CN111834999A - 基于电压电流正交曲线的用电感知方法 - Google Patents

基于电压电流正交曲线的用电感知方法 Download PDF

Info

Publication number
CN111834999A
CN111834999A CN202010454496.5A CN202010454496A CN111834999A CN 111834999 A CN111834999 A CN 111834999A CN 202010454496 A CN202010454496 A CN 202010454496A CN 111834999 A CN111834999 A CN 111834999A
Authority
CN
China
Prior art keywords
load
voltage
equipment
current orthogonal
graphic features
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
Application number
CN202010454496.5A
Other languages
English (en)
Inventor
李鹏
李阳春
何敬翔
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 Huayun Information Technology Co Ltd
Original Assignee
Zhejiang Huayun Information Technology 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 Huayun Information Technology Co Ltd filed Critical Zhejiang Huayun Information Technology Co Ltd
Priority to CN202010454496.5A priority Critical patent/CN111834999A/zh
Publication of CN111834999A publication Critical patent/CN111834999A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/70—Load identification

Abstract

本发明涉及电力技术领域，尤其涉及一种基于电压电流正交曲线的用电感知方法，包括：采集专变运行数据；对专变运行数据进行分析，探测专变运行过程中的负荷事件，并记录负荷事件变化前后的负荷数据；利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征；基于提取的图形特征针对不同负荷设备建立对应工作状态的特征库；利用特征库进行机器学习算法训练获得训练模型，完成对图形特征的自适应识别，实现专变用户的用电行为感知。本发明实现专变用户的用电行为感知，分析效率高且准确率高。

Description

基于电压电流正交曲线的用电感知方法
技术领域
本发明涉及电力技术领域，尤其涉及一种基于电压电流正交曲线的用电感知方法。
背景技术
电力用户的用电行为感知技术是一种针对电力用户用电信息进行采集分析的技术，其技术基础是非侵入式负荷监测技术(non-intrusive load monitoring，NILM)，利用用户总电源入口的电量信息对用户内部的负荷信息进行分解、分析、记录。
目前，电力公司采用人为监控或者简单的算法对用户的用电事件进行简单的分析，一方面分析的效率较低，另一方面分析的准确率较低。
发明内容
为解决上述问题，本发明提出一种基于电压电流正交曲线的用电感知方法。
基于电压电流正交曲线的用电感知方法，包括：
采集专变运行数据；
对专变运行数据进行分析，探测专变运行过程中的负荷事件，并记录负荷事件变化前后的负荷数据；
利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征；
基于提取的图形特征针对不同负荷设备建立对应工作状态的特征库；
利用特征库进行机器学习算法训练获得训练模型，完成对图形特征的自适应识别，实现专变用户的用电行为感知。
优选的，所述对专变运行数据进行分析，探测专变运行过程中的负荷事件包括：针对专变运行数据，基于滑动窗的双边累计和暂态事件检测算法检测不同类型负荷的负荷事件。
优选的，所述利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征包括：
利用负荷事件变化前后的负荷数据生成电压电流正交曲线及平均曲线；
获取电压电流正交曲线中最高点和最低点间的跨度及平均曲线近零点的斜率；
提取电压电流正交曲线中的图形特征，分析各类图形特征与负荷特性的关系，通过比较得到与负荷特性相关度较高的图形特征。
优选的，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库包括：对建立完成的特征库通过模式识别算法进行训练增强。
优选的，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库还包括：
在每次成功感知用电行为后均可利用识别过程中的图形特征作为特征库的补充，动态的进行该类设备的特征库的更新。
优选的，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库还包括：将同类不同型号的设备特征再次组合形成设备分类的图形特征，在新设备的用电行为感知过程中在感知到设备工作的图形特征与某类设备的分类图形特征有一定的相似度，即可完成设备特征的聚类分层；对于特征库中已有的设备特征，通过建立不同维度的分类标准完成特征库的动态调整。
优选的，所述利用特征库进行机器学习算法训练获得训练模型包括：
利用特征库通过AdaBoost机器学习算法训练出能识别出不同负荷设备的识别器F(x)。
本发明的有益效果：
1.通过采集专变运行数据，对专变运行数据进行分析，探测专变运行过程中的负荷事件，并记录负荷事件变化前后的负荷数据，利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征，基于提取的图形特征针对不同负荷设备建立对应工作状态的特征库，利用特征库进行机器学习算法训练获得训练模型，完成对图形特征的自适应识别，实现专变用户的用电行为感知，分析效率高且准确率高；
2.针对专变运行数据，基于滑动窗的双边累计和暂态事件检测算法检测不同类型负荷的负荷事件，具有算法简单，抗干扰能力强的特点；
3.基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征，其形状特征能够在一定程度上放大同负荷特性间的差异，使用电压电流正交曲线的识别使得不同设备间有较大的差异，这种差异有助于用电行为感知算法更为有效的识别未知负荷。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例基于电压电流正交曲线的用电感知方法的流程图；
图2是本发明一实施例基于电压电流正交曲线的用电感知方法中的V-I轨迹曲线图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明实施例提出了一种基于电压电流正交曲线的用电感知方法，如图1所示，该方法包括如下步骤：
S1：采集专变运行数据。
在本实施例中，用暂态负荷数据作为用电行为感知的基础数据。暂态过程的用电行为感知方法需要较高频率的负荷数据采集(1000>Hz)作为数据基础，数据的采集内容以瞬时电流以及瞬时电压为主。在前期算法调试阶段需要为每类设备的不同工况单独进行数据采集，以便于设备负荷特征的提取。在算法应用过程中仅需针对专变总负荷数据进行采集即可完成各类设备的用电行为感知。
S2：对专变运行数据进行分析，探测专变运行过程中的负荷事件，并记录负荷事件变化前后的负荷数据。
利用专变监测装置采集专变运行的负荷数据，进行负荷事件的探测，记录负荷事件变化的过程。基于滑动窗的双边累计和暂态事件检测算法(cumulative sum，CUSUM)能够根据采集数据(电压、电流、有功、无功等)准确检测到不同类型负荷的投退等引起的系统暂态过程，具有算法简单，抗干扰能力强的特点。
S3：利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征。
负荷特征诸如电压、电流、有功功率、无功功率及势在功率等均能够在一定程度上体现负荷特性的差异，然而不同负荷设备在同一负荷特征下的特性差异不尽相同；因此负荷特征的选取应尽可能地使不同负荷设备的负荷特性差异最大化，以确保负荷设备识别的准确高效性。
波形状(wave-shape，WS)特征不同于PQ特征，其中电压电流正交曲线(V-I轨迹曲线)是电流-电压平面中瞬时电流和电压(有序对)的图形，该图形的图形特征可作为负荷分解的一种自变量。在图2中，曲线a为V-I轨迹曲线；曲线b为平均曲线；直线c为V-I曲线中最高点和最低点间的跨度；θ为平均曲线近零点的斜率。针对负荷设备的V-I轨迹形状，提取V-I轨迹中的图形特征，分析各类图形特征与负荷特性的关系，通过比较得到与负荷特性相关度较高的V-I轨迹形状特征。
针对每种负荷提取V-I轨迹曲线中的形状特征即可形成该负荷的特征数据。由于V-I轨迹曲线展现了不同负荷运行过程中瞬时电压与瞬时电流的相对变化规律，其形状特征能够在一定程度上放大同负荷特性间的差异。因此与PQ相比，使用WS的识别使得不同设备间有较大的差异；这种差异有助于用电行为感知算法更为有效的识别未知负荷。
通过负荷设备V-I曲线轨迹特征的提取，得到了符合设备用电行为的特征数据，多个特征数据可组成一个多维的数据向量来标识符合设备的某个工作状态，不同工作状态特征数据的集合即可组成负荷设备的特征模型。
S4：基于提取的图形特征针对不同负荷设备建立对应工作状态的特征库。
通过图形特征的提取建立了负荷设备某种工作状态的负荷特征，对于采用模式识别算法的用电行为感知方式，还需要为识别算法搭建特征库。搭建特征库的目的，主要为模式识别的算法提供充足的训练样本和识别依据，因而对于每一种负荷均需要提供充足的特征数据；进而由不同设备的特征数据参照样本组成负荷数据特征库。
对于单台设备特征库的建立即为不同工作状态的图形特征的集合，而不同设备图形特征的集合即可形成特征库。值得注意的是，特征库在采用模式识别算法的用电行为感知技术建立完成后，可以对最终的模式识别算法进行训练增强。同时，在实际应用过程中还可以通过每次的识别过程不断地增强修正特征库。即在每次成功感知用电行为后均可利用识别过程中的负荷特征数据作为特征库的补充，动态的进行该类设备的特征库更新。
其次对于负荷特征数据库根据用电行为感知的具体需求还可进行动态的设备特征聚类分层，例如在工业负荷设备中可按照将车床、制冷设备、环保设备等进行分类，在负荷特征库中同样可按照此种设备方式进行分类，即将同类不同型号的设备特征再次组合形成设备分类的负荷特征，在新设备的用电行为感知过程中在感知到设备工作的负荷特征与某类设备的分类负荷特征有一定的相似度，即可自动完成设备特征的聚类分层。同样的，对于负荷特征库中已有的设备模型，通过建立不同维度的分类标准可完成负荷特征库的动态调整，这样的分类过程可以避免分类过多的情况。
S5：利用特征库进行机器学习算法训练获得训练模型，完成对图形特征的自适应识别，实现专变用户的用电行为感知。
关于V-I曲线图形特征的对比问题可以利用模式识别方法进行计算求解。作为人工智能方法的一个分支，模式识别的可选算法很多，本实施例中采用自适应增强(AdaBoost)算法。
AdaBoost是一种机器学习算法，其核心思想是针对同一个训练集训练不同的识别器(弱识别器)，然后把这些弱识别器集合起来构成一个更强的最终识别器(强识别器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的识别是否正确，以及上次的总体识别的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层识别器进行训练，最后将每次训练得到的识别器最后融合起来，作为最后的决策识别器。
使用AdaBoost识别器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。在本实施例中，以负荷V-I曲线轨迹中的图形特征作为识别样本，并为每种负荷定义识别标签。选定适宜的弱识别器，利用建立的特征库来完成识别器的增强训练。最终得到增强的识别器后可利用识别器进行新增样本数据的识别。这样整个流程结束之后，通过已有的特征库可以训练出能识别出不同负荷设备的识别器F(x)，通过输入新增的样本数据x之后识别器就可以输出对应的设备工作状态。
值得注意的是，针对一类设备可以训练一个具备识别设备处于正在工作和停止状态的识别器。如果有n类设备可以训练n个这样的识别器对每一类进行分别判断即可，这样就可以得到n类设备分别的工作状态了。
通过本实施例基于电压电流正交曲线的用电感知方法，最终可以实现负荷量设备的识别、设备在该时段内的用电量的估算、设备异常用电检测等。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.基于电压电流正交曲线的用电感知方法，其特征在于，包括：
采集专变运行数据；
对专变运行数据进行分析，探测专变运行过程中的负荷事件，并记录负荷事件变化前后的负荷数据；
利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征；
基于提取的图形特征针对不同负荷设备建立对应工作状态的特征库；
利用特征库进行机器学习算法训练获得训练模型，完成对图形特征的自适应识别，实现专变用户的用电行为感知。
2.根据权利要求1所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述对专变运行数据进行分析，探测专变运行过程中的负荷事件包括：针对专变运行数据，基于滑动窗的双边累计和暂态事件检测算法检测不同类型负荷的负荷事件。
3.根据权利要求1所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述利用负荷事件变化前后的负荷数据基于电压电流正交曲线提取不同负荷事件中表征负荷特性的图形特征包括：
利用负荷事件变化前后的负荷数据生成电压电流正交曲线及平均曲线；
获取电压电流正交曲线中最高点和最低点间的跨度及平均曲线近零点的斜率；
提取电压电流正交曲线中的图形特征，分析各类图形特征与负荷特性的关系，通过比较得到与负荷特性相关度较高的图形特征。
4.根据权利要求1所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库包括：对建立完成的特征库通过模式识别算法进行训练增强。
5.根据权利要求4所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库还包括：
在每次成功感知用电行为后均可利用识别过程中的图形特征作为特征库的补充，动态的进行该类设备的特征库的更新。
6.根据权利要求4或5所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述基于提取的图形特征针对负荷设备建立对应工作状态的特征库还包括：将同类不同型号的设备特征再次组合形成设备分类的图形特征，在新设备的用电行为感知过程中在感知到设备工作的图形特征与某类设备的分类图形特征有一定的相似度，即可完成设备特征的聚类分层；对于特征库中已有的设备特征，通过建立不同维度的分类标准完成特征库的动态调整。
7.根据权利要求1所述的基于电压电流正交曲线的用电感知方法，其特征在于，所述利用特征库进行机器学习算法训练获得训练模型包括：
利用特征库通过AdaBoost机器学习算法训练出能识别出不同负荷设备的识别器F(x)。
CN202010454496.5A 2020-05-26 2020-05-26 基于电压电流正交曲线的用电感知方法 Pending CN111834999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010454496.5A CN111834999A (zh) 2020-05-26 2020-05-26 基于电压电流正交曲线的用电感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010454496.5A CN111834999A (zh) 2020-05-26 2020-05-26 基于电压电流正交曲线的用电感知方法

Publications (1)

Publication Number Publication Date
CN111834999A true CN111834999A (zh) 2020-10-27

Family

ID=72913981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010454496.5A Pending CN111834999A (zh) 2020-05-26 2020-05-26 基于电压电流正交曲线的用电感知方法

Country Status (1)

Country Link
CN (1) CN111834999A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112234996A (zh) * 2020-10-29 2021-01-15 广东电网有限责任公司计量中心 一种电力负荷数据的压缩方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138651A1 (en) * 2011-11-28 2013-05-30 Bin Lu System and method employing a self-organizing map load feature database to identify electric load types of different electric loads
US20140365490A1 (en) * 2013-06-07 2014-12-11 Eaton Corporation Method and system employing graphical electric load categorization to identify one of a plurality of different electric load types
CN106226572A (zh) * 2016-07-13 2016-12-14 国家电网公司 基于暂态特征聚类的家用负荷识别方法
CN106908671A (zh) * 2017-01-13 2017-06-30 中国海洋大学 一种非侵入式家用负荷智能检测方法及系统
CN109270384A (zh) * 2018-11-13 2019-01-25 中南民族大学 一种用于识别用电设备电弧的方法和系统
CN109492667A (zh) * 2018-10-08 2019-03-19 国网天津市电力公司电力科学研究院 一种用于非侵入式电力负荷监测的特征选择辨识方法
CN110569877A (zh) * 2019-08-07 2019-12-13 武汉中原电子信息有限公司 非侵入式负荷识别方法、装置及计算设备
CN111103477A (zh) * 2019-10-31 2020-05-05 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138651A1 (en) * 2011-11-28 2013-05-30 Bin Lu System and method employing a self-organizing map load feature database to identify electric load types of different electric loads
US20140365490A1 (en) * 2013-06-07 2014-12-11 Eaton Corporation Method and system employing graphical electric load categorization to identify one of a plurality of different electric load types
CN106226572A (zh) * 2016-07-13 2016-12-14 国家电网公司 基于暂态特征聚类的家用负荷识别方法
CN106908671A (zh) * 2017-01-13 2017-06-30 中国海洋大学 一种非侵入式家用负荷智能检测方法及系统
CN109492667A (zh) * 2018-10-08 2019-03-19 国网天津市电力公司电力科学研究院 一种用于非侵入式电力负荷监测的特征选择辨识方法
CN109270384A (zh) * 2018-11-13 2019-01-25 中南民族大学 一种用于识别用电设备电弧的方法和系统
CN110569877A (zh) * 2019-08-07 2019-12-13 武汉中原电子信息有限公司 非侵入式负荷识别方法、装置及计算设备
CN111103477A (zh) * 2019-10-31 2020-05-05 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112234996A (zh) * 2020-10-29 2021-01-15 广东电网有限责任公司计量中心 一种电力负荷数据的压缩方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN109465676A (zh) 一种刀具寿命预测方法
CN112149510A (zh) 一种非侵入式负荷检测方法
CN111985824A (zh) 一种智能电表箱的非侵入式负荷监测方法及其监测设备
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
CN108197817A (zh) 一种基于大数据的非侵入式负荷暂态监测的方法
CN111209976B (zh) 一种非侵入式负荷监测方法及系统
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN113036759B (zh) 一种电力用户负荷细粒度识别方法及识别系统
CN111242161B (zh) 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN113902104A (zh) 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
Bilski et al. Generalized algorithm for the non-intrusive identification of electrical appliances in the household
CN115993504B (zh) 一种电气设备的智能故障诊断方法及系统
CN114359674A (zh) 基于度量学习的非侵入式负荷识别方法
CN113887912A (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
CN109596912A (zh) 一种非侵入式用电负荷的分解方法
CN111834999A (zh) 基于电压电流正交曲线的用电感知方法
CN114942344A (zh) 一种非侵入式用电器识别方法、系统、介质、设备及终端
CN113036754A (zh) 一种基于改进dag-svms的非侵入式负荷辨识方法
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN111817435A (zh) 基于电压电流正交曲线的用电感知系统
Du et al. Feature Selection-Based Low Voltage AC Arc Fault Diagnosis Method
US11841387B2 (en) Cloud-end collaborative system and method for load identification
Geurts et al. Early prediction of electric power system blackouts by temporal machine learning
CN112307671A (zh) 一种自适应不同大型设备仪器状态阈值的方法
Ron et al. Density based clustering for detection of robotic operations

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