CN112101110B - 一种电力系统用户侧非侵入式负荷识别的方法 - Google Patents

一种电力系统用户侧非侵入式负荷识别的方法 Download PDF

Info

Publication number
CN112101110B
CN112101110B CN202010812609.4A CN202010812609A CN112101110B CN 112101110 B CN112101110 B CN 112101110B CN 202010812609 A CN202010812609 A CN 202010812609A CN 112101110 B CN112101110 B CN 112101110B
Authority
CN
China
Prior art keywords
load
event
voltage
population
individual
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
CN202010812609.4A
Other languages
English (en)
Other versions
CN112101110A (zh
Inventor
张志禹
何敏瑶
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.)
Hebei Jingwei Jiufang Technology Co ltd
Original Assignee
Hebei Jingwei Jiufang 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 Hebei Jingwei Jiufang Technology Co ltd filed Critical Hebei Jingwei Jiufang Technology Co ltd
Priority to CN202010812609.4A priority Critical patent/CN112101110B/zh
Publication of CN112101110A publication Critical patent/CN112101110A/zh
Application granted granted Critical
Publication of CN112101110B publication Critical patent/CN112101110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力系统用户侧非侵入式负荷识别的方法，具体按照以下步骤实施：步骤1、获取用户含电气参数的负荷数据；步骤2、利用双边滑动窗算法对步骤1中的电器数据进行事件检测,若有事件发生执行步骤3，若无则返回步骤1；步骤3、采用V‑I轨迹提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；步骤4、将步骤3得到的负荷特征作为负荷印记，对所述步骤2判断得到的事件进行基于KM‑NSGA‑II的负荷识别，完成用户侧非侵入式负荷的识别，提出一种基于K‑means和NSGA‑II的非侵入式负荷识别方法(KM‑NSGA‑II)。

Description

一种电力系统用户侧非侵入式负荷识别的方法
技术领域
本发明属于电力系统技术领域，涉及一种电力系统用户侧非侵入式负荷识别的方法。
背景技术
随着全球能源互联网的持续推进，准确获取用户侧电力信息从而进行电力需求侧管理具有建设性意义。用户侧负荷监测技术是获取用户电力特征的首要环节，从用电对象、发电来源、媒介增值服务出发，对于缓解社会能源紧张和环境保护具有实际的理论指导作用。
负荷监测技术分为侵入式负荷监测和非侵入式负荷监测。传统的侵入式负荷监测需要在用户的每个设备安装一个或多个传感器监测装置，监测结果准确但部署举步维艰，硬件成本较高且难以维护。非侵入式负荷监测(NILM)是指在电力入口处安装监测设备，通过监测该处的电压、电流等信号分析得到负荷集群中单个负荷的种类和运行情况，它节省了安装和维护监测设备所需的时间和金钱，符合目前整个社会提倡的节能减排。非侵入式负荷监测本质是一个NP问题，集中有3步：监测负荷投切转变的事件检测、监测过程中的典型特征提取、负荷辨识。
目前，针对非侵入式负荷监测这一问题的研究成果诸多。在特征提取方面主要有稳态特征和暂态特征两类，稳态特征由于其硬件要求低、易提取而备受关注，其中V-I轨迹参数和电流谐波能够深入全面地反应负荷特性，极具差异性。在负荷辨识方面，基于数学优化的多目标进化算法，以其可逼近Parato最优解集而备受关注，最具代表性的是带精英策略的非支配排序遗传算法(NSGA-II)，它利用等级选择方法来突出好的个体，采用拥挤度计算进行分散性估计，加入精英策略以防止优良解的丢失并用于维持种群的多样性。该方法的难点在于多特征NILM信号和目标函数的结合，并且由于每一代所生成的非支配解集依赖于父代，种群收敛分布不均匀，在全局搜索能力方面还需改进。K-means算法能够考虑聚类局部最优，计算简单，易于实现，综上，基于K-means和NSGA-II的非侵入式负荷识别方法亟待提出。
发明内容
本发明的目的是提供一种电力系统用户侧非侵入式负荷识别的方法，提出一种基于K-means和NSGA-II的非侵入式负荷识别方法(KM-NSGA-II)
本发明所采用的技术方案是，一种电力系统用户侧非侵入式负荷识别的方法，具体按照以下步骤实施：
步骤1、获取用户含电气参数的负荷数据；
步骤2、利用双边滑动窗算法对步骤1中的电器数据进行事件检测,若有事件发生执行步骤3，若无则返回步骤1；
步骤3、采用V-I轨迹提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；
步骤4、将步骤3得到的负荷特征作为负荷印记，对所述步骤2判断得到的事件进行基于KM-NSGA-II的负荷识别，完成用户侧非侵入式负荷的识别。
本发明的特点还在于：
步骤1的负荷数据：电流、电压及功率。
步骤2具体按照以下步骤实施：
步骤2.1，选取一段时间的功率时间序列在该时间序列定义两个连续的滑动窗口Wm和暂态检测窗口Wd,其采样点分别为m和n。分别计算两个窗口内的Nm和Nd：
步骤2.2，再分别定义和/>用于检测事件的投入还是切除：
以上两式中β表示功率时间序列功率中功率稳定的波动水平；
步骤2.3，检测负荷是否有投入事件发生时，的初始值为0，当检测窗口均值Nd大于Nm-β时，/>开始大于0。此时根据识别需求设定一个确定事件发生的累积和阈值H，当时，说明此时有事件发生的可能，但是累积的变化量尚未达到确定事件发生的程度，此时引入延迟因子d(初始值为0)，当/>时，令d＝d+1，计算/>直至/>则发生时刻可根据k-d倒推得出。为避免序列振荡而导致负荷投入或切除事件误判，引入延迟因子d后，d每增加1，就比较一次/>和/>如果满足/>此时认为引起功率变化是一个波动，并视/>d＝0，从而削减由数据波动导致的多识别事件。
步骤3具体按照以下步骤实施：
步骤3.1，提取负荷V-I轨迹特征，首先对事件前后T秒内的电压电流波形进行平滑和插值处理；然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，然后取基波电压相角为0的点作为电压电流波形初始采样点；再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；最后将V-I曲线的特征作为负荷印记；
步骤3.2，采用谐波特征包含第1次至第9次谐波次数和幅值，提取方法为对事件发生后的电流信号进行谐波特征提取：通过快速傅里叶变换(DFT)将时域内的电流信号转换为频域内的频谱信号，从式(5)所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记；
i＝a1sin(wt+θ1)+a2sin(wt+θ2)+…+aksin(wt+θk) (5)
其中，a1,a2,...,ak是各次谐波的幅值，θ1,θ2,...,θk是各次谐波的相位角，频谱就是各次谐波的幅值排列所得。
步骤4具体按照以下步骤实施：
步骤4.1，设步骤3所得的特征数据集为{X＝F(t1),F(t2),...,F(tn)}中包含n个采样时刻的特征元素，N为监测所需的特征个数，R是总电器个数，F(ti)∈RN，即数据集合中每一个样本为N维向量。首先在NSGA-II算法中设置如(6)式所示的多目标寻优函数，并根据先验知识利用特征数据集设置初始化种群p0，并进行快速非支配排序，初始化每个个体的等级值，t＝0；
其中，Y(t)和H(t)分别为采样时刻t的V-I轨迹特征和总谐波负荷特征值，Si表示种群中的第i个个体，Y为场景中所有家用电器的V-I轨迹特征向量，H为所有电器的谐波特征向量；λ为权重因子；
步骤4.2，从群体Pt中随机选择个体，进行交叉和变异操作，产生子代种群Qt；合并产生组合种群Rt＝Pt∪Qt；
步骤4.3，对Rt进行快速非支配排序，并通过计算拥挤度距离和精英保留策略选出N个个体，组成新一代种群P′t+1；
步骤4.4，对P′t+1进行K-means聚类得到Si{S1,S2,...,Sk}，在Si的每一类中随机选择一个个体进行局部提高，个体经过(μ+λ)局部策略提高后，适应度评价优的个体代替父代，最后得到新一代种群Pt+1；
步骤4.5，此时从每一代的最优个体中选择适应度最高的个体，作为算法的最优解输出，完成用户侧非侵入式负荷的识别，否则，执行步骤4.2，往返循环，直至选出最优解输出。
本发明的有益效果是：本发明一种电力系统用户侧非侵入式负荷识别的方法，针对不同场景下多种家用电器识别效率低的问题，提出一种基于K-means和NSGA-II的非侵入式负荷识别方法(KM-NSGA-II)，本发明一种电力系统用户侧非侵入式负荷识别的方法考虑多特征目标函数，全局搜索能力好，计算高效，易于实现。通过采集用户的总电流谐波和V-I轨迹特征，在NSGA-II算法中加入K-means聚类和局部搜索策略，对多目标函数进行迭代，寻找最优个体，提高识别准确度。
附图说明
图1是本发明一种电力系统用户侧非侵入式负荷识别的方法的流程图；
图2是本发明一种电力系统用户侧非侵入式负荷识别的方法中负荷投入事件检测的流程图；
图3是本发明一种电力系统用户侧非侵入式负荷识别的方法中NSGA-II算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种电力系统用户侧非侵入式负荷识别的方法，如图1所示，具体按照以下步骤实施：
步骤1、获取用户含电气参数的负荷数据；
步骤1的负荷数据：电流、电压及功率。
步骤2、利用双边滑动窗(CUSUM)算法对步骤1中的电器数据进行事件检测,若有事件发生执行步骤3，若无则返回步骤1；
如图2所示，步骤2具体按照以下步骤实施：
步骤2.1，选取一段时间的功率时间序列在该时间序列定义两个连续的滑动窗口Wm和暂态检测窗口Wd,其采样点分别为m和n。分别计算两个窗口内的Nm和Nd：
步骤2.2，再分别定义和/>用于检测事件的投入还是切除：
以上两式中β表示功率时间序列功率中功率稳定的波动水平；
步骤2.3，检测负荷是否有投入事件发生时，的初始值为0，当检测窗口均值Nd大于Nm-β时，/>开始大于0。此时根据识别需求设定一个确定事件发生的累积和阈值H，当时，说明此时有事件发生的可能，但是累积的变化量尚未达到确定事件发生的程度，此时引入延迟因子d(初始值为0)，当/>时，令d＝d+1，计算/>直至/>则发生时刻可根据k-d倒推得出。为避免序列振荡而导致负荷投入或切除事件误判，引入延迟因子d后，d每增加1，就比较一次/>和/>如果满足/>此时认为引起功率变化是一个波动，并视/>d＝0，从而削减由数据波动导致的多识别事件。
步骤3、采用V-I轨迹提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；
步骤3具体按照以下步骤实施：
步骤3.1，提取负荷V-I轨迹特征，首先对事件前后T秒内的电压电流波形进行平滑和插值处理；然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，然后取基波电压相角为0的点作为电压电流波形初始采样点；再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；最后将V-I曲线的特征作为负荷印记；
步骤3.2，采用谐波特征包含第1次至第9次谐波次数和幅值，提取方法为对事件发生后的电流信号进行谐波特征提取：通过快速傅里叶变换(DFT)将时域内的电流信号转换为频域内的频谱信号，从式(5)所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记；
i＝a1sin(wt+θ1)+a2sin(wt+θ2)+…+aksin(wt+θk) (5)
其中，a1,a2,...,ak是各次谐波的幅值，θ1,θ2,...,θk是各次谐波的相位角，频谱就是各次谐波的幅值排列所得。
步骤4、将步骤3得到的负荷特征作为负荷印记，对所述步骤2判断得到的事件进行基于KM-NSGA-II的负荷识别，此步在NSGA-II中加入K-means算法，通过建立多目标函数寻优函数，完成用户侧非侵入式负荷的识别。
如图3所示，步骤4具体按照以下步骤实施：
步骤4.1，设步骤3所得的特征数据集为{X＝F(t1),F(t2),...,F(tn)}中包含n个采样时刻的特征元素，N为监测所需的特征个数，R是总电器个数，F(ti)∈RN，即数据集合中每一个样本为N维向量。首先在NSGA-II算法中设置如(6)式所示的多目标寻优函数，并根据先验知识利用特征数据集设置初始化种群p0，并进行快速非支配排序，初始化每个个体的等级值，t＝0；
其中，Y(t)和H(t)分别为采样时刻t的V-I轨迹特征和总谐波负荷特征值，Si表示种群中的第i个个体，Y为场景中所有家用电器的V-I轨迹特征向量，H为所有电器的谐波特征向量；λ为权重因子；
步骤4.2，从群体Pt中随机选择个体，进行交叉和变异操作，产生子代种群Qt；合并产生组合种群Rt＝Pt∪Qt；
步骤4.3，对Rt进行快速非支配排序，并通过计算拥挤度距离和精英保留策略选出N个个体，组成新一代种群P′t+1；
步骤4.4，对P′t+1进行K-means聚类得到Si{S1,S2,...,Sk}，在Si的每一类中随机选择一个个体进行局部提高，个体经过(μ+λ)局部策略提高后，适应度评价优的个体代替父代，最后得到新一代种群Pt+1；
步骤4.4的K-means聚类的具体实施如下：
1)首先给定初始聚类中心的k均值
2)分别计算每个对象到各个聚类中心的距离，把对象分配到距离最近的聚类中，如下式所示：
式中μi,i＝1,2,...,k是聚类簇Si中的特征值的平均值，其中每个特征值xp只能被安排至一个聚类簇S(t)，即特征值能被分配到两个或者更多簇中。
3)所有对象分配完成后，重新计算k个聚类中心，如式(8)：
4)将3)中的k个聚类中心与1)中的初始聚类中心比较，如果聚类中心发生变化，转步骤2)，否则执行步骤5)；
5)输出k个期望聚类结果。
其中，NSGA-II算法涉及的Pareto支配关系、Pareto等级及最优解的求解如下：对于最小化多目标优化问题，有m个目标分量fi(x),i＝1,2,...,m，任意给定两个决策变量Xa，Xb，有：
对于都有：fi(Xa)＜fi(Xb)，则称Xa支配Xb；
对于有：fi(Xa)≤fi(Xb)，且至少存在一个/>使fj(Xa)＜fj(Xb)，则称Xa弱支配Xb；
使得fi(Xa)＜fi(Xb)，同时，/>使得fj(Xa)＞fj(Xb)，则称Xa与Xb互不支配；
对一决策变量，不存在其他决策变量能够支配它，则称该决策变量为非支配解。
Pareto等级：在一组解中，非支配解Pareto等级定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依此类推，可得到该解集中所有解的Pareto等级。
Pareto最优解：n为决策变量的个数，都有fi(X1)＜fi(Xj)，即单一决策变量X1没有被支配的解时，则称X1为Pareto最优解。
NSGA-II算法中的快速非支配排序的步骤如下：假设种群P，主要计算两个参数：每个个体p的被支配个数np，该个体p可以支配的个体的集合Sp。需遍历整个种群。首先找到种群中所有np＝0的个体，并放入集合F1中；对于当前集合F1中每个个体i，可以支配的个体的集合为Si，遍历Si中的每个个体L，执行nL＝nL-l，即将nL＝0的个体L保存在集合H中；记F1中得到的个体为第一个非支配层的个体，并以H作为当前集合，重复上述操作，直到整个种群被分级。
NSGA-II算法中的拥挤度距离的步骤如下：首先令nd＝0,n∈[1,N]，即该等级共n个个体；对于每个目标函数fm；根据该目标函数对该等级的个体进行排序，记为个体目标函数值fm的最大值，/>为个体目标函数值fm的最小值。对排序后两个边界的拥挤度1d和Nd置为∞，根据公式(9)计算nd,n∈[2,N-1]：
综合利用非支配序nrank和拥挤度nd的比较原则为：irank<jrank或者irank＝jrank且id>jd时，i优于j。
基于以上比较原则的精英策略为：由父代种群Pt和其子代种群Qt合成种群Rt，种群Rt遵循以下两个原则生成新的父代种群Pt+1。原则1：根据Pareto等级从低到高的顺序，将整层种群放入父代种群Pt+1，直到某一层该层个体不能全部放入父代种群Pt+1。原则2：将该层个体根据拥挤度从大到小排列，依次放入父代种群Pt+1，直到父代种群Pt+1被填满。
步骤4.5，此时从每一代的最优个体中选择适应度最高的个体，作为算法的最优解输出，完成用户侧非侵入式负荷的识别，否则，执行步骤4.2，往返循环，直至选出最优解输出。
本发明一种电力系统用户侧非侵入式负荷识别的方法，针对不同场景下多种家用电器识别效率低的问题，提出一种基于K-means和NSGA-II的非侵入式负荷识别方法(KM-NSGA-II)，本发明一种电力系统用户侧非侵入式负荷识别的方法考虑多特征目标函数，全局搜索能力好，计算高效，易于实现。通过采集用户的总电流谐波和V-I轨迹特征，在NSGA-II算法中加入K-means聚类和局部搜索策略，对多目标函数进行迭代，寻找最优个体，提高识别准确度。

Claims (4)

1.一种电力系统用户侧非侵入式负荷识别的方法，其特征在于，具体按照以下步骤实施：
步骤1、获取用户含电气参数的负荷数据；
步骤2、利用双边滑动窗算法对步骤1中的电器数据进行事件检测,若有事件发生执行步骤3，若无则返回步骤1；
步骤3、采用V-I轨迹提取方法和谐波特征提取方法对事件发生后的电压电流信号进行特征提取和组合，得到负荷特征；
步骤4、将步骤3得到的负荷特征作为负荷印记，对所述步骤2判断得到的事件进行基于KM-NSGA-II的负荷识别，完成用户侧非侵入式负荷的识别；
所述步骤4具体按照以下步骤实施：
步骤4.1，设步骤3所得的特征数据集为{X＝F(t1)，F(t2)，…，F(tn′)}中包含n′个采样时刻的特征元素，N为监测所需的特征个数，R是总电器个数，F(ti′)∈RN，即数据集合中每一个样本为N维向量，首先在NSGA-II算法中设置如(6)式所示的多目标寻优函数，并根据先验知识利用特征数据集设置初始化种群p0，并进行快速非支配排序，初始化每个个体的等级值，t＝0；
min F(i，t，Y，H)＝λ[Y(t)-SiY]+(1-λ)[H(t)-SiH]
其中，Y(t)和H(t)分别为采样时刻t的V-I轨迹特征和总谐波负荷特征值，Si表示种群中的第i个个体，Y为场景中所有家用电器的V-I轨迹特征向量，H为所有电器的谐波特征向量；λ为权重因子；
步骤4.2，从群体Pt中随机选择个体，进行交叉和变异操作，产生子代种群Qt；合并产生组合种群Rt＝Pt∪Qt；
步骤4.3，对Rt进行快速非支配排序，并通过计算拥挤度距离和精英保留策略选出N′个个体，组成新一代种群P′t+1；
步骤4.4，对P′t+1进行K-means聚类得到Si{S1，S2，...，Se}，在Si的每一类中随机选择一个个体进行局部提高，个体经过μ+λ局部策略提高后，适应度评价优的个体代替父代，最后得到新一代种群Pt+1；
步骤4.5，此时从每一代的最优个体中选择适应度最高的个体，作为算法的最优解输出，完成用户侧非侵入式负荷的识别，否则，执行步骤4.2，往返循环，直至选出最优解输出。
2.根据权利要求1所述的一种电力系统用户侧非侵入式负荷识别的方法，其特征在于，所述步骤1的负荷数据：电流、电压及功率。
3.根据权利要求1所述的一种电力系统用户侧非侵入式负荷识别的方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1，选取一段时间的功率时间序列在该时间序列定义两个连续的滑动窗口Wm和暂态检测窗口Wd,其采样点分别为m和n，分别计算两个窗口内的Nm和Nd：
步骤2.2，再分别定义和/>用于检测事件的投入还是切除：
以上两式中β表示功率时间序列功率中功率稳定的波动水平；
步骤2.3，检测负荷是否有投入事件发生时，的初始值为0，当检测窗口均值Nd大于Nm-β时，/>开始大于0，此时根据识别需求设定一个确定事件发生的累积和阈值H，当/>时，说明此时有事件发生的可能，但是累积的变化量尚未达到确定事件发生的程度，此时引入延迟因子d，初始值为0，当/>时，令d＝d+1，计算/>直至/>则发生时刻可根据k-d倒推得出，为避免序列振荡而导致负荷投入或切除事件误判，引入延迟因子d后，d每增加1，就比较一次/>和/>如果满足/>此时认为引起功率变化是一个波动，并视/>d＝0，从而削减由数据波动导致的多识别事件。
4.根据权利要求1所述的一种电力系统用户侧非侵入式负荷识别的方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1，提取负荷V-I轨迹特征，首先对事件前后T秒内的电压电流波形进行平滑和插值处理；然后，T秒内每秒取一周期电压电流波形并对电压波形进行傅里叶变换，然后取基波电压相角为0的点作为电压电流波形初始采样点；再将电压电流波形各周期相同位置采样点取平均值，以电压为横坐标，电流为纵坐标绘制V-I曲线；最后将V-I曲线的特征作为负荷印记；
步骤3.2，采用谐波特征包含第1次至第9次谐波次数和幅值，提取方法为对事件发生后的电流信号进行谐波特征提取：通过快速傅里叶变换DFT将时域内的电流信号转换为频域内的频谱信号，从式(5)所述频谱信号中提取谐波分量，得到负荷设备在频域上的特征信息，将频域特征即作为负荷印记；
I＝a1sin(wt+θ1)+a2sin(wt+θ2)+…+ak′sin(wt+θk′) (5)
其中，a1，a2，...，ak′是各次谐波的幅值，θ1，θ2，...，θk′是各次谐波的相位角，频谱就是各次谐波的幅值排列所得。
CN202010812609.4A 2020-08-13 2020-08-13 一种电力系统用户侧非侵入式负荷识别的方法 Active CN112101110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010812609.4A CN112101110B (zh) 2020-08-13 2020-08-13 一种电力系统用户侧非侵入式负荷识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010812609.4A CN112101110B (zh) 2020-08-13 2020-08-13 一种电力系统用户侧非侵入式负荷识别的方法

Publications (2)

Publication Number Publication Date
CN112101110A CN112101110A (zh) 2020-12-18
CN112101110B true CN112101110B (zh) 2024-02-23

Family

ID=73753626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010812609.4A Active CN112101110B (zh) 2020-08-13 2020-08-13 一种电力系统用户侧非侵入式负荷识别的方法

Country Status (1)

Country Link
CN (1) CN112101110B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112732748B (zh) * 2021-01-07 2024-03-15 西安理工大学 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN112821559B (zh) * 2021-01-22 2023-08-01 物兴科技(深圳)有限公司 一种非侵入式家电负荷深度再识别方法
CN113010985A (zh) * 2021-03-05 2021-06-22 重庆邮电大学 一种基于并行aann的非侵入式负荷识别方法
CN113158446A (zh) * 2021-04-07 2021-07-23 国网江苏省电力有限公司信息通信分公司 非侵入式电力负载识别方法
CN113447740A (zh) * 2021-06-21 2021-09-28 天津大学 一种非侵入式负荷事件全局优化匹配方法及系统
CN114399098A (zh) * 2021-12-30 2022-04-26 昆明能讯科技有限责任公司 一种高适用性和高精准工业用电用户分类错峰用电方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460228A (zh) * 2018-03-21 2018-08-28 电子科技大学 一种基于多目标优化算法进行风电场等值的方法
CN111027408A (zh) * 2019-11-19 2020-04-17 广西电网有限责任公司电力科学研究院 一种基于支持向量机和v-i曲线特征的负荷识别方法
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
CN111160798A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001230B (zh) * 2012-11-16 2014-10-15 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460228A (zh) * 2018-03-21 2018-08-28 电子科技大学 一种基于多目标优化算法进行风电场等值的方法
CN111027408A (zh) * 2019-11-19 2020-04-17 广西电网有限责任公司电力科学研究院 一种基于支持向量机和v-i曲线特征的负荷识别方法
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
CN111160798A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MO-NILM: A multi-objective evolutionary algorithm for NILM classification;Ram Machlev 等;《Energy and Buildings》;20190915;第199卷;全文 *
Non-Intrusive Load Disaggregation Using Graph Signal Processing;Kanghang He 等;《IEEE Transactions on Smart Grid》;20180531;第9卷(第3期);全文 *
一种关联RNN模型的非侵入式负荷辨识方法;刘恒勇 等;《电力系统保护与控制》;20190701;第47卷(第13期);全文 *
非侵入式电力负荷的辨识和监测;朱德省 等;《电测与仪表》;20150818;第52卷(第16A期);全文 *

Also Published As

Publication number Publication date
CN112101110A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101110B (zh) 一种电力系统用户侧非侵入式负荷识别的方法
CN108429254B (zh) 一种非侵入式用电负荷识别方法
CN103177188B (zh) 一种基于特征映射的电力系统负荷动特性分类方法
CN103135009B (zh) 基于使用者回馈信息的电器侦测方法与系统
Rowe et al. A peak reduction scheduling algorithm for storage devices on the low voltage network
Munshi et al. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns
CN109387712A (zh) 基于状态矩阵决策树的非侵入式负荷检测与分解方法
Lee Electric load information system based on non-intrusive power monitoring
CN111382897A (zh) 台区低压跳闸预测方法、装置、计算机设备及存储介质
CN111027408A (zh) 一种基于支持向量机和v-i曲线特征的负荷识别方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN113011481A (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN114610706A (zh) 基于过采样和改进随机森林的窃电检测方法、系统及装置
Kim et al. A study for clustering method to generate Typical Load Profiles for Smart Grid
Lu et al. Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
Grigoras et al. Processing of smart meters data for peak load estimation of consumers
Selvam et al. Fuzzy based clustering of smart meter data using real power and THD patterns
Tidemann et al. Effects of scale on load prediction algorithms
Qin et al. Topology Identification Method of Low-voltage Distribution Network Based on Improved Pearson Correlation Coefficient Method
Zhang et al. An autocorrelation incremental fuzzy clustering framework based on dynamic conditional scoring model
Jiang et al. Two‐level area‐load modelling for OPF of power system using reinforcement learning
CN103530707A (zh) 一种电网系统不完全可观的pmu优化配置方法
Nasiakou et al. A three-stage scheme for consumers' partitioning using hierarchical clustering algorithm
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质

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
TA01 Transfer of patent application right

Effective date of registration: 20231010

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231116

Address after: 050800 North of Taiping Village, Zhengding County, Shijiazhuang City, Hebei Province

Applicant after: Hebei Jingwei Jiufang Technology Co.,Ltd.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant