CN110944413B - 云边协同架构下基于历史负荷辨识数据的电热细分方法 - Google Patents
云边协同架构下基于历史负荷辨识数据的电热细分方法 Download PDFInfo
- Publication number
- CN110944413B CN110944413B CN201911240762.8A CN201911240762A CN110944413B CN 110944413 B CN110944413 B CN 110944413B CN 201911240762 A CN201911240762 A CN 201911240762A CN 110944413 B CN110944413 B CN 110944413B
- Authority
- CN
- China
- Prior art keywords
- electric
- minutes
- data
- electric heating
- running
- 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
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B3/00—Ohmic-resistance heating
- H05B3/02—Details
- H05B3/06—Heater elements structurally combined with coupling elements or holders
- H05B3/08—Heater elements structurally combined with coupling elements or holders having electric connections specially adapted for high temperatures
Abstract
本发明公开了云边协同架构下基于历史负荷辨识数据的电热细分方法，包括采集用电负荷历史辨识结果样本数据、提取电热辨识结果数据并汇总统计、获取居民用户下一天的辨识数据、提取电热辨识结果数据，将数据进行统计计算，判断其是否满足电热细分规则、若满足则将居民用户该天的电热标签细化成具体标签，并更新汇总统计数据，使其参与下一天的电热细化等步骤。本发明结合电水壶，电饭锅，电烤箱和电热水器的功率，运行时间等特点以及居民的生活习惯，在云边协同架构下将电热大类进行细化为小类电器，有助于用户了解用电情况，合理安排电器开启时间，响应阶梯电价，最大程度的降低电能消耗，并可对其故障诊断做出相应的辅助判断。
Description
技术领域
本发明涉及一种云边协同架构下基于历史负荷辨识数据的电热细分方法，属于节能环保用电技术领域。
背景技术
居民电力负荷监测分解技术是一门新兴的智能电网基础支撑技术，与目前智能电表仅量测用户总功率不同，它以监测并分解出居民户内所有电器的启动时间、工作状态、能耗情况为目标，从而实现更加可靠、精确的电能量管理。电力负荷监测分解技术使用户的电费清单像电话费清单一样，各类家用电器的用电量一目了然，从而使用户及时了解自己的用电情况，为合理分配各个电器的用电时间及相应的用电量提供参考，最终能够有效减少电费支出和电能浪费。目前居民电力负荷监测分解技术主要有侵入式监测分解(ILMD)和非侵入式监测分解(NILMD)两大类两个技术手段。ILMD是传统的直接在用户家庭装设各类用电设备的分量计量表，但这个方法对居民扰动较大，需要参与用户配合程度高，因此工程推行难度大、成本高；NILMD技术手段是通过用户端口电压、电流的采集实现用户电流的非入户辨识。非入户型居民负荷辨识技术只需要采集用户的总电流和电压，再通过智能分解算法来辨识用户每类电器的启停时间和用电量，与智能插座等入户型负荷辨识技术相比，无需侵入用户施工，每户只需要安装一个传感器，项目协调、建设和维护成本都大为降低，容易大规模推广。
细粒度负荷辨识数据中会辨识出一类电量较高的电器，那就是电热大类，其加热原理主要是利用发热管的电阻丝产生热量，再将热量传递给需要加热的物质。电阻加热类负荷在家庭电力负荷重所占比重较大，常见的电阻加热类电器有电热水器、电热水壶、电烤箱、电饭锅等。电热水壶采用的是蒸汽智能感应控制，过热保护，水煮沸自动断电、防干烧断电，快速沸水的一种器具，其断电是不可自复位的，所以电热水壶断电后不会自动再加热。电热水壶一般具备：分体式电源底座，水沸自动断开，有水位指示标准和电源指示灯、干燥保护等安全装置，额定功率在1000W-1800W左右；电热水器是指以电作为能源进行加热的热水器。是与燃气热水器、太阳能热水器相并列的三大热水器之一。电热水器按加热功率大小可分为储水式(又称容积式或储热式)、即热式、速热式(又称半储水式)三种。常用的电热水器有加热和保温两种工作模式。电烤箱是利用电热元件发出的辐射热烤制食物的厨房电器，有效容积从13升到34升都有，功率大约在1000W-2000W之间。电饭锅是一种能够进行蒸、煮、炖、煨、焖等多种加工的现代化炊具。常见的电饭锅分为保温自动式、定时保温式以及新型的微电脑控制式三类，主要有加热和保温两种工作模式。电饭锅的发热元件，有电热管式发热板及P.T.C.元件发热板。电饭锅的额定功率因容量的不同而有区别，一般3升容量的功率在500～750W，4升容量的功率在700～1000W，5升容量的功率在700～1200W，升容量的功率在900～1300W。目前通过非侵入分解技术只能辨识出电热大类，如何细分还没有具体的解决方案。
本发明在此背景下提供了一种云边协同架构下基于历史负荷辨识数据的电热细分方法，结合电水壶，电饭锅，电烤箱和电热水器的运行特点以及居民的生活习惯，在云边协同架构下将电热大类进行细化为小类电器。有助于用户更好的了解自身的用电情况，合理安排电器开启时间，响应阶梯电价，最大程度的降低电能消耗，减少电费开支。
发明内容
为了解决上述技术问题，本发明公开了一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其具体技术方案如下：
步骤1：在云边协同架构下获取居民用户细粒度用电负荷历史辨识样本数据；
步骤2：提取电热历史辨识数据，按户进行汇总统计；
步骤3：选取某个居民用户下一天的辨识数据(相对于历史数据)，提取电热数据，将该数据进行统计；
步骤4：结合步骤2中用户的历史统计信息及步骤3中用户某天的具体电热统计信息，若满足电热细分规则，在云边架构下将用户该天的电热属性标签细化成具体电器标签。
步骤5：将细化后的电器标签更新到步骤2的汇总统计中，参与下一天的电热细化。
进一步的，步骤1中，通过智能终端获取居民用户的细粒度用电行为数据，该终端将用户每天的负荷数据上传至主站，通过云边协同架构下的系统从主站中获取用户负荷数据，通过界面图像化展示用户用电行为。其中从该架构下获取居民用户1个月的历史数据。
上述所说历史数据，其中包括每户的唯一信息，对应日期，将一天划分为96个时段，每个时段15分钟，记录每个时段内电器的属性标签，启停时间，频繁启停次数mergeTimes，峰值功率P，电量等。
所述步骤2包括以下内容：
2.1按户进行汇总统计，统计的信息分频繁启停电器和非频繁启停电器，每类电器分别统计电热的功率范围powerRange，电器运行次数runTimes，最大运行分钟数maxRunMin，平均运行分钟数averRunMin，运行小于5秒的次数lessFSTimes，运行5秒～2分钟的次数twoSTimes，运行2分钟～10分钟次数tenSTimes，运行超过10分钟次数overTSTimes，凌晨运行次数midNightTimes，上午运行次数amTimes，下午运行次数pmTimes，傍晚运行次数eveningTimes，晚上运行次数night1Times，深夜运行次数night2Times，运行天数days。
2.2其中上述所说的频繁启停电器指的是间隔在5分钟以内功率有大于等2次开启和关闭的电器，则非频繁启停电器则表示在间隔5分钟以内只有1次开启或关闭的电器；电器运行的次数指的是所有历史数据中该功率范围内电器的总运行次数；平均运行分钟数将历史数据中电器总的运行时长/电器运行次数，总的运行时长可由每条辨识数据启停的总和得出；凌晨运行次数指的是0～6点时间段内运行的次数；上午运行次数指的是6～12点时间段内运行的次数；下午运行次数指的是12～15点时间段内运行的次数；傍晚运行次数指的是15～18点时间段内运行的次数；晚上运行次数指的是18～21点时间段内运行的次数；深夜运行次数指的是21～24点时间段内运行的次数；运行天数是指电器开启的天数，某天有这种电器运行，则增1，没有就不增。
所述步骤3包括以下内容：
3.1选取某个居民用户下一天的辨识数据指的是若选取的历史数据为2019年5月1号到5月31号，则某个居民用户下一天的辨识数据指选择2019年的6月1号的辨识数据。
3.2其中上述中对该数据进行统计，表示统计功率范围，是否频繁启停电器，运行时间，一天运行的次数。
所述步骤4包括以下内容：
4.1电热细分规则包括：查看步骤3中某户一天的统计信息，找出功率P范围大于2500W的电热数据，将该用户该天的原始数据电热标签细化成电热水器；
4.2查看步骤3中某户一天的统计信息，找出功率范围P在1300W～2000W，非频繁启停电器，运行时间在2～8分钟内，查看步骤2中该户非频繁启停电器历史汇总信息，一天的运行次数大于等于1次，小于5次，运行时间在2～10分钟占比较大，运行时间不在凌晨，一天的运行时长不超过30分钟。满足上述条件，则将该用户该天的原始数据电热标签细化成电水壶。
4.2.1其中一天的运行次数dayRunTimes可使用如下公式计算：
dayRunTimes＝runTimes/days (1)
式(1)中，runTimes表示电器运行次数，days表示运行天数
4.2.2运行时间在2～10分钟占比较大可使用如下公式计算：
bl1＝tenSTimes/runtimes (2)
b12＝overTSTimes/runtimes (3)
式(2)和(3)中，tenSTimes运行2～10分钟次数，overTSTimes运行大于10分钟次数，runTimes表示电器运行次数
则运行时间在2～10分钟占比较大可用bl1>0.7且b12<0.01来表示。
4.2.3运行时间不在凌晨的计算公式如下：
b13＝midNightTimes/runTimes (4)
式(4)中，midNightTimes表示凌晨运行次数，runTimes表示电器运行次数
则运行时间不在凌晨使用b13<0.01来表示
4.2.4一天的运行时长不超过30分钟的计算公式如下：
AVRb14＝averRunMin*runTimes/days (5)
式(5)中，averRunMin表示平均运行分钟数，runTimes表示电器运行次数，days表示运行天数。
则一天的运行时长不超过30分钟使用b14<30来表示
4.3查看步骤3中某户一天的统计信息，找出功率范围在1500～2500W，频繁启停电器，查看步骤2中该户频繁启停电器历史汇总信息，频繁启停次数较多，最大连续运行时间小于20分钟，每天的运行次数小于5次，很少在凌晨运行，平均每天的运行时间大于10分钟。满足上述条件，则将该用户该天的原始数据电热标签细化成电烤箱。
4.3.1频繁启停次数较多的计算公式如下：
b15 ＝mergeTimes/ runtimes (6)
式(6)中，b15表示频繁启停次数，runTimes表示电器运行次数
则频繁启停次数较多使用b15>5来表示
4.3.2最大连续运行时间小于20分钟使用maxRunMin<20来表示
4.3.3每天的运行次数小于5次使用dayRunTimes<5来表示
4.3.4很少在凌晨运行使用b13<0.1来表示
4.3.5平均每天的运行时间大于10分钟使用b14>10来表示
4.4查看步骤3中某户一天的统计信息，找出功率P范围在600～1000W，频繁启停电器，查看步骤2该户频繁启停电器历史汇总信息，频繁启停次数较多，很少在凌晨运行，很少在深夜时间点运行，每天运行次数不超过3次，平均每天运行时间大于30分钟，最大连续运行时间小于60分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电饭锅。
4.4.1频繁启停次数较多使用b15>5来表示
4.4.2很少在凌晨运行使用b13<0.1来表示
4.4.3很少在深夜时间点运行的计算公式如下：
b16 ＝night2Times/runtimes (7)
式(7)中，night2Times表示深夜运行次数，runTimes表示电器运行次数
则很少在深夜时间点运行使用b16<0.1来表示
4.4.4每天运行次数不超过3次使用dayRunTimes<3来表示
4.4.5平均每天运行时间大于30分钟使用b14>30来表示
4.4.6最大连续运行时间小于60分钟使用maxRunMin<60来表示
4.5查看步骤3中某户一天的统计信息，找出找出功率P范围在1500～2500W，一天运行次数大于2次，查看步骤2该户非频繁启停电器历史汇总信息，最大连续运行时间大于10分钟，平均每天的运行次数大于2次，平均每天的运行时间大于30分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电热水器。
4.5.1最大连续运行时间大于10分钟使用maxRunMin>10来表示
4.5.2平均每天的运行次数大于两次使用dayRunTimes>2来表示
4.5.3平均每天的运行时间大于30分钟b14>30来表示
所述步骤5包括以下内容：
每细化完一天的电热数据，在云边协同架构下都会将历史汇总中统计的值更新，当需要细化下一天的电热数据时，再从此架构下读取历史汇总信息信息，统计当天信息，参与电热细化。
本发明的有益之处在于：本发明是一种云边协同架构下基于历史负荷辨识数据的电热细分方法，结合电水壶，电饭锅，电烤箱和电热水器的功率，运行时间等特点以及居民的生活习惯，在云边协同架构下将电热大类进行细化为小类电器，有助于用户更好的了解自身的用电情况，合理安排电器开启时间，响应阶梯电价，最大程度的降低电能消耗，减少电费开支，并可对其故障诊断做出相应的辅助判断。
附图说明
图1是本发明的总体流程图；
图2是本发明中具体电热细分的判断流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本云边协同架构下基于历史负荷辨识数据的电热细分方法，包括以下步骤：
步骤1：在云边协同架构下获取居民用户细粒度用电负荷历史辨识样本数据；
通过智能终端获取居民用户的细粒度用电行为数据，该终端将用户每天的负荷数据上传至主站，通过云边协同架构下的系统从主站中获取用户负荷数据，通过界面图像化展示用户用电行为。其中从该架构下获取居民用户1个月的历史数据。
历史数据，其中包括每户的唯一信息，对应日期，将一天划分为96个时段，每个时段15分钟，记录每个时段内电器的属性标签，启停时间，频繁启停次数mergeTimes，峰值功率P，电量等。
步骤2：提取电热历史辨识数据，按户进行汇总统计；
其中提取电热信息，指的是将辨识结果中电器标签为电热的辨识结果提取出。
2.1按户进行汇总统计，统计的信息分频繁启停电器和非频繁启停电器，每类电器分别统计电热的功率范围powerRange，电器运行次数runTimes，最大运行分钟数maxRunMin，平均运行分钟数averRunMin，运行小于5秒的次数lessFSTimes，运行5秒～2分钟的次数twoSTimes，运行2分钟～10分钟次数tenSTimes，运行超过10分钟次数overTSTimes，凌晨运行次数midNightTimes，上午运行次数amTimes，下午运行次数pmTimes，傍晚运行次数eveningTimes，晚上运行次数night1Times，深夜运行次数night2Times，运行天数days。
2.2其中上述所说的频繁启停电器指的是间隔在5分钟以内功率有大于等2次开启和关闭的电器，则非频繁启停电器则表示在间隔5分钟以内只有1次开启或关闭的电器；电器运行的次数指的是所有历史数据中该功率范围内电器的总运行次数；平均运行分钟数将历史数据中电器总的运行时长/电器运行次数，总的运行时长可由每条辨识数据启停的总和得出；凌晨运行次数指的是0～6点时间段内运行的次数；上午运行次数指的是6～12点时间段内运行的次数；下午运行次数指的是12～15点时间段内运行的次数；傍晚运行次数指的是15～18点时间段内运行的次数；晚上运行次数指的是18～21点时间段内运行的次数；深夜运行次数指的是21～24点时间段内运行的次数；运行天数是指电器开启的天数，某天有这种电器运行，则增1，没有就不增。
步骤3：选取某个居民用户下一天的辨识数据(相对于历史数据)，提取电热数据，将该数据进行统计；
选取某个居民用户下一天的辨识数据指的是若选取的历史数据为2019年5月1号到5月31号，则某个居民用户下一天的辨识数据指选择2019年的6月1号的辨识数据。
其中上述中对该数据进行统计，表示统计功率范围，是否频繁启停电器，运行时间，一天运行的次数。
步骤4：结合步骤2中用户的历史统计信息及步骤3中用户某天的具体电热统计信息，若满足电热细分规则，在云边架构下将用户该天的电热属性标签细化成具体电器标签。
根据图2电热细分的具体规则，可以将电热细分成四个具体电器，分别是电热水器，电水壶，电饭锅以及电烤箱。具体分类规则如下：
4.1查看步骤3中某户一天的统计信息，找出功率P范围大于2500W的电热数据，将该用户该天的原始数据电热标签细化成电热水器；
4.2查看步骤3中某户一天的统计信息，找出功率范围P在1300W～2000W，非频繁启停电器，运行时间在2～8分钟内，查看步骤2中该户非频繁启停电器历史汇总信息，一天的运行次数大于等于1次，小于5次，运行时间在2～10分钟占比较大，运行时间不在凌晨，一天的运行时长不超过30分钟。满足上述条件，则将该用户该天的原始数据电热标签细化成电水壶。
如图是用户为3848-88-3的用户在4月份中功率范围在1900W非频繁启停电器的历史统计信息：
表1：用户历史统计信息
下表为5月2号未清洗提取电热后的辨识数据，其中编号为18代表为电热，如小表第一条数据中开始时0间为2表示的是7:02，结束时间为14表示7:14,开始和结束时间中有255代表该电器在该时段没有关闭，延续到下一个时段。
表2：用户一天的未清洗辨识数据
从上表中看出同时满足功率在1300W～2000W,非频繁启停，运行时间在2～8分钟中的数据条数为数据编号为9和10的数据编号，查看该用户功率在1300W～2000W范围内的历史统计信息，如表1：
4.2.1其中一天的运行次数dayRunTimes可使用如下公式计算：runTimes表示电器运行次数，days表示运行天数
dayRunTimes＝runTimes/days＝120/70＝1.714满足每天的运行时间在1～5之间。
4.2.2运行时间在2～10分钟占比较大可使用如下公式计算：
bl1＝tenSTimes/runtimes＝126/127＝0.992
b12＝overTSTimes/runtimes＝0/127＝0
tenSTimes运行2～10分钟次数，overTSTimes运行大于10分钟次数，runTimes表示电器运行次数满足运行时间在2～10分钟占比较大可用bl1>0.7且b12<0.01。
4.2.3运行时间不在凌晨的计算公式如下：
b13＝midNightTimes/runtimes＝1/127＝0.0079
midNightTimes表示凌晨运行次数，runTimes表示电器运行次数
满足运行时间不在凌晨使b13<0.01
4.2.4一天的运行时长不超过30分钟的计算公式如下：
AVRb14＝averRunMin*runTimes/days＝4.41428571*127/30＝18.68
averRunMin表示平均运行分钟数，runTimes表示电器运行次数，days表示运行天数。
满足一天的运行时长不超过30分钟b14<30。
同时满足历史汇总信息，将电器标签改为电水壶：其中编号为21电水壶
4.3查看步骤3中某户一天的统计信息，找出功率范围在1500～2500W，频繁启停电器，查看步骤2中该户频繁启停电器历史汇总信息，频繁启停次数较多，最大连续运行时间小于20分钟，每天的运行次数小于5次，很少在凌晨运行，平均每天的运行时间大于10分钟。满足上述条件，则将该用户该天的原始数据电热标签细化成电烤箱。
4.3.1频繁启停次数较多的计算公式如下：
b15 ＝mergeTimes/ runtimes (6)
式(6)中，b15表示频繁启停次数，runTimes表示电器运行次数
则频繁启停次数较多使用b15>5来表示
4.3.2最大连续运行时间小于20分钟使用maxRunMin<20来表示
4.3.3每天的运行次数小于5次使用dayRunTimes<5来表示
4.3.4很少在凌晨运行使用b13<0.1来表示
4.3.5平均每天的运行时间大于10分钟使用b14>10来表示
4.4查看步骤3中某户一天的统计信息，找出功率P范围在600～1000W，频繁启停电器，查看步骤2该户频繁启停电器历史汇总信息，频繁启停次数较多，很少在凌晨运行，很少在深夜时间点运行，每天运行次数不超过3次，平均每天运行时间大于30分钟，最大连续运行时间小于60分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电饭锅。
4.4.1频繁启停次数较多使用b15>5来表示
4.4.2很少在凌晨运行使用b13<0.1来表示
4.4.3很少在深夜时间点运行的计算公式如下：
b16 ＝night2Times/runtimes (7)
式(7)中，night2Times表示深夜运行次数，runTimes表示电器运行次数
则很少在深夜时间点运行使用b16<0.1来表示
4.4.4每天运行次数不超过3次使用dayRunTimes<3来表示
4.4.5平均每天运行时间大于30分钟使用b14>30来表示
4.4.6最大连续运行时间小于60分钟使用maxRunMin<60来表示
4.5查看步骤3中某户一天的统计信息，找出找出功率P范围在1500～2500W，一天运行次数大于2次，查看步骤2该户非频繁启停电器历史汇总信息，最大连续运行时间大于10分钟，平均每天的运行次数大于2次，平均每天的运行时间大于30分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电热水器。
4.5.1最大连续运行时间大于10分钟使用maxRunMin>10来表示
4.5.2平均每天的运行次数大于两次使用dayRunTimes>2来表示
4.5.3平均每天的运行时间大于30分钟b14>30来表示
步骤5：将细化后的电器标签更新到步骤2的汇总统计中，参与下一天的电热细化。
每细化完一天的电热数据，在云边协同架构下都会将历史汇总中统计的值更新，当需要细化下一天的电热数据时，再从此架构下读取历史汇总信息信息，统计当天信息，参与电热细化。
将上述电水壶的标签修改后，会自动对应非频繁启停下功率值在1900W下的历史信息：
从表中可以看出和之前的历史汇总信息改变的是电器运行次数，由修改的两条数据可知，电器运行次数增加了两次，平均运行分钟数＝(4.41428571*127+12)/129＝4.439,其中所加的12表示本次修改标签的数据中运行的分钟数，平均每天的运行时间＝4.439*129/31＝18.47
| DistrictBCDId | 3848 |
| AddressId | 88 |
| ChannelId | 3 |
| PowerRange(功率范围) | 1900 |
| RunTimes(电器运行次数) | 129 |
| maxRunMin(最大运行分钟数) | 6 |
| averRunMin(平均运行分钟数) | 4.439 |
| lessFSTimes(运行小于5秒的次数) | 0 |
| twoSTimes(运行5秒～2分钟的次数) | 1 |
| tenSTimes(运行2分钟～10分钟次数) | 128 |
| overTSTimes(运行超过10分钟次数) | 0 |
| midNightTimes(0-6点开启次数) | 1 |
| amTimes(6-12点开启次数) | 24 |
| pmTimes(12-15点开启次数) | 20 |
| eveningTimes(15-18点开启次数) | 47 |
| night1Times(18-21点开启次数) | 28 |
| night2Times(21-24点开启次数) | 9 |
| days运行总天数 | 31 |
| TimeAvrg(平均每天的运行时间) | 18.47 |
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于，包括以下步骤：
步骤一：获取居民用户细粒度用电负荷历史辨识结果样本数据；
步骤二：提取电热辨识结果数据，并对其按户汇总统计；
步骤三：获取居民用户下一天的辨识数据；
步骤四：提取该用户的电热辨识结果数据，将该数据进行统计；
步骤五：结合步骤二和步骤四中的两类电热辨识结果数据，判断其是否满足电热细分规则；
步骤六：若步骤五的判断结果满足电热细分规则，则将居民用户该天的电热标签细化成具体标签，并更新步骤二中的汇总统计数据，使其参与下一天的电热细化；
若不满足电热细分规则，则居民用户该天的电热标签不会细化成具体标签。
2.根据权利要求1所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：
所述步骤一中：通过云边协同架构下的系统从主站中获取用户用电负荷历史辨识结果样本数据；历史辨识结果样本数据为一个月的样本数据量；
所述历史辨识结果样本数据将一天划分为96个时段，每个时段15分钟；并包括用户ID信息、对应日期、每个时段内电器的属性标签、启停时间、频繁启停次数mergeTimes、峰值功率P和电量；
划分96个时段，每个时段15分钟，考虑到每个电器运行的时间一般不会在分钟级内完成，若设计为分钟级，每个电器跨时段会比较多，辨识数据量也会增大，此外还需考虑终端辨识能力，若存储15分钟的数据对于辨识数据中阶跃的匹配更精确一些，如果是分钟级，很有可能开关闭的匹配在上一个时段或下一个时段，上传数据比较频繁，会加大数据丢包的可能性，若存储30分钟，需要考虑终端的存储能力，综合考虑15分钟粒度比较合适。
3.根据权利要求2所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：
所述步骤二中提取电热辨识结果数据，即从历史辨识结果样本数据中电器标签为电热的辨识结果提取出；
所述步骤二中，所述按户进行汇总统计：包括统计划分为：频繁启停电器和非频繁启停电器；
所说的频繁启停电器指的是间隔在5分钟以内功率有大于等于2次开启和关闭的电器，则非频繁启停电器则表示在间隔5分钟以内只有1次开启或关闭的电器；
分别统计每类电器电热的功率范围powerRange，电器运行次数runTimes，最大运行分钟数maxRunMin，平均运行分钟数averRunMin，运行小于5秒的次数lessFSTimes，运行5秒-2分钟的次数twoSTimes，运行2分钟-10分钟次数tenSTimes，运行超过10分钟次数overTSTimes，凌晨运行次数midNightTimes，上午运行次数amTimes，下午运行次数pmTimes，傍晚运行次数eveningTimes，晚上运行次数night1Times，深夜运行次数night2Times，运行天数days；
4.根据权利要求3所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：所述步骤三中所述下一天表示选取的历史辨识结果样本数据的翌日；所述步骤四中，对该天的信息统计包括功率范围，是否频繁启停电器，运行时间，一天运行的次数。
5.根据权利要求4所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：
所述电热细分规则包括：功率P范围大于2500W的电热数据，将该用户该天的原始数据电热标签细化成电热水器；
符合所述电热细分规则的居民用户家中大功率的电热电器为电热水器。
6.根据权利要求5所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：
所述电热细分规则包括功率范围P在1300W-2000W，非频繁启停电器，运行时间在2-8分钟内，查看步骤2中该户非频繁启停电器历史汇总信息，一天的运行次数大于等于1次，小于5次，运行时间在2-10分钟占比较大，运行时间不在凌晨，一天的运行时长不超过30分钟；满足上述条件，则将该用户该天的原始数据电热标签细化成电水壶；
经过数据调研，电水壶的运行功率普遍在1500W左右，且运行时间比较短，晚上时间运行的概率会比较少，因此得出此公式；
其中：
一天的运行次数dayRunTimes使用如下公式计算：dayRunTimes＝runTimes/days，runTimes表示电器运行次数，days表示运行天数；
运行时间在2-10分钟占比较大可使用如下公式计算：bl1＝tenSTimes/runTimes，b12＝overTSTimes/runTimes(3)，tenSTimes表示运行2-10分钟次数，overTSTimes表示运行大于10分钟次数，runTimes表示电器运行次数；故运行时间在2-10分钟占比较大用bl1>0.7且b12<0.01来表示；
运行时间不在凌晨的计算公式如下：b13＝midNightTimes/runTimes，midNightTimes表示凌晨运行次数，runTimes表示电器运行次数，则运行时间不在凌晨使用b13<0.01来表示；
一天的运行时长不超过30分钟的计算公式如下：AVRb14＝averRunMin*runTimes/days，averRunMin表示平均运行分钟数，runTimes表示电器运行次数，days表示运行天数；则一天的运行时长不超过30分钟使用b14<30来表示。
7.根据权利要求6所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：功率范围在1500-2500W，频繁启停电器，查看步骤2中该户频繁启停电器历史汇总信息，频繁启停次数较多，最大连续运行时间小于20分钟，每天的运行次数小于5次，很少在凌晨运行，平均每天的运行时间大于10分钟；满足上述条件，则将该用户该天的原始数据电热标签细化成电烤箱；
根据原始数据统计分析中得出，电烤箱居民用户使用的比较少，根据其工作原理，会频繁启停使用，并且其功率在1500W以上，该电器使用的次数会比较少，晚上很少有用户会使用它，因此得出该公式；
其中：频繁启停次数较多的计算公式如下：b15＝mergeTimes/runtimes,b15表示频繁启停次数，runTimes表示电器运行次数，则频繁启停次数较多使用b15>5来表示；最大连续运行时间小于20分钟使用maxRunMin<20来表示；每天的运行次数小于5次使用dayRunTimes<5来表示；很少在凌晨运行使用b13<0.1来表示；平均每天的运行时间大于10分钟使用b14>10来表示。
8.根据权利要求7所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：找出功率P范围在600-1000W，频繁启停电器，查看步骤2该户频繁启停电器历史汇总信息，频繁启停次数较多，很少在凌晨运行，很少在深夜时间点运行，每天运行次数不超过3次，平均每天运行时间大于30分钟，最大连续运行时间小于60分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电饭锅；
电放锅是居民普遍使用的电器，其工作原理就是频繁启停的电器，但是其功率会在1000W以下，会在饭点使用，根据这些特性总结出以下这些公式；
其中：频繁启停次数较多使用b15>5来表示，很少在凌晨运行使用b13<0.1来表示，很少在深夜时间点运行的计算公式如下：b16＝night2Times/runTimes，night2Times表示深夜运行次数，runTimes表示电器运行次数，则很少在深夜时间点运行使用b16<0.1来表示；每天运行次数不超过3次使用dayRunTimes<3来表示；平均每天运行时间大于30分钟使用b14>30来表示；最大连续运行时间小于60分钟使用maxRunMin<60来表示。
9.根据权利要求8所述的一种云边协同架构下基于历史负荷辨识数据的电热细分方法，其特征在于：
功率P范围在1500-2500W，一天运行次数大于2次，查看步骤2该户非频繁启停电器历史汇总信息，最大连续运行时间大于10分钟，平均每天的运行次数大于2次，平均每天的运行时间大于30分钟，满足上述条件，则将该用户该天的原始数据电热标签细化成电热水器；
其中：最大连续运行时间大于10分钟使用maxRunMin>10来表示；平均每天的运行次数大于两次使用dayRunTimes>2来表示；平均每天的运行时间大于30分钟b14>30来表示。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240762.8A CN110944413B (zh) | 2019-12-06 | 2019-12-06 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| PCT/CN2020/094989 WO2021109518A1 (zh) | 2019-12-06 | 2020-06-08 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240762.8A CN110944413B (zh) | 2019-12-06 | 2019-12-06 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110944413A CN110944413A (zh) | 2020-03-31 |
| CN110944413B true CN110944413B (zh) | 2021-08-10 |
Family
ID=69909707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911240762.8A Active CN110944413B (zh) | 2019-12-06 | 2019-12-06 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110944413B (zh) |
| WO (1) | WO2021109518A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110944413B (zh) * | 2019-12-06 | 2021-08-10 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| CN111859611A (zh) * | 2020-06-05 | 2020-10-30 | 国网山东省电力公司济南供电公司 | 基于细粒度用能数据的电热水器实际保温性能评估方法 |
| CN112132442A (zh) * | 2020-09-18 | 2020-12-25 | 江苏智臻能源科技有限公司 | 一种间歇启停电热工况下负荷辨识效果的评价方法 |
| CN116756622B (zh) * | 2023-08-15 | 2024-01-26 | 广州吉谷电器有限公司 | 基于智能水壶的用电量分析方法及系统 |
| CN117389971A (zh) * | 2023-12-11 | 2024-01-12 | 吉林大学 | 一种云边实时协同的非介入式负荷监测系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2466714A2 (en) * | 2010-12-17 | 2012-06-20 | General Electric Company | System and Method for Managing Cold Load Pickup Using Demand Response |
| CN104181898A (zh) * | 2014-09-01 | 2014-12-03 | 东北电力大学 | 一种基于分时电价响应的交互式家电智能控制方法和系统 |
| CN105911342A (zh) * | 2016-04-15 | 2016-08-31 | 东南大学 | 基于功率持续时间特性的电饭煲非侵入辨识方法 |
| CN106124850A (zh) * | 2016-07-20 | 2016-11-16 | 国网江西省电力公司南昌供电分公司 | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 |
| CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
| CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
| CN108802665A (zh) * | 2018-08-02 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 用于用电负荷辨识智能电能表检测的标准功率源及检测方法 |
| CN109936131A (zh) * | 2019-01-30 | 2019-06-25 | 国网浙江省电力有限公司衢州供电公司 | 一种基于智能电能表的用户负荷辨识方法 |
| CN110033395A (zh) * | 2019-04-24 | 2019-07-19 | 江苏智臻能源科技有限公司 | 非侵入终端辨识能力测试案例库构建方法及模拟检测平台 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8487474B2 (en) * | 2010-05-20 | 2013-07-16 | The Watt Stopper, Inc. | Method and apparatus for electrical load control network |
| CN105305437B (zh) * | 2015-11-18 | 2017-12-29 | 天津大学 | 电力负荷三重可信度匹配辨识方法 |
| CN110944413B (zh) * | 2019-12-06 | 2021-08-10 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
-
2019
- 2019-12-06 CN CN201911240762.8A patent/CN110944413B/zh active Active
-
2020
- 2020-06-08 WO PCT/CN2020/094989 patent/WO2021109518A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2466714A2 (en) * | 2010-12-17 | 2012-06-20 | General Electric Company | System and Method for Managing Cold Load Pickup Using Demand Response |
| CN104181898A (zh) * | 2014-09-01 | 2014-12-03 | 东北电力大学 | 一种基于分时电价响应的交互式家电智能控制方法和系统 |
| CN105911342A (zh) * | 2016-04-15 | 2016-08-31 | 东南大学 | 基于功率持续时间特性的电饭煲非侵入辨识方法 |
| CN106124850A (zh) * | 2016-07-20 | 2016-11-16 | 国网江西省电力公司南昌供电分公司 | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 |
| CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
| CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
| CN108802665A (zh) * | 2018-08-02 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 用于用电负荷辨识智能电能表检测的标准功率源及检测方法 |
| CN109936131A (zh) * | 2019-01-30 | 2019-06-25 | 国网浙江省电力有限公司衢州供电公司 | 一种基于智能电能表的用户负荷辨识方法 |
| CN110033395A (zh) * | 2019-04-24 | 2019-07-19 | 江苏智臻能源科技有限公司 | 非侵入终端辨识能力测试案例库构建方法及模拟检测平台 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110944413A (zh) | 2020-03-31 |
| WO2021109518A1 (zh) | 2021-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110944413B (zh) | 云边协同架构下基于历史负荷辨识数据的电热细分方法 | |
| Newborough et al. | Demand-side management opportunities for the UK domestic sector | |
| CN105911342B (zh) | 基于功率持续时间特性的电饭煲非侵入辨识方法 | |
| EP2304449B1 (en) | Utility metering | |
| CN108152630A (zh) | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 | |
| CN107247201A (zh) | 基于功率及时间特性的电烤箱非侵入辨识方法 | |
| CN108964276A (zh) | 支持自动需求响应的用电管控终端和系统及负荷辨识方法 | |
| CN108152574A (zh) | 一种基于混合判据的微波炉运行的非侵入辨识方法 | |
| TWI489230B (zh) | 電力監控裝置及其電力分析方法 | |
| CN111026791B (zh) | 一种基于居民细粒度用电数据的用户类型判定方法 | |
| Clement et al. | Standby power consumption in Belgium | |
| CN104901325A (zh) | 基于电价峰谷差的智能家居微网系统 | |
| CN104466955B (zh) | 适合阶梯电价和分时电价的家用节电系统 | |
| CN108572292A (zh) | 一种微波炉非侵入负荷辨识方法 | |
| CN205509658U (zh) | 一种家庭式电网远程监测系统 | |
| CN105020899B (zh) | 能够判断电压峰谷值进行加热的储水式电热水器及方法 | |
| Farzambehboudi et al. | Economic impact analysis of load shifting in a smart household | |
| CN109298641A (zh) | 一种家庭用电监测控制装置 | |
| Sidler | DSM: major findings of an end-use metering campaign in 400 households of four European countries | |
| Ning et al. | Preliminary analysis of high resolution domestic load data | |
| CN110942263B (zh) | 一种低压电力负荷需求侧响应能力聚合监测方法及装置 | |
| CN212011469U (zh) | 一种智能插座 | |
| CN209274397U (zh) | 一种谷时段自动充电的家用交流充电桩 | |
| CN109687429B (zh) | 一种柔性负荷设备的调度方法、系统及存储介质 | |
| CN112016587A (zh) | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 |
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 |