CN112394220B - 一种非侵入式电动汽车充电负荷模式提取方法 - Google Patents
一种非侵入式电动汽车充电负荷模式提取方法 Download PDFInfo
- Publication number
- CN112394220B CN112394220B CN202011269047.XA CN202011269047A CN112394220B CN 112394220 B CN112394220 B CN 112394220B CN 202011269047 A CN202011269047 A CN 202011269047A CN 112394220 B CN112394220 B CN 112394220B
- Authority
- CN
- China
- Prior art keywords
- charging load
- charging
- electric vehicle
- time
- extracting
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
Abstract
本发明公开了一种非侵入式电动汽车充电负荷模式提取方法,采用以鲁棒局部加权回归作为平滑方法的时间序列分解法从上述电表数据中提取低频趋势分量,再通过离散小波变换从低频趋势分量中提取出于电动汽车充电负荷相关的特征分量,同时通过高阶差识别确定充电的开始和结束时间,最后结合开始和结束时间对特征分量和事先预存的充电负荷模板进行匹配,并运用动态时间规整算法从匹配的相似距离矩阵中得出最短路径即可实现对电动汽车充电负荷模式的提取;与现有技术相比,本发明所述提取方法计算简便,同时能够有效避免杂音分量和局部突变对检测结果的影响,提高检测的准确性。
Description
技术领域
本发明涉及供电监控技术领域,具体涉及一种非侵入式电动汽车充电负荷 模式提取方法。
背景技术
随着需求侧电动汽车数量的增长,如何准确识别电动汽车充电行为是实现 电网安全稳定运行和加强可能的辅助服务的关键。由于额外的硬件安装成本和 住宅能源隐私的泄漏,通过在家安装监控设备来捕获电动汽车充电行为的侵入 式负荷提取方法往往是不现实的。因此,通过设计算法从智能电表数据中提取 住宅电动汽车充电负荷模式的非侵入式辨识方法成为当前研究发展的趋势。非 侵入式负荷辨识,是将家庭智能电表的总消费读数分解为其各个设备的耗电量。
非侵入式负荷辨识的核心思想是从智能电表中捕获与充电负荷相关的特 性,再进一步通过设计算法来实现充电负荷模式的提取。目前,非侵入式负荷 识别的方法主要包括信号处理和机器学习两类:
信号处理:从智能电表数据中提取特征以实现负荷分解的一些方法,如因 子隐马尔可夫模型,独立主成分分析[7]和非负矩阵因式分解[8]等,得到了广 泛的研究。随着图像识别技术的飞速发展,出现了稀疏分解、字典学习[9]等新 的负荷分解方法。上述算法的一个共同特点是为每个充电负荷模式构建一个学 习的库,并将所学的字典作为非侵入式负荷辨识过程中的匹配基以实现非侵入 式负荷分解。然而,由于不同驱动器的电动汽车的充电功率和充电行为存在差 异,很难从库中选择合适的充电负荷字典。
机器学习:基于智能电表获取的足够的数据,可以非侵入式地识别特定电 器的负荷模式。目前,大量的机器学习算法已经在非侵入式负荷辨识中得到应 用,如神经网络,支持向量机,决策树,深度学习。然而,建立机器学习模型 需要大量的标记训练数据(用户的充电负荷能耗数据在实际中是无法获得的) 和敏感的超参数调整,使得此类方法的实际应用受限。
通过广泛的训练和计算以捕捉与充电负荷相关的特性是上述方法的主要限 制。此外,来自家用电器如微波炉、笔记本电脑和逆变空调的微电子和高频开 关负荷将掩盖充电模式的特点,因此在提取中需要考虑负荷设备信息叠加的干 扰性。电动汽车充电负荷有两个状态(开/关),且两个状态之间的开关频率很 低。因此,住宅电动汽车充电负荷的提取可分为三个步骤:1)信号上升点;2) 信号稳态间隔;3)信号下降点。步骤2)的提取仍然面临诸多问题,在和[17]中, 设计了一种新的算法来提取步骤2),但难以准确地分解含有噪声或多功率器件 的信号。
发明内容
针对现有技术中存在的难以分解含有噪音和多功率器件信号的缺陷,本发 明公开了一种非侵入式电动汽车电负荷模式提取方法,采用发明所述技术方案 能够将提取的标本信号中的噪音及多功率器件信号剔除,从而保证电动车充电 信号的准确性,进而准确判断电动汽车的充电符合状态。
一种非侵入式电动汽车充电负荷模式提取方法,包括一下步骤:
S1、采集居民电表数据,并采用以鲁棒局部加权回归作为平滑方法的时间 序列分解法从上述数据中提取低频趋势分量;
S2、利用离散小波变换对步骤S1中获取的低频趋势分量进行离散分解,并 获取与电动汽车充电负荷相关的特征分量;
S3、根据功率采样点的高阶差识别充电负荷边缘,进而确定电动汽车充电 的开始和结束时间;
S4、结合步骤S3中的充电开始和结束时间匹配特征分量与充电负荷模板, 并得出特征分量和充电负荷模板之间的相似距离矩阵;
S5、运用动态时间规整算法从步骤S4中的相似距离矩阵中搜索最优路径, 完成电动汽车充电负荷模式的提取。
优选的,步骤S1中时间分解法处理后的智能电表数据表示为: xt=xtr,t+xse,t+xre,t t=1,...,T其中xtr,t通常是低频趋势分量;xse,t描述信号的周 期性特征;xre,t描述高频趋势分量,所述低频趋势分量为xtr=[xtr,t,...,xtr,T]。
优选的,步骤S1中时间序列分解法包括提取低频趋势分量和周期分量的内 环运算和用于调整内环运算参数权重的外环运算,其中内环运算包括以下步骤:
S21、以xtr(k)和xse(k)作为趋势,并设定xtr(1)=0,从智能电表数据中删除趋 势分量可得:xdt=x-xtr(k);
S22、对步骤S21中的xdt执行LOESS回归,得到长度为(T+2Tse)的序列c(k+1), 其中,Tse为xse中一段时间内的样本数目;
S23、执行移动平均长度Tse,并采用LOESS回归获得序列l(k+1);
S24、移除趋势和周期分量,xse(k+1)=c(k+1)-l(k+1),xsd(k+1)=x-xse(k+1);
S25、对xsd(k+1)执行LOESS获取xtr(k+1);
优选的,为了消除内环中异常值对LOESS回归结果的影响,有必要为外环xt的每个采样点定义一个鲁棒性权重,用于下一阶段内循环的临近权重中。其表示 为:wt=ω(|f(xt)-xtr,t|/h),h=g·median(|f(xt)-xtr,t|);
其中,f(xt)表示由于xt中异常值而产生的趋势分量,g表示鲁棒性权重相 关的系数,通常设置为6。
优选的,步骤S2中,以g[t]、h[t]分别表示低通和高通滤波器,将步骤S1 中的低频趋势分量xtr,t改写为α-th结构,其计算公式为:xL,α-1[t]=xL,α[t]+xH,α[t]
优选的,步骤S3中功率采用点的高阶差识别函数为: ΔxL,α(t)=xL,α(t+Δt)-xL,α(t);同时为避免大功率电器在充放电过程中被错误检 测,上述识别函数还具有以下约束:ΔxL,α(t)|≥η; Durmin≤|t+-t-|≤Durmax;
其中,t+,t-表示xL,α中的上升边缘和下降边缘。
优选的,步骤S4中,特征分量与充电负荷模板的相似距离矩阵为: O=[d1,1,...,dt,j,...,dT,N],dt,j=(at-sei,j)2;所述充电负荷模板为xopt,i=[sei,1,...,sei,j,...,sei,N], 其中xopt=(S·E)M×N,S=[s1,...,sM]表示M个可供选择的额定功率模板矢量,Einterval=(tstart,tend)为步骤S3中获得的充电开始和结束时间,N为Einterval的维度;
所述电动汽车充电负荷相关的特征分量为xL,α=[a1,..,at,...,aT]1xT,以1min作为 采样时间间隔,则一天的采样数为T=1440。
优选的,步骤S5中动态时间规整从相似距离矩阵中寻找的路径的规整函数为 W=[w1,...,wτ,...,wk],其中k满足以下约束:max(T,N)≤k≤T+N-1;所述 wz=(tz,jz)∈{1,2,...,t)×{1,2,...,j},所述动态时间规整的最短路径为:
优选的,最优路径wτ的边界约束为w1=(1,1);wk=(T,N),单调性约束条件为
与现有技术相比,本发明具有以下有益效果:
1、本发明所述的提取方法采用以鲁棒局部加权回归作为平滑方法的时间序 列分解法从上述电表数据中提取低频趋势分量,再通过离散小波变换从低频趋 势分量中提取出于电动汽车充电负荷相关的特征分量,同时通过高阶差识别确 定充电的开始和结束时间,最后结合开始和结束时间对特征分量和事先预存的 充电负荷模板进行匹配,并运用动态时间规整算法从匹配的相似距离矩阵中得 出最短路径即可实现对电动汽车充电负荷模式的提取;
其与现有技术相比,首先在对信号的处理上,本发明通过时间序列分解法 和离散小波变换方法提取与电动汽车充电负荷相关的特征分量,其能够有效消 除诸如噪声分量、局部突变等对计算结果的干扰,提高特征分量的准确性,进 而提高比对结果的准确性;
同时本发明提出的方法不仅保持了信号处理算法的优点,包括计算复杂度 低和不需要显式训练步骤的在线提取能力,而且由于设计的无训练算法,在处 理具有智能电表数据的高频多状态分量时,具有更高的估计精度,该算法的参 数整定简单,最优参数具有通用性,有助于提高住宅电动汽车的充电模式提取, 具有更强的抗噪性、低的计算成本能力。能够在用电设备功率形态模式复杂且 多样化条件下,实现对非侵入式充电负荷辨识结果的稳健感知。
2、本发明的时间序列分解包括内环运算和外环运算,其中内环运算提取低 频趋势分量和周期分量,而外环运算则能够调整内环的权重,避免内环异常值 对鲁棒局部价钱回归的影响,提高结果的准确性。
附图说明
图1为本发明算法流程图;
具体实施方式
下面将通过具体实施方式对本发明做进一步说明:
实施方式1
本实施方式作为本发明的基本实施方式,其公开了一种非侵入式电动汽车 充电负荷模式提取方法,其特征在于,包括一下步骤:
一种非侵入式电动汽车充电负荷模式提取方法,包括一下步骤:
S1、采集居民电表数据,并采用以鲁棒局部加权回归作为平滑方法的时间 序列分解法对上述采集的电表数据进行分解,其中分解后的智能电表数据表达
式为:xt=xtr,t+xse,t+xre,t t=1,...,T; (1)
上述表达式中xtr,t通常是低频趋势分量;xse,t描述信号的周期性特征;xre,t描述高频趋势分量;所述低频趋势分量为xtr=[xtr,t,...,xtr,T]; (2)
S2、利用时间序列分解法对步骤S1所述的低频趋势分量进行分解,其中其 内环运算包括一下步骤:
S21、以xtr(k)和xse(k)作为趋势,并设定xtr(1)=0,从智能电表数据中删除趋 势分量可得:xdt=x-xtr(k);
S22、对步骤S21中的xdt执行LOESS回归,得到长度为(T+2Tse)的序列c(k+1), 其中,Tse为xse中一段时间内的样本数目;
S23、执行移动平均长度Tse,并采用LOESS回归获得序列l(k+1);
S24、移除趋势和周期分量,xse(k+1)=c(k+1)-l(k+1),xsd(k+1)=x-xse(k+1);
S25、对xsd(k+1)执行LOESS获取xtr(k+1);
同时为消除内环运算中异常值对LOESS回归结果的影响,有必要为外环xt的 每个采样点定义一个鲁棒性权重,用于下一阶段内循环的临近权重中。其表示 为:wt=ω(|f(xt)-xtr,t|/h),h=g·median(|f(xt)-xtr,t|);
其中,f(xt)表示由于xt中异常值而产生的趋势分量,g表示鲁棒性权重相 关的系数,通常设置为6。
S3、以g[t]、h[t]分别表示低通和高通滤波器,将步骤S1中的低频趋势分量 xtr,t改写为α-th结构,其计算公式为:
xL,α-1[t]=xL,α[t]+xH,α[t] (3)
其中,k=T/2α;
S4、基于步骤S3中提取的与充电负荷有关的特征分量,可以通过监测信号 边缘来确定充电开始和结束时间,完全充电行为在开始充电点和末端充电点之 间是中心对称的,因此采用高阶差识别函数的表达式为:
ΔxL,α(t)=xL,α(t+Δt)-xL,α(t) (6)
同时为避免大功率电器在充放电过程中被错误检测,上述识别函数还需同 时满足以下约束:|ΔxL,α(t)|≥η(7)
Durmin≤|t+-t-|≤Durmax (9)
其中,t+,t-表示xL,α中的上升边缘和下降边缘;
S5、在充电负荷模板中,可供选择的额定功率模板适量表达式为:
S=[s1,...,sM] (11)
同时充电的开始和结束时间表达式为:Einterval=(tstart,tend) (12)
则根据表达式11和12可知,可选择的充电负荷模式表达式为:
xopt=(S·E)M×N (13)
上式中N为Einterval的维度,M为可供选择的模板适量的个数;
则根据表达式13可得充电负荷模板的矩阵表达式为:
xopt,i=[sei,1,...,sei,j,...,sei,N] (14);
同时根据步骤S3可得特征分量的矩阵表达式为:
xL,α=[a1,..,at,...,aT]1xT其中T=1440; (15)
则根据表达式14和15可得特征分量与充电负荷模板之间的相似距离矩阵 为:O=[d1,1,...,dt,j,...,dT,N] (16)
dt,j=(at-sei,j)2 (17);
S6、确定动态时间规整方法采用的规整函数为:W=[w1,...,wτ,...,wk]; (18)
其中k满足以下约束max(T,N)≤k≤T+N-1;
所述规整函数中wτ=(tτ,jτ)∈{1,2,...,t}×{1,2,...,j} (19)
其中表达式19的边界约束为:w1=(1,1);wk=(T,N) (20)
结合步骤S3中的充电开始和结束时间,运用动态时间规整算法从步骤S4 中的相似距离矩阵中搜索最优路径,完成电动汽车充电负荷模式的提取。
Claims (10)
1.一种非侵入式电动汽车充电负荷模式提取方法,其特征在于,包括以下步骤:
S1、采集居民电表数据,并采用以鲁棒局部加权回归作为平滑方法的时间序列分解法从上述数据中提取低频趋势分量;
S2、利用离散小波变换对步骤S1中获取的低频趋势分量进行离散分解,并获取与电动汽车充电负荷相关的特征分量;
S3、根据功率采样点的高阶差识别充电负荷边缘,进而确定电动汽车充电的开始和结束时间;
S4、结合步骤S3中的充电开始和结束时间匹配特征分量与充电负荷模板,并得出特征分量和充电负荷模板之间的相似距离矩阵;
S5、运用动态时间规整算法从步骤S4中的相似距离矩阵中搜索最优路径,完成电动汽车充电负荷模式的提取。
2.根据权利要求1所述的一种非侵入式电动汽车充电负荷模式提取方法,其特征在于:所述步骤S1中时间分解法处理后的智能电表数据表示为:xt=xtr,t+xse,t+xre,t t=1,...,T其中xtr,t通常是低频趋势分量;xse,t描述信号的周期性特征;xre,t描述高频趋势分量,所述低频趋势分量为xtr=[xtr,t,...,xtr,T]。
3.根据权利要求1所述的一种非侵入式电动汽车充电负荷模式提取方法,其特征在于:所述步骤S1中时间序列分解法包括提取低频趋势分量和周期分量的内环运算和用于调整内环运算参数权重的外环运算,其中内环运算包括以下步骤:
S21、以xtr(k)和xse(k)作为趋势,并设定xtr(1)=0,从智能电表数据中删除趋势分量可得:xdt=x-xtr(k);
S22、对步骤S21中的xdt执行LOESS回归,得到长度为(T+2Tse)的序列c(k+1),其中,Tse为xse中一段时间内的样本数目;
S23、执行移动平均长度Tse,并采用LOESS回归获得序列l(k+1);
S24、移除趋势和周期分量,xse(k+1)=c(k+1)-l(k+1),xsd(k+1)=x-xse(k+1);
S25、对xsd(k+1)执行LOESS获取xtr(k+1);
8.根据权利要求1所述的一种非侵入式电动汽车充电负荷模式提取方法,其特征在于:所述步骤S4中,特征分量与充电负荷模板的相似距离矩阵为:O=[d1,1,...,dt,j,...,dT,N],dt,j=(at-sei,j)2;所述充电负荷模板为xopt,i=[sei,1,...,sei,j,...,sei,N],其中xopt=(S·E)M×N,S=[s1,...,sM]表示M个可供选择的额定功率模板矢量,Einterval=(tstart,tend)为步骤S3中获得的充电开始和结束时间,N为Einterval的维度;
所述电动汽车充电负荷相关的特征分量为xL,α=[a1,..,at,…,aT]1xT,其中以1min作为采样时间间隔,则一天的采样数为T=1440。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269047.XA CN112394220B (zh) | 2020-11-13 | 2020-11-13 | 一种非侵入式电动汽车充电负荷模式提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269047.XA CN112394220B (zh) | 2020-11-13 | 2020-11-13 | 一种非侵入式电动汽车充电负荷模式提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112394220A CN112394220A (zh) | 2021-02-23 |
CN112394220B true CN112394220B (zh) | 2021-08-24 |
Family
ID=74600298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269047.XA Active CN112394220B (zh) | 2020-11-13 | 2020-11-13 | 一种非侵入式电动汽车充电负荷模式提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112394220B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113285448B (zh) * | 2021-05-25 | 2022-10-04 | 国网四川省电力公司电力科学研究院 | 一种电气化铁路非侵入式牵引负荷分解方法 |
CN114123185A (zh) * | 2021-11-25 | 2022-03-01 | 天津大学 | 基于ica-r的非侵入式电动汽车充电负荷识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
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 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 江苏林洋能源股份有限公司 | 一种具有自学习能力的非侵入式负荷辨识方法以及智能电表 |
Family Cites Families (1)
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 |
-
2020
- 2020-11-13 CN CN202011269047.XA patent/CN112394220B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
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 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 江苏林洋能源股份有限公司 | 一种具有自学习能力的非侵入式负荷辨识方法以及智能电表 |
Non-Patent Citations (1)
Title |
---|
"智能电网下基于负荷识别的居民电动汽车需求响应特性建模方法研究";梁海峰等;《现代电力》;20180628;1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN112394220A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112394220B (zh) | 一种非侵入式电动汽车充电负荷模式提取方法 | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
Singh et al. | Analysis co-sparse coding for energy disaggregation | |
KR20190054157A (ko) | 블라인드 신호 분리 방법과 구조, 음성 제어 시스템 및 전기 장치 어셈블리 | |
CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
CN108920868A (zh) | 基于智能电表数据的负荷辨识模型参数修正方法 | |
CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
CN110555787A (zh) | 基于改进粒子群算法的非入侵式负荷识别方法 | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
CN112560977A (zh) | 基于稀疏分类器阶层式算法的非侵入式负荷分解方法 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
Huang et al. | An online non-intrusive load monitoring method based on Hidden Markov model | |
Zheng et al. | Non-intrusive load monitoring based on the graph least squares reconstruction method | |
Henao et al. | Active power load modeling based on uncertainties for non intrusive load monitoring | |
Liu et al. | A review of nonintrusive load monitoring and its application in commercial building | |
CN106503290B (zh) | 一种基于pls-svm的通用单相谐波负荷建模方法 | |
CN114355275A (zh) | 电能表负荷监测方法、系统、装置及计算机可读存储介质 | |
Li et al. | A training-free non-intrusive load monitoring approach for high-frequency measurements based on graph signal processing | |
CN115342904A (zh) | 一种基于多信息融合的变压器振动基频幅值预测方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN113949265A (zh) | 具有不确定参数的Buck型变换器自适应反步控制方法 | |
Yikun et al. | Classification method of voltage sag sources based on sequential trajectory feature learning algorithm | |
Wang et al. | Identification of power quality disturbance characteristic based on deep learning |
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 |