CN111428816B - 一种非侵入式负荷分解方法 - Google Patents
一种非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN111428816B CN111428816B CN202010302679.5A CN202010302679A CN111428816B CN 111428816 B CN111428816 B CN 111428816B CN 202010302679 A CN202010302679 A CN 202010302679A CN 111428816 B CN111428816 B CN 111428816B
- Authority
- CN
- China
- Prior art keywords
- state
- power
- total
- electric appliance
- clustering
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种非侵入式负荷分解方法,它包括:步骤1、获取各电器的电力指纹,生成训练数据和测试数据;步骤2、通过聚类算法对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码;步骤3、建立多元参数隐马尔科夫模型并计算模型参数;步骤4、导入测试数据并进行聚类;步骤5、基于维特比算法进行状态识别并得到预测状态序列;步骤6、根据预测状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率;步骤7、输出状态序列和功率分解结果;解决了现有技术负荷识别算法存在模型复杂,对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。
Description
技术领域
本发明属于负荷分解技术,尤其涉及一种基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法
背景技术
目前,智能电网概念方兴未艾,越来越多的学者与电网公司参加到智能电网的理论研究与实践探索上。高级量测体系(AMI)是智能电网建设的关键一环。负荷监测与识别作为AMI最重要的组成部分之一,是实现智能电网的第一步。基于负荷监测与识别技术,电网公司才能了解负荷的状态和能耗,进而利用大数据等技术手段描绘负荷的用能模式和用户的用电行为,进而实现需求响应,优化电力资源配置,支撑智能电网的建设。随着高级量测体系的建立,非侵入式负荷检测和识别开始被提出。非侵入式负荷监测(NILM)相比于常用的侵入式负荷分解技术,用户接受程度高,设备投入成本低,是未来需求侧管理的关键技术之一。
然而,非侵入式负荷分解技术并不成熟,现有技术已提出多种负荷识别算法。改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升,但是存在模型复杂,对电气特征的利用和对未知信息的考虑不足等问题。
发明内容
本发明要解决的技术问题是:提供一种非侵入式负荷分解方法,以解决现有技术负荷识别算法,采用改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升,但是存在模型复杂,对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。
本发明的技术方案是:
一种非侵入式负荷分解方法,它包括:
步骤1、获取各电器的电力指纹,生成训练数据和测试数据;
步骤2、通过聚类算法对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码;
步骤3、建立多元参数隐马尔科夫模型并计算模型参数;
步骤4、导入测试数据并进行聚类;
步骤5、基于维特比算法进行状态识别并得到预测状态序列;
步骤6、根据预测状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率;
步骤7、输出状态序列和功率分解结果。
步骤1所述获取各电器的电力指纹生成训练数据和测试数据的方法为:
获取各电器的电力指纹,从数据集中选取各种电器各个采样点的有功功率与稳态电流数据并按时间均分成组,训练数据和测试数据;所述各电器的电力指纹包括该电器的有功功率以及稳态工作电流的1到11次谐波历史数据。
步骤2所述通过聚类算法对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码的方法为:采用K-Means聚类算法对电器工作状态进行聚类,得到聚类结果后计算各聚类簇的均值和标准差,对各个电器进行状态编码,将各个电器的工作状态向量编码为一个二进制状态。
对各个电器进行状态编码,将各个电器的工作状态向量编码为一个二进制状态的方法包括:
步骤2.1、分配位数,根据电器的状态数确定编码所需要的二进制位数;
步骤2.2、确定取值,根据当前时刻电器的十进制状态值计算二进制状态值;
步骤2.3、拼接表示,将所得到的二进制状态值根据电器排序从高到低拼接,得到最终的结果。
步骤3所述建立多元参数隐马尔科夫模型并计算模型参数的方法为:将多元参数隐马尔科夫模型两条时间序列的物理意义进行定义,隐含状态序列对应各用电器的运行状态,观测序列对应电器的电力指纹数据;建立成模型并计算参数,具体包括:
步骤3.1、用S表示各用电器运行状态组合的集合,也就是总状态的集合;该集合是各用电器运行状态的全排列,集合元素个数由各用电器状态聚类数目决定;
步骤3.3、建立状态转移矩阵A,aij指从时刻t的各用电器的总状态qt=si转移到t+1时刻的总状态qt+1=sj的概率;计算方法:
式中:hij是总状态qt=si转移到t+1时刻的总状态qt+1=sj的频数,N是隐含状态总数;
步骤3.4、建立输出矩阵B:bik表示t时刻各用电器处于总状态qt=si而观测值为yt=vk的概率,计算方法:
式中:oik是t时刻总状态qt=si而观测值为yt=vk的频数,M为观测值总数;
步骤3.5、初始概率矩阵π:πi表示初始时刻,各用电器总状态处于si的概率,计算方法:
式中d是训练集数据总量,di表示训练集中隐含状态si出现的频数。
步骤5所述基于维特比算法进行状态识别并得到预测状态序列的方法包括:
步骤5.1、初始化:
δ[0,i]=π[i]·B[i,y0]
步骤5.2、递归计算:
δ[t,i]=maxj(B[i,yt]·δ[t-1,j]·A[j,i])
ψ[t,i]=argmaxj(δ[t-1,j]·A[j,i])
步骤5.3、终止状态计算:
4)最优序列回溯:
步骤6所述根据预测状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率的方法为:步骤6.1、根据各电器样本的聚类簇的均值与方差,建立各电器各状态的正态分布概率密度函数;步骤6.2、基于极大似然估计建立目标函数,即求联合概率的最大值。
所述目标函数为:
式中,σ[i,j]和μ[i,j]分别指第i个电器的第j个聚类簇的标准差和均值,N为电器个数,P(i)指每个电器的分解有功功率,PL指总负荷的有功功率。
f[i,j](P(i))指电器i处于j运行状态时消耗功率P(i)的概率。
本发明有益效果:
本发明基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解,该方法通过采用隐马尔科夫模型来对负荷工作状态和功率进行识别与分解;针对经典HMM仅能利用负荷单一电气特征的问题,建立了一种基于电力指纹的多元参数隐马尔科夫模型,该改进模型能充分利用电气特征并考虑到电器的未知观测状态以实现电器的状态识别,然后基于极大似然估计原理,利用负荷状态的聚类簇统计特征实现负荷的功率分解。该方法充分利用了电力指纹提供的负荷特征,结合隐马尔科夫模型能较为可观地提高非侵入式负荷分解的识别率。
本发明的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法相对于现有技术具有如下的优点及效果:
(1)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法,对电力指纹的利用能提取出更能体现负荷特性的负荷状态,从而同步提高状态识别和功率分解的准确率。
(2)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法,基于极大似然估计的功率分解优化模型对负荷功率进行分解,一定程度上考虑并缓解这种波动性,保证了各个电器的分解功率之和等于总负荷功率,使功率分解准确率更高。
(3)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法,考虑到未知观测状态与负荷功率波动随机性,对非侵入式负荷识别的实用化有参考价值。
解决了现有技术负荷识别算法,采用改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升,但是存在模型复杂,对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。
附图说明
图1为基于本发明的非侵入式负荷分解方法流程示意图。
具体实施方式
请参考图1,本发明非侵入式负荷分解方法。该实施方式以公共数据集AMPds2为研究对象,因该数据集仅收集低频电气数据,不是严格意义上的电力指纹数据,因此算例中把电力指纹定义为有功功率和稳态电流数据。该基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法包括以下步骤:
步骤S110,获取各电器的电力指纹。从数据集中选取壁炉(WOE)、衣物烘干机(CDE)、洗碗机(DWE)、电视机(TVE)、洗衣机(CWE)、热泵(HPE)六种电器共10天14400个采样点的有功功率与稳态电流数据并按时间均分为10组,记为test1-test10,随机选取其中9组数据作为训练数据,1组作为测试数据。
步骤S120,通过聚类算法根据对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码。本实施例采用K-Means聚类算法对电器工作状态进行聚类。得到聚类结果后,计算各聚类簇的均值和标准差。对各个电器进行状态编码,将多个电器的工作状态向量编码为一个二进制状态值。假设有3个电器,状态个数分别为2,3,8,该时刻所处状态分别为0,2,6。结合该例子,具体编码步骤如下:
1)分配位数。根据电器的状态数确定编码所需要的二进制位数。上面三个电器状态个数分别为2,3,8,则分配给各个电器的二进制位数分别为1,2,3。
2)确定取值。根据当前时刻电器的十进制状态值计算二进制状态值。当前三个电器十进制状态值分别为0,2,6,则二进制状态值分别为0,10,110。
3)拼接表示。将所得到的二进制状态值根据电器排序从高到低拼接,得到最终的结果。当前时刻状态向量经拼接表示后的状态值为010110。
步骤S130,建立多元参数隐马尔科夫模型并计算模型参数。在本实施例中,多元参数隐马尔科夫模型两条时间序列的物理意义很明确:隐含状态序列对应各用电器的运行状态,观测序列对应电器的电力指纹数据。更进一步,可建立成如下模型并计算其参数:
1)隐含状态集合S:在本实施例中,S可以表示为各用电器运行状态组合的集合,也就是总状态的集合。该集合是各用电器运行状态的全排列,该集合元素个数由各用电器状态聚类数目决定,现假设为N,其值步骤S120介绍的状态编码方式计算。
3)状态转移矩阵A:aij指的是从时刻t的各用电器的总状态qt=si转移到t+1时刻的总状态qt+1=sj的概率。计算方法:
其中,hij是总状态qt=si转移到t+1时刻的总状态qt+1=sj的频数,N是隐含状态总数。
4)输出矩阵B:bik表示t时刻各用电器处于总状态qt=si而观测值为yt=vk的概率。计算方法:
其中,oik是t时刻总状态qt=si而观测值为yt=vk的频数,M为观测值总数。
5)初始概率矩阵π:πi表示初始时刻,各用电器总状态处于si的概率。
计算方法:
其中,d是训练集数据总量,di表示训练集中隐含状态si出现的频数。
步骤S140,导入测试数据并进行聚类。在本实施例中,导出测试集数据并将输入的电力指纹数据用K-means算法聚类到已知电力指纹中。
步骤S150,基于维特比算法进行状态识别。对于给定观测序列Y={y0y1,…,yT}和隐含状态序列Q={q0q1,…,qT},本实施例的维特比算法计算具体步骤如下:
1)初始化:
δ[0,i]=π[i]·B[i,y0]
其中,δ[0,i]为0时刻总状态q0=i的概率,π[i]为状态i的初始概率,B[i,y0]为各用电器处于总状态qt=i而观测值为yt=y0的概率。
2)递归计算:
δ[t,i]=maxj(B[i,yt]·δ[t-1,j]·A[j,i])
ψ[t,i]=argmaxj(δ[t-1,j]·A[j,i])
其中,δ[t,i]为t时刻总状态qt=i的概率,B[i,y0]为各用电器处于总状态qt=i而观测值为yt=y0的概率,A[j,i]是总状态由j转移到i的概率,ψ[t,i]表示从t-1时刻出发的,转移到t时刻总状态i概率最大的状态。
3)终止状态计算:
4)最优序列回溯:
步骤S160,维特比算法计算并得到预测序列。
步骤S170,根据状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率。电器在某一稳定运行状态下的功率存在波动性,而这种波动性可以认为是某一概率分布下的随机观测。本实施例采用正态分布来描述电器稳定运行时功率波动的随机性,并用于电器的功率分解计算。本实施例的功率分解计算步骤是:①根据各电器样本的聚类簇的均值与方差,建立各电器各状态的正态分布概率密度函数。②基于极大似然估计建立目标函数,即求联合概率的最大值,并注意到同一时刻各电器功率分解值之和应等于总功率这一约束条件,构建功率分解目标函数如下:
式中,σ[i,j]和μ[i,j]分别指第i个电器的第j个聚类簇的标准差和均值,N为电器个数,P(i)指每个电器的分解有功功率,PL指总负荷的有功功率。f[i,j](P(i))指电器i处于j运行状态时消耗功率P(i)的概率。上述问题将目标函数两边取ln后就是一个常见的凸二次规划问题。
步骤S180,输出状态序列和功率分解结果。
Claims (7)
1.一种非侵入式负荷分解方法,它包括:
步骤1、获取各电器的电力指纹,生成训练数据和测试数据;
步骤2、通过聚类算法对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码;
步骤3、建立多元参数隐马尔科夫模型并计算模型参数;
步骤3所述建立多元参数隐马尔科夫模型并计算模型参数的方法为:将多元参数隐马尔科夫模型两条时间序列的物理意义进行定义,隐含状态序列对应各用电器的运行状态,观测序列对应电器的电力指纹数据;建立模型并计算参数,具体包括:
步骤3.1、用S表示各用电器运行状态组合的集合,也就是总状态的集合;该集合是各用电器运行状态的全排列,集合元素个数由各用电器状态聚类数目决定;
步骤3.3、建立状态转移矩阵A,aij指从时刻t的各用电器的总状态qt=si转移到t+1时刻的总状态qt+1=sj的概率;计算方法:
式中:hij是总状态qt=si转移到t+1时刻的总状态qt+1=sj的频数,N是隐含状态总数;
步骤3.4、建立输出矩阵B:bik表示t时刻各用电器处于总状态qt=si而观测值为yt=vk的概率,计算方法:
式中:oik是t时刻总状态qt=si而观测值为yt=vk的频数,M为观测值总数;
步骤3.5、初始概率矩阵π:πi表示初始时刻,各用电器总状态处于si的概率,计算方法:
步骤4、导入测试数据并进行聚类;
步骤5、基于维特比算法进行状态识别并得到预测状态序列;
步骤6、根据预测状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率;
步骤7、输出状态序列和功率分解结果。
2.根据权利要求1所述的一种非侵入式负荷分解方法,其特征在于:步骤1所述获取各电器的电力指纹生成训练数据和测试数据的方法为:获取各电器的电力指纹,从数据集中选取各种电器各个采样点的有功功率与稳态电流数据并按时间均分成组,训练数据和测试数据;所述各电器的电力指纹包括该电器的有功功率以及稳态工作电流的1到11次谐波历史数据。
3.根据权利要求1所述的一种非侵入式负荷分解方法,其特征在于:步骤2所述通过聚类算法对电器工作状态进行聚类,并计算各聚类簇的均值和标准差,并对电器工作状态进行编码的方法为:采用K-Means聚类算法对电器工作状态进行聚类,得到聚类结果后计算各聚类簇的均值和标准差,对各个电器进行状态编码,将各个电器的工作状态向量编码为一个二进制状态。
4.根据权利要求3所述的一种非侵入式负荷分解方法,其特征在于:对各个电器进行状态编码,将各个电器的工作状态向量编码为一个二进制状态的方法包括:
步骤2.1、分配位数,根据电器的状态数确定编码所需要的二进制位数;
步骤2.2、确定取值,根据当前时刻电器的十进制状态值计算二进制状态值;
步骤2.3、拼接表示,将所得到的二进制状态值根据电器排序从高到低拼接,得到最终的结果。
6.根据权利要求1所述的一种非侵入式负荷分解方法,其特征在于:步骤6所述根据预测状态序列和各聚类簇的统计值,基于极大似然估计原理分解负荷功率的方法为:步骤6.1、根据各电器样本的聚类簇的均值与方差,建立各电器各状态的正态分布概率密度函数;步骤6.2、基于极大似然估计建立目标函数,即求联合概率的最大值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302679.5A CN111428816B (zh) | 2020-04-17 | 2020-04-17 | 一种非侵入式负荷分解方法 |
PCT/CN2020/141886 WO2021208516A1 (zh) | 2020-04-17 | 2020-12-31 | 一种非侵入式负荷分解方法 |
US17/787,335 US20230024007A1 (en) | 2020-04-17 | 2020-12-31 | A non-invasive load decomposition method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302679.5A CN111428816B (zh) | 2020-04-17 | 2020-04-17 | 一种非侵入式负荷分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428816A CN111428816A (zh) | 2020-07-17 |
CN111428816B true CN111428816B (zh) | 2023-01-20 |
Family
ID=71551880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010302679.5A Active CN111428816B (zh) | 2020-04-17 | 2020-04-17 | 一种非侵入式负荷分解方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230024007A1 (zh) |
CN (1) | CN111428816B (zh) |
WO (1) | WO2021208516A1 (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428816B (zh) * | 2020-04-17 | 2023-01-20 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
CN112067918A (zh) * | 2020-07-27 | 2020-12-11 | 南京航灵信息科技有限公司 | 基于事件检测的非侵入式负荷识别方法和系统 |
CN111896831B (zh) * | 2020-08-04 | 2021-07-23 | 山东大学 | 非侵入式综合能源负荷监测的方法及系统 |
CN111949707B (zh) * | 2020-08-06 | 2022-03-22 | 杭州电子科技大学 | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 |
CN112085621B (zh) * | 2020-09-11 | 2022-08-02 | 杭州华电下沙热电有限公司 | 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法 |
CN112215405B (zh) * | 2020-09-23 | 2024-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 |
CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
CN112748276B (zh) * | 2020-12-28 | 2023-01-10 | 国网冀北电力有限公司秦皇岛供电公司 | 一种谐波发射水平的预估方法以及装置 |
CN112801188A (zh) * | 2021-01-29 | 2021-05-14 | 国网上海市电力公司 | 一种基于仿射传播聚类算法和选择性贝叶斯分类的nilmd方法 |
CN113033633B (zh) * | 2021-03-12 | 2022-12-09 | 贵州电网有限责任公司 | 一种结合电力指纹知识和神经网络的设备类型识别方法 |
CN112989131B (zh) * | 2021-03-29 | 2023-04-07 | 广州水沐青华科技有限公司 | 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统 |
CN113065704A (zh) * | 2021-03-31 | 2021-07-02 | 贵州电网有限责任公司 | 一种非侵入式负荷分解模型的超参数优化和后处理方法 |
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 |
CN113094931B (zh) * | 2021-04-29 | 2022-04-22 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
CN113609635A (zh) * | 2021-05-21 | 2021-11-05 | 上海交通大学 | 一种插座负荷类型识别系统的架构与识别方法 |
CN113344346B (zh) * | 2021-05-25 | 2022-10-18 | 合肥工业大学 | 基于非侵入式负荷分解的用电异常检测方法和系统 |
CN113393121A (zh) * | 2021-06-15 | 2021-09-14 | 贵州电网有限责任公司 | 一种基于负荷电力指纹特征的非侵入式负荷识别方法 |
CN113762355B (zh) * | 2021-08-17 | 2024-03-29 | 上海电力大学 | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 |
CN113971371B (zh) * | 2021-10-29 | 2023-11-07 | 金程科技有限公司 | 一种末端电网用户设备辨识、安全管控方法 |
CN114091536A (zh) * | 2021-11-19 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于变分自编码器的负荷分解方法 |
CN114091338B (zh) * | 2021-11-24 | 2023-06-02 | 国网江苏省电力有限公司泰州供电分公司 | 一种电力负荷分解模型的建立方法及装置 |
CN114511058B (zh) * | 2022-01-27 | 2023-06-02 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
CN115660507B (zh) * | 2022-12-08 | 2023-02-28 | 北京国网电力技术有限公司 | 一种地区电力的负荷智能检测方法及系统 |
CN116304762A (zh) * | 2023-05-17 | 2023-06-23 | 杭州致成电子科技有限公司 | 负荷的分解方法和装置 |
CN117200184B (zh) * | 2023-08-10 | 2024-04-09 | 国网浙江省电力有限公司金华供电公司 | 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
CN106651658A (zh) * | 2016-12-30 | 2017-05-10 | 合肥工业大学 | 一种基于有限状态机的非侵入式住宅用电负荷分解方法 |
CN107085764A (zh) * | 2017-04-12 | 2017-08-22 | 西安交通大学 | 一种基于改进dfhmm模型的负荷分解方法及装置 |
CN109214545A (zh) * | 2018-07-04 | 2019-01-15 | 中国海洋大学 | 一种基于人类行为的负荷分解算法 |
CN109299816A (zh) * | 2014-12-30 | 2019-02-01 | 江苏理工学院 | 基于滚动规划策略的船舶轨迹实时预测方法 |
CN110120218A (zh) * | 2019-04-29 | 2019-08-13 | 东北大学 | 基于gmm-hmm的高速公路大型车辆识别方法 |
CN110580502A (zh) * | 2019-08-20 | 2019-12-17 | 上海纺织节能环保中心 | 基于高斯混合的因子隐马尔可夫负荷分解方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6602609B2 (ja) * | 2015-09-04 | 2019-11-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 電力使用状態推定方法 |
US10572797B2 (en) * | 2015-10-27 | 2020-02-25 | Pusan National University Industry—University Cooperation Foundation | Apparatus and method for classifying home appliances based on power consumption using deep learning |
CN108847665B (zh) * | 2018-06-26 | 2020-04-28 | 广东石油化工学院 | 一种非侵入式负荷分解方法及系统 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
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 |
CN110544177A (zh) * | 2019-08-15 | 2019-12-06 | 广州水沐青华科技有限公司 | 基于电力指纹的负荷识别方法及计算机可读存储介质 |
CN111428816B (zh) * | 2020-04-17 | 2023-01-20 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
-
2020
- 2020-04-17 CN CN202010302679.5A patent/CN111428816B/zh active Active
- 2020-12-31 US US17/787,335 patent/US20230024007A1/en active Pending
- 2020-12-31 WO PCT/CN2020/141886 patent/WO2021208516A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299816A (zh) * | 2014-12-30 | 2019-02-01 | 江苏理工学院 | 基于滚动规划策略的船舶轨迹实时预测方法 |
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
CN106651658A (zh) * | 2016-12-30 | 2017-05-10 | 合肥工业大学 | 一种基于有限状态机的非侵入式住宅用电负荷分解方法 |
CN107085764A (zh) * | 2017-04-12 | 2017-08-22 | 西安交通大学 | 一种基于改进dfhmm模型的负荷分解方法及装置 |
CN109214545A (zh) * | 2018-07-04 | 2019-01-15 | 中国海洋大学 | 一种基于人类行为的负荷分解算法 |
CN110120218A (zh) * | 2019-04-29 | 2019-08-13 | 东北大学 | 基于gmm-hmm的高速公路大型车辆识别方法 |
CN110580502A (zh) * | 2019-08-20 | 2019-12-17 | 上海纺织节能环保中心 | 基于高斯混合的因子隐马尔可夫负荷分解方法 |
Non-Patent Citations (4)
Title |
---|
Power Appliance Disaggregation Framework Via Hybrid Hidden Markov Model;Samer El Kababji等;《2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE)》;20180830;第1-5页 * |
基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析;陈思运等;《电力系统自动化》;20161110(第21期);第133-141页 * |
基于改进隐马尔科夫模型的非侵入式家居负荷识别;孙毅等;《电力建设》;20200401(第04期);第77-84页 * |
非侵入式电力负荷分解算法综述;张玲玲;《安徽电子信息职业技术学院学报》;20140220(第01期);第26-29页 * |
Also Published As
Publication number | Publication date |
---|---|
US20230024007A1 (en) | 2023-01-26 |
WO2021208516A1 (zh) | 2021-10-21 |
CN111428816A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428816B (zh) | 一种非侵入式负荷分解方法 | |
Sun et al. | Probabilistic peak load estimation in smart cities using smart meter data | |
CN107800140B (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN111860977B (zh) | 短期负荷的概率预测方法和概率预测装置 | |
Wang et al. | Optimal planning of stand-alone microgrids incorporating reliability | |
CN107578288B (zh) | 一种考虑用户用电模式差异的非侵入式负荷分解方法 | |
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
Razghandi et al. | Short-term load forecasting for smart home appliances with sequence to sequence learning | |
CN110874381A (zh) | 一种基于空间密度聚类的用户侧负荷数据异常值识别方法 | |
CN110390440B (zh) | 一种基于聚类和深度神经网络的智能电表用户聚合负荷预测方法 | |
CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
CN109214545B (zh) | 一种基于人类行为的负荷分解算法 | |
Razghandi et al. | Smart Home Energy Management: VAE-GAN synthetic dataset generator and Q-learning | |
Islam et al. | Load profile segmentation using residential energy consumption data | |
Durairaj et al. | Random forest based power sustainability and cost optimization in smart grid | |
Luo et al. | Optimal scheduling of electrolyzer in power market with dynamic prices | |
Zhang et al. | Research on scheduling strategy of heterogeneous flexible load clusters with strong association consider dual-scale similarities | |
Chen et al. | Refined binary particle swarm optimization and application in power system | |
CN117134470B (zh) | Bms电池管理系统的休眠控制方法及相关装置 | |
CN109521296A (zh) | 一种稳态工况下的非侵入式电力负载识别优化算法 | |
Papadopoulos et al. | Efficient design under uncertainty of renewable power generation systems using partitioning and regression in the course of optimization | |
Zheng et al. | Multi-Scenario Modeling of Power Grid Planning under the Access of Large-Scale New Energy | |
Wang et al. | A Modified K-means Clustering Algorithm Based on FMF-GS-DD. | |
Xiong et al. | Research on Industrial Load Decomposition Based on Correlation Analysis and DNN |
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 |