CN111428782B - 一种根据负荷历史电流数据还原负荷工作状态的方法 - Google Patents

一种根据负荷历史电流数据还原负荷工作状态的方法 Download PDF

Info

Publication number
CN111428782B
CN111428782B CN202010201525.7A CN202010201525A CN111428782B CN 111428782 B CN111428782 B CN 111428782B CN 202010201525 A CN202010201525 A CN 202010201525A CN 111428782 B CN111428782 B CN 111428782B
Authority
CN
China
Prior art keywords
load
current
data
frequency
fmax
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
CN202010201525.7A
Other languages
English (en)
Other versions
CN111428782A (zh
Inventor
董树锋
王孝慈
毛航银
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.)
Zhejiang University ZJU
State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
State Grid Zhejiang Electric Power 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 Zhejiang University ZJU, State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202010201525.7A priority Critical patent/CN111428782B/zh
Publication of CN111428782A publication Critical patent/CN111428782A/zh
Application granted granted Critical
Publication of CN111428782B publication Critical patent/CN111428782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种根据负荷历史电流数据还原负荷工作状态的方法，该方法是针对现有聚类算法在负荷状态还原的过程中往往存在计算效率低且对数据的噪声兼容性差的缺陷，提出采用滑动均值的方法基于负荷历史电流数据对负荷工作状态进行还原，该方法抗噪能力强，在功率波动较大的情况下不会出现误增分类、漏分类，且其参数设置对数据不敏感，适应性强；计算效率相对于传统的聚类方法提升了100多倍。

Description

一种根据负荷历史电流数据还原负荷工作状态的方法
技术领域
本发明属于电力系统技术领域，涉及负荷辨识技术，尤其涉及一种根据负荷历史电流数据还原负荷工作状态的方法。
背景技术
根据负荷的历史数据，如负荷功率、负荷电流，提取还原负荷的工作状态在负荷辨识技术领域有着广泛的应用。负荷每个工作状态的功率或电流可认为服从均值为μ、方差为δ2的正态分布。对于电器的一段历史功率数据，目前常用聚类方法获得该电器工作的几个状态。但在聚类过程中，需要首先给定类中心的数目，该参数会影响所提取的电器状态，进而对分解算法造成影响。类中心数量过少会使得原本实际的几个状态合并，导致类中心及方差不准确；类中心数量过多会增加电器的状态空间，进而增加求解算法的复杂度，降低求解效率。现有文献对于电器状态数目确定问题提出了有关解决算法，如对终止条件进行了改进，并增加了冗余类中心消除判据等。但基于聚类算法的负荷状态还原仍有两个主要缺点：1)计算效率低；2)对数据的噪声兼容性差。
发明内容
本发明针对现有技术的不足，提供一种根据负荷历史电流数据还原负荷工作状态的方法。
为解决上述技术问题，本发明采用技术方案如下：
一种根据负荷历史电流数据还原负荷工作状态的方法，包括如下步骤：
步骤1：某电器在一段时间T内的电流采样数据为IT＝[I1,I2,…,Ii,Ii+1,…,IN]，电流的精度为ΔI，N为采样点数目，
Ii+1＝Ii+ΔI
统计所有电流值的出现次数，记为频数
Figure BDA00024195583600000216
并依据电流值从小到大排序。
步骤2：求取电流频数滑动均值：利用窗口w进行滑动，对
Figure BDA0002419558360000021
求取滑动平均值
Figure BDA0002419558360000022
如图1所示为w＝4求取滑动平均值的过程。小于噪声过滤阈值
Figure BDA0002419558360000023
的
Figure BDA0002419558360000024
用0代替。电流频数滑动均值公式如下，
Figure BDA0002419558360000025
其中，
Figure BDA0002419558360000026
的计算方法如下：
Figure BDA0002419558360000027
其中，
Figure BDA0002419558360000028
是负荷功率的最长平均出现周期。经过
Figure BDA0002419558360000029
过滤，将T时间内平均出现周期高于
Figure BDA00024195583600000210
的负荷功率过滤掉。
步骤3：找到所有频数滑动平均值的局部最大值
Figure BDA00024195583600000211
即
Figure BDA00024195583600000212
且
Figure BDA00024195583600000213
找到
Figure BDA00024195583600000214
对应窗口的电流值中出现频数最高的电流值Ii,Fmax，并对所有找出的Ii,Fmax进行去重并，升序排列。
步骤4：找到各个Ii,Fmax之间的频数滑动平均值的最小值
Figure BDA00024195583600000215
若存在多个最小值，则取远离Ii,Fmax边界的
Figure BDA0002419558360000031
取
Figure BDA0002419558360000032
对应窗口的电流值中，靠近中位数电流值Ii,Fmin。并以Ii,Fmin为间隔依据，对原有电流数据IT进行分割，每个区间记为一个负荷状态，可用数字进行标号，从而完成负荷状态还原。
上述技术方案，能带来的有益效果是：
本文提出的滑动均值法较现有的k-means状态提取方法，具有以下优势：
1)滑动均值算法的抗噪能力强。
2)滑动均值算法在功率波动较大的情况下不会出现误增分类、漏分类。
3)滑动均值算法的参数设置对数据不敏感，适应性强。
4)计算效率提升了100多倍。
附图说明
图1是电流频数的滑动均值示意图(以w＝4为例)；
图2是传统聚类方法与本发明的滑动均值方法的状态划分结果对比图。
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同形式的修改均落于本申请所附权利要求所限定的范围。
本实施例利用负荷辨识开放数据集AMPds中4～8月的洗衣机、烘干机、洗碗机、娱乐设备(电视、音响等)、办公设备(台灯、电脑等)五种负荷的电流数据对本发明的滑动均值方法进行算例验证，并对其时间序列进行了5分钟降采样。
聚类算法中给定方差阈值σthre对计算结果影响较大，经试验取0.1效果较好，小电流标准取Istand＝0.1。本例提出的滑动均值状态划分方法中，滑动窗口w＝5，
Figure BDA0002419558360000041
两种方法划分结果如图2所示，其横坐标为测量的电流值，纵轴对应其电流值出现的频数，不同颜色代表划分成不同状态。由于不同状态数量相差甚远，为了能清晰展示出每个负荷状态的位置，故没有对所有状态的出现频数进行完全展示。
如图2所示，对于烘干机和娱乐设备，两种电流波动小、噪声少的负荷，滑动均值算法与聚类算法得出的状态划分结果相同。而对于洗衣机、办公设备、洗碗机三种负荷的状态划分，分别体现出本发明的滑动均值算法较聚类算法的3种优势：
1)滑动均值算法的抗噪能力强。洗衣机负荷产生了很多大数值、低频次的电流值，这些电流在4个月的4000余个采样点中仅出现了不到10次，说明并不是正常负荷状态产生的电流值，因此在滑动均值算法中没有对它们单独进行分类，而是归纳入负荷状态电流值最大的一类。而聚类算法，则无法识别数据是否为噪声数据，将其单独分为3类。
2)滑动均值算法在功率波动较大的情况下不会出现误增分类、漏分类。对于办公设备，其每个负荷状态的功率波动没有呈现出均匀对称的正态分布，此时聚类算法因为基于正态分布的方差进行类数增减，因此错把3类负荷分为8类负荷；同样，对于洗碗机数据，聚类算法并没有将明显分隔开的0，1，2状态划分出来，而是作为一类数据。
3)滑动均值算法的参数设置对数据不敏感，适应性强。对于5种功率波动不同，分布不同的负荷，滑动均值算法均可以利用同一种进行有效的识别；而如果想让聚类算法表现更佳，则需要对每一种负荷通过试验单独设定方差阈值σthre。
另外，由于滑动均值算法复杂度低，计算效率高于聚类算法，可以应用到负荷数量更多的场景下，其计算时间如表1所示。
表1状态划分算法计算时间对比
Figure BDA0002419558360000051

Claims (1)

1.一种根据负荷历史电流数据还原负荷工作状态的方法，其特征在于，包括如下步骤：
步骤1：某电器在一段时间T内的电流采样数据为IT＝[I1,I2,…,Ii,Ii+1,…,IN]，电流的精度为ΔI，N为采样点数目；
Ii+1＝Ii+ΔI
统计所有电流值的出现次数，记为频数
Figure FDA0002419558350000011
并依据电流值从小到大排序；
步骤2：求取电流频数滑动均值：利用窗口w进行滑动，对
Figure FDA0002419558350000012
求取滑动平均值
Figure FDA0002419558350000013
小于噪声过滤阈值
Figure FDA0002419558350000014
的
Figure FDA0002419558350000015
用0代替；电流频数滑动均值公式如下：
Figure FDA0002419558350000016
其中，
Figure FDA0002419558350000017
的计算方法如下：
Figure FDA0002419558350000018
其中，
Figure FDA0002419558350000019
是负荷功率的最长平均出现周期，经过
Figure FDA00024195583500000110
过滤，将T时间内平均出现周期高于
Figure FDA00024195583500000111
的负荷功率过滤掉；
步骤3：找到所有频数滑动平均值的局部最大值
Figure FDA00024195583500000112
即
Figure FDA00024195583500000113
且
Figure FDA00024195583500000114
找到
Figure FDA00024195583500000115
对应窗口的电流值中出现频数最高的电流值Ii,Fmax，并对所有找出的Ii,Fmax进行去重并升序排列；
步骤4：找到各个Ii,Fmax之间的频数滑动平均值的最小值
Figure FDA0002419558350000021
若存在多个最小值，则取远离Ii,Fmax边界的
Figure FDA0002419558350000022
取
Figure FDA0002419558350000023
对应窗口的电流值中，靠近中位数电流值Ii,Fmin，并以Ii,Fmin为间隔依据，对原有电流数据IT进行分割，每个区间记为一个负荷状态，完成负荷状态还原。
CN202010201525.7A 2020-03-20 2020-03-20 一种根据负荷历史电流数据还原负荷工作状态的方法 Active CN111428782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010201525.7A CN111428782B (zh) 2020-03-20 2020-03-20 一种根据负荷历史电流数据还原负荷工作状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201525.7A CN111428782B (zh) 2020-03-20 2020-03-20 一种根据负荷历史电流数据还原负荷工作状态的方法

Publications (2)

Publication Number Publication Date
CN111428782A CN111428782A (zh) 2020-07-17
CN111428782B true CN111428782B (zh) 2022-06-21

Family

ID=71549739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201525.7A Active CN111428782B (zh) 2020-03-20 2020-03-20 一种根据负荷历史电流数据还原负荷工作状态的方法

Country Status (1)

Country Link
CN (1) CN111428782B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055592A (zh) * 2016-05-20 2016-10-26 浙江大学 一种地图中电力系统电压或负荷的监控方法
EP3492946B1 (en) * 2017-12-01 2021-05-12 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation
CN110490760B (zh) * 2019-07-24 2022-12-16 国网浙江省电力有限公司 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法

Also Published As

Publication number Publication date
CN111428782A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN107154088B (zh) 基于信道状态信息的活动人员数量估计方法
CN111612053A (zh) 一种线损率合理区间的计算方法
US8953877B2 (en) Noise estimation for images
Böhm et al. Outlier-robust clustering using independent components
CN111428782B (zh) 一种根据负荷历史电流数据还原负荷工作状态的方法
CN111224984B (zh) 一种基于数据挖掘算法的Snort改进方法
Paul et al. Series AC arc fault detection using decision tree-based machine learning algorithm and raw current
CN118364316A (zh) 一种考虑自适应快速搜索密度峰值的电力用户负荷曲线聚类方法及系统
CN108108659B (zh) 基于经验模态分解的孤岛检测关键特征提取方法
CN112699921A (zh) 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法
CN113705625A (zh) 异常生活保障申请家庭的识别方法、装置及电子设备
CN115902528B (zh) 一种直流牵引网振荡与短路故障辨识方法
CN113094448A (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN112633666A (zh) 一种基于K-means聚类算法的电力企业用户复工状况监测方法
Ewerth et al. Video cut detection without thresholds
CN115618229A (zh) 一种基于大数据的线损分摊算法
US11122065B2 (en) Adaptive anomaly detection for computer systems
CN115423033A (zh) 基于符号特征表示的电能质量时间序列聚类方法
Phu et al. Statistical analysis of impulse noise model for color image restoration
de Oliveira et al. Harmonic extraction based on independent component analysis and quadrature matched filters
Suresha et al. A high resolution ENF based multi-stage classifier for location forensics of media recordings
CN112345891A (zh) 一种基于电流多通道时频特征提取的故障电弧检测方法
de Aguiar et al. Signal decomposition with reduced complexity for classification of isolated and multiple disturbances in electric signals
CN115684918B (zh) 开关状态识别方法及装置
Saulig et al. On the selection of the proper number of classes in TFD segmentation for extraction of useful information content from noisy signals

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