CN111985563A - 一种基于谐波发射水平的工业用户电力设备分类方法 - Google Patents

一种基于谐波发射水平的工业用户电力设备分类方法 Download PDF

Info

Publication number
CN111985563A
CN111985563A CN202010843520.4A CN202010843520A CN111985563A CN 111985563 A CN111985563 A CN 111985563A CN 202010843520 A CN202010843520 A CN 202010843520A CN 111985563 A CN111985563 A CN 111985563A
Authority
CN
China
Prior art keywords
harmonic
value
industrial user
load characteristic
contribution
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
Application number
CN202010843520.4A
Other languages
English (en)
Other versions
CN111985563B (zh
Inventor
杨心刚
张鹏
杜洋
潘爱强
苏磊
祝青
潘玲
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010843520.4A priority Critical patent/CN111985563B/zh
Publication of CN111985563A publication Critical patent/CN111985563A/zh
Application granted granted Critical
Publication of CN111985563B publication Critical patent/CN111985563B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于谐波发射水平的工业用户电力设备分类方法，包括：按照预设的采样间隔，采集工业用户电力设备的负荷特征数据；对采集的数据进行预处理；采用双边CUSUM算法，对工业用户电力设备的投切事件进行检测；根据检测的投切事件，从预处理后的负荷特征数据中提取出投切事件发生前后的谐波畸变率和谐波值，以构建得到工业用户设备的谐波特征矩阵；从工业用户设备的谐波特征矩阵中筛选提取出高贡献率特征，以构建得到工业用户设备的贡献特征矩阵；采用k‑means算法对贡献特征矩阵进行聚类计算，从而确定工业用户电力设备中的不同设备类别。与现有技术相比，本发明能够高效、准确地对工业用户电力设备进行分类。

Description

一种基于谐波发射水平的工业用户电力设备分类方法
技术领域
本发明涉及电力设备分类技术领域，尤其是涉及一种基于谐波发射水平的工业用户电力设备分类方法。
背景技术
在电网的运行调控中，往往需要预先明确电网中各负荷的特征以及设备运行状况，以保证后续电力调控的准确性，目前，电网中的负荷主要分为居民负荷和工业负荷，其中，居民负荷包括家庭用户电力设备，工业负荷则包括工业用户电力设备，且电网中工业负荷相比于居民负荷，占有更大地容量和比重，因此，研究工业用户电力设备分类，对于电网调控将具有重要的实践意义。
不同于家庭用户电力设备，工业用户电力设备包含的种类更多更复杂，为了能够准确地对工业用户电力设备进行分类，传统主要借助深度学习以及图像识别的方法，这种方式依赖于大量的训练样本数据，其效率较低，一旦出现新增的工业用户电力设备，则需要重新进行分类模型训练，否则无法保证分类结果的准确性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于谐波发射水平的工业用户电力设备分类方法，以实现高效、准确地进行工业用户电力设备分类的目的。
本发明的目的可以通过以下技术方案来实现：一种基于谐波发射水平的工业用户电力设备分类方法，包括以下步骤：
S1、按照预设的采样间隔，采集工业用户电力设备的负荷特征数据，所述负荷特征数据包括有功功率值、谐波畸变率以及谐波值，其中，谐波值具体为2～25次电流谐波值；
S2、对采集的数据进行预处理，得到预处理后的负荷特征数据；
S3、采用双边CUSUM算法，对工业用户电力设备的投切事件进行检测；
S4、根据检测的投切事件，从预处理后的负荷特征数据中提取出投切事件发生前后的谐波畸变率和谐波值，以构建得到工业用户设备的谐波特征矩阵；
S5、从工业用户设备的谐波特征矩阵中筛选提取出高贡献率特征，以构建得到工业用户设备的贡献特征矩阵；
S6、采用k-means算法对贡献特征矩阵进行聚类计算，以确定工业用户电力设备中的不同设备类别。
进一步地，所述步骤S2具体包括以下步骤：
S21、采用均值滤波方法，对采集的负荷特征数据进行去噪处理；
S22、对去噪处理后的负荷特征数据进行缺失值处理。
进一步地，所述步骤S22具体包括以下步骤：
S221、确定采集负荷特征数据的缺失率；
S222、根据负荷特征数据的缺失率数值大小以及预设的缺失值处理规则，对负荷特征数据进行缺失值填充或删除处理。
进一步地，所述负荷特征数据的缺失率计算公式为：
Figure BDA0002642274260000021
其中，
Figure BDA0002642274260000022
为负荷特征Fn的缺失率，
Figure BDA0002642274260000023
为负荷特征Fn缺失数据的总数，N为采集负荷特征数据的次数。
进一步地，所述预设的缺失值处理规则具体为：
Figure BDA0002642274260000024
其中，DLRp为预设的缺失阈值，Fnk为负荷特征Fn第k次采集对应的数据值，Fn(k-1)为负荷特征Fn第(k-1)次采样对应的数据值。
进一步地，所述步骤S3具体包括以下步骤：
S31、根据采集的有功功率值特征数据，构建对应的CUSUM统计函数；
S32、基于CUSUM统计函数，得到投切事件的发生时刻序列以及投切事件的发生总次数。
进一步地，所述CUSUM统计函数具体为：
Figure BDA0002642274260000025
Figure BDA0002642274260000031
P＝{Pk}，k＝1,2,……,N
Pk＝μ+AI(k＜τ)+(C+B)I(k≥τ)
其中，P为采集的有功功率值特征数据，即为有功功率特征序列，Pk为第k次采集的有功功率值，N为负荷特征采集的总次数，A和B为随机变量，其数学期望为0，C为功率平均值的变化量，τ为功率变点发生时刻，I(.)为指示函数，μ为P的平均值；
当功率处于稳态时，CUSUM统计量均值为0，
Figure BDA0002642274260000032
和
Figure BDA0002642274260000033
是一个在0附近随机波动的变量；
若功率特征序列中检测到设备投切事件的发生，即序列中产生偏移，无论是正向偏移或是反向偏移，最终都会导致
Figure BDA0002642274260000034
和
Figure BDA0002642274260000035
不断增大；
设定波动阈值为w，当
Figure BDA0002642274260000036
时，令监测点延迟因子
Figure BDA0002642274260000037
当
Figure BDA0002642274260000038
Figure BDA0002642274260000039
时，表示设备投入事件被检测出来，此时通过公式
Figure BDA00026422742600000310
可以将设备投入事件发生时刻计算出来；
同理，可以计算出平均值减少时，设备切除事件发生时刻为
Figure BDA00026422742600000311
最终得到设备投切事件的发生时刻序列为S：
S＝{τi}，i＝1,2,……,N1
N1＝‖S‖
其中，N1为设备投切事件的发生总次数。
进一步地，所述步骤S4的具体过程为：提取投切事件发生时刻前后采集的谐波畸变率以及谐波值特征数据，得到投切事件发生前的谐波矩阵A1和投切事件发生后的谐波矩阵A2，当τ≠1时，有：
Figure BDA00026422742600000312
Figure BDA00026422742600000313
当τ＝1时，直接取第一次采集的谐波特征作为谐波特征变化量，最终得到工业用户设备的谐波特征矩阵T：
T＝|A2-A1|N1×25
Figure BDA0002642274260000041
其中，Ti j为第i个投切事件发生前后时刻第j个特征的变化量，Ti j的上标j＝1,2,…，25表示投切事件不同的特征，j＝1表示的是总谐波畸变率THDi，j＝2，3……时分别表示投切事件第j次谐波含有率HRIj，Ti j的下标i＝1,2,…,N1则表示第i次设备投切事件。
进一步地，所述步骤S5具体包括以下步骤：
S51、计算谐波特征矩阵T中N1个样本点各次谐波特征平均值，得到整个工业用户设备2到25次谐波发射水平的平均值序列：
Figure BDA0002642274260000042
Figure BDA0002642274260000043
其中，
Figure BDA0002642274260000044
为各次谐波平均值组成的序列，
Figure BDA0002642274260000045
为第j次谐波的平均值；
S52、计算
Figure BDA0002642274260000046
序列的平均值，用于描述工业用户设备总的谐波水平：
Figure BDA0002642274260000047
S53、剔除谐波贡献率低的谐波特征：如果
Figure BDA0002642274260000048
则说明第j次谐波发射水平对该工业用户设备贡献率较低，可以直接剔除掉，如果
Figure BDA0002642274260000049
则说明第j次谐波发射水平对该工业用户设备贡献率较高，需要保留，最后将筛选得到的高贡献率谐波特征与总谐波畸变率共同组成贡献特征矩阵：
Figure BDA00026422742600000410
其中，Xi为第i次投切事件时的贡献特征序列。
进一步地，所述步骤S6具体包括以下步骤：
S61、基于贡献特征矩阵以及预设的K值范围，计算每个贡献特征序列与聚类簇群中所有样本之间距离的平均值：
Figure BDA00026422742600000411
其中，
Figure BDA0002642274260000051
为样本Xi与所有聚类簇群之间平均距离的集合，
Figure BDA0002642274260000052
为样本Xi与聚类簇群K样本之间的平均距离；
S62、取
Figure BDA0002642274260000053
中的最小值表征样本Xi簇内的相似度，用
Figure BDA0002642274260000054
表示，
Figure BDA0002642274260000055
越小说明样本Xi与簇群中其他样本谐波特征相似度越高；
取
Figure BDA0002642274260000056
中的第二小值描述簇间样本的非相似度，用
Figure BDA0002642274260000057
表示，
Figure BDA0002642274260000058
越大说明样本Xi与其他簇群中样本非相似度越高；
以此定义样本Xi的轮廓系数SCi：
Figure BDA0002642274260000059
其中，SCi越接近于1则说明样本Xi所属簇越合理；
SCi越接近于-1，说明样本Xi越不属于该簇群；
SCi接近于0，说明设备样本Xi接近两簇群的边界线；
S63、计算贡献特征矩阵中所有样本的轮廓系数，并计算对应的平均值，得到该K值下的轮廓系数为：
Figure BDA00026422742600000510
通过遍历计算得到所有K值对应的轮廓系数，从中选取数值最大的轮廓系数，以提取该数值最大的轮廓系数对应的K值，从而确定工业用户设备的分类类别数为K；
S64、根据分类类别数K，对不同类别下贡献特征矩阵中的总谐波畸变率及各次谐波进行统计，以得到工业用户设备的分类结果。
与现有技术相比，本发明具有以下优点：
一、本发明通过对工业用户电力设备进行有功功率值、谐波畸变率以及谐波值的负荷特征数据采集，能够快速地获取工业用户设备的整体负荷特征数据，同时通过包含去噪以及缺失处理的数据预处理，能够保证采集数据的有效性，不再依赖于大量的训练样本数据，能够即时进行设备分类，具有较高的处理效率，并基于有功功率数据进行投切事件的检测、通过对谐波值数据进行筛选，以得到高贡献率的谐波数据，有利于后续准确地基于谐波发射水平对设备进行分类。
二、本发明采用CUSUM算法对投切事件进行检测，并基于采集的有功功率数据，能够快速、准确地得到投切事件的发生时刻，此外，本发明还采用k-means聚类方法，能够可靠地确定分类类别，从而进一步提高分类结果的准确性。
附图说明
图1为本发明的方法流程示意图；
图2为实施例中k-means聚类算法的流程示意图；
图3为实施例中不同K值对应的轮廓系数示意图；
图4为实施例中工业用户设备分类结果时间分布示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于谐波发射水平的工业用户电力设备分类方法，包括以下步骤：
S1、按照预设的采样间隔，采集工业用户电力设备的负荷特征数据，所述负荷特征数据包括有功功率值、谐波畸变率以及谐波值，其中，谐波值具体为2～25次电流谐波值；
S2、对采集的数据进行预处理，得到预处理后的负荷特征数据；
S3、采用双边CUSUM算法，对工业用户电力设备的投切事件进行检测；
S4、根据检测的投切事件，从预处理后的负荷特征数据中提取出投切事件发生前后的谐波畸变率和谐波值，以构建得到工业用户设备的谐波特征矩阵；
S5、从工业用户设备的谐波特征矩阵中筛选提取出高贡献率特征，以构建得到工业用户设备的贡献特征矩阵；
S6、采用k-means算法对贡献特征矩阵进行聚类计算，以确定工业用户电力设备中的不同设备类别。
其中，主要包括数据预处理、工业用户设备投切事件检测、设备分类特征提取、高贡献率特征筛选、k-means聚类五部分内容，具体的：
(1)数据预处理
数据预处理分为去噪和缺失值处理两部分，去噪采用的是均值滤波的方法，缺失数据处理则取决于数据缺失率，当采样数据值连续为0或者显示为空，则表示数据有缺失，定义监测数据缺失率为DLR：
Figure BDA0002642274260000071
式中：
Figure BDA0002642274260000072
为负荷特征Fn的缺失率，
Figure BDA0002642274260000073
为负荷特征Fn缺失数据的总数，N表示采样点的个数，即采集负荷特征数据的次数，本实施例中，设定缺失阈值为20％，则得到缺失值处理规则如下式：
Figure BDA0002642274260000074
式中：Fnk表示负荷特征Fn第k个采样点的数据值，Fnk-1表示负荷特征Fn第(k-1)个采样点的数据值。
(2)采用双边CUSUM算法对工业用户设备投切事件进行检测
对于设备功率特征序列P＝{Pk}，k＝1,2,……,N，Pk＝μ+AI(k＜τ)+(C+B)I(k≥τ)，其中A和B为随机变量，其数学期望为0，C为功率平均值的变化量，τ为变点发生时刻，I(.)为指示函数，μ为P的平均值，定义CUSUM统计函数为f：
Figure BDA0002642274260000075
Figure BDA0002642274260000076
1)当功率处于稳态时，CUSUM统计量均值为0，
Figure BDA0002642274260000077
和
Figure BDA0002642274260000078
是一个在0附近随机波动的变量；
2)若功率序列中检测到设备投切事件的发生就会在序列中产生偏移，无论是正向偏移或是反向偏移最终都会导致
Figure BDA0002642274260000079
和
Figure BDA00026422742600000710
不断增大；
3)设定波动阈值为w，当
Figure BDA00026422742600000711
时，令监测点延迟因子
Figure BDA00026422742600000712
当
Figure BDA00026422742600000713
时，表示设备投入事件被检测出来，此时通过公式
Figure BDA00026422742600000714
可以将设备投入事件发生时刻计算出来；
同理，可以计算出平均值减少时，设备切除事件发生时刻为
Figure BDA00026422742600000715
最终得到设备投切事件的发生时刻序列为S：
S＝{τi}，i＝1,2,……,N1
N1＝‖S‖
其中，N1为设备投切事件的发生总次数。
(3)设备分类用谐波特征提取
提取投切事件发生前后采样时刻的谐波特征，得到事件发生前后谐波矩阵，分别用A1和A2表示，当τ≠1时有：
Figure BDA0002642274260000081
Figure BDA0002642274260000082
当τ＝1时，直接取初始检测点谐波特征作为谐波特征变化量，最终得到用于工业用户设备分类的谐波特征矩阵T：
T＝|A2-A1|N1×25
Figure BDA0002642274260000083
式中：Ti j为第i个投切事件发生前后时刻第j个特征的变化量，Ti j的上标j＝1,2,…，25表示投切事件不同的特征，j＝1表示的是总谐波畸变率THDi，j＝2，3……时分别表示投切事件第j次谐波含有率HRIj，Ti j的下标i＝1,2,…,N1则表示第i次设备投切事件。
(4)高贡献率特征筛选
1)首先计算谐波特征矩阵T中N1个样本点各次谐波特征平均值，得到整个工业用户设备2到25次谐波发射水平的平均值，有：
Figure BDA0002642274260000084
Figure BDA0002642274260000085
其中，
Figure BDA0002642274260000086
为各次谐波平均值组成的序列，
Figure BDA0002642274260000087
为第j次谐波的平均值；
2)然后求
Figure BDA0002642274260000088
序列的平均值，用来描述该工业用户总的谐波水平，用
Figure BDA0002642274260000089
表示：
Figure BDA00026422742600000810
3)剔除谐波贡献率低的谐波特征：如果
Figure BDA00026422742600000811
则说明第j次谐波发射水平对该工业用户设备贡献率较低，可以直接剔除掉，否则说明第j次谐波发射水平对该工业用户设备贡献率较高，需要保留，本实施例数据来源于上海市某半导体制造厂，采用上述方法，得到的高贡献率谐波特征有第3、5、7、11、13、17次谐波，结合总谐波畸变率THDi组成了贡献特征矩阵X：
Figure BDA0002642274260000091
其中，Xi为第i次投切事件时的贡献特征序列；
Figure BDA0002642274260000092
式中：
Figure BDA0002642274260000093
的上标j为1时代表THDi，2～7分别代表第3、5、7、11、13、17次谐波。
(5)k-means聚类
为了解决k-means聚类算法初始值选取困难的问题，本发明将轮廓系数与常规k-means算法结合，最终实现对最佳聚类数目的确定，轮廓系数是一种将内聚度和分离度两种因素结合的聚类评价指标，其计算方法如下：
1)计算样本Xi与第k个簇群中所有样本距离的平均值：
Figure BDA0002642274260000094
样本Xi与其所在簇群的样本距离一定最小，取
Figure BDA0002642274260000095
中的最小值表征样本Xi簇内的相似度，用
Figure BDA0002642274260000096
表示，
Figure BDA0002642274260000097
越小说明样本Xi与簇中其他样本谐波特征相似度越高；
2)取
Figure BDA0002642274260000098
中的第二小值描述簇间样本的非相似度，用
Figure BDA0002642274260000099
表示，该距离越大说明样本Xi与其他簇样本非相似度越高；
3)定义样本Xi的轮廓系数SCi：
Figure BDA00026422742600000910
4)判断结果：SCi越接近于1则说明样本Xi所属簇越合理；SCi越接近于-1，说明样本Xi越不属于该簇群；SCi接近于0，说明设备样本Xi接近两簇群的边界线。
计算i个样本轮廓系数的平均值
Figure BDA00026422742600000911
则
Figure BDA00026422742600000912
为该K值下的轮廓系数，用SCk表示：
Figure BDA00026422742600000913
逆推方法需要遍历K值范围，为减少计算量，限定K的取值范围，本实施例中K值的范围取值为[2，12]，聚类的流程如图2所示。
本实施例中，应用上海市某半导体制造用户的PQ监测数据，监测点电压等级为110kV，数据采集时间从2020年5月1日至5月15日，共15天，数据监测时间间隔为5min，共4032个采样点，即采样次数为4032。图3为不同的K值对应的聚类效果，纵坐标为其对应的轮廓系数。由图3可知，K＝4时其轮廓系数明显高于其他取值，最终确定该算例的设备类型数为4类，命名该4类设备为C1，C2，C3，C4。
(6)设备分类结果应用场景
将一天24小时，共288个采样时间点平均分为四个时间段，每个时间段72个采样点。时段1、时段2、时段3、时段4分别代表0-6点、6-12点、12-18点和18-24点。将本方法得到的聚类结果C1、C2、C3、C4的事件发生时间进行统计，最终结果如表1所示：
表1
时间 C1/次 C2/次 C3/次 C4/次
时段1 26 31 0 11
时段2 21 27 6 16
时段3 29 22 6 10
时段4 24 29 1 14
总计： 100 109 13 51
将统计结果以百分比的形式进行对比，如图4所示。可以看出C1、C2、C4的投切时间都较灵活，C3主要集中在时段2和时段3。因此，可以考虑将C1、C2、C4三类设备作为灵活负荷参与电力调控，以达到削峰填谷的作用。

Claims (10)

1.一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，包括以下步骤：
S1、按照预设的采样间隔，采集工业用户电力设备的负荷特征数据，所述负荷特征数据包括有功功率值、谐波畸变率以及谐波值，其中，谐波值具体为2～25次电流谐波值；
S2、对采集的数据进行预处理，得到预处理后的负荷特征数据；
S3、采用双边CUSUM算法，对工业用户电力设备的投切事件进行检测；
S4、根据检测的投切事件，从预处理后的负荷特征数据中提取出投切事件发生前后的谐波畸变率和谐波值，以构建得到工业用户设备的谐波特征矩阵；
S5、从工业用户设备的谐波特征矩阵中筛选提取出高贡献率特征，以构建得到工业用户设备的贡献特征矩阵；
S6、采用k-means算法对贡献特征矩阵进行聚类计算，以确定工业用户电力设备中的不同设备类别。
2.根据权利要求1所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、采用均值滤波方法，对采集的负荷特征数据进行去噪处理；
S22、对去噪处理后的负荷特征数据进行缺失值处理。
3.根据权利要求2所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S22具体包括以下步骤：
S221、确定采集负荷特征数据的缺失率；
S222、根据负荷特征数据的缺失率数值大小以及预设的缺失值处理规则，对负荷特征数据进行缺失值填充或删除处理。
4.根据权利要求3所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述负荷特征数据的缺失率计算公式为：
Figure FDA0002642274250000011
其中，
Figure FDA0002642274250000012
为负荷特征Fn的缺失率，
Figure FDA0002642274250000013
为负荷特征Fn缺失数据的总数，N为采集负荷特征数据的次数。
5.根据权利要求4所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述预设的缺失值处理规则具体为：
Figure FDA0002642274250000021
其中，DLRp为预设的缺失阈值，Fnk为负荷特征Fn第k次采集对应的数据值，Fn(k-1)为负荷特征Fn第(k-1)次采样对应的数据值。
6.根据权利要求1所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、根据采集的有功功率值特征数据，构建对应的CUSUM统计函数；
S32、基于CUSUM统计函数，得到投切事件的发生时刻序列以及投切事件的发生总次数。
7.根据权利要求6所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述CUSUM统计函数具体为：
Figure FDA0002642274250000022
Figure FDA0002642274250000023
P＝{Pk}，k＝1，2，......，N
Pk＝μ+AI(k＜τ)+(C+B)I(k≥τ)
其中，P为采集的有功功率值特征数据，即为有功功率特征序列，Pk为第k次采集的有功功率值，N为负荷特征采集的总次数，A和B为随机变量，其数学期望为0，C为功率平均值的变化量，τ为功率变点发生时刻，I(·)为指示函数，μ为P的平均值；
当功率处于稳态时，CUSUM统计量均值为0，
Figure FDA0002642274250000024
和
Figure FDA0002642274250000025
是一个在0附近随机波动的变量；
若功率特征序列中检测到设备投切事件的发生，即序列中产生偏移，无论是正向偏移或是反向偏移，最终都会导致
Figure FDA0002642274250000026
和
Figure FDA0002642274250000027
不断增大；
设定波动阈值为w，当
Figure FDA0002642274250000028
时，令监测点延迟因子
Figure FDA0002642274250000029
当
Figure FDA00026422742500000210
Figure FDA00026422742500000211
时，表示设备投入事件被检测出来，此时通过公式
Figure FDA00026422742500000212
可以将设备投入事件发生时刻计算出来；
同理，可以计算出平均值减少时，设备切除事件发生时刻为
Figure FDA00026422742500000213
最终得到设备投切事件的发生时刻序列为S：
S＝{τi}，i＝1，2，......，N1
N1＝||S||
其中，N1为设备投切事件的发生总次数。
8.根据权利要求7所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S4的具体过程为：提取投切事件发生时刻前后采集的谐波畸变率以及谐波值特征数据，得到投切事件发生前的谐波矩阵A1和投切事件发生后的谐波矩阵A2，当τ≠1时，有：
Figure FDA0002642274250000031
Figure FDA0002642274250000032
当τ＝1时，直接取第一次采集的谐波特征作为谐波特征变化量，最终得到工业用户设备的谐波特征矩阵T：
T＝|A2-A1|N1×25
Figure FDA0002642274250000033
其中，Ti j为第i个投切事件发生前后时刻第j个特征的变化量，Ti j的上标j＝1，2，...，25表示投切事件不同的特征，j＝1表示的是总谐波畸变率THDi，j＝2，3……时分别表示投切事件第j次谐波含有率HRIj，Ti j的下标i＝1，2，...，N1则表示第i次设备投切事件。
9.根据权利要求8所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S5具体包括以下步骤：
S51、计算谐波特征矩阵T中N1个样本点各次谐波特征平均值，得到整个工业用户设备2到25次谐波发射水平的平均值序列：
Figure FDA0002642274250000034
Figure FDA0002642274250000035
其中，
Figure FDA0002642274250000036
为各次谐波平均值组成的序列，
Figure FDA0002642274250000037
为第j次谐波的平均值；
S52、计算
Figure FDA0002642274250000038
序列的平均值，用于描述工业用户设备总的谐波水平：
Figure FDA0002642274250000041
S53、剔除谐波贡献率低的谐波特征：如果
Figure FDA0002642274250000042
则说明第j次谐波发射水平对该工业用户设备贡献率较低，可以直接剔除掉，如果
Figure FDA0002642274250000043
则说明第j次谐波发射水平对该工业用户设备贡献率较高，需要保留，最后将筛选得到的高贡献率谐波特征与总谐波畸变率共同组成贡献特征矩阵：
Figure FDA0002642274250000044
其中，Xi为第i次投切事件时的贡献特征序列。
10.根据权利要求9所述的一种基于谐波发射水平的工业用户电力设备分类方法，其特征在于，所述步骤S6具体包括以下步骤：
S61、基于贡献特征矩阵以及预设的K值范围，计算每个贡献特征序列与聚类簇群中所有样本之间距离的平均值：
Figure FDA0002642274250000045
其中，
Figure FDA0002642274250000046
为样本Xi与所有聚类簇群之间平均距离的集合，
Figure FDA0002642274250000047
为样本Xi与聚类簇群K样本之间的平均距离；
S62、取
Figure FDA0002642274250000048
中的最小值表征样本Xi簇内的相似度，用
Figure FDA0002642274250000049
表示，
Figure FDA00026422742500000410
越小说明样本Xi与簇群中其他样本谐波特征相似度越高；
取
Figure FDA00026422742500000411
中的第二小值描述簇间样本的非相似度，用
Figure FDA00026422742500000412
表示，
Figure FDA00026422742500000413
越大说明样本Xi与其他簇群中样本非相似度越高；
以此定义样本Xi的轮廓系数SCi：
Figure FDA00026422742500000414
其中，SCi越接近于1则说明样本Xi所属簇越合理；
SCi越接近于-1，说明样本Xi越不属于该簇群；
SCi接近于0，说明设备样本Xi接近两簇群的边界线；
S63、计算贡献特征矩阵中所有样本的轮廓系数，并计算对应的平均值，得到该K值下的轮廓系数为：
Figure FDA00026422742500000415
通过遍历计算得到所有K值对应的轮廓系数，从中选取数值最大的轮廓系数，以提取该数值最大的轮廓系数对应的K值，从而确定工业用户设备的分类类别数为K；
S64、根据分类类别数K，对不同类别下贡献特征矩阵中的总谐波畸变率及各次谐波进行统计，以得到工业用户设备的分类结果。
CN202010843520.4A 2020-08-20 2020-08-20 一种基于谐波发射水平的工业用户电力设备分类方法 Active CN111985563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010843520.4A CN111985563B (zh) 2020-08-20 2020-08-20 一种基于谐波发射水平的工业用户电力设备分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010843520.4A CN111985563B (zh) 2020-08-20 2020-08-20 一种基于谐波发射水平的工业用户电力设备分类方法

Publications (2)

Publication Number Publication Date
CN111985563A true CN111985563A (zh) 2020-11-24
CN111985563B CN111985563B (zh) 2024-03-01

Family

ID=73443411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010843520.4A Active CN111985563B (zh) 2020-08-20 2020-08-20 一种基于谐波发射水平的工业用户电力设备分类方法

Country Status (1)

Country Link
CN (1) CN111985563B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355275A (zh) * 2022-03-21 2022-04-15 青岛鼎信通讯股份有限公司 电能表负荷监测方法、系统、装置及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4994956A (en) * 1990-04-25 1991-02-19 Sundstrand Corporation Enhanced real time control of PWM inverters
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
WO2014075581A1 (zh) * 2012-11-16 2014-05-22 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
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
CN109193657A (zh) * 2018-10-25 2019-01-11 合肥工业大学 基于粒子群算法的三端柔性多状态开关谐波治理方法
KR20190033250A (ko) * 2017-09-21 2019-03-29 한국전력공사 고조파 전력 정확도 보증 장치, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
CN110954744A (zh) * 2019-11-18 2020-04-03 浙江工业大学 一种基于事件检测的非侵入式负荷监测方法
CN111191908A (zh) * 2019-12-25 2020-05-22 国网江苏省电力有限公司电力科学研究院 一种负荷事件检测方法、系统及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4994956A (en) * 1990-04-25 1991-02-19 Sundstrand Corporation Enhanced real time control of PWM inverters
WO2014075581A1 (zh) * 2012-11-16 2014-05-22 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
KR20190033250A (ko) * 2017-09-21 2019-03-29 한국전력공사 고조파 전력 정확도 보증 장치, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
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
CN109193657A (zh) * 2018-10-25 2019-01-11 合肥工业大学 基于粒子群算法的三端柔性多状态开关谐波治理方法
CN110954744A (zh) * 2019-11-18 2020-04-03 浙江工业大学 一种基于事件检测的非侵入式负荷监测方法
CN111191908A (zh) * 2019-12-25 2020-05-22 国网江苏省电力有限公司电力科学研究院 一种负荷事件检测方法、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕卫;蔡志强;褚晶辉;: "基于暂态电流的S变换与(2D)~2PCA的负荷识别", 激光与光电子学进展, no. 08 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355275A (zh) * 2022-03-21 2022-04-15 青岛鼎信通讯股份有限公司 电能表负荷监测方法、系统、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111985563B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN116186634B (zh) 一种建筑工程施工数据智能管理系统
CN103323749B (zh) 多分类器信息融合的局部放电诊断方法
CN111784093B (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN109670553B (zh) 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
CN112434962B (zh) 基于电力负荷数据的企业用户状态评估方法和系统
CN110020680B (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN116304766A (zh) 基于多传感器的开关柜状态快速评估方法
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN106354803B (zh) 基于特性指标的电力输变电设备负荷坏数据检测方法
CN112288597A (zh) 一种基于层次聚类和直方图算法的能耗在线异常检测方法
CN115563477B (zh) 谐波数据识别方法、装置、计算机设备和存储介质
CN111582406A (zh) 一种电力设备状态监测数据聚类方法和系统
CN111985563A (zh) 一种基于谐波发射水平的工业用户电力设备分类方法
CN117113180A (zh) 基于vmd与卷积神经网络的直流配网高阻故障识别方法
CN113127464B (zh) 农业大数据环境特征处理方法、装置及电子设备
CN117034177B (zh) 一种电力负荷异常数据智能监测方法
CN110703006A (zh) 一种基于卷积神经网络的三相电能质量扰动检测方法
CN110132566B (zh) 一种基于模糊聚类的oltc故障诊断方法
CN116561692A (zh) 一种动态更新的实时量测数据检测方法
CN112991093B (zh) 一种基于边缘计算的窃电检测方法及系统
CN109636101A (zh) 基于大数据的开放售电环境下大用户用电行为分析方法
CN111626329B (zh) 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法
CN112487991B (zh) 一种基于特征自学习的高精度负荷辨识方法及系统

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