CN111191908A - 一种负荷事件检测方法、系统及存储介质 - Google Patents
一种负荷事件检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111191908A CN111191908A CN201911361127.5A CN201911361127A CN111191908A CN 111191908 A CN111191908 A CN 111191908A CN 201911361127 A CN201911361127 A CN 201911361127A CN 111191908 A CN111191908 A CN 111191908A
- Authority
- CN
- China
- Prior art keywords
- load
- load event
- data
- time
- frequency reduction
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000008602 contraction Effects 0.000 abstract description 6
- 230000002457 bidirectional effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 230000035772 mutation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种负荷事件检测方法、系统及存储介质，对居民入户总线的高频采样数据进行滑动窗的卡尔曼滤波，使用改进双向CUSUM检测算法检测居民负荷运行的变点时刻，从而判断是否发生负荷事件。整个数据窗口被划分为多个滤波窗口，依次滑动进行卡尔曼滤波。在双向CUSUM算法中引入自适应收缩参数，使统计函数与负荷事件产生联动，计算每个数据点的正负向累积统计函数值。通过比较正负向统计值与阈值的判断来标记负荷事件，自动分类投入与切除负荷事件。本发明具有滤波去噪的同时保留负荷突变特征的优势，抗干扰能力强；具备自适应不同功率等级、投切特性的负荷事件检测能力，检测精度高。
Description
技术领域
本发明涉及一种负荷事件检测方法、系统及存储介质，属于非介入式负荷辨识技术领域。
背景技术
随着我国城镇居民生活水平的提高，居民用户的用电负荷呈高速增长态势，同时居民对精准精益用能服务需求日趋增长。非介入式负荷辨识技术是居民用户侧的一项全新的用电信息智能感知技术，其仅利用入户侧高频电压电流采样数据，实时本地进行居民用电负荷辨识，智能感知各类居民负荷的启停时间、用电功率等多维用电信息，进而精细化分析居民用户用能情况。相比于传统介入式负荷辨识技术(入户为每类负荷单独安装采集传感器)，非介入式负荷辨识技术无需大量硬件投入，无需入户施工，在经济性与建设运营上具有先天优势。
非介入式负荷辨识技术在原理上主要包括三个步骤：负荷事件检测、负荷标签特征提取与负荷分类辨识。负荷事件检测是指检测到用电负荷的突变，区分用电负荷的投入切除暂态区段与稳定工作的稳态区段。检测到负荷事件后，从负荷数据的暂态区段与稳态区段分别提取含基波分量、谐波分量、自定义属性分量的暂态特征与稳态特征，并将其与负荷特征数据库进行比对，或是基于负荷特征数据库训练的人工算法进行预测，实现对应用电负荷的辨识感知。
负荷事件检测是非介入式负荷辨识技术的决定性基础步骤，其将各类负荷的投入切除事件从总负荷曲线中抽离出来，分类单独进行比对辨识，大幅度提高辨识准确性。与此同时，负荷事件检测区分负荷曲线的暂态区段与稳态区段，为负荷暂稳态特征计算提供准确可靠的数据区段。但现有负荷事件检测面对复杂工况与多负荷叠加情况，仍然存在着检测精度不高、漏检错检时有发生、无法自适应多种投切特性等问题。
发明内容
针对现有技术的不足，本发明的目的在于提供一种负荷事件检测方法、系统及存储介质，以解决现有技术中存在的检测精度不高的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种负荷事件检测方法，包括以下步骤：
获取负荷事件的降频数据；
计算所述降频数据的自适应收缩系数；
根据所述自适应收缩系数计算降频数据的统计函数值；
根据所述统计函数值对负荷事件的性质进行判断。
进一步的，所述降频数据的获取方法包括：
获取负荷事件的有功功率；
对所述有功功率进行迭代更新，获取滤波数据；
对所述滤波数据进行降频处理，获取降频数据。
进一步的，所述迭代更新包括多维迭代更新和一维迭代更新。
进一步的，所述多维迭代更新的过程如下：
其中，A、B分别为系统的状态变换矩阵与控制矩阵，
为k时刻仅考虑前一步过程的先验状态估计值，
与
分别为k与k-1时刻计入观测值的后验状态估计值，
为k时刻先验估计协方差，Pk与Pk-1相应为k与k-1时刻后验估计协方差，Q、R为过程噪声与测量噪声的协方差矩阵，H为观测变换矩阵，Kk为卡尔曼增益，zk为k时刻测量值，
为k-1时刻仅考虑前一步过程的先验状态估计值，uk-1为k-1时刻控制输入变量。
进一步的，所述一维迭代更新的过程如下：
其中，
为k时刻仅考虑前一步过程的先验状态估计值，
与
为k与k-1时刻计入观测值的后验状态估计值，
为k时刻先验估计协方差，Pk与Pk-1相应为k与k-1时刻后验估计协方差，Q、R为过程噪声与测量噪声的协方差矩阵，Kk为卡尔曼增益，zk为k时刻测量值。
进一步的，所述自适应收缩系数的计算方法如下：
其中，
与
分别为降频数据的第i点的正反向自适应收缩系数，
分别为第i-1点的正向与负向统计函数值，β为噪声水平，ω决定负荷事件检测中统计参数的收缩程度。
进一步的，所述统计函数值的计算方法如下：
其中，
与
分别为降频数据的第i点的有功功率值，
与
分别为为降频数据的第i与i-1点的正向统计函数值，
与
分别为降频数据的第i与i-1点的负向统计函数值。
进一步的，所述判断过程如下：
判断正向统计函数值是否大于统计阈值，若是则为投入负荷事件；
判断负向统计函数值是否大于统计阈值，若是则为切除负荷事件。
一种负荷事件检测系统，所述系统包括：
获取模块：用于获取负荷事件的降频数据；
第一计算模块：用于计算所述降频数据的自适应收缩系数；
第二计算模块：用于根据所述自适应收缩系数计算降频数据的统计函数值；
判断模块：根据所述统计函数值对负荷事件的性质进行判断。
一种负荷事件检测系统，所述系统包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比，本发明所达到的有益效果是：
本发明引入自适应收缩参数，该自适应参数与检测算法中历史函数统计值直接相关，并参与计算当前函数统计值，形成迭代过程，当负荷事件呈现高功率阶跃特性(初期函数统计值也较大)时，自适应参数依据高函数统计值主动大幅度增加，使得统计函数值快速下降，避免了传统检测算法长时间对阶跃负荷事件检测滞后问题，相反，当负荷事件呈现低功率缓升特性时，自适应参数则自动减小，延缓统计函数值下降，有效检测缓慢爬升的全部过程，提高了检测准确度。
附图说明
图1为含壁挂定频空调、壁挂变频空调、微波炉、电热水壶、电吹风多种电器重叠工作工况下的总线有功功率曲线图。
图2为本发明具体实施例的具体执行步骤流程图。
图3为本发明所提算法对图1数据的滤波效果图。
图4为本发明所提算法对图1数据所有投入事件的检测结果图。
图5为壁挂定频空调的投入事件的检测结果图。
图6为本发明所提算法对图1数据所有切除事件的检测结果图。
图7为本发明负荷事件检测方法的流程图。
具体实施方式
为了加深对本发明的认识和理解，下面结合附图和具体实施方式进一步介绍该方案。
如图7所示，一种负荷事件检测方法，
获取负荷事件的降频数据；
计算所述降频数据的自适应收缩系数；
根据所述自适应收缩系数计算降频数据的统计函数值；
根据所述统计函数值对负荷事件的性质进行判断。
如图1所示，本发明使用一组时长15分钟、采样率为1600HZ、含壁挂定频空调、壁挂变频空调、微波炉、电热水壶多种电器重叠工作的有功功率数据作为算例数据，说明和解释本发明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图2展示了本发明负荷事件检测方法的具体执行流程，包括以下步骤：
步骤一：初始化参数，包括卡尔曼滤波器与改进CUSUM算法的参数初始值的设定。数据窗口长度Wd＝45000，滤波窗口长度Wf＝100，滤波窗口个数nf＝450，统计阈值TH＝100。滤波器先验参数
与
被设定为z0和10，过程噪声Q与测量噪声R被设定为0.00001与0.01。
步骤二：在滤波窗口内进行卡尔曼滤波，具体采用卡尔曼滤波器的时间更新公式(1-2)和状态更新公式(3-5)对滤波窗口内数据迭代更新，直到滤波窗口内所有数据更新完毕。
式(1)-(5)中，A、B分别为系统的状态变换矩阵与控制矩阵，
为k时刻仅考虑前一步过程的先验状态估计值，
与
分别为k与k-1时刻计入观测值的后验状态估计值，
为k时刻先验估计协方差，Pk与Pk-1相应为k与k-1时刻后验估计协方差，Q、R为过程噪声与测量噪声的协方差矩阵，H为观测变换矩阵，Kk为卡尔曼增益，zk为k时刻测量值。第一个滤波窗口的初始值
其后所有滤波窗口的初始值
为上一滤波窗口内最后时刻测量值。
步骤2适用于特征为一维、无控制输入且直接观测的负荷事件检测系统，此时状态转移矩阵A＝1，观测变换矩阵H＝1，控制矩阵B＝1，式(1-5)转化为式(8-12)。但本发明并不局限于简单负荷事件检测系统，也适用于多维、有控制输入且具有观测转换的负荷事件检测系统。
式(8-12)中，zk为k时刻采样值，即k时刻有功功率。除去步骤1中给定的初始值与zk，其余值均为中间迭代计算量。
步骤3：如果此滤波窗口为最后一个滤波窗口，则进入步骤四；否则，滑动到下一个滤波窗口，并返回到步骤2；
图3展现了算例数据滑动经过卡尔曼滤波器之后的滤波效果。图3中灰色曲线为原始算例有功功率曲线，而黑色曲线为卡尔曼滤波后功率曲线。由图可知，本发明使用的卡尔曼滤波器在具在功率阶跃上有良好的跟随性，迟滞时间短，有效保留了原始数据中的负荷突变信息。本发明有效滤除负荷冲击、负荷抖动与采集噪声，对原始数据具有优良的滤波去噪能力，避免了事件检测对负荷稳态过程中噪声波动的误检。
步骤4：对步骤3得到的滤波数据进行50倍均值降频，降频数据为秒级。此后，根据(6)式计算降频数据的第i点的正反向自适应收缩系数
与
式(6)中，
分别为第i-1点的正向与负向统计函数值，噪声水平β设置为50，ω决定负荷事件检测中统计参数的收缩程度。ω值越大，统计参数收缩性越好,越逼近真实负荷结束时刻，对高功率负荷事件检测越灵敏。但过大的ω值可能造成低功率与缓升负荷事件的漏检。
步骤5：根据引入自适应收缩系数的改进CUSUM公式(7)计算降频数据的第i点的正向统计函数值
与负向统计函数值
步骤6：判断正负向统计值
与统计阈值TH的大小关系，进而判断是否发生投入或切除负荷事件。当
时，i和i-1时刻判定为相邻功率正向突变点，标记为投入负荷事件。当
时，i和i-1时刻判定为相邻功率负向突变点，标记为切除负荷事件。
步骤7：当所有降频数据点均已经过检测，即i＞num，更新数据点，返回步骤4，否则结束。
一个完整投入负荷事件由连续的正向突变点时刻组成，其中第一个突变点时刻为投入负荷事件的开始时间，最后一个突变点时刻为投入负荷事件的结束时间。相似的，一个完整切除负荷事件由连续的负向突变点时刻组成，其中第一个突变点时刻为切除负荷事件的开始时间，最后一个突变点时刻为切除负荷事件的结束时间。本发明提及的负荷投入与切除事件也包含负荷从某一工作模式转换到另一工作模式的投入事件与切除事件。本发明中涉及到的初始化参数、自适应收缩参数与阈值参数的选取可以多次试验取最优值或由其他优化算法确定。
本发明在滑动滤波窗口进行卡尔曼滤波的基础上，采用改进双向CUSUM算法进行负荷事件检测，自动分类投入与切除负荷事件，进一步提高了负荷事件的检测精度与自适应事件投切特性的能力。
本发明采用卡尔曼滤波器对原始数据进行滤波去噪，提高了负荷辨识事件检测对系统噪声与测量噪声的抗干扰能力。改进双向CUSUM算法，引入自适应收缩参数，自适应检测不同功率等级、投切特性负荷事件，提高检测准确度。本发明的检测方法具有无后效性，k时刻计算只依赖k时刻测量值与k-1时刻历史值，计算量小，速度快，易于在模块化芯片上实现。
图4展示了本发明对图1所有负荷投入事件的检测结果。在所有负荷的投入过程中正向统计值均大幅度增加并超过阈值，有效检测所有负荷投入事件。算法能很好适应不同缓度的负荷投切事件，负荷投入过程长，正向函数统计值缓慢下降至阈值，保障负荷投入过程的完整检测，负荷投入过程短，正向函数统计值则快速下降至阈值以下。
图5则是壁挂定频空调投入事件的详细检测结果。图5中灰色星点为本发明按步骤6所判定正向突变点，所有灰色星点构成完整投入事件。最左侧灰色星点表示壁挂定频空调的投入事件开始时刻，为第2分4秒，和遥控开空调时间2分十分靠近，和空调明显功率启动时刻一致。而最右侧灰色星点表示此次投入时刻的结束时刻，为2分12秒，此时空调功率已经明显平缓，可认为投入结束。
与负荷投入事件检测类似，图6展示了本发明对图1所有负荷切除事件的检测结果。相比于负荷投入事件，负荷切除事件速度要快的多，图6中每个切除事件对应的超阈值星点数量少，下降速度快，和真实切除事件的时间拟合度高。
通过此算例，可以发现本发明具有以下优点：
(1)对系统噪声与测量噪声具有良好的滤波去噪能力，同时不丢失负荷突变特征，抗抗干扰能力强。
(2)算法简单高效，无后效性，计算量小，速度快，适用于嵌入式芯片。
(3)算法自适应不同功率等级、不同投切时长的负荷投切时间，检测结果精准可靠。一种负荷事件检测系统，所述系统包括：
获取模块：用于获取负荷事件的降频数据；
第一计算模块：用于计算所述降频数据的自适应收缩系数；
第二计算模块：用于根据所述自适应收缩系数计算降频数据的统计函数值；
判断模块：根据所述统计函数值对负荷事件的性质进行判断。
一种负荷事件检测系统，所述系统包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种负荷事件检测方法，其特征在于，包括以下步骤：
获取负荷事件的降频数据；
计算所述降频数据的自适应收缩系数；
根据所述自适应收缩系数计算降频数据的统计函数值；
根据所述统计函数值对负荷事件的性质进行判断。
2.根据权利要求1所述的一种负荷事件检测方法，其特征在于，所述降频数据的获取方法包括：
获取负荷事件的有功功率；
对所述有功功率进行迭代更新，获取滤波数据；
对所述滤波数据进行降频处理，获取降频数据。
3.根据权利要求1所述的一种负荷事件检测方法，其特征在于，所述迭代更新包括多维迭代更新和一维迭代更新。
4.根据权利要求3所述的一种负荷事件检测方法，其特征在于，所述多维迭代更新的过程如下：
其中，A、B分别为系统的状态变换矩阵与控制矩阵，
为k时刻仅考虑前一步过程的先验状态估计值，
与
分别为k与k-1时刻计入观测值的后验状态估计值，
为k时刻先验估计协方差，Pk与Pk-1分别为k与k-1时刻后验估计协方差，Q、R为过程噪声与测量噪声的协方差矩阵，H为观测变换矩阵，Kk为卡尔曼增益，zk为k时刻测量值，
为k-1时刻仅考虑前一步过程的先验状态估计值，uk-1为k-1时刻控制输入变量。
5.根据权利要求3所述的一种负荷事件检测方法，其特征在于，所述一维迭代更新的过程如下：
其中，
为k时刻仅考虑前一步过程的先验状态估计值，
与
为k与k-1时刻计入观测值的后验状态估计值，
为k时刻先验估计协方差，Pk与Pk-1相应为k与k-1时刻后验估计协方差，Q、R为过程噪声与测量噪声的协方差矩阵，Kk为卡尔曼增益，zk为k时刻测量值。
6.根据权利要求1所述的一种负荷事件检测方法，其特征在于，所述自适应收缩系数的计算方法如下：
其中，
与
分别为降频数据的第i点的正反向自适应收缩系数，
分别为第i-1点的正向与负向统计函数值，β为噪声水平，ω决定负荷事件检测中统计参数的收缩程度。
7.根据权利要求1所述的一种负荷事件检测方法，其特征在于，所述统计函数值的计算方法如下：
其中，
与
分别为降频数据的第i点的有功功率值，
与
分别为为降频数据的第i与i-1点的正向统计函数值，
与
分别为降频数据的第i与i-1点的负向统计函数值，
与
分别为降频数据的第i点的正反向自适应收缩系数。
8.根据权利要求1所述的一种负荷事件检测方法，其特征在于，所述判断过程如下：
判断正向统计函数值是否大于统计阈值，若是则为投入负荷事件；
判断负向统计函数值是否大于统计阈值，若是则为切除负荷事件。
9.一种负荷事件检测系统，其特征在于，所述系统包括：
获取模块：用于获取负荷事件的降频数据；
第一计算模块：用于计算所述降频数据的自适应收缩系数；
第二计算模块：用于根据所述自适应收缩系数计算降频数据的统计函数值；
判断模块：用于根据所述统计函数值对负荷事件的性质进行判断。
10.一种负荷事件检测系统，其特征在于，所述系统包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。
11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911361127.5A CN111191908B (zh) | 2019-12-25 | 2019-12-25 | 一种负荷事件检测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911361127.5A CN111191908B (zh) | 2019-12-25 | 2019-12-25 | 一种负荷事件检测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111191908A true CN111191908A (zh) | 2020-05-22 |
| CN111191908B CN111191908B (zh) | 2021-09-21 |
Family
ID=70709384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911361127.5A Active CN111191908B (zh) | 2019-12-25 | 2019-12-25 | 一种负荷事件检测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191908B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985563A (zh) * | 2020-08-20 | 2020-11-24 | 国网上海市电力公司 | 一种基于谐波发射水平的工业用户电力设备分类方法 |
| CN112395348A (zh) * | 2020-10-21 | 2021-02-23 | 中国电力科学研究院有限公司 | 一种用于辨识非介入负荷的方法及系统 |
| CN113098129A (zh) * | 2021-02-25 | 2021-07-09 | 中国电力科学研究院有限公司 | 一种适用于波动信号的自适应抽样方法及系统 |
| CN113642421A (zh) * | 2021-07-27 | 2021-11-12 | 北京市腾河电子技术有限公司 | 周期性多状态电器的事件检测方法及系统、设备、存储介质 |
| CN117039866A (zh) * | 2023-08-08 | 2023-11-10 | 国网宁夏电力有限公司中卫供电公司 | 一种用户电能质量特征分析方法、介质及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
| US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
| 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 |
| CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力（集团）股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
| CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
| CN108418220A (zh) * | 2017-04-27 | 2018-08-17 | 广东电网有限责任公司佛山供电局 | 配电网节点电压检测方法和系统 |
| CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 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 |
| CN108616142A (zh) * | 2018-04-11 | 2018-10-02 | 中国长江电力股份有限公司 | 一种调速器水头与负载开限协联曲线自适应控制方法 |
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| 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 |
| CN109461095A (zh) * | 2018-10-18 | 2019-03-12 | 深圳供电局有限公司 | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 |
| CN110488128A (zh) * | 2019-09-12 | 2019-11-22 | 广东电网有限责任公司佛山供电局 | 双边累积和事件检测方法 |
-
2019
- 2019-12-25 CN CN201911361127.5A patent/CN111191908B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
| CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
| 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 |
| CN108418220A (zh) * | 2017-04-27 | 2018-08-17 | 广东电网有限责任公司佛山供电局 | 配电网节点电压检测方法和系统 |
| CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力（集团）股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
| CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
| CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 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 |
| CN108616142A (zh) * | 2018-04-11 | 2018-10-02 | 中国长江电力股份有限公司 | 一种调速器水头与负载开限协联曲线自适应控制方法 |
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| 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 |
| CN109461095A (zh) * | 2018-10-18 | 2019-03-12 | 深圳供电局有限公司 | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 |
| CN110488128A (zh) * | 2019-09-12 | 2019-11-22 | 广东电网有限责任公司佛山供电局 | 双边累积和事件检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牛卢璐: "一种适用于非侵入式负荷监测的暂态事件检测算法", 《电力系统自动糊》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985563A (zh) * | 2020-08-20 | 2020-11-24 | 国网上海市电力公司 | 一种基于谐波发射水平的工业用户电力设备分类方法 |
| CN111985563B (zh) * | 2020-08-20 | 2024-03-01 | 国网上海市电力公司 | 一种基于谐波发射水平的工业用户电力设备分类方法 |
| CN112395348A (zh) * | 2020-10-21 | 2021-02-23 | 中国电力科学研究院有限公司 | 一种用于辨识非介入负荷的方法及系统 |
| CN113098129A (zh) * | 2021-02-25 | 2021-07-09 | 中国电力科学研究院有限公司 | 一种适用于波动信号的自适应抽样方法及系统 |
| CN113098129B (zh) * | 2021-02-25 | 2024-10-15 | 中国电力科学研究院有限公司 | 一种适用于波动信号的自适应抽样方法及系统 |
| CN113642421A (zh) * | 2021-07-27 | 2021-11-12 | 北京市腾河电子技术有限公司 | 周期性多状态电器的事件检测方法及系统、设备、存储介质 |
| CN117039866A (zh) * | 2023-08-08 | 2023-11-10 | 国网宁夏电力有限公司中卫供电公司 | 一种用户电能质量特征分析方法、介质及系统 |
| CN117039866B (zh) * | 2023-08-08 | 2024-09-10 | 国网宁夏电力有限公司中卫供电公司 | 一种用户电能质量特征分析方法、介质及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111191908B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191908B (zh) | 一种负荷事件检测方法、系统及存储介质 | |
| CN109387712B (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
| CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
| CN104992164B (zh) | 一种动态振荡信号模型参数辨识方法 | |
| CN111126780B (zh) | 一种非侵入式负荷监测方法及存储介质 | |
| CN109307798B (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
| CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
| WO2012160062A1 (en) | Transition detection method for automatic-setup non-intrusive appliance load monitoring | |
| Streubel et al. | Identification of electrical appliances via analysis of power consumption | |
| JP2000181526A (ja) | プラント状態推定・予測装置及び方法 | |
| CN112782465A (zh) | 一种基于滑动窗口技术的暂态负荷启停事件快速捕捉方法 | |
| CN112700085A (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
| CN113687164A (zh) | 一种非侵入式负荷事件两阶段自适应检测方法 | |
| CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
| CN112329191B (zh) | 一种多模态过程中模态辨识方法和过渡模态故障检测方法 | |
| CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
| CN111917114B (zh) | 一种适用于嵌入式平台的电力负荷事件检测方法 | |
| Rehman et al. | Non-intrusive load monitoring: A computationally efficient hybrid event detection algorithm | |
| CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
| CN108918929B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
| CN109241874B (zh) | 能量分解中功率信号滤波方法 | |
| CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
| CN114884075A (zh) | 一种基于监督式学习的事件型非侵入式负荷监测方法 | |
| CN106600449B (zh) | 一种自动的功率趋势识别方法 | |
| CN110196354B (zh) | 一种负载的开关事件的检测方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |