数据;通过优选负荷特征数据简化电流谐波模型;结合有功、无功和电流谐波作为负荷识别模型,采用离散二进制的粒子群算法求解优化后的负荷识别模型,获取负荷识别结果。与现有技术相比,本发明在不改变整体算法的基础上,通过简化模型达到提升准确度,极大简化了工程实践中的操作和计算成本。

Description

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
技术领域
本发明涉及非侵入式负荷检测领域,尤其是涉及一种基于重复性和熵权区分性的负荷识别方法及装置。
背景技术
对电力系统而言,电力负荷监测意义重大,它有利于改善负荷组成,引导用户合理消费,降低用电成本。现有的居民电力负荷监测技术主要包括侵入式负荷监测和非侵入式负荷监测。
侵入式负荷识别方法需要在用电设备和插座之间安装硬件设备,当监测的用户数多时,需要采购大量的硬件设备,在一定程度上增加了采购成本,其次,硬件设备本身需要消耗电能,此外,安装时需要进入用户室内,给安装和维护带来不便;
而非侵入式负荷监测多采用一个识别算法模型,采集电气系统的数据后输入识别算法模型,求解获取识别结果。但是,现有的负荷识别模型求解过程中需要大量的参数建立负荷特征库,而过大的负荷特征库导致每次求解占用计算机内存过大,识别速度变慢,降低了识别的速度和准确度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于重复性和熵权区分性的用电负荷识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于重复性和熵权区分性的负荷识别方法,具体包括以下步骤:
S1、采集电气系统总线上电气系统的负荷特征数据;
S2、通过重复性指标和熵权区分性指标对负荷特征数据进行筛选,得到优选负荷特征数据;
S3、通过优选负荷特征数据简化电流谐波模型;
S4、将简化后的电流谐波模型结合有功功率模型和无功功率模型作为负荷识别模型,采用离散二进制的粒子群算法求解负荷识别模型,获取负荷识别结果。
进一步地,所述步骤S2中具体包括:
S21、获取设定范围内重复性指标值最高的多个负荷特征数据,记为第一区间数据;
S22、获取设定范围内熵权区分性指标值最高的多个负荷特征数据,记为第二区间数据;
S23、获取将第一区间数据和二区间数据的数据交集,该交集即为优选负荷特征数据。
进一步地,所述重复性指标的表达式为:
式中,Gre,i(X)为第i个负荷特征数据X的重复性指标;Di(X)为所有负荷特征数据X的均值;μi(X)为数据值之间的不确定度。
进一步地,所述μi(X)的表达式为:
式中,Xk表示负荷特征数据X的第k次数据值;n为数据的总数。
进一步地,所述的步骤S2中熵权区分性指标的获取步骤如下:
A1、根据负荷特征数据形成评价矩阵R',其表达式为:
A2、对R'进行归一化后形成矩阵R,再对R中的每个元素计算熵权值ωj,该熵权值ωj即为熵权区分性指标,其中j为矩阵R中第j个元素。
进一步地,所述的熵权值ωj表达式为:
式中,Hj表示熵值。
进一步地,所述的负荷特征数据包括电流谐波、有功功率和无功功率。
一种负荷识别装置,包括处理器以及存储器,所述处理器调用存储器中的数据执行程序,用于实现如权利要求1至7中任一项所述的基于重复性和熵权区分性的负荷识别方法。
与现有技术相比,本发明具有以下优点:
本发明利用重复性和熵权区分性两个指标从大量的负荷数据中筛选出优选负荷特征数据,然后根据优选负荷特征数据简化电流谐波的数学模型。重复性指标能够减小相同负荷特征数据间的差异性,可快速找到代表单个负荷的特征;熵权区分性指标能够放大不同的负荷间特征数据的差异度,从而便于不同特征数据之间的辨识。因此,经过筛选的优选负荷特征数据既减少了数据量,又能提高了数据的有效性。有功、无功和优化后的电流谐波的负荷识别模型采用现有的离散二进制粒子群算法求解,在不改变整体算法的基础上,通过简化模型达到提升准确度,极大简化了工程实践中的操作和计算成本。
附图说明
图1为本发明的流程示意图。
图2为微波炉五次测量的频谱示意图。
图3为6种电器的频谱示意图。
图4为收敛曲线的对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
图如1所示,本实施例提供了一种基于重复性和熵权区分性的用电负荷识别方法,具体包括以下步骤:
步骤S1、采集电气系统总线上电气系统的负荷特征数据。
步骤S2、通过重复性指标和熵权区分性指标对负荷特征数据进行筛选,得到优选负荷特征数据:
步骤S21、获取设定范围内重复性指标值最高的多个负荷特征数据,记为第一区间数据;
步骤S22、获取设定范围内熵权区分性指标值最高的多个负荷特征数据,记为第二区间数据;
步骤S23、获取将第一区间数据和二区间数据的数据交集,该交集即为优选负荷特征数据。
步骤S3、通过优选负荷特征数据简化电流谐波模型。
S4、将简化后的电流谐波模型结合有功功率模型和无功功率模型作为负荷识别模型,采用离散二进制的粒子群算法求解负荷识别模型,获取负荷识别结果。
传统的负荷识别模型常采用电流谐波、有功功率和无功功率进行识别,算法求解需要大量的参数建立负荷特征库,而过大的负荷特征库导致每次求解占用计算机内存过大,识别速度变慢。本专利提出利用重复性和熵权区分性两个指标优化电流谐波的数学模型,通过指标挑选的负荷特征数据,在不同的负荷特征量之间放大了差异度,在相同负荷特征间缩小了差异,有利于提高负荷识别精度。优化后的数学模型采用离散二进制的粒子群算法求解,可应用在大量负荷同时工作时负荷求解的科学领域和工程领域。
重复性指标:
由于存在背景谐波和本级电网中其他谐波的影响,重复性指标的应用尤为重要,其定义为对单个电器在不同的工作环境下,多次重复测量,各个负荷特征趋于一致的数值指标。计算后的数值表明:重复性指标越高,单一负荷特征在不同的工作环境下的一致性越好;重复性指标越低,负荷的一致性越差。当重复性指标为0时,此负荷表现出变化性的负荷特征,各环境下的特征不具相关性,这对负荷识别往往是不利的。因此,本发明选择重复性指标值最高的多个负荷特征数据,减少数据量的同时突出不同负荷之间特征数据;
重复性指标Gre,i定义为负荷特征的均值与不确定度比值的对数,其表达式为:
式中,Gre,i(X)为第i个负荷特征量X的重复性指标;Di(X)为所有样本X的均值;μi(X)为测量值之间的不确定度,即测量的分散性,其定义为:
式中,Xk表示特征量X的第k次测量值;n为样本测量的总次数。
熵权区分性指标:
熵值赋权法是根据各指标的信息载量的大小来确定指标权数的方法。指标的差异程度越大,该指标的信息量就越大,指标的鉴别作用就越大,即该指标的区分能力越强。使用熵权思想对不同负荷特征间进行区分性验证。其熵权的思想为,先形成多指标的评价矩阵R',其表达式为:
每个元素rij表示第i个负荷上的第j个特征值,对R'进行归一化后形成矩阵R。再对R中的每个元素计算熵权值ωj,如式所示:
Hj为第j个特征的熵值,对上式中的参量进行解释,其中
上述公式表明,对于熵权区分性指标值大的负荷特征:代表同一特征,不同负荷之间的差异程度大,表现出各异性,放大负荷间的特征,有利于负荷识别的求解;熵权区分性值小的特征间,表明同一特征不同负荷间具有一定的联系,这对负荷识别往往是不利的。
负荷识别问题为实际可以理解为用户总端得到的实时数据与各个工作负荷同时工作时电器参量之间差的求解最小化的问题。如下式所示,本发明使用总端数据的电流f1、有功功率f2和无功功率f3进行识别。
minf(x)=β1f1(x)+β2f2(x)+β3f3(x)
每个子函数前引入代表各自负荷辨识率的权重系数β1、β2、β3,表示特征量在识别过程中所占重要程度。其中函数展开为:
负荷识别时,有功和无功的电气量在使用时只有一个数值,因此采用无需简化,但对于电流的使用,其表达式子展开为:
式中,ai,m、θi分别表示实测总电流分解后的谐波幅值和相位;x1、x2、…、xn分别代表第1、2、…、n个负荷的工作状态,x的结果为0表示未运行,结果为1表示正在运行。
一种电器的工作电流的谐波次数高达百次,常使用基波和2到20次谐波进行识别,其中包括幅值和相角,那么特征库中包括2mn个电气参量。这对于识别造成了极大的不利。采用重复性和熵权区分性指标放大负荷之间的特征差异,能够有效简化特征库模型。本实施例中采用REDD(the Reference Energy Disaggregation Data Set)数据库中的house 2数据进行仿真实验,并验证模型的正确性。其中house 2包括6种电器,分别为照明、电炉、微波炉、烘干机、冰箱、洗碗机。
一、计算重复性指标
对6种电器进行重复性指标的计算,图2为微波炉的在五个不同的工作时刻的电流谐波频谱图,对五次测量的各次谐波进行重复性指标计算,计算结果如表1所示。
表1微波炉的基波和前10次谐波重复性指标
同样的,在对于剩余5种电器进行重复性指标计算,计算结果如表2所示。
表2 house 2剩余五种电器的重复性指标
通过比较,选择出基波和3、4、6、7次的谐波特征作为第一区间数据。
二、计算熵权区分性指标
为了比较6种电器在工作时所表现出的差异程度,将其电流波形进行傅里叶变换,同时为使结果具有参考性,取前10次谐波进行分析,比较6种电器在同一谐波分量的ωj,如表3所示。
表3前10次谐波熵权区分性值指标
ωj大的谐波表示不同负荷在这些谐波间的差异程度也大,有利于提高不同负荷之间的辨识。
因此选择,选出基波和2、3、7、10次谐波特征作为第二区间数据。
综合重复性指标和区分性指标,获取第一区间数据和第二区间数据的交集,最终选取基波、3次和7次谐波作为优选负荷特征量。
简化的电流谐波模型如下式所示,将Am×n从m维减少到3维,删减了特征矩阵2n(m-3)个特征数据,极大简化了电流识别的模型。
三、速度对比
本实施例最后采用常用离散二进制粒子群算法求解简化前后的电流谐波模型的问题,将原模型中的电流谐波采用基波和前10次谐波,而简化后的谐波模型采用基波、3次和7次谐波。求解环境为matlab2010版,进行对比性实验。在微波炉和照明同时工作时,对其进行实验分析,其结果如图4所示。
简化前后的数学模型在迭代次数上具有明显的差异。采用简化后的数学模型,3次迭代得到全局最优值,同时考虑简化前后模型每次迭代的时长也不相同,简化后的模型由于使用更少的参数,平均的CPU使用率为34%,与传统方法比较,CPU的使用率为88%,在求解性能上要远远由于简化前的模型。
四、准确度对比
取REDD数据库中厨房电表中的50个时刻总端数据进行求解,利用简化后的模型进行求解,并进行准确度分析。在准确度上的分析,简化后模型的准确度已经达到90%以上,在不改变算法的基础上,通过简化模型达到提升准确度,极大简化了工程实践中的操作和计算成本。
表4前10次谐波熵权区分性值指标
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种基于重复性和熵权区分性的负荷识别方法,其特征在于,具体包括以下步骤:
S1、采集电气系统总线上电气系统的负荷特征数据;
S2、通过重复性指标和熵权区分性指标对负荷特征数据进行筛选,得到优选负荷特征数据;
S3、通过优选负荷特征数据简化电流谐波模型;
S4、将简化后的电流谐波模型结合有功功率模型和无功功率模型作为负荷识别模型,采用离散二进制的粒子群算法求解负荷识别模型,获取负荷识别结果。
2.根据权利要求1所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述步骤S2中具体包括:
S21、获取设定范围内重复性指标值最高的多个负荷特征数据,记为第一区间数据;
S22、获取设定范围内熵权区分性指标值最高的多个负荷特征数据,记为第二区间数据;
S23、获取将第一区间数据和二区间数据的数据交集,该交集即为优选负荷特征数据。
3.根据权利要求1所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述重复性指标的表达式为:
式中,Gre,i(X)为第i个负荷特征数据X的重复性指标;Di(X)为所有负荷特征数据X的均值;μi(X)为数据值之间的不确定度。
4.根据权利要求3所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述μi(X)的表达式为:
式中,Xk表示负荷特征数据X的第k次数据值;n为数据的总数。
5.根据权利要求1所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述的步骤S2中熵权区分性指标的获取步骤如下:
A1、根据负荷特征数据形成评价矩阵R',其表达式为:
A2、对R'进行归一化后形成矩阵R,再对R中的每个元素计算熵权值ωj,该熵权值ωj即为熵权区分性指标,其中j为矩阵R中第j个元素。
6.根据权利要求5所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述的熵权值ωj表达式为:
式中,Hj表示熵值。
7.根据权利要求1所述的基于重复性和熵权区分性的负荷识别方法,其特征在于,所述的负荷特征数据包括电流谐波、有功功率和无功功率。
8.一种负荷识别装置,其特征在于,所述的装置包括处理器以及存储器,所述处理器调用存储器中的数据执行程序,用于实现如权利要求1至7中任一项所述的基于重复性和熵权区分性的负荷识别方法。
CN201910271342.XA 2019-04-04 2019-04-04 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 Pending CN110009231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271342.XA CN110009231A (zh) 2019-04-04 2019-04-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271342.XA CN110009231A (zh) 2019-04-04 2019-04-04 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

Publications (1)

Publication Number Publication Date
CN110009231A true CN110009231A (zh) 2019-07-12

Family

ID=67169954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271342.XA Pending CN110009231A (zh) 2019-04-04 2019-04-04 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

Country Status (1)

Country Link
CN (1) CN110009231A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178393A (zh) * 2019-12-11 2020-05-19 广东浩迪智云技术有限公司 一种基于智能电表的用电器用电量分类计量方法及装置
CN112381665A (zh) * 2020-09-28 2021-02-19 华南理工大学 一种基于鸡群算法的多特征加权的家用电气负荷识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323469A (zh) * 2011-07-27 2012-01-18 四川大学 谐波负荷状态监测系统
CN106096805A (zh) * 2016-05-10 2016-11-09 华北电力大学 一种基于熵权法特征选择的居民用电负荷分类方法
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323469A (zh) * 2011-07-27 2012-01-18 四川大学 谐波负荷状态监测系统
CN106096805A (zh) * 2016-05-10 2016-11-09 华北电力大学 一种基于熵权法特征选择的居民用电负荷分类方法
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李秋硕等: "用于NILM的电器设备谐波特征研究", 《南方电网技术》 *
许仪勋等: "基于结构熵权法的非侵入式家电识别研究", 《电测与仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178393A (zh) * 2019-12-11 2020-05-19 广东浩迪智云技术有限公司 一种基于智能电表的用电器用电量分类计量方法及装置
CN112381665A (zh) * 2020-09-28 2021-02-19 华南理工大学 一种基于鸡群算法的多特征加权的家用电气负荷识别方法

Similar Documents

Publication Publication Date Title
CN106936129B (zh) 基于多特征融合的电力负荷辨识方法及系统
CN110954744A (zh) 一种基于事件检测的非侵入式负荷监测方法
CN106093630B (zh) 一种非侵入式家用电器辨识方法
CN107832705A (zh) 一种基于典型相关分析的非侵入式负荷识别方法
WO2014075581A1 (zh) 非侵入式电力负荷监测与分解的电流模式匹配方法
CN103020459B (zh) 一种多维度用电行为的感知方法及系统
CN106872824A (zh) 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
Lee Electric load information system based on non-intrusive power monitoring
CN111209976B (zh) 一种非侵入式负荷监测方法及系统
CN109470957B (zh) 一种基于弗雷歇距离的非侵入式电器识别方法
CN109299134B (zh) 一种非侵入式监测系统下电器的识别方法
CN114970633B (zh) 一种基于lstm的非侵入式用电器识别方法、系统及设备
Chen et al. Mining appliance usage patterns in smart home environment
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
Đorđević et al. A non-intrusive identification of home appliances using active power and harmonic current
Welikala et al. Robust non-intrusive load monitoring (nilm) with unknown loads
CN112560977B (zh) 基于稀疏分类器阶层式算法的非侵入式负荷分解方法
CN111199014B (zh) 一种基于时间序列的seq2point的NILM方法及装置
CN114240041A (zh) 配网台区精益化线损分析方法及系统
CN116861316A (zh) 一种电器监测方法及装置
Wu et al. A nonintrusive fast residential load identification algorithm based on frequency‐domain template filtering
CN110896218B (zh) 一种用于建立集合性居民负荷的谐波建模方法及系统
Pengfei et al. Non-intrusive load monitoring method based on LMD and KNN algorithm
Blanco et al. Aggregation characteristic of low-order harmonic currents in residential low-voltage networks
Choksi et al. Novel computational-index as a representative feature for non-intrusive load monitoring

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190712

WD01 Invention patent application deemed withdrawn after publication