CN110751385B - 非侵入式负荷识别方法、终端设备及存储介质 - Google Patents

非侵入式负荷识别方法、终端设备及存储介质 Download PDF

Info

Publication number
CN110751385B
CN110751385B CN201910952210.3A CN201910952210A CN110751385B CN 110751385 B CN110751385 B CN 110751385B CN 201910952210 A CN201910952210 A CN 201910952210A CN 110751385 B CN110751385 B CN 110751385B
Authority
CN
China
Prior art keywords
power signal
threshold
preset
mutation
active power
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
Application number
CN201910952210.3A
Other languages
English (en)
Other versions
CN110751385A (zh
Inventor
任智仁
吴海平
汤博
汪龙峰
刘宇轩
梁家阁
刘建
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.)
Wasion Group Co Ltd
Original Assignee
Wasion Group 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 Wasion Group Co Ltd filed Critical Wasion Group Co Ltd
Priority to CN201910952210.3A priority Critical patent/CN110751385B/zh
Publication of CN110751385A publication Critical patent/CN110751385A/zh
Application granted granted Critical
Publication of CN110751385B publication Critical patent/CN110751385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种非侵入式负荷识别方法、终端设备及存储介质，该方法包括步骤：获取功率信号信息；计算有功功率信号Pi与有功功率信号Pi‑1之间的差值，生成功率变量；若功率变量大于第一预设阈值，则将有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对有功功率信号Pi进行清洗，生成高阈值检测信息；若功率变量大于第二预设阈值，则将有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对有功功率信号Pi进行预处理，生成输入向量；将输入向量输入预设神经网络模型中，生成低阈值检测信息；根据高阈值检测信息和低阈值检测信息，生成检测结果。本发明可自动识别负荷投切事件，并且识别准确率高。

Description

非侵入式负荷识别方法、终端设备及存储介质
技术领域
本发明涉及数据识别技术领域，尤其涉及非侵入式负荷识别方法、终端设备及存储介质。
背景技术
电力负荷监测与分解能将用电功率监测细化到总负荷内部每个/类(主要)用电设备从而实现负荷用电细节监测，电力公司可进一步了解不同负荷类的构成和用电模式特征，提高电网规划方案的科学性和保证电网实时的安全经济运行；降低目前因负荷模型的保守性而产生的经济损失。居民可进一步依据监测信息调整和优化用电行为以节省电能和电费；帮助用户快速准确地检测、诊断和清除电器故障，以及用高能效电器替换高耗能电器；提高用户对电力公司供电服务的信任度、满意度；为家庭自动化控制终端设备提供调控依据。
现有技术中，侵入式负荷识别安装成本高，维护不便。现有的负荷事件检测算法一般着眼于利用传统变点检测算法实现事件检测，但是对于低功率用电器的开关(如电视机，电冰箱等)或是开启过程中功率非短时大幅度变化的用电器，其检测效果比较一般，存在着一定的漏检情况。同时，由于部分高功率用电器在用电过程中会产生较大幅度的功率波动，从而对检测结果产生较大影响，出现较多误检事件。
为此，有必要提供一种基于终端设备来克服上述缺陷。
发明内容
本发明的主要目的在于提供一种非侵入式负荷识别方法、终端设备及存储介质，旨在解决现有浸入式负荷识别准确率低的技术问题。
为实现上述目的，本发明提供一种非侵入式负荷识别方法，包括步骤：
获取功率信号信息，所述功率信号信息包括i个按采集时间的先后顺序排列的有功功率信号；
计算所述有功功率信号Pi与所述有功功率信号Pi-1之间的差值，生成功率变量；
判断所述功率变量是否大于第一预设阈值；
若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对关联所述高阈值突变标识的所述有功功率信号Pi进行清洗，生成高阈值检测信息；
若所述功率变量小于或等于所述第一预设阈值，则判断所述功率变量是否大于第二预设阈值，所述第二预设阈值小于所述第一预设阈值；
若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理，生成输入向量；
将所述输入向量输入预设神经网络模型中，生成低阈值检测信息；
根据所述高阈值检测信息和所述低阈值检测信息，生成检测结果，所述检测结果为所述高阈值检测信息和所述低阈值检测信息的并集。
优选地，所述若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对关联所述高阈值突变标识的所述有功功率信号Pi进行清洗，生成高阈值检测信息的步骤包括：
若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识；
根据关联所述高阈值突变标识的有功功率信号Pi生成变量矩阵，所述变量矩阵包括z个按所述采集时间先后顺序排列的高功率信号，所述高功率信号为关联有所述高阈值突变标识的有功功率信号Pi，z≤i；
根据所述变量矩阵中，所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号生成检验量；
判断所述检验量是否大于预设检验阈值
若所述检验量大于所述预设检验阈值，则确定所述高功率信号Pn为虚假事件；
若所述检验量小于或等于所述预设检验阈值，则确定所述高功率信号Pn为真实事件；
生成所述高阈值检测信息，所述高阈值检测信息为一个或多个确定为所述真实事件的所述高功率信号Pn。
优选地，生成所述高阈值检测信息的步骤之后，包括：
根据所述高阈值检测信息中所述高功率信号Pn之前b个所述高功率信号的平均值，生成前样本均值，并计算所述高功率信号Pn之后b个所述高功率信号的平均值，生成后样本均值；
判断所述前样本均值是否小于所述后样本均值；
若所述前样本均值小于所述后样本均值，则设置所述高功率信号Pn对应电荷投入标识；
若所述前样本均值大于所述后样本均值，则设置所述高功率信号Pn对应电荷切出标识。
优选地，所述根据所述变量矩阵中，所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号生成检验量的步骤包括：
根据所述变量矩阵所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号，并根据以下公式计算联合概率密度函数：
h(x,y)＝f(x)g(y)C12(F(x),G(y))
Figure BDA0002225387880000031
其中，h(x,y)为联合概率密度函数，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数；f(x)为高功率信号排序的概率密度函数；g(y)为高功率信号Pn-a至高功率信号Pn+a概率密度函数，x为所述变量矩阵中高功率信号排序数，y为高功率信号；
根据以下公式分别计算所述高功率信号Pn之前a个所述高功率信号的前极大似然估计量、所述高功率信号Pn之后a个所述高功率信号的后极大似然估计量、以及所述高功率信号Pn前后a个所述高功率信号的总极大似然估计量：
Figure BDA0002225387880000041
其中，
Figure BDA0002225387880000042
为极大似然估计量，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数，x为高功率信号排序数，y为高功率信号；
通过以下公式计算所述对数似然比统计量：
Figure BDA0002225387880000043
其中，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号，Pn+a的边缘分布函数，C为阿基米德Copula函数；
Figure BDA0002225387880000044
总极大似然估计量；
Figure BDA0002225387880000045
为前极大似然估计量，
Figure BDA0002225387880000046
为后极大似然估计量；
通过以下公式计算检验量：
Figure BDA0002225387880000047
其中，
Figure BDA0002225387880000048
为检验量，n为所述高功率信号Pn在所述变量矩阵的位数。
优选地，所述根据关联所述高阈值突变标识的有功功率信号Pi生成变量矩阵的步骤包括：
按所述采集时间排序，计算相邻关联有所述高阈值突变标识的有功功率信号Pi的采集时间的差值，生成第一时间差值；
判断所述第一时间差值是否大于第一时间阈值；
若所述第一时间差值小于所述第一时间阈值，则将所述第一时间差值对应两相邻有功功率信号Pi中的任一个设置与所述高阈值突变标识不关联；
将关联有所述高阈值突变标识的所述有功功率信号Pi按对应所述采集时间的顺序排列，生成所述变量矩阵。
优选地，所述若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理，生成输入向量的步骤包括：
若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识；
按所述采集时间排序，计算相邻关联有所述低阈值突变标识的有功功率信号Pi的采集时间的差值，生成第二时间差值；
判断所述第二时间差值是否大于第二时间阈值；
若所述第二时间差值小于所述第二时间阈值，则将所述第二时间差值对应的有功功率信号Pi中的任一个设置与所述低阈值突变标识不关联；
将关联有所述低阈值突变标识的所述有功功率信号设置为低功率信号，并将低功率信号Pm采用以下公式进行数据处理，生成输入向量；
Figure BDA0002225387880000051
其中，xjmax为所述低功率信号Pm中的最大值，xjmin为关联有所述低功率信号Pm中的最小值，
Figure BDA0002225387880000052
为所述低功率信号Pm。
优选地，所述将所述输入向量输入预设神经网络模型中，生成低阈值待检测信息的步骤包括：
将经过所述输入向量输入ELM分析模型中，生成输出向量，
其中，所述ELM分析模型中激活函数为Sigmoid函数。
优选地，所述将所述输入向量输入ELM分析模型，得到输出向量的步骤，包括：
获取训练数据，所述训练数据包括训练事件和与所述训练事件对应的突变功率，并对所述训练数据预处理，生成与所述突变功率对应的训练向量；
将所述训练向量输入预设极限学习机模型中，生成与所述训练向量对应的预测事件；
根据所述预测事件和与所述训练事件的差异构建损失函数；
根据所述损失函数调整所述极限学习机模型中的参数，执行：将所述训练向量输入预设极限学习机模型中，生成与所述训练向量对应的预测事件的步骤，直至所述损失函数满足预设结束条件，获得所述ELM分析模型；
将所述输入向量输入所述ELM分析模型，得到所述输出向量。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的非侵入式负荷识别方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的非侵入式负荷识别方法的步骤。。
本发明通过将功率变量大于第一预设阈值的有功功率信号进行识别，将功率变量小于第一预设阈值并大于第二预设阈值的有功功率信号进行神经网络识别，从而可针对功率变量的大小分别进行识别，提高较小功率变量对应的有功功率信号识别率，降低较大功率变量对应的有功功率信号计算量；对投切事件进行识别，以供供电机构等进行进一步用电规律分析，进行精准供电。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明非侵入式负荷识别方法第一实施例的流程示意图；
图3为本发明非侵入式负荷识别方法第二实施例中步骤S104的流程示意图；
图4为本发明非侵入式负荷识别方法第四实施例中步骤S143的流程示意图；
图5为本发明非侵入式负荷识别方法第五实施例中步骤S142的流程示意图；
图6为本发明非侵入式负荷识别方法第六实施例中步骤S106的流程示意图；
图7为本发明非侵入式负荷识别方法第七实施例中步骤S107的流程示意图；
图8为本发明非侵入式负荷识别方法第三实施例的部分流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1为本发明各个实施例中的终端设备的硬件结构示意图。本发明所提供的终端设备包括通信模块10、存储器20及处理器30等部件。其中，所述处理器30分别与所述存储器20和所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可发送广播事件、指令及信息至所述外部通讯设备。所述外部通讯设备可以是服务器、手机、电脑等。
存储器20，可用于存储软件程序以及各种数据。存储器20可主要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终端设备、至少一个功能所需的应用程序(比如转化率计算程序)等；存储数据区可存储根据监控服务端100的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30，是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。处理器30可包括一个或多个处理单元；优选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作终端设备、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图1未示出，但上述终端设备还可以包括电路控制模块，用于与电源连接，保证其他部件的正常工作等。上述终端设备还可以包括显示模块，用于显示终端设备界面等，方便工作人员进行实时操作和控制。该终端设备还包括摄像模块、定位模块、检测模块等。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
基于上述硬件结构，提出本发明方法各个实施例。
参照图2，在本发明非侵入式负荷识别方法的第一实施例中，包括步骤：
步骤S101，获取功率信号信息，所述功率信号信息包括i个按采集时间先后顺序排列的有功功率信号；
具体地，可采用电压互感器采集电网中所需检测的监测点的电压信号U和电流信号I，计算有功功率信号。可预设固定频率采集，本发明所采用的采样频率为10kHz，选用交流电额定工作频率50Hz作为负荷信号的基频。
步骤S102，计算所述有功功率信号Pi与所述有功功率信号Pi-1之间的差值，生成功率变量；
即对i个有功功率信号组成的集合进行一阶差分，功率变量ΔP＝Pi-Pi-1。
步骤S103，判断所述功率变量是否大于第一预设阈值；
第一预设阈值为本领域技术人员根据实际情况自行设置，在本实施例中，第一预设阈值为150w。当功率变量大于第一预设阈值，则对应的采集时间负荷发生变化。
步骤S104，若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对关联所述高阈值突变标识的所述有功功率信号Pi进行清洗，生成高阈值检测信息；
在本发明中，采用阿基米德Copula函数、时间差等规则对有功功率信号Pi进行清洗，以使得生成的高阈值检测信息中的有功功率信号均能对应到实际投切事件。
步骤S105，若所述功率变量小于或等于所述第一预设阈值，则判断所述功率变量是否大于第二预设阈值，所述第二预设阈值小于所述第一预设阈值；
本领域技术人员可根据实际需要设置第二预设阈值，在本实施例中，第二预设阈值的大小为40w。
步骤S106，若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理，生成输入向量；
对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理包括向量化处理、时间差筛选等。
步骤S107，将所述输入向量输入预设神经网络模型中，生成低阈值检测信息；
在本实施例中，预设神经网络模型为ELM，ELM(Extreme Learning Machine)分析模型为预先训练得到的超限学习机模型，其中，输出层神经元数为3，分别对应电荷投入、电荷切出、误检。
步骤S108，根据所述高阈值检测信息和所述低阈值检测信息，生成检测结果，所述检测结果为所述高阈值检测信息和所述低阈值检测信息的并集。
本发明通过对功率变量大于第一预设阈值的有功功率信号进行识别，并将功率变量小于第一预设阈值并大于第二预设阈值的有功功率信号进行神经网络识别，从而可针对功率变量的大小分别进行识别，提高较小功率变量对应的有功功率信号识别率，降低较大功率变量对应的有功功率信号计算量；对投切事件进行识别，以供供电机构等进行进一步用电规律分析，进行精准供电。
进一步地，步骤S108之后还包括，根据检测结果，对所述功率信号信息对应的电路进行供电量进行调节。具体地，当检测结果中，某一时间段内电荷切出较多，则减小该时间段供电量；当检测结果中，某一时间段内电荷切入较多，则增加该时间段供电量。
进一步的，基于第一实施例提出第二实施例，请参照图3，为本发明非侵入式负荷识别方法第二实施例中步骤S104的流程示意图，所述步骤S104包括：
步骤S141，若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识；
步骤S142，根据关联所述高阈值突变标识的有功功率信号Pi生成变量矩阵，所述变量矩阵包括z个按所述采集时间先后顺序排列的高功率信号，所述高功率信号为关联有所述高阈值突变标识的有功功率信号Pi，z≤i；
步骤S143，根据所述变量矩阵中，所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号生成检验量；
本领域技术人员可根据实际需要设置a的大小，在本实施例中a为8。
步骤S144，判断所述检验量是否大于预设检验阈值；
预设验证阈值为本领域技术人员根据多次分析有功功率为突变点时，对应检测量数值。
步骤S145，若所述检验量大于所述预设检验阈值，则确定所述高功率信号Pn为虚假事件；
虚假事件表示，虽然功率变量发生变化，但根据该高功率信号Pn前后功率变量分析，该高功率信号Pn对应不到真实投切事件。
步骤S146，若所述检验量小于或等于所述预设检验阈值，则确定所述高功率信号Pn为真实事件；
步骤S147，生成所述高阈值检测信息，所述高阈值检测信息为一个或多个确定为所述真实事件的所述高功率信号Pn。
进一步的，基于第二实施例提出第三实施例，参照图8，为本发明提供一种非侵入式负荷识别方法第三实施例的部分流程示意图，所述步骤S147之后还包括：
步骤S148，根据所述高阈值检测信息中所述高功率信号Pn之前b个所述高功率信号的平均值，生成前样本均值，并计算所述高功率信号Pn之后b个所述高功率信号的平均值，生成后样本均值；
其中，n-b≥1，n+b≤高阈值检测信息中高功率信号的总数。前样本均值为所述高功率信号Pn之前b个所述高功率信号的平均值，b为固定步长，在本实施例中，b取值为8。即当待检验的高功率信号为时P9，前样本均值为P1、P2、P3、P4、P5、P6、P7和P8的平均值；后样本均值为P10、P11、P12、P13、P14、P15、P16和P17的平均值。
步骤S149，判断所述前样本均值是否小于所述后样本均值；
步骤S150，若所述前样本均值小于所述后样本均值，则设置所述高功率信号Pn对应电荷投入标识；
步骤S151，若所述前样本均值大于所述后样本均值，则设置所述高功率信号Pn对应电荷切出标识。
关联电荷投入标识，即在对应采集时间时，监测点所在的电网中有电器插入电网中运行；关联电荷切出标识，即在对应采集时间时，监测点所在的电网中有电器拔出电网中或停止耗电运行。
本发明通过分别计算负荷发生变化的突变点两侧固定步长的前样本均值和后样本均值，从而可通过比较的前样本均值和后样本均值来识别电网中负荷变化，以对投切事件进行分类，以供供电机构等进行进一步用电规律分析，进行精准供电。
进一步的，基于第二实施例提出第四实施例，参照图4，为本发明提供一种非侵入式负荷识别方法第四实施例中步骤S143的流程示意图，基于上述实施例，所述步骤S143包括：
步骤S1431，根据所述变量矩阵所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号，并根据以下公式计算联合概率密度函数：
h(x,y)＝f(x)g(y)C12(F(x),G(y))
Figure BDA0002225387880000111
其中，h(x,y)为联合概率密度函数，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数；f(x)为高功率信号排序的概率密度函数；g(y)为高功率信号Pn-a至高功率信号Pn+a概率密度函数，x为所述变量矩阵中高功率信号排序数，y为高功率信号；
步骤S1432，根据以下公式分别计算所述高功率信号Pn之前a个所述高功率信号的前极大似然估计量、所述高功率信号Pn之后a个所述高功率信号的后极大似然估计量、以及所述高功率信号Pn前后a个所述高功率信号的总极大似然估计量：
Figure BDA0002225387880000112
其中，
Figure BDA0002225387880000113
为极大似然估计量，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数，x为高功率信号排序数，y为高功率信号；k为参与计算的高功率信号总数量。
步骤S1433，根据以下公式计算所述对数似然比统计量：
Figure BDA0002225387880000114
其中，F(x)为高功率信号排序的边缘分布函数，G(y)为高功率信号Pn-a至高功率信号，Pn+a的边缘分布函数，C为阿基米德Copula函数；
Figure BDA0002225387880000115
总极大似然估计量；
Figure BDA0002225387880000116
为前极大似然估计量，
Figure BDA0002225387880000117
为后极大似然估计量；
步骤S1434，通过以下公式计算检验量：
Figure BDA0002225387880000121
其中，
Figure BDA0002225387880000122
为检验量，n为所述高功率信号Pn在所述变量矩阵的位数。
进一步的，基于第二实施例提出第五实施例，参照图5，为本发明提供一种非侵入式负荷识别方法第五实施例的步骤S142的流程示意图，基于上述实施例，所述步骤S142包括：
步骤S1421，按所述采集时间排序，计算相邻关联有所述高阈值突变标识的有功功率信号Pi的采集时间的差值，生成第一时间差值；
步骤S1422，判断所述第一时间差值是否大于第一时间阈值；
本领域技术人员可以根据实际需要设置第一时间阈值，在本实施例中，第一预设时间阈值为20W。
步骤S1423，若所述第一时间差值小于所述第一时间阈值，则将所述第一时间差值对应两相邻有功功率信号Pi中的任一个设置与所述高阈值突变标识不关联；
若所述第一时间差值大于或等于所述第一时间阈值，不做处理。
步骤S1424，将关联有所述高阈值突变标识的所述有功功率信号Pi按对应所述采集时间的顺序排列，生成所述变量矩阵。
即当第一时间差值大于或等于第一时间阈值，则可认为两相邻的有功功率对应的突变点为独立的负荷投切事件。当第一时间差值小于第一时间阈值，则认为两相邻的有功功率对应的突变点为同一的负荷投切事件，设置其中一个采集时间与所述高阈值突变标识不关联，实现误检事件的初步剔除。
进一步的，基于第一实施例提出第六实施例，参照图6，为本发明提供一种非侵入式负荷识别方法第六实施例的步骤S106的流程示意图，基于上述实施例，所述步骤S106包括：
步骤S161，若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识；
步骤S162，按所述采集时间排序，计算相邻关联有所述低阈值突变标识的有功功率信号Pi的采集时间的差值，生成第二时间差值；
步骤S163，判断所述第二时间差值是否大于第二时间阈值；
步骤S164，若所述第二时间差值小于所述第二时间阈值，则将所述第二时间差值对应的有功功率信号Pi中的任一个设置与所述低阈值突变标识不关联；
与实施例五相同的是，通过步骤S164识别同一投切事件引发检测到的两个有效功率信息。
步骤S165，将关联有所述低阈值突变标识的所述有功功率信号设置为低功率信号，并将低功率信号Pm采用以下公式进行数据处理，生成输入向量；
Figure BDA0002225387880000131
其中，xjmax为所述低功率信号Pm中的最大值，xjmin为关联有所述低功率信号Pm中的最小值，
Figure BDA0002225387880000132
为所述低功率信号Pm。
通过步骤S165处理将关联有所述低阈值突变标识的所述有功功率信号Pm数据规则化、同一化。
进一步的，基于第六实施例提出第七实施例，参照图7，为本发明提供一种非侵入式负荷识别方法第七实施例的步骤S107的流程示意图，基于上述实施例，所述步骤S107包括：
步骤S171，获取训练数据，所述训练数据包括训练事件和与所述训练事件对应的突变功率，并对所述训练数据预处理，生成与所述突变功率对应的训练向量；
具体地，训练事件为电荷投入、电荷切出和虚假检测，对应的突变功率为真实情况下发生训练事件时，对应的有效功率信息。
步骤S172，将所述训练向量输入预设极限学习机模型中，生成与所述训练向量对应的预测事件；
具体地，将所述突变功率输入极限学习机模型中进行训练，所述极限学习机模型可表示为：
Figure BDA0002225387880000133
其中，j＝1，…，N，wi为输入层到隐藏层的权值，bi表示系统偏置(bias)，βi为ELM分析模型：xj为隐藏层到输出层的权值，N为突变功率的数量大小，oj表示分类结果，gi为激活函数。
在本实施例中，隐含层神经元数为6，输出层神经元数为3，Sigmoid函数作为各神经元的激活函数，最大迭代次数设置为1000，训练学习率设为0.1。
步骤S173，根据所述预测事件和与所述训练事件的差异构建损失函数；
具体地，基于平方损失函数构建ELM模型损失函数。
步骤S174，判断所述损失函数是否符合预设条件；
步骤S175，若所述损失函数符合所述预设条件，则获得所述ELM分析模型；
步骤S176，若所述损失函数不符合所述预设条件，则执行步骤S172；
步骤S177，将所述输入向量输入所述ELM分析模型，得到所述输出向量。
由于大于第二预设阈值的检测结果数量相较于大于第一预设阈值数量明显增多，并且由于大功率用电器功率波动的干扰，在小于第一预设阈值的功率变量对应的检测中存在着数量较多的虚假事件。功率波动对于小功率事件的影响较大，所以若采用功率变量大于第一预设阈值一样的识别方法，准确率不高。通过对极限学习机模型进行训练，获得ELM分析模型，从而有效识别投切事件和虚假检测。
请再次结合图1，在一实施例中终端设备包括通信模块10、存储器20及处理器30，其中，所述处理器30分别与所述存储器20和通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序被所述处理器20执行时实现如上所述的非侵入式负荷识别方法的步骤。终端用于存储终端设备所需基础数据和历史数据。
本发明终端设备的具体实施例与上述非侵入式负荷识别方法各实施例基本相同，在此不作赘述。
本发明还提出一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述非侵入式负荷识别方法的步骤。
本发明存储介质的具体实施例与上述非侵入式负荷识别方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种非侵入式负荷识别方法，其特征在于，包括步骤：
获取功率信号信息，所述功率信号信息包括i个按采集时间先后顺序排列的有功功率信号；
计算所述有功功率信号Pi与所述有功功率信号Pi-1之间的差值，生成功率变量；
判断所述功率变量是否大于第一预设阈值；
若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对关联所述高阈值突变标识的所述有功功率信号Pi进行清洗，生成高阈值检测信息；
若所述功率变量小于或等于所述第一预设阈值，则判断所述功率变量是否大于第二预设阈值，所述第二预设阈值小于所述第一预设阈值；
若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理，生成输入向量；
将所述输入向量输入预设神经网络模型中，生成低阈值检测信息；
根据所述高阈值检测信息和所述低阈值检测信息，生成检测结果，所述检测结果为所述高阈值检测信息和所述低阈值检测信息的并集；
所述若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识，并根据第一预设规则对关联所述高阈值突变标识的所述有功功率信号Pi进行清洗，生成高阈值检测信息的步骤包括：
若所述功率变量大于所述第一预设阈值，则将所述有功功率信号Pi关联高阈值突变标识；
根据关联所述高阈值突变标识的有功功率信号Pi生成变量矩阵，所述变量矩阵包括z个按所述采集时间先后顺序排列的高功率信号，所述高功率信号为关联有所述高阈值突变标识的有功功率信号Pi，z≤i；
根据所述变量矩阵中，所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号生成检验量；
判断所述检验量是否大于预设检验阈值
若所述检验量大于所述预设检验阈值，则确定所述高功率信号Pn为虚假事件；
若所述检验量小于或等于所述预设检验阈值，则确定所述高功率信号Pn为真实事件；
生成所述高阈值检测信息，所述高阈值检测信息为一个或多个确定为所述真实事件的所述高功率信号Pn；
所述若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识，并根据第二预设规则对关联所述低阈值突变标识的所述有功功率信号Pi进行预处理，生成输入向量的步骤包括：
若所述功率变量大于所述第二预设阈值，则将所述有功功率信号Pi关联低阈值突变标识；
按所述采集时间排序，计算相邻关联有所述低阈值突变标识的有功功率信号Pi的采集时间的差值，生成第二时间差值；
判断所述第二时间差值是否大于第二时间阈值；
若所述第二时间差值小于所述第二时间阈值，则将所述第二时间差值对应的有功功率信号Pi中的任一个设置与所述低阈值突变标识不关联；
将关联有所述低阈值突变标识的所述有功功率信号设置为低功率信号，并将低功率信号Pm采用以下公式进行数据处理，生成输入向量；
其中，为所述低功率信号Pm中的最大值，为关联有所述低功率信号Pm中的最小值，为所述低功率信号Pm；
所述根据所述变量矩阵中，所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号生成检验量的步骤包括：
根据所述变量矩阵所述高功率信号Pn之前a个所述高功率信号和所述高功率信号Pn之后a个所述高功率信号，并根据以下公式计算联合概率密度函数：
其中，为联合概率密度函数，为高功率信号排序的边缘分布函数，为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数；为高功率信号排序的概率密度函数；为高功率信号Pn-a至高功率信号Pn+a概率密度函数，x为所述变量矩阵中高功率信号排序数，y为高功率信号；
根据以下公式分别计算所述高功率信号Pn之前a个所述高功率信号的前极大似然估计量、所述高功率信号Pn之后a个所述高功率信号的后极大似然估计量、以及所述高功率信号Pn前后a个所述高功率信号的总极大似然估计量：
其中，为极大似然估计量，为高功率信号排序的边缘分布函数，为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数，x为高功率信号排序数，y为高功率信号；
根据以下公式计算对数似然比统计量：
其中，为高功率信号排序的边缘分布函数，为高功率信号Pn-a至高功率信号Pn+a的边缘分布函数，C为阿基米德Copula函数； 总极大似然估计量； 为前极大似然估计量， 为后极大似然估计量；
通过以下公式计算检验量：
其中，为检验量，n为所述高功率信号Pn在所述变量矩阵的位数。
2.如权利要求1所述的非侵入式负荷识别方法，其特征在于，生成所述高阈值检测信息的步骤之后，包括：
根据所述高阈值检测信息中所述高功率信号Pn之前b个所述高功率信号的平均值，生成前样本均值，并计算所述高功率信号Pn之后b个所述高功率信号的平均值，生成后样本均值；
判断所述前样本均值是否小于所述后样本均值；
若所述前样本均值小于所述后样本均值，则设置所述高功率信号Pn对应电荷投入标识；
若所述前样本均值大于所述后样本均值，则设置所述高功率信号Pn对应电荷切出标识。
3.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述根据关联所述高阈值突变标识的有功功率信号Pi生成变量矩阵的步骤包括：
按所述采集时间排序，计算相邻关联有所述高阈值突变标识的有功功率信号Pi的采集时间的差值，生成第一时间差值；
判断所述第一时间差值是否大于第一时间阈值；
若所述第一时间差值小于所述第一时间阈值，则将所述第一时间差值对应两相邻有功功率信号Pi中的任一个设置与所述高阈值突变标识不关联；
将关联有所述高阈值突变标识的所述有功功率信号Pi按对应所述采集时间的顺序排列，生成所述变量矩阵。
4.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述将所述输入向量输入预设神经网络模型中，生成低阈值待检测信息的步骤包括：
将所述输入向量输入ELM分析模型中，生成输出向量，
其中，所述ELM分析模型中激活函数为Sigmoid函数，所述ELM分析模型为极限学习机模型。
5.如权利要求4所述的非侵入式负荷识别方法，其特征在于，所述将所述输入向量输入ELM分析模型中，生成输出向量的步骤，包括：
获取训练数据，所述训练数据包括训练事件和与所述训练事件对应的突变功率，并对所述训练数据预处理，生成与所述突变功率对应的训练向量；
将所述训练向量输入预设极限学习机模型中，生成与所述训练向量对应的预测事件；
根据所述预测事件和与所述训练事件的差异构建损失函数；
判断所述损失函数是否符合预设条件；
若所述损失函数符合所述预设条件，则获得所述ELM分析模型；
若所述损失函数不符合所述预设条件，则执行：将所述训练向量输入预设极限学习机模型中，生成与所述训练向量对应的预测事件的步骤；
将所述输入向量输入所述ELM分析模型，得到所述输出向量。
6.一种终端设备，其特征在于，所述终端设备包括通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的非侵入式负荷识别方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的非侵入式负荷识别方法的步骤。
CN201910952210.3A 2019-10-08 2019-10-08 非侵入式负荷识别方法、终端设备及存储介质 Active CN110751385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910952210.3A CN110751385B (zh) 2019-10-08 2019-10-08 非侵入式负荷识别方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952210.3A CN110751385B (zh) 2019-10-08 2019-10-08 非侵入式负荷识别方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN110751385A CN110751385A (zh) 2020-02-04
CN110751385B true CN110751385B (zh) 2023-05-05

Family

ID=69277796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952210.3A Active CN110751385B (zh) 2019-10-08 2019-10-08 非侵入式负荷识别方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110751385B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665390B (zh) * 2020-06-15 2022-08-12 威胜集团有限公司 非侵入式负荷检测方法、终端设备及可读存储介质
CN112800855B (zh) * 2021-01-04 2022-07-12 中南大学 一种列车转向架非侵入式实时故障监测方法
CN112924779A (zh) * 2021-01-25 2021-06-08 河北科技大学 非侵入式负荷识别方法、装置及终端设备
CN113191600A (zh) * 2021-04-13 2021-07-30 清科优能(深圳)技术有限公司 基于数据挖掘的房屋非侵入式负荷智能识别方法
CN113687140B (zh) * 2021-08-26 2023-11-17 天津大学 一种基于电流空间轨迹的无监督非侵入式电视机辨识方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483370A (zh) * 2016-10-21 2017-03-08 威胜集团有限公司 基于多特征融合的非侵入式家用负荷实时识别方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
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
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
CN106802379B (zh) * 2017-03-06 2019-07-09 中国海洋大学 一种自适应阈值的负载开关检测和识别方法及系统
CN107330517B (zh) * 2017-06-14 2021-08-06 华北电力大学 一种基于S_Kohonen非侵入式居民负荷识别方法
CN108429254B (zh) * 2018-03-07 2020-01-31 国网四川省电力公司电力科学研究院 一种非侵入式用电负荷识别方法
CN109324285B (zh) * 2018-09-20 2020-07-03 广东石油化工学院 一种负载开关事件检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483370A (zh) * 2016-10-21 2017-03-08 威胜集团有限公司 基于多特征融合的非侵入式家用负荷实时识别方法及装置

Also Published As

Publication number Publication date
CN110751385A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110751385B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN111564842B (zh) 一种非侵入式用电负荷监测中长期能耗统计估算的方法
CN110796368B (zh) 基于贝叶斯网络的社区配电网动态风险评估方法及装置
CN110504679B (zh) 一种基于km匹配算法的非侵入式负荷辨识方法
CN111578444A (zh) 一种空调故障预测方法、装置、存储介质及空调
Tang et al. Estimation and validation of characteristic load profile through smart grid trials in a medium voltage distribution network
EP2653835A2 (en) A method and system for optimizing a composite load disaggregation
CN106532719A (zh) 基于电流二次谐波与无功的非变频空调非侵入式辨识方法
CN108830456B (zh) 敏感设备与电网电压暂降兼容性分析方法及装置
KR102648764B1 (ko) 전지 성능 평가 방법 및 전지 성능 평가 장치
CN117034043A (zh) 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN109934453A (zh) 设备健康等级的确定方法及装置、存储介质、电子装置
CN117411189A (zh) 一种微电网协调控制器的监测数据增强方法
CN114548756A (zh) 基于主成分分析的综合能源项目综合效益评价方法及装置
Srinivasarengan et al. A framework for non intrusive load monitoring using bayesian inference
CN111179108A (zh) 用电能耗的预测方法和装置
CN114977176A (zh) 电力负荷分解方法、装置、设备及存储介质
EP3423789B1 (en) Systems and methods thereof for determination of a device state based on current consumption monitoring and machine-learning thereof
Rueda et al. Transient event classification based on wavelet neuronal network and matched filters
Kommey et al. An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm
CN111060755A (zh) 一种电磁干扰诊断方法和装置
Rizvi et al. Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data
CN115563583A (zh) 基于多物理量融合的非侵入式负荷监测方法
CN113011482B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN115184734A (zh) 一种电网线路故障检测方法和系统

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