CN111078803A - 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 - Google Patents
一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 Download PDFInfo
- Publication number
- CN111078803A CN111078803A CN201911176656.8A CN201911176656A CN111078803A CN 111078803 A CN111078803 A CN 111078803A CN 201911176656 A CN201911176656 A CN 201911176656A CN 111078803 A CN111078803 A CN 111078803A
- Authority
- CN
- China
- Prior art keywords
- matching
- feature
- power equipment
- event
- closing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005516 engineering process Methods 0.000 title abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种非侵入式负荷事件多维特征匹配方法,通过采集电力设备的电流电压值,计算电力设备多维特征数据;通过设置预设阈值组,提取电力设备开启和关闭的时间点和对应的多维特征数据;将多维特征数据分为开启特征向量集和关闭特征向量集;对特征向量集进行单一特征匹配和多维特征匹配;对特征向量集进行单一特征寻优、多维特征权重分配得到最小耗费矩阵;根据最小耗费矩阵中的元素判断电力设备开启事件和关闭事件最佳匹配结果,达到获取电力设备负荷事件目的。本发明引入了现有负荷检测方法未涉及到的负荷启停逻辑匹配关系,结合多维特征综合匹配的相关技术,解决了目前非侵入式领域中对于负荷开关状态及运行过程的辨识结果精度不高的问题。
Description
技术领域
本发明涉及本发明属于非侵入式负荷辨识领域,尤其涉及一种基于非侵入式技术的负荷事件多维特征匹配方法与系统。
背景技术
非侵入式负荷辨识技术是目前电力系统智能计量领域的研究热点,近年来发展迅速。通过在入户电力入口端安装非侵入式电力辨识装置,利用智能解析技术可以获得用电范围内电力设备的类型、运行状态及其能耗,从而实现对不同设备的启停和功率消耗的实时监测。结合当下能源互联网及泛在电力物联网的部署,电网公司需要获得用户精准的负荷特性,因此非侵入式负荷辨识技术具有广阔的应用前景。
由于常用电力负荷均具有开、关两种状态,因此准确辨识负荷开关及运行过程将直接关系到电力负荷运行期间的电能消耗计量。但是,现有负荷检测方法并未涉及负荷启停的匹配逻辑关系,也并未涉及多维特征综合匹配的相关技术。因此,得到的设备辨识负荷开关及运行过程结果精度不高,影响非侵入式辨识设备的易用性和负荷辨识准确度。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种方法。
本发明提供一种非侵入式负荷事件多维特征匹配方法,包括:
S100采集电力设备的电流电压值,通过所述电流电压值计算电力设备多维特征数据,所述多维特征数据包括有功功率、无功功率以及各次谐波;
S200设置预设阈值组,提取电力设备开启和关闭的时间点和对应的多维特征数据;
S300将电力设备开启和关闭时对应的多维特征数据定义为开启特征向量集和关闭特征向量集;
S400对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配;
S500对开启特征向量集和关闭特征向量集进行单一特征寻优、多维特征权重分配,得到最小耗费矩阵;
S600根据最小耗费矩阵中的元素分布特性判断电力设备开启事件和关闭事件最佳匹配结果;
S700根据电力设备开启事件和关闭事件的最佳匹配结果,获取电力设备负荷事件对应关系。
进一步地,S200中所述阈值组为电力设备在检测区间内功率的变化累计值;
进一步地,所述对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配采用二部图寻优法;
进一步地,多维特征权重分配方法为定义权值向量B={β1,β2,…,βs}。其中β1,β2,…,βs分别代表电力设备对应特征贡献率,且β1+β2+…+βs=1。
进一步地,S700具体为:根据电力设备开启事件和关闭事件最佳匹配结果,结合电力设备开启事件和关闭事件时刻,监控电力设备的负荷事件。
进一步地,所述多维特征还包括电力设备运行时长、间歇性、周期性。
本发明还公开了一种非侵入式负荷事件多维特征匹配系统,包括:数据采集模块、事件检测模块、特征输入模块、特征匹配模块、综合决策模块,其中:
数据采集模块,采集并储存电力设备的电力数据;
事件检测模块,根据预设阈值组,提取电力设备开启和关闭事件,得到电力特征向量;
特征输入模块,将电力特征向量进行归类,形成电力设备开、关两类多维特征向量,输入到特征匹配模块中;
特征匹配模块,将多维特征向量进行基于二部图法的特征匹配;
综合决策模块,通过匹配的多维特征向量进行最小耗费决策,得到最佳的电力设备负荷事件匹配结果。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明引入了现有负荷检测方法未涉及到的负荷启停逻辑匹配关系,结合多维特征综合匹配的相关技术,解决了目前非侵入式领域中对于负荷开关状态及运行过程的辨识结果精度不高的问题。所提供的负荷事件多维特征匹配方法分类考量了各个电力特征的重要度,并以图论为基础,引入负荷事件之间的逻辑关系,寻求最佳匹配结果,因此该方法可以有效提升非侵入式负荷辨识的准确度。本系统集成于硬件装置中,可以有效扩充传统非侵入式负荷监测设备性能,结合当下泛在物联网的建设理念,具有广泛的应用前景。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一中,一种非侵入式负荷事件多维特征匹配方法流程图;
图2为本发明实施例一中,S200步骤中负荷事件检测示意图;
图3为本发明实施例一中,基于二部图的寻优匹配方法流程;
图4为本发明实施例一中,最小耗费矩阵判断电力设备开启事件和关闭事件最佳匹配示意图;
图5为本发明实施例一中,一种非侵入式负荷事件多维特征匹配方法示意图;
图6为本发明实施例一中,一种非侵入式负荷事件多维特征匹配系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中负荷检测方法并未涉及负荷启停的匹配逻辑关系,也并未涉及多维特征综合匹配的相关技术,导致非侵入式辨识设备精度普遍不高问题,本发明实施例提供一种非侵入式负荷事件多维特征匹配方法和系统。
实施例一
如图1,本实施例公开了一种非侵入式负荷事件多维特征匹配方法,其特征在于,包括:
S100采集电力设备的电流电压值,通过所述电流电压值计算电力设备多维特征数据,所述多维特征数据包括有功功率、无功功率以及各次谐波。
有功功率,是指在交流电路中,有功功率是指一个周期内发出或负载消耗的瞬时功率的积分的平均值(或负载电阻所消耗的功率),因此,也称平均功率。无功功率是由电抗器(电感或电容)在交流电路中,由于其两端的电压与流过的电流有90度角的相位差,所以不能做功,也不消耗有功功率,但它参与了与电源的能量交换,这就产生了无功功率,降低了发电机和电网的供电效率。谐波是指对周期性非正弦交流量进行傅里叶级数分解所得到的大于基波频率整数倍的各次分量。通过大量科学实验得知,对电力设备负荷事件判断的主要由有功功率、无功功率和各次谐波决定,因此,本发明优选有功功率、无功功率以及各次谐波为多维特征数据。当然,在一些优选实施例中,通过大量科学实验得知,所述多维特征数据还包括设备运行时长、间歇性、周期性等。
S200通过预设阈值组,提取电力设备开启和关闭的时间点和对应的多维特征数据。
具体的,为避免电网电压以及其他因素导致的功率波动,通过分别设定开、关判定阈值h1和h2,可以提取各个电力设备的开、关特征信息,包括跳变量以及变点时刻。由此可以分别得到开启和关闭时刻的多维数据集以及各个时间的发生时间点。
如图2,在本实施例中,阈值组为电力设备在检测区间内功率的变化累计值;可以理解的,电力设备在开启过程中,累计功率会增加,对应的,电力设备在开启过程中,累计功率会减少,因此开启阈值h1和关闭阈值h2如图2所示,当电力设备累计功率和值大于h1时,判定为开启事件;当电力设备累计功率和值小于h2时,判定为关闭事件;提取电力设备开启和关闭的时间点和对应的多维特征数据。其中,提取的开启、关闭时间点如表1所示。
表1
S300将电力设备开启和关闭时对应的多维特征数据定义为开启特征向量集和关闭特征向量集。
由S200可知,当提取到电力设备开启事件点和关闭时间点时,同时获取电力设备对应的多维特征数据,通过电力设备开启和关闭状态将多维特征数据分为开启特征向量集和关闭特征向量集;将所述多维特征数据分为开启特征向量集和关闭特征向量集的具体方法为:假设有l个电力设备,每种电力设备有s种特征,电力设备开启事件有m个,电力设备关闭事件有n个,则开启特征向量集为关闭特征向量集S400对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配。在本实施例中,对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配采用二部图寻优法。其具体实现包括以下子步骤:
S401:基于二部图的寻优匹配方法流程如图3所示。将X和Y向量集合分别作为同一图的两个顶点集,寻优即为求取二部图的最大匹配,使得每一个开启事件都有一个关闭事件与之相匹配。令初始匹配为图3中301,现随机取一未匹配顶点x3,指向一已匹配顶点,这里以y1为例。由于y1存在匹配点x1,因此由y1再次指向一已匹配顶点y3,以此类推,沿已匹配点、未匹配点、已匹配点来交替进行,直到最后找到一个未匹配点(这里以y4为例)停止。该过程的流经为增广路径,如图3中302所示。将该路径进行取反,即原匹配边(黑色箭头)取消,用当前新增匹配边(蓝色箭头)来代替,即可得到更大的匹配组合,如303所示。可以发现301中的两条匹配关系变为303中的3条。匹配的扩大意味着在寻求更大匹配,尽可能满足所有节点的组合分配。以此类推,直到无法寻求到更大匹配时,寻优过程结束。
S402:定义权值向量B={β1,β2,…,βs}。根据特征性质进行贡献率判定,决定特征权重系数向量元素βs,且满足β1+β2+…+βs=1。根据多次试验得到经验,有功和无功功率所分权重会稍大,决策占比较高,其次是1、3次谐波。
S500对开启特征向量集和关闭特征向量集进行单一特征寻优、多维特征权重分配得到最小耗费矩阵。
具体地,利用S400匹配矩阵,定义综合矩阵定义为C* ij=Ci×BT,i=1,2,…,l,通过综合矩阵得到最小化耗费矩阵,其中最小化耗费矩阵满足当矩阵中所有元素和最小代表该组合的匹配差异性最小,该组合最为合适。
S600根据最小耗费矩阵中的元素分布特性判断电力设备开启事件和关闭事件最佳匹配结果。
在一些实施例中,例如得到的如图4,其中每一列代表电力设备开启事件1、2、3,每一列代表电力设备关闭事件A、B、C。对于开启事件1,对应的关闭事件C值最小,因此开启事件匹配关闭事件C同理,开启事件2匹配关闭事件B,开启事件3对应的最小值为关闭事件C,但是关闭事件C已经完成匹配,因此,开启事件匹配关闭事件A。综上,此时minγ=a13+a22+a31,则开启事件1、2、3分别对应关闭事件 C、B、A为最佳匹配结果。
S700根据电力设备开启事件和关闭事件的最佳匹配结果,获取电力设备事件对应关系。由S600可知,电力设备开启事件与关闭事件匹配后,同时获取开启事件和关闭事件时刻,计算电力设备开启和关闭时间,通过电力设备开启和关闭时间得到电力设备负荷信息。具体的,一种非侵入式负荷事件多维特征匹配方法示意图如图5。
本实施例的方法引入了现有负荷检测方法未涉及到的负荷启停逻辑匹配关系,结合多维特征综合匹配的相关技术,解决了目前非侵入式领域中对于负荷开关状态及运行过程的辨识结果精度不高的问题。所提供的负荷事件多维特征匹配方法分类考量了各个电力特征的重要度,并以图论为基础,引入负荷事件之间的逻辑关系,寻求最佳匹配结果,因此该方法可以有效提升非侵入式辨识准确度。
实施例二
本发明还公开了一种应用于实施例一的非侵入式负荷事件的多维特征匹配系统,包括数据采集模块1、事件检测模块2、特征输入模块3、特征匹配模块4、综合决策模块5,其中:
数据采集模块1采集并储存电力设备电力特征数据;数据采集模块1采集电力设备的电流电压值,通过所述电流电压值计算电力设备多维特征数据,所述多维特征数据包括有功功率、无功功率以及各次谐波;通过大量科学实验得知,对电力设备负荷事件判断的主要由有功功率、无功功率和各次谐波决定,因此,本发明优选有功功率、无功功率以及各次谐波为多维特征数据。当然,在一些优选实施例中,所述多维特征数据还包括设备运行时长、间歇性、周期性等。
事件检测模块2,根据预设阈值组,提取电力设备开启和关闭事件,得到电力特征向量。
具体的,为避免电网电压以及其他因素导致的功率波动,通过分别设定开、关判定阈值h1和h2,可以提取各个电力设备的开、关特征信息,包括跳变量以及变点时刻。由此可以分别得到开启和关闭时刻的多维数据集以及各个时间的发生时间点。
在本实施例中,阈值组为电力设备在检测区间内功率的变化累计值;可以理解的,电力设备在开启过程中,累计功率会增加,对应的,电力设备在开启过程中,累计功率会减少,因此开启阈值h1和关闭阈值h2如图2所示,当电力设备累计功率和值大于h1时,判定为开启事件;当电力设备累计功率和值小于h2时,判定为关闭事件;提取电力设备开启和关闭的时间点和对应的多维特征数据。
特征输入模块3,将电力特征向量进行归类,形成电力设备开、关两类多维度特征向量,输入到特征匹配模块中。
将所述多维特征数据分为开启特征向量集和关闭特征向量集具体方法为:
特征匹配模块4,将多维特征向量进行基于二部图法的多维特征匹配;特征匹配模块4 对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配采用二部图寻优法。其具体实现包括以下子步骤:
S401:基于二部图的寻优匹配方法对开关事件和关闭事件进行寻优,二部图寻求最大匹配的方法在实施例一图1中已经阐述,在此不再进行赘述。
S402:定义权值向量B={β1,β2,…,βs}。根据特征性质进行贡献率判定,决定特征权重系数向量元素βs,且满足β1+β2+…+βs=1。根据经验,有功和无功功率所分权重会稍大,决策占比较高,其次是1、3次谐波。
综合决策模块5,通过匹配的多维特征向量进行最小耗费决策,得到最佳的电力设备负荷事件匹配结果。综合决策模块5获取电力设备负荷事件的具体过程为:
S500对开启特征向量集和关闭特征向量集进行单一特征寻优、多维特征权重分配得到最小耗费矩阵;
具体的,利用S400匹配矩阵,定义综合矩阵定义为C* ij=Ci×BT,i=1,2,…,l,通过综合矩阵得到最小化耗费矩阵,其中最小化耗费矩阵满足求取。当矩阵中所有元素和最小代表该组合的匹配差异性最小,该组合最为合适。
S600根据最小耗费矩阵中的元素分布特性判断电力设备开启事件和关闭事件最佳匹配结果。
S700根据电力设备开启事件和关闭事件的最佳匹配结果,获取电力设备事件对应关系。由S600可知,电力设备开启事件与关闭事件匹配后,同时获取开启事件和关闭事件时刻,计算电力设备开启和关闭时间,通过电力设备开启和关闭时间得到电力设备负荷信息。
本系统分类考量了各个电力特征的重要度,并以图论为基础,引入负荷事件之间的逻辑关系,寻求最佳匹配结果,因此该方法可以有效提升非侵入式辨识准确度。解决了现有电力设备负荷检测方法并未涉及电力设备负荷启停的匹配逻辑关系,也并未涉及多维特征综合匹配,导致非侵入式辨识设备精度普遍不高的问题。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样。
本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.一种非侵入式负荷事件多维特征匹配方法,其特征在于,包括:
S100采集电力设备的电流电压值,通过所述电流电压值计算电力设备多维特征数据,所述多维特征数据包括有功功率、无功功率以及各次谐波;
S200设置预设阈值组,提取电力设备开启和关闭的时间点和对应的多维特征数据;
S300将电力设备开启和关闭时对应的多维特征数据定义为开启特征向量集和关闭特征向量集;
S400对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配;
S500对开启特征向量集和关闭特征向量集进行单一特征寻优、多维特征权重分配,得到最小耗费矩阵;
S600根据最小耗费矩阵中的元素分布特性判断电力设备开启事件和关闭事件最佳匹配结果;
S700根据电力设备开启事件和关闭事件的最佳匹配结果,获取电力设备负荷事件对应关系。
2.如权利要求1所述的非侵入式负荷事件多维特征匹配方法,其特征在于,S200中所述阈值组为电力设备在检测区间内功率的变化累计值。
4.如权利要求1所述的非侵入式负荷事件多维特征匹配方法,其特征在于:所述对开启特征向量集和关闭特征向量集进行单一特征匹配和多维特征匹配采用二部图寻优法。
6.如权利要求5所述的非侵入式负荷事件多维特征匹配方法,其特征在于,多维特征权重分配方法为定义权值向量B={β1,β2,…,βs},其中β1,β2,…,βs分别代表电力设备对应特征贡献率,且β1+β2+…+βs=1。
8.如权利要求1所述的非侵入式负荷事件多维特征匹配方法,其特征在于,S700具体方法为:根据电力设备开启事件和关闭事件的最佳匹配结果,结合电力设备开启事件和关闭事件时刻、设备功率,监控电力设备的运行状态和能耗。
9.如权利要求1所述的非侵入式负荷事件多维特征匹配方法,其特征在于,所述多维特征还包括电力设备运行时长、间歇性、周期性。
10.一种应用于权利要求1-9的非侵入式负荷事件多维特征匹配系统,包括数据采集模块、事件检测模块、特征输入模块、特征匹配模块、综合决策模块;其中:
数据采集模块,采集并储存电力设备的电力数据;
事件检测模块,根据预设阈值组,提取电力设备开启和关闭事件,得到电力特征向量;
特征输入模块,将电力特征向量进行归类,形成电力设备开、关两类多维特征向量,输入到特征匹配模块中;
特征匹配模块,将多维特征向量进行基于二部图法的特征匹配;
综合决策模块,通过匹配的多维特征向量进行最小耗费决策,得到最佳的电力设备负荷事件匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176656.8A CN111078803A (zh) | 2019-11-26 | 2019-11-26 | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176656.8A CN111078803A (zh) | 2019-11-26 | 2019-11-26 | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111078803A true CN111078803A (zh) | 2020-04-28 |
Family
ID=70311731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911176656.8A Pending CN111078803A (zh) | 2019-11-26 | 2019-11-26 | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111078803A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551802A (zh) * | 2020-05-06 | 2020-08-18 | 国网天津市电力公司 | 一种非侵入式低压线路开关识别仪 |
CN112653128A (zh) * | 2020-12-03 | 2021-04-13 | 江苏方天电力技术有限公司 | 一种基于k最近邻法的居民负荷辨识方法 |
CN112949686A (zh) * | 2021-01-29 | 2021-06-11 | 中国重汽集团济南动力有限公司 | 一种基于最优局部距离的匹配方法 |
CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011147940A1 (en) * | 2010-05-28 | 2011-12-01 | Prim'vision | System and method for non intrusive delivery of messages to a device |
CN105972761A (zh) * | 2016-05-25 | 2016-09-28 | 华北电力大学(保定) | 一种非侵入式空调负荷监测方法 |
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 |
CN109377052A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种电力负荷匹配方法、装置、设备及可读存储介质 |
-
2019
- 2019-11-26 CN CN201911176656.8A patent/CN111078803A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011147940A1 (en) * | 2010-05-28 | 2011-12-01 | Prim'vision | System and method for non intrusive delivery of messages to a device |
CN105972761A (zh) * | 2016-05-25 | 2016-09-28 | 华北电力大学(保定) | 一种非侵入式空调负荷监测方法 |
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 |
CN109377052A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种电力负荷匹配方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
REZA: "《Big Data Application in Power Systems》", 31 December 2018 * |
魏恩伟: "基于改进匈牙利算法的非侵入式负荷匹配方法", 《电测与仪表》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551802A (zh) * | 2020-05-06 | 2020-08-18 | 国网天津市电力公司 | 一种非侵入式低压线路开关识别仪 |
CN112653128A (zh) * | 2020-12-03 | 2021-04-13 | 江苏方天电力技术有限公司 | 一种基于k最近邻法的居民负荷辨识方法 |
CN112949686A (zh) * | 2021-01-29 | 2021-06-11 | 中国重汽集团济南动力有限公司 | 一种基于最优局部距离的匹配方法 |
CN112949686B (zh) * | 2021-01-29 | 2022-12-09 | 中国重汽集团济南动力有限公司 | 一种基于最优局部距离的匹配方法 |
CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111078803A (zh) | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 | |
Tabatabaei et al. | Toward non-intrusive load monitoring via multi-label classification | |
CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
CN109492048A (zh) | 一种电力用户用电特性的提取方法、系统及终端设备 | |
CN106787695B (zh) | 一种动态响应优化的开关电源控制方法 | |
CN103439573A (zh) | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 | |
CN113177299A (zh) | 非侵入式电力负荷分解方法、装置、设备及介质 | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
Azaza et al. | Evaluation of classification methodologies and Features selection from smart meter data | |
CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
Yan et al. | Challenges for real-world applications of nonintrusive load monitoring and opportunities for machine learning approaches | |
CN108846505B (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
Van Cutsem et al. | Automatic multi-state load profile identification with application to energy disaggregation | |
CN109541346A (zh) | 一种稳态工况下的非侵入式电力负载识别提升方法 | |
CN116108377A (zh) | 基于分层分类学习的非侵入式负荷状态辨识方法及系统 | |
CN115293195A (zh) | 一种应用于煤改电负荷特性的分析预测方法及装置 | |
CN115564046A (zh) | 基于多任务学习的非侵入式负荷监测方法 | |
Ma et al. | A non-intrusive load decomposition algorithm for residents | |
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 | |
Schirmer | Modelling of electrical appliance signatures for energy disaggregation | |
Sarailoo et al. | Fuzzy predictive control of step-down DC-DC converter based on hybrid system approach | |
CN113408617A (zh) | 一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN111080068A (zh) | 一种电能表运行状态评价方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |