CN110333404A - 一种非侵入式的负荷监测方法、装置、设备及存储介质 - Google Patents

一种非侵入式的负荷监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110333404A
CN110333404A CN201910549036.8A CN201910549036A CN110333404A CN 110333404 A CN110333404 A CN 110333404A CN 201910549036 A CN201910549036 A CN 201910549036A CN 110333404 A CN110333404 A CN 110333404A
Authority
CN
China
Prior art keywords
load
value
load condition
characteristic value
amplitude
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
Application number
CN201910549036.8A
Other languages
English (en)
Other versions
CN110333404B (zh
Inventor
陆志刚
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.)
Jiangmen Electric Power Design Consulting Co Ltd
Original Assignee
Jiangmen Electric Power Design Consulting Co Ltd
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 Jiangmen Electric Power Design Consulting Co Ltd filed Critical Jiangmen Electric Power Design Consulting Co Ltd
Priority to CN201910549036.8A priority Critical patent/CN110333404B/zh
Publication of CN110333404A publication Critical patent/CN110333404A/zh
Application granted granted Critical
Publication of CN110333404B publication Critical patent/CN110333404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/48—Meters specially adapted for measuring real or reactive components; Meters specially adapted for measuring apparent energy
    • G01R11/50—Meters specially adapted for measuring real or reactive components; Meters specially adapted for measuring apparent energy for measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种非侵入式的负荷监测方法、装置、设备及存储介质，选取若干个不同的负荷状态，获取负荷状的特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；建立负荷特征数据库；利用二进制粒子群优化算法选出所述特征值的全局最优极值和全局最优位置，构建起负荷状态识别算法；本发明利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成利用稳态基波有功功率和稳态谐波电流的奇次谐波的幅值作为特征值，能够从总电流中快速识别不同的负荷类型，减小系统识别负荷的计算量。

Description

一种非侵入式的负荷监测方法、装置、设备及存储介质
技术领域
本发明涉及智能电网高级量测体系技术领域，特别是一种非侵入式的负荷监测方法、装置、设备及存储介质。
背景技术
随着人民生活水平的不断提高，城乡居民用电量快速增长，已成为电网高峰负荷乃至尖峰负荷的重要组成，给电网安全运行带来了挑战。高级量测体系的建立和智能电器在家庭中的普及为居民用户参与电网调峰等友好互动创造了条件。因此，利用居民用电数据对居民用电行为进行精细化分析是发挥其需求响应潜力的基础。
相对于侵入式负荷监测需要大量大面积的安装设备，投资大，友好性差的缺点，非侵入式负荷监测只需要在用户电力入口处安装负荷监测装置，进行负荷识别和用电行为分解得到用户内部各类电器准确的用电信息。
常见的家电负荷通常分为线性负荷和非线性负荷，其中线性负荷运行时谐波含量较少，而非线性负荷运行时谐波含量较高，导致目前非侵入式负荷监测的精度因用户接入不同的负荷设备而波动，系统精度降低，普适性不高。
发明内容
为解决上述问题，本发明的目的在于提供一种非侵入式的负荷监测方法、装置、设备及存储介质，采用负荷识别和建立负荷特征值数据库，使监测结果的精度得到提高。
本发明解决其问题所采用的技术方案是：
一种非侵入式的负荷监测方法，包括以下步骤：
选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
进一步，所述稳态谐波电流通过傅里叶变换分解为直流分量和一组不同幅值、频率和相位的正弦波，其中所述稳态谐波电流的奇次谐波包括稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值。
进一步，对所述稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值的采集使用数据采集卡、电流互感器、低通滤波器和调零电路，所述数据采集卡、电流互感器、低通滤波器和调零电路依次连接，所述数据采集卡的输入端连接电气系统，所述调零电路的输出端连接显示设备。
进一步，利用二进制粒子群优化算法构建负荷状态识别算法包括以下步骤：
建立负荷状态数组，所述负荷状态数值为二维数组；
初始化不同负荷状态下的个体最优值，得到个体最优位置；
比较各个个体最优值并寻找全局最优极值和全局最优位置；
初始化粒子的速度，更新粒子的位置，并更新个体最优值、个体最优位置、全局最优值和全局最优位置，迭代一次本步骤后得到最终的全局最优位置；
输出全局最优位置。
进一步，个体最优值的获得包括以下步骤：
将不同负荷状态下的特征值代入基于最小二乘法的适应度函数公式得到假设的基波幅值总和与实际测量的基波幅值总和的差值，适应度函数公式为
其中，n为负荷状态的数量，I1为基波的幅值，ai为第i个负荷状态的表示值，值为0或1，为对应ai的基波分量的幅值；
应用上述适应度函数公式，分别计算出3次谐波幅值、5次谐波幅值和7次谐波幅值总和与实际测量的3次谐波幅值、5次谐波幅值和7次谐波幅值总和的差值；
将上述差值相加，得到个体极值，即当前的第一个个体最优值。
一种非侵入式的负荷监测装置，包括：
特征值计算单元，用于选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
特征数据库单元，用于对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
算法构建单元，用于利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
有功功率计算单元，用于利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
一种非侵入式的负荷监测设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述任一项所述的非侵入式的负荷监测方法。
所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述任一项所述的非侵入式的负荷监测方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明利用稳态基波有功功率和稳态谐波电流的奇次谐波的幅值作为特征值，能够从总电流中快速识别不同的负荷类型，减小系统识别负荷的计算量。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例的整体流程示意图；
图2是本发明实施例的二进制粒子群优化算法的流程示意图；
图3是本发明实施例的得到个体最优位置的流程示意图；
图4是本发明实施例的装置中单元架构示意图；
图5是本发明实施例的设备中的连接示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。
参照图1，本发明实施例的第一方面提供了一种非侵入式的负荷监测方法，包括以下步骤：
S1，选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
S2，对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
S3，利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
S4，利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
其中，所述稳态谐波电流通过傅里叶变换分解为直流分量和一组不同幅值、频率和相位的正弦波，其中所述稳态谐波电流的奇次谐波包括稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值，对所述稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值的采集使用数据采集卡、电流互感器、低通滤波器和调零电路，所述数据采集卡、电流互感器、低通滤波器和调零电路依次连接，所述数据采集卡的输入端连接电气系统，所述调零电路的输出端连接显示设备，在本实施例中，数据采集卡的采样频率需要达到700Hz以上，而且电流测量模块也需能响应700Hz以上的高频电流，因此采用Smacq公司的USB-2000系列数据采集卡，而电流互感器采用LHB-10A/5V-D1Y2型号。
本发明实施例中，由于数据采集卡的采样速率高，电流互感器能测量出高频电流，基于以上两点，在对数据进行FFT时，高频对测量结果会有较大的干扰，经FFT计算出来的谐波电流幅值会有较大的波动，因此，在不影响检测精确性的前提下，采用无限长冲激响应滤波器中的Butterworth拓扑结构对信号进行低通滤波，因此上述提到的低通滤波器实际上为Butterworth滤波器，Butterworth滤波器非常平坦，能够尽可能地保留7次及以下的谐波电流的准确，在本实施例中为保证谐波测量的准确，选取650Hz为截止频率，即截止13次谐波及其以上的高次谐波。
调零电路包括过零检测和电流调零，因为数据采集卡采集数据的起始点是随机的，导致计算出的相位值也是随机的，不利于功率计算，因此从读取的数据中找到周期从负变正的零点，并将其后面200个点的数据送入FFT函数中进行计算，通过过零检测，确定每次FFT计算的信号起始点，即从第一点开始判断，当该点小于零而且，其下一个点的值大于零时，下一个点为起始点；当没有负荷接入时，测量出的电流有效值值并不为零，表现为测量出的信号存在较大的直流分量。该直流分量会直接影响过零检测的输出值，进而会导致计算出的负荷特征值存在较大的误差，尤其是对小电流负荷的影响，电流调零的方法为调节电流互感器的调零端，通过扭动调零端，使测量出的初始电流有效值在15mA以下。
电信号要进行一定数据换算，因为电流传感器LHB-10A/5V-D1Y2的采集电压值对应的应为1/2倍的电流值，因此，当数据被送入FFT前，应将采集的数据乘以2，转换为电流值。
为了进一步减少误差，增加识别系统的准确性，采用多次随机取值求平均的方法计算出一个相对准确的值作为特征值，并利用这些特征值建立数据库。在本实施例中，随机收集10次单一负荷状态的特征值，取其平均值，并记录做成列表，按照上述方式遍历各种不同的负荷状态，全部记录到列表中，构成负荷特征数据库，其表现形式为数组，方便识别算法的读取。
参照图2，关于识别算法的部分：
利用二进制粒子群优化算法构建负荷状态识别算法包括以下步骤：
S31，建立负荷状态数组，所述负荷状态数值为二维数组；
S32，初始化不同负荷状态下的个体最优值，得到个体最优位置；
S33，比较各个个体最优值并寻找全局最优极值和全局最优位置；
S34，初始化粒子的速度，更新粒子的位置，并更新个体最优值、个体最优位置、全局最优值和全局最优位置，迭代一次本步骤后得到最终的全局最优位置；
S35，输出全局最优位置.
参照图3，其中S32还具体包括以下步骤：
S321，将不同负荷状态下的特征值代入基于最小二乘法的适应度函数公式得到假设的基波幅值总和与实际测量的基波幅值总和的差值，适应度函数公式为：
其中，n为负荷状态的数量，I1为基波的幅值，ai为第i个负荷状态的表示值，值为0或1，为对应ai的基波分量的幅值；
S322，应用上述适应度函数公式，分别计算出3次谐波幅值、5次谐波幅值和7次谐波幅值总和与实际测量的3次谐波幅值、5次谐波幅值和7次谐波幅值总和的差值；
S323，将上述差值相加，得到个体极值，即当前的第一个个体最优值。
针对上述识别算法过程，具体如下，二进制粒子群优化算法主要优化连续实值问题，而本发明实施例针对的是离散数据系统，值为0和1，因此我们采用离散粒子群算法(BPSO)，其主要优化离散空间约束问题，具体来说包括以下几个步骤：
步骤1,建立负荷状态数组：建立一个N*30的二维数组，行数组含有N个值，分别代表实验中N个负荷的开关状态，N的值只能为0或1，0表示关，1表示开，往二维数组中添加0到1之间的随机小数，当随机数大于0.5时，将值修改为1，小于或等于0.5时，将值改为0，这样便能将二维数组内的值随机赋值0或1了，而这些值便是初始化下的当前位置，即当前的个体最优位置。本实施例中的30的含义为30个随机粒子，实际上根据负荷状态的数量，可以适当调整随机粒子的数量，如实际组合的负荷状态只有9种，随机粒子的数量可以小于30；
步骤2，初始化各个负荷状态下的个体最优值：将各负荷的状态值与各负荷的特征值代入到适应度函数公式：
式中各标号的含义见步骤S321，值得注意的是，I1的上标1表示基波，而对于3次谐波、5次谐波和7次谐波，代入适应度函数公式的时候，相应的I1应分别修改为I3、I5和I7，以此来分别表示假设的3次、5次、7次谐波总和；将上述差值相加，即为个体极值，由于本次是第一次计算差值，因此当前的个体极值为第一个个体最优值；
步骤3，比较各个体极值并寻找全局最优极值：将上面计算得到的个体极值逐一比较，找出个体极值中的最小值，该最小值便是全局最优极值，并将全局最优极值对应的负荷状态定为全局最优位置；
步骤4，初始化粒子的速度：将上面初始化的个体最优位置、全局最优位置和当前位置代入速度更新公式，计算出速度；
步骤5，更新粒子的位置：将速度和各负荷的初始状态值代入公式中，由公式计算得出第一次迭代的负荷状态值，而该值也是最新的当前位置；
步骤6，更新个体最优值和个体最优位置：将更新后的负荷状态值和各负荷的特征值代入公式中，计算出的结果与之前的个体最优值作比较，取较小值为最新的个体最优值，并将该个体最优值对应的负荷状态值定为个体最优位置；
步骤7，更新全局最优值和全局最优位置：将上面计算得出的个体最优值逐一比较，并与上次计算的出的全局最优值比较，比较出来的最小值为迭代第一次的全局最优值，其对应的负荷状态值为迭代第一次的全局最优位置。
步骤8：迭代速度；
最后，重复上述5-8步，共迭代2次，得出最终的全局最优位置，并将全局最优位置输出。
本实施例中关于有功功率估算，需要结合不同负荷状态的有功功率特征值和状态，通过公式表示如下：
其中P(n)为负荷的实时功率，an为该负荷的状态，Pn为该负荷的有功功率特征值，N为负荷总数，ai为第i个负荷状态，Pi为第i个负荷对应的基波有功功率特征值，P为测量的实时基波总有功功率
由于数据测量端只能测量环境中的总电流值，如果逐一分解每一个负荷的电流，首先，由于电流值存在较小波动，难以做到准确的分解，而且当存在多负荷时，运算较多，影响速率，所以本发明实施例利用负荷的有功功率特征值来进行有功功率估算，经过实验测量，该方法准确性很高，基波有功计算误差不超过2％。
参照图4，本发明实施例还提供了一种非侵入式的负荷检测装置，在该非侵入式的负荷检测装置1000中，包括但不限于：特征值计算单元1100、特征数据库单元1200、算法构建单元1300和有功功率计算单元1400。
其中，特征值计算单元1100，用于选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
特征数据库单元1200，用于对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
算法构建单元1300，用于利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
有功功率计算单元1400，用于利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
需要说明的是，由于本实施例中的一种非侵入式的负荷检测装置与上述的一种非侵入式的负荷监测方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
本发明实施例还提供了一种非侵入式的负荷检测设备，该非侵入式的负荷检测设备2000可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该非侵入式的负荷检测设备2000包括：一个或多个控制处理器2010和存储器2020，图5中以一个控制处理器2010为例。
控制处理器2010和存储器2020可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器2020作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的非侵入式的负荷检测方法对应的程序指令/模块，例如，图4中所示的特征值计算单元1100、特征数据库单元1200、算法构建单元1300和有功功率计算单元1400。控制处理器2010通过运行存储在存储器2020中的非暂态软件程序、指令以及模块，从而执行非侵入式的负荷检测装置1000的各种功能应用以及数据处理，即实现上述方法实施例的非侵入式的负荷检测方法。
存储器2020可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据非侵入式的负荷检测装置1000的使用所创建的数据等。此外，存储器2020可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器2020可选包括相对于控制处理器2010远程设置的存储器，这些远程存储器可以通过网络连接至该非侵入式的负荷检测设备2000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器2020中，当被所述一个或者多个控制处理器2010执行时，执行上述方法实施例中的非侵入式的负荷检测方法，例如，执行以上描述的图1中的方法步骤S1至S4，实现图4中的单元1100-1400的功能。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图5中的一个控制处理器2010执行，可使得上述一个或多个控制处理器2010执行上述方法实施例中的非侵入式的负荷检测方法，例如，执行以上描述的图1中的方法步骤S1至S4，实现图4中的单元1100-1400的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种非侵入式的负荷监测方法，其特征在于包括以下步骤：
选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
2.根据权利要求1所述的一种非侵入式的负荷监测方法，其特征在于：所述稳态谐波电流通过傅里叶变换分解为直流分量和一组不同幅值、频率和相位的正弦波，其中所述稳态谐波电流的奇次谐波包括稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值。
3.根据权利要求2所述的一种非侵入式的负荷监测方法，其特征在于：对所述稳态基波电流幅值、3次谐波幅值、5次谐波幅值和7次谐波幅值的采集使用数据采集卡、电流互感器、低通滤波器和调零电路，所述数据采集卡、电流互感器、低通滤波器和调零电路依次连接，所述数据采集卡的输入端连接电气系统，所述调零电路的输出端连接显示设备。
4.根据权利要求1所述的一种非侵入式的负荷监测方法，其特征在于：利用二进制粒子群优化算法构建负荷状态识别算法包括以下步骤：
建立负荷状态数组，所述负荷状态数值为二维数组；
初始化不同负荷状态下的个体最优值，得到个体最优位置；
比较各个个体最优值并寻找全局最优极值和全局最优位置；
初始化粒子的速度，更新粒子的位置，并更新个体最优值、个体最优位置、全局最优值和全局最优位置，迭代一次本步骤后得到最终的全局最优位置；
输出全局最优位置。
5.根据权利要求4所述的一种非侵入式的负荷监测方法，其特征在于：个体最优值的获得包括以下步骤：
将不同负荷状态下的特征值代入基于最小二乘法的适应度函数公式得到假设的基波幅值总和与实际测量的基波幅值总和的差值，适应度函数公式为
其中，n为负荷状态的数量，I1为基波的幅值，ai为第i个负荷状态的表示值，值为0或1，为对应ai的基波分量的幅值；
应用上述适应度函数公式，分别计算出3次谐波幅值、5次谐波幅值和7次谐波幅值总和与实际测量的3次谐波幅值、5次谐波幅值和7次谐波幅值总和的差值；
将上述差值相加，得到个体极值，即当前的第一个个体最优值。
6.一种非侵入式的负荷监测装置，其特征在于，包括：
特征值计算单元，用于选取若干个不同的负荷状态，针对每个负荷状态得到特征值，所述特征值包括负荷状态中的稳态基波有功功率和稳态谐波电流的奇次谐波的幅值；
特征数据库单元，用于对同一负荷状态获得两次以上所述特征值，并随机取出其中一部分所述特征值取平均值，用所得的平均值对应负荷状态来建立负荷特征数据库；
算法构建单元，用于利用二进制粒子群优化算法选出所述特征值的全局最优极值，所选出的特征值对应的负荷状态为全局最优位置，从而构建起负荷状态识别算法；
有功功率计算单元，用于利用所述负荷特征数据库和负荷状态识别算法进行有功功率估算，输出当前负荷状态对应的负荷构成。
7.一种非侵入式的负荷监测设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1-5任一项所述的非侵入式的负荷监测方法。
8.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的非侵入式的负荷监测的方法。
CN201910549036.8A 2019-06-24 2019-06-24 一种非侵入式的负荷监测方法、装置、设备及存储介质 Active CN110333404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910549036.8A CN110333404B (zh) 2019-06-24 2019-06-24 一种非侵入式的负荷监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910549036.8A CN110333404B (zh) 2019-06-24 2019-06-24 一种非侵入式的负荷监测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110333404A true CN110333404A (zh) 2019-10-15
CN110333404B CN110333404B (zh) 2022-02-01

Family

ID=68142667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910549036.8A Active CN110333404B (zh) 2019-06-24 2019-06-24 一种非侵入式的负荷监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110333404B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850220A (zh) * 2019-11-29 2020-02-28 苏州大学 一种用电器检测方法、装置及系统
CN111160798A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法
CN111934318A (zh) * 2020-08-13 2020-11-13 彭浩明 非侵入式电力负荷分解方法、装置、设备及存储介质
CN114069717A (zh) * 2022-01-18 2022-02-18 国网上海能源互联网研究院有限公司 对并入分布式光伏的台区进行反孤岛控制的方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001230A (zh) * 2012-11-16 2013-03-27 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
CN105759148A (zh) * 2016-04-08 2016-07-13 湖南工业大学 一种用电器类型判断方法
CN106443233A (zh) * 2016-08-26 2017-02-22 北京电力经济技术研究院 一种非侵入式的稳态负荷监测方法
CN106600074A (zh) * 2016-12-28 2017-04-26 天津求实智源科技有限公司 基于dfhsmm的非侵入式电力负荷监测方法及系统
CN106655160A (zh) * 2016-10-27 2017-05-10 国家电网公司 一种非侵入式电力负荷分解的辨识决策方法及系统
CN106936129A (zh) * 2017-03-23 2017-07-07 东北大学 基于多特征融合的电力负荷辨识方法及系统
CN107525964A (zh) * 2017-10-23 2017-12-29 云南电网有限责任公司电力科学研究院 一种基于融合决策的非侵入式负荷识别方法及装置
CN108132379A (zh) * 2017-12-11 2018-06-08 武汉大学 基于云平台的非侵入式负荷监测系统及识别方法
CN108510165A (zh) * 2018-03-16 2018-09-07 电子科技大学 一种用于用户用电行为的分析方法
CN108960586A (zh) * 2018-06-14 2018-12-07 华中科技大学 一种适应场景变化的非入侵式负荷识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001230A (zh) * 2012-11-16 2013-03-27 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
CN105759148A (zh) * 2016-04-08 2016-07-13 湖南工业大学 一种用电器类型判断方法
CN106443233A (zh) * 2016-08-26 2017-02-22 北京电力经济技术研究院 一种非侵入式的稳态负荷监测方法
CN106655160A (zh) * 2016-10-27 2017-05-10 国家电网公司 一种非侵入式电力负荷分解的辨识决策方法及系统
CN106600074A (zh) * 2016-12-28 2017-04-26 天津求实智源科技有限公司 基于dfhsmm的非侵入式电力负荷监测方法及系统
CN106936129A (zh) * 2017-03-23 2017-07-07 东北大学 基于多特征融合的电力负荷辨识方法及系统
CN107525964A (zh) * 2017-10-23 2017-12-29 云南电网有限责任公司电力科学研究院 一种基于融合决策的非侵入式负荷识别方法及装置
CN108132379A (zh) * 2017-12-11 2018-06-08 武汉大学 基于云平台的非侵入式负荷监测系统及识别方法
CN108510165A (zh) * 2018-03-16 2018-09-07 电子科技大学 一种用于用户用电行为的分析方法
CN108960586A (zh) * 2018-06-14 2018-12-07 华中科技大学 一种适应场景变化的非入侵式负荷识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘兴杰等: "基于IBPSO的非侵入式多负荷投切行为辨识方法", 《电测与仪表》 *
娄建楼等: "面向家庭用户的用电负荷分解方法", 《吉林大学学报（理学版）》 *
李如意等: "基于粒子群算法搜索的非侵入式电力负荷分解方法", 《电力系统保护与控制》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850220A (zh) * 2019-11-29 2020-02-28 苏州大学 一种用电器检测方法、装置及系统
CN111160798A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法
CN111160798B (zh) * 2019-12-31 2023-11-21 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法
CN111934318A (zh) * 2020-08-13 2020-11-13 彭浩明 非侵入式电力负荷分解方法、装置、设备及存储介质
CN111934318B (zh) * 2020-08-13 2024-02-27 彭浩明 非侵入式电力负荷分解方法、装置、设备及存储介质
CN114069717A (zh) * 2022-01-18 2022-02-18 国网上海能源互联网研究院有限公司 对并入分布式光伏的台区进行反孤岛控制的方法和装置
CN114069717B (zh) * 2022-01-18 2022-04-08 国网上海能源互联网研究院有限公司 对并入分布式光伏的台区进行反孤岛控制的方法和装置

Also Published As

Publication number Publication date
CN110333404B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN110333404A (zh) 一种非侵入式的负荷监测方法、装置、设备及存储介质
CN110133393B (zh) 一种基于非侵入式监测技术的用电监测系统及方法
CN110880760A (zh) 一种低压配电网线损与无功补偿协同优化方法
CN110705107B (zh) 一种配电网电压评估方法、系统、设备和存储介质
CN108448585B (zh) 一种基于数据驱动的电网潮流方程线性化求解方法
CN104777383A (zh) 一种非侵入式电力负载监测与负荷分解装置
CN110045186B (zh) 电力系统公共连接点处的系统谐波阻抗估计方法和系统
CN106980044B (zh) 一种适应风电接入的电力系统谐波电流估计方法
CN109697548A (zh) 用电分析服务器及其用电分析方法
CN113363980A (zh) 一种适用于低压配电网拓扑自动识别方法及设备
CN116701822B (zh) 基于麻雀搜索算法与变分模态分解的负荷电能计量方法
CN111209976A (zh) 一种非侵入式负荷监测方法及系统
CN115618654B (zh) 超差电能表的识别方法及装置
CN115616473B (zh) 超差电能表的识别方法、装置、设备和存储介质
CN115201743A (zh) 低压台区计量点误差的确定方法、装置及存储介质
CN110929115B (zh) 一种基于用电特性的用电安全监测方法及系统
CN117233687B (zh) 一种基于历史数据的cvt初始误差评估方法、介质及终端
Zhou et al. Optimal placement of PMUs using adaptive genetic algorithm considering measurement redundancy
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
CN115564106A (zh) 一种基于电力数据的碳排放测算方法
CN103258144B (zh) 基于故障录波器数据的在线静态负荷建模方法
CN109327026B (zh) 一种低压配电网区间状态估计方法
CN113435065A (zh) 一种基于“黑箱”dc/dc变换器的等效阻抗建模方法
Wang et al. Harmonic state estimation based on graph signal processing
Zhang et al. Appliance recognition using VI trajectories based on deep learning

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