CN111934318A - 非侵入式电力负荷分解方法、装置、设备及存储介质 - Google Patents
非侵入式电力负荷分解方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111934318A CN111934318A CN202010811491.3A CN202010811491A CN111934318A CN 111934318 A CN111934318 A CN 111934318A CN 202010811491 A CN202010811491 A CN 202010811491A CN 111934318 A CN111934318 A CN 111934318A
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- value
- power
- sequence
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 title abstract description 39
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种非侵入式电力负荷分解方法、装置、设备及存储介质。其中，该方法包括：包括：获取入户总线中目标电器在开启状态下设定时长内的功率值序列；确定所述功率值序列的第一特征值、第二特征值及第三特征值；基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。从而可以基于各目标电器的目标特征值来表征各目标电器的开启状态，便于非侵入式电力负荷分解方法中快速识别出电路中各目标电器的电力负荷的工作情况。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种非侵入式电力负荷分解方法、装置、设备及存储介质。
背景技术
随着智能电网的发展，社会对于电力电源的需求日渐增多，电力负荷分解在节约能源和现代智能电网的运营管理方面起着越来越重要的作用。通过电力负荷分解可以使得家庭电力用户及时获取各用电设备的用电信息，使得用户更为详细地了解其各类用电设备的电能消耗，帮助其制定合理的节能计划使得用户在不影响其正常的生产、生活的前提下，降低电能的消耗，减少电费开支。电力负荷分解还可以为电力部门提供详细的用户用电数据，有利于提高用电负荷预测的准确度，为电力部门控制用电提供数据支撑。
相关技术中，电力负荷分解分为侵入式电力负荷分解和非侵入式电力负荷分解(Non-Intrusive Load Monitoring，NILM)两种方式。侵入式电力负荷分解需要为每个用电设备安装传感器，采集各用电设备的负荷用电信息，这种方式设备和维护成本较高，需要进入负荷内部，电路的建立和改造会给用户生活带来不便，同时传感器可能会影响用电设备的运行，可靠性较低。而非侵入式电力负荷分解无需在每个用电设备上安装监测设备，只需要根据总的负荷信息便可得出符合内部各用电设备的用电信息，与侵入式电力负荷分解相比，非侵入式电力负荷分解方式投入少、成本低、易于安装且使用方便，因此，非常适用于家庭用电的负荷分解。然而，现有的非侵入式电力负荷分解往往基于入户总线的采样真值数据基于深度学习框架等机器学习算法进行分析，导致电力负荷分解的准确性有待提高，且依赖的采样频率要求较高。
发明内容
有鉴于此，本发明实施例提供了一种非侵入式电力负荷分解方法、装置、设备及存储介质，旨在提高反映各电器的电力负荷特性的特征参数的准确性。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种非侵入式电力负荷分解方法，包括：
获取入户总线中目标电器在开启状态下设定时长内的功率值序列；
确定所述功率值序列的第一特征值、第二特征值及第三特征值；
基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；
其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
在一些实施例中，通过以下公式确定所述功率值序列的第一特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，m为阶数，μ为所述功率值序列的均值，σ为所述功率值序列的方差。
在一些实施例中，通过以下公式确定所述功率值序列的第二特征值：
其中，x为所述功率值序列中的数据对象，K为自回归系数，ψi为自回归方程的各阶系数，εt为t时刻的随机噪声估计值。
在一些实施例中，通过以下公式确定所述功率值序列的第三特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，lag为时滞阶数。
在一些实施例中，所述基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值，包括：
对所述第一特征值的平方值、所述第二特征值的平方值及所述第三特征值的平方值之和求平方根，得到表征所述目标电器的电力负荷特性的目标特征值。
在一些实施例中，所述方法还包括：
获取入户总线的待检测的设定时长内的功率值序列；
确定所述待检测的设定时长内的功率值序列对应的所述目标特征值；
基于所述待检测的设定时长内的功率值序列对应的所述目标特征值和各目标电器的所述目标特征值，确定所述待检测的设定时长内各目标电器的电力负荷。
第二方面，本发明实施例还提供了一种非侵入式电力负荷分解装置，包括：
获取模块，用于获取入户总线中目标电器在开启状态下设定时长内功率值序列；
确定模块，用于确定所述功率值序列的第一特征值、第二特征值及第三特征值；
特征生成模块，用于基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；
其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
第三方面，本发明实施例还提供了一种非侵入式电力负荷分解设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述方法的步骤。
第四方面，本发明实施例还提供了一种非侵入式电力负荷分解系统，包括：本发明实施例所述的非侵入式电力负荷分解设备及数据采集设备，所述数据采集设备用于采集入户总线的功率值序列，并发送所述功率值序列给所述非侵入式电力负荷分解设备。
第五方面，本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明实施例所述方法的步骤。
本发明实施例提供的技术方案，通过获取各目标电器在开启状态下对应的入户总线的设定时长内的功率值序列；确定所述功率值序列的第一特征值、第二特征值及第三特征值；基于所述第一特征值、所述第二特征值及所述第三特征值确定表征各所述目标电器的电力负荷特性的目标特征值，从而可以基于各目标电器的目标特征值来表征各目标电器的开启状态，便于非侵入式电力负荷分解方法中快速识别出电路中各目标电器的电力负荷的工作情况。
附图说明
图1为本发明实施例非侵入式电力负荷分解方法的流程示意图；
图2为本发明实施例非侵入式电力负荷分解装置的结构示意图；
图3为本发明实施例非侵入式电力负荷分解设备的结构示意图；
图4为本发明实施例非侵入式电力负荷分解系统的结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
如图1所示，本发明实施例提供了一种非侵入式电力负荷分解方法，可以应用于非侵入式电力负荷分解设备，包括：
步骤101，获取入户总线中目标电器在开启状态下设定时长内的功率值序列；
这里，为了便于对家庭电力用户进行非侵入式电力负荷分解方法，可以在入户总线上设置数据采集设备，以按照设定的采样频率采集入户总线的总功率值。实际应用中，该数据采集设备可以为智能空开(又称为智能断路器)，示例性地，智能空开可以不再与云端mqtt(Message Queuing Telemetry Transport，消息队列遥测传输)服务器交互，智能空开可以采用内部嵌入式原生tcp(Transmission Control Protocol，传输控制协议)服务器向外播发数据，比如播发数据给非侵入式电力负荷分解设备，或者用户可以通过wifi自行连接获取数据，数据采样频率可调。非侵入式电力负荷分解设备根据接收的各采样时刻的入户总线的总功率值，即可得到设定时长内的功率值序列。
示例性地，为了获取目标电器在开启状态下设定时长内的功率值序列，先关闭入户总线上的其他电器，仅保留目标电器开启，从而获取目标电器在开启状态下设定时长内的功率值序列。
可以理解的是，这里的目标电器可以功率值较大的家用电器，示例性地，目标电器可以为以下之一：空调、烤火炉、热水壶、热水器、电热毯及洗衣机等。对于不同的目标电器，可以分别获取各目标电器的在开启状态下设定时长内的功率值序列。设定时长可以根据采样频率进行合理设置，使得功率值序列的序列总长度满足需求即可。
步骤102，确定所述功率值序列的第一特征值、第二特征值及第三特征值；
这里，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
在一些实施例中，通过以下公式确定所述功率值序列的第一特征值：
其中，x为所述功率值序列中的数据对象(即功率值)，n为所述功率值序列的序列总长度，m为阶数，μ为所述功率值序列的均值，σ为所述功率值序列的方差。
示例性地，n的取值为20，m为2，μ和σ基于所述功率值序列中的各数据对象进行计算得到，其中，xi表示所述功率值序列中的第i个数据对象。R(m)作为第一特征值，用于返回功率值序列的各阶差分值之间的聚合(方差、均值)统计特征。
在一些实施例中，通过以下公式确定所述功率值序列的第二特征值：
其中，x为所述功率值序列中的数据对象，K为自回归系数，ψi为自回归方程的各阶系数，εt为t时刻的随机噪声估计值。
示例性地，K的取值为3，ψ0为0阶系数，ψi为i阶系数，依次类推。Xt作为第二特征值，用于衡量时序数据的的周期性、不可预测性和波动性。
在一些实施例中，通过以下公式确定所述功率值序列的第三特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，lag为时滞阶数。
示例性地，n的取值为20，lag的取值为2。c3(x,lag)作为第三特征值，用于表征功率值序列的非线性度量。
步骤103，基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值。
本发明实施例中，由于提取了功率值序列的第一特征值、第二特征值及第三特征值，并基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值，实现了基于多维度特征向量来表征目标电器的电力负荷特性，相较于传统的采用采样真值数据的方式，更利于全面反映目标电器的电力负荷特性，利于降低采样频率。
在一些实施例中，所述基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值，包括：
对所述第一特征值的平方值、所述第二特征值的平方值及所述第三特征值的平方值之和求平方根，得到表征所述目标电器的电力负荷特性的目标特征值。
示例性地，
其中，Normt为目标特征值，R(m)为第一特征值，Xt为第二特征值，c3(x,lag)为第三特征值。
实际应用中，非侵入式电力负荷分解设备可以对家庭电力用户下的各目标电器分别建立对应的目标特征值，便于后续的在线的电力负荷分解。
在一些实施例中，所述方法还包括：
获取入户总线的待检测的设定时长内的功率值序列；
确定所述待检测的设定时长内的功率值序列对应的所述目标特征值；
基于所述待检测的设定时长内的功率值序列对应的所述目标特征值和各目标电器的所述目标特征值，确定所述待检测的设定时长内各目标电器的电力负荷。
示例性地，可以获取入户总线上当前的设定时长内的功率值序列，基于前述的公式确定当前的功率值序列的第一、第二及第三特征值，进而确定当前的功率值序列的目标特征值，并基于该目标特征值与各目标电器的目标特征值进行匹配，从而可以确定当前各目标电器的电力负荷的运行状态，比如，是否开启。通过统计分析，可以得到各种目标电器的用电行为和用电习惯。本发明实施例可以提供目标电器的工作状态辨识的准确性，从而提高了负荷分解的效率和准确性。
实际应用中，智能空开采集的入户总线上的功率值可以以pandas.Series的形式存储于数据库中，该pandas.Series为一种python的数据结构，以存储带有时间标签的功率值序列。数据库可以设置于非侵入式电力负荷分解设备本地或者与非侵入式电力负荷分解设备连接的数据存储设备上，示例性地，数据库可以为Mongodb数据库。
由以上的描述可以得知，本发明实施例提供的技术方案，通过获取各目标电器在开启状态下对应的入户总线的设定时长内的功率值序列；确定所述功率值序列的第一特征值、第二特征值及第三特征值；基于所述第一特征值、所述第二特征值及所述第三特征值确定表征各所述目标电器的电力负荷特性的目标特征值，从而可以基于各目标电器的目标特征值来表征各目标电器的开启状态，便于非侵入式电力负荷分解方法中快速识别出电路中各目标电器的电力负荷的工作情况。
为了实现本发明实施例的方法，本发明实施例还提供一种非侵入式电力负荷分解装置，设置在非侵入式电力负荷分解设备，如图2所示，该非侵入式电力负荷分解装置包括：获取模块201、确定模块202及特征生成模块203；其中，获取模块201，用于获取入户总线中目标电器在开启状态下设定时长内功率值序列；确定模块202，用于确定所述功率值序列的第一特征值、第二特征值及第三特征值；特征生成模块203，用于基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
在一些实施例中，确定模块202通过以下公式确定所述功率值序列的第一特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，m为阶数，μ为所述功率值序列的均值，σ为所述功率值序列的方差。
在一些实施例中，确定模块202通过以下公式确定所述功率值序列的第二特征值：
其中，x为所述功率值序列中的数据对象，K为自回归系数，ψi为自回归方程的各阶系数，εt为t时刻的随机噪声估计值。
在一些实施例中，确定模块202通过以下公式确定所述功率值序列的第三特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，lag为时滞阶数。
在一些实施例中，特征生成模块203具体用于：
对所述第一特征值的平方值、所述第二特征值的平方值及所述第三特征值的平方值之和求平方根，得到表征所述目标电器的电力负荷特性的目标特征值。
在一些实施例中，非侵入式电力负荷分解装置还包括：检测模块204；
获取模块201还用于获取入户总线的待检测的设定时长内的功率值序列；
特征生成模块203还用于确定所述待检测的设定时长内的功率值序列对应的所述目标特征值；
检测模块204用于基于所述待检测的设定时长内的功率值序列对应的所述目标特征值和各目标电器的所述目标特征值，确定所述待检测的设定时长内各目标电器的电力负荷。
实际应用时，获取模块201、确定模块202、特征生成模块203及检测模块204，可以由非侵入式电力负荷分解装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的非侵入式电力负荷分解装置在进行非侵入式电力负荷分解时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的非侵入式电力负荷分解装置与非侵入式电力负荷分解方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种非侵入式电力负荷分解设备。图3仅仅示出了该设备的示例性结构而非全部结构，根据需要可以实施图3示出的部分结构或全部结构。
如图3所示，本发明实施例提供的设备300包括：至少一个处理器301、存储器302、用户接口303和至少一个网络接口304。非侵入式电力负荷分解设备300中的各个组件通过总线系统305耦合在一起。可以理解，总线系统305用于实现这些组件之间的连接通信。总线系统305除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统305。
其中，用户接口303可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本发明实施例中的存储器302用于存储各种类型的数据以支持非侵入式电力负荷分解设备的操作。这些数据的示例包括：用于在非侵入式电力负荷分解设备上操作的任何计算机程序。
本发明实施例揭示的非侵入式电力负荷分解方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，非侵入式电力负荷分解方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器302，处理器301读取存储器302中的信息，结合其硬件完成本发明实施例提供的非侵入式电力负荷分解方法的步骤。
在示例性实施例中，非侵入式电力负荷分解设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器302可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例还提供了一种非侵入式电力负荷分解系统，如图4所示，包括：本发明实施例所述的非侵入式电力负荷分解设备300及数据采集设备400，数据采集设备400用于采集入户总线的功率值，并发送所述功率值给所述非侵入式电力负荷分解设备300。
如图4所示，入户总线作为电力线的入口，可以供电给各类用电设备。非侵入式电力负荷分解设备300获取数据采集设备400采集的入户总线的功率值，从而执行本发明实施例前述的方法，具体执行过程，参照前述方法实施例，在此不再赘述。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器302，上述计算机程序可由非侵入式电力负荷分解设备300的处理器301执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种非侵入式电力负荷分解方法，其特征在于，包括：
获取入户总线中目标电器在开启状态下设定时长内的功率值序列；
确定所述功率值序列的第一特征值、第二特征值及第三特征值；
基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；
其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
2.根据权利要求1所述的方法，其特征在于，通过以下公式确定所述功率值序列的第一特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，m为阶数，μ为所述功率值序列的均值，σ为所述功率值序列的方差。
3.根据权利要求1所述的方法，其特征在于，通过以下公式确定所述功率值序列的第二特征值：
其中，x为所述功率值序列中的数据对象，K为自回归系数，ψi为自回归方程的各阶系数，εt为t时刻的随机噪声估计值。
4.根据权利要求1所述的方法，其特征在于，通过以下公式确定所述功率值序列的第三特征值：
其中，x为所述功率值序列中的数据对象，n为所述功率值序列的序列总长度，lag为时滞阶数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值，包括：
对所述第一特征值的平方值、所述第二特征值的平方值及所述第三特征值的平方值之和求平方根，得到表征所述目标电器的电力负荷特性的目标特征值。
6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：
获取入户总线的待检测的设定时长内的功率值序列；
确定所述待检测的设定时长内的功率值序列对应的所述目标特征值；
基于所述待检测的设定时长内的功率值序列对应的所述目标特征值和各目标电器的所述目标特征值，确定所述待检测的设定时长内各目标电器的电力负荷。
7.一种非侵入式电力负荷分解装置，其特征在于，包括：
获取模块，用于获取入户总线中目标电器在开启状态下设定时长内功率值序列；
确定模块，用于确定所述功率值序列的第一特征值、第二特征值及第三特征值；
特征生成模块，用于基于所述第一特征值、所述第二特征值及所述第三特征值确定表征所述目标电器的电力负荷特性的目标特征值；
其中，所述第一特征值为所述功率值序列的各阶差分值之间的聚合特征值，所述第二特征值为所述功率值序列的自回归系数；所述第三特征值为所述功率值序列的非线性度量值。
8.一种非侵入式电力负荷分解设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至6任一项所述方法的步骤。
9.一种非侵入式电力负荷分解系统，其特征在于，包括：如权利要求8所述的非侵入式电力负荷分解设备及数据采集设备，所述数据采集设备用于采集入户总线的功率值，并发送所述功率值给所述非侵入式电力负荷分解设备。
10.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811491.3A CN111934318B (zh) | 2020-08-13 | 2020-08-13 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811491.3A CN111934318B (zh) | 2020-08-13 | 2020-08-13 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111934318A true CN111934318A (zh) | 2020-11-13 |
| CN111934318B CN111934318B (zh) | 2024-02-27 |
Family
ID=73311643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010811491.3A Active CN111934318B (zh) | 2020-08-13 | 2020-08-13 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111934318B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 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 |
| CN113269227A (zh) * | 2021-04-15 | 2021-08-17 | 国网浙江省电力有限公司电力科学研究院 | 小微型负荷时空用电行为非侵入式深度分解方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740790A (zh) * | 2018-11-28 | 2019-05-10 | 国网天津市电力公司 | 一种基于时序特征提取的用户用电量预测方法 |
| WO2019154050A1 (zh) * | 2018-02-09 | 2019-08-15 | 国网江苏省电力有限公司电力科学研究院 | 基于非侵入式负荷辨识的分项计量智能电能表 |
| CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 江门云天电力设计咨询有限公司 | 一种非侵入式的负荷监测方法、装置、设备及存储介质 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN111092434A (zh) * | 2019-12-25 | 2020-05-01 | 天津大学 | 基于非侵入式用电数据居民小区电力负荷控制方法及装置 |
-
2020
- 2020-08-13 CN CN202010811491.3A patent/CN111934318B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019154050A1 (zh) * | 2018-02-09 | 2019-08-15 | 国网江苏省电力有限公司电力科学研究院 | 基于非侵入式负荷辨识的分项计量智能电能表 |
| CN109740790A (zh) * | 2018-11-28 | 2019-05-10 | 国网天津市电力公司 | 一种基于时序特征提取的用户用电量预测方法 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 江门云天电力设计咨询有限公司 | 一种非侵入式的负荷监测方法、装置、设备及存储介质 |
| CN111092434A (zh) * | 2019-12-25 | 2020-05-01 | 天津大学 | 基于非侵入式用电数据居民小区电力负荷控制方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269227A (zh) * | 2021-04-15 | 2021-08-17 | 国网浙江省电力有限公司电力科学研究院 | 小微型负荷时空用电行为非侵入式深度分解方法及系统 |
| CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111934318B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Home appliance load modeling from aggregated smart meter data | |
| CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
| CN103001230B (zh) | 非侵入式电力负荷监测与分解的电流模式匹配方法 | |
| CN108021736A (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
| Yang et al. | A systematic approach in appliance disaggregation using k-nearest neighbours and naive Bayes classifiers for energy efficiency | |
| Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
| CN106464988B (zh) | 能量管理系统 | |
| Makonin et al. | The cognitive power meter: Looking beyond the smart meter | |
| Yu et al. | Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues | |
| TWI517079B (zh) | 電器辨識裝置、方法及其系統 | |
| CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN111934318A (zh) | 非侵入式电力负荷分解方法、装置、设备及存储介质 | |
| CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
| CN105807107A (zh) | 一种基于物联网的电气设备用电量估算系统及方法 | |
| Bucci et al. | State of art overview of Non-Intrusive Load Monitoring applications in smart grids | |
| de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
| Hernández et al. | Design of a SoC architecture for the edge computing of NILM techniques | |
| Azizi et al. | Residential energy flexibility characterization using non-intrusive load monitoring | |
| CN112560977B (zh) | 基于稀疏分类器阶层式算法的非侵入式负荷分解方法 | |
| Yan et al. | Robust event detection for residential load disaggregation | |
| Makonin | Approaches to non-intrusive load monitoring (nilm) in the home | |
| Azad et al. | Non-intrusive load monitoring (nilm) using deep neural networks: A review | |
| CN102799108A (zh) | 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统 | |
| TWI504095B (zh) | Non - invasive load monitoring system and its method | |
| Temneanu et al. | Hardware and software architecture of a smart meter based on electrical signature analysis |
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 |