CN112560908A - 一种云端协同的负荷辨识系统及方法 - Google Patents

一种云端协同的负荷辨识系统及方法 Download PDF

Info

Publication number
CN112560908A
CN112560908A CN202011395279.XA CN202011395279A CN112560908A CN 112560908 A CN112560908 A CN 112560908A CN 202011395279 A CN202011395279 A CN 202011395279A CN 112560908 A CN112560908 A CN 112560908A
Authority
CN
China
Prior art keywords
load
library
data
characteristic
load 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.)
Pending
Application number
CN202011395279.XA
Other languages
English (en)
Inventor
刘兴奇
祝恩国
邹和平
林繁涛
雷民
徐英辉
陈昊
巫钟兴
张宇鹏
朱子旭
韩月
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 Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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 Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN202011395279.XA priority Critical patent/CN112560908A/zh
Publication of CN112560908A publication Critical patent/CN112560908A/zh
Priority to PCT/CN2022/075039 priority patent/WO2022111741A1/zh
Priority to US17/759,769 priority patent/US11841387B2/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种云端协同的负荷辨识系统及方法，属于负荷辨识技术领域。本发明系统，包括：智能物联电能表模组，确定未完成匹配的特征对应的负荷特征数据；用采信息前置/采集模组，将未完成匹配的特征对应的负荷特征数据作为待协同处理的负荷特征数据传输至主站负荷辨识模组；主站负荷辨识模组，完成待识别特征数据与负荷特征库的匹配。本发明实现了本地智能物联网电能表等负荷识别装置在线识别未知设备功能，强化了设备的负荷识别能力。

Description

一种云端协同的负荷辨识系统及方法
技术领域
本发明涉及负荷辨识技术领域，并且更具体地，涉及一种云端协同的负荷辨识系统及方法。
背景技术
居民侧用电设备负荷识别是智能电网研究的一个重要方向，用户的用电设备存在种类繁多、设备规模庞大、各设备负荷特征差异大等特点。目前在用户侧安装的主流电能表只实现了总用电量的计量功能，并未实现按用电设备性质进行分类电量计量功能。当能够分析出家庭详细的能效构成信息，为各个用电设备的用电时段及用电量构成提出节能建议，使用户及时了解具体用电设备的用能状况，从而引导用户自主采取节能措施，为用户降低电费支出，进而有效降低能源的消耗和不合理浪费，实现节能降耗效果，因此居民用户负荷识别技术具有重要的研究意义。
负荷识别一般分为侵入式负荷识别和非侵入式负荷识别技术，侵入式负荷识别技术，需要针对用户的每类负荷或者重点用电设备进行单独计量，这种方式需要安装大量的硬件设备，在安装、维护及信息处理等方面需消耗大量的成本，经济效益差，这是难以大规模推广普及的重要原因。
非侵入式负荷识别方法，只需在用户的电力总表处安装带负荷识别的设备进行用电数据如电压、电流的采集，基于本地的辨识算法与负荷特征库进行负荷辨识，从而分析出家庭内所有负荷的状态。此方式无需硬件的安装及维护、降低了成本、更易于实现。
目前随着居民用户的负荷识别试点及推广，已经有不少本地侧负荷识别的设备在居民用户家庭部署，在实际使用过程中发现负荷识别设备一般要事先经过样本数据训练或学习过程；部分算法效率低，负荷辨识的实时性难以保证；由于电气设备种类繁多，工况复杂，比较难找到一种算法精确识别各个电器等情况。由于设备自身性能有限，本地负荷特征库在部署后不能及时更新，只能识别部分电器设备，且当用户接入新设备后往往无法正确识别，这对设备的使用场景带来很大局限性，因此需要考虑采用一种方法来解决本地负荷识别设备的在线识别及同步问题。
发明内容
针对上述问题，本发明提出了一种云端协同的负荷辨识系统，包括：
智能物联电能表模组，所述智能物联电能表模组识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与负荷特征库进行匹配，确定未完成匹配的特征对应的负荷特征数据；
用采信息前置/采集模组，所述用采信息前置/采集模组调用未完成匹配的特征对应的负荷特征数据，并将未完成匹配的特征对应的负荷特征数据作为待协同处理的负荷特征数据传输至主站负荷辨识模组；
主站负荷辨识模组，所述主站负荷辨识模组导入待协同处理的负荷特征数据，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配，当匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
可选的，完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
可选的，负荷特征库，包括个性化负荷特征库和通用负荷特征库。
可选的，主站负荷辨识模组，包括：
数据导入/导出组件，导入待协同处理的负荷特征数据；
模组分类与验证组件，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配；
云端辨识组件，确定当使用的预设的负荷特征提取算法与智能物联电能表模组匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
可选的，智能物联电能表，包括多个非介入式负荷辨识模组；
所述非介入式辨识模组，具备通用负荷特征库、个性化负荷特征库、通用负荷处理单元和本地负荷辨识单元；
所述通用负荷特征库是固化的本地特征库信息，记录多种设备的负荷特征数据；
所述个性化负荷特征库记录匹配的用户的负荷特征数据及设备信息；
所述通用负荷处理单元实时采集处理用户侧电力信息数据，根据设备运行的实时采样电压电流变化值来判断设备的开启时间点及暂态及稳态阶段的负荷的时间区间，提取通用负荷特征数据；
所述本地负荷辨识单元具有负荷特征量提取算法，并依据提本地负荷辨识单元取特征量信息，并匹配个性化负荷特征库或通用负荷特征库。
本发明还提出了一种云端协同的负荷辨识的方法，包括：
识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与个性化负荷特征库进行匹配；
若对提取的特征与负荷特征库进行匹配，若匹配失败，使用通用负荷特征库进行匹配，若匹配成功将提取的特征导入个性化负荷特征库，若匹配失败，对提取的特征使用通用负荷数据处理单元进行特征提取；
对提取后的特征使用云端协同组件及模组分类与元整组件进行处理，处理完成后，使用负荷数据特征库对提取的特征进行识别，获取识别结果并进行登记；
根据识别库选择识别结果的最优选择特征，将最优选择特征导入个性化特征库。
可选的，完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
可选的，负荷特征库，包括个性化负荷特征库和通用负荷特征库。
本发明实现了本地智能物联网电能表等负荷识别装置在线识别未知设备功能，强化了设备的负荷识别能力；
本发明基于云端强大的计算能力，能降低等本地端负荷识别设备的性能和存储容量要求，有效降低硬件成本，当设备量非常大的情况下将带来可观的经济效益。
本发明主站集中了海量的负荷数据，能够更加精准的开展负荷识别学习和算法的研究及改进，易形成良性循环，增强主站负荷识别能力。
附图说明
图1为本发明一种云端协同的负荷辨识系统结构图；
图2为本发明一种云端协同的负荷辨识方法流程图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种云端协同的负荷辨识系统，如图1所示，包括：
智能物联电能表模组，所述智能物联电能表模组识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与负荷特征库进行匹配，确定未完成匹配的特征对应的负荷特征数据；
用采信息前置/采集模组，所述用采信息前置/采集模组调用未完成匹配的特征对应的负荷特征数据，并将未完成匹配的特征对应的负荷特征数据作为待协同处理的负荷特征数据传输至主站负荷辨识模组；
主站负荷辨识模组，所述主站负荷辨识模组导入待协同处理的负荷特征数据，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配，当匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
负荷特征库，包括个性化负荷特征库和通用负荷特征库。
主站负荷辨识模组，包括：
数据导入/导出组件，导入待协同处理的负荷特征数据；
模组分类与验证组件，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配；
云端辨识组件，确定当使用的预设的负荷特征提取算法与智能物联电能表模组匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
智能物联电能表，包括多个非介入式负荷辨识模组；
非介入式辨识模组，具备通用负荷特征库、个性化负荷特征库、通用负荷处理单元和本地负荷辨识单元；
通用负荷特征库是固化的本地特征库信息，记录多种设备的负荷特征数据；
个性化负荷特征库记录匹配的用户的负荷特征数据及设备信息；
通用负荷处理单元实时采集处理用户侧电力信息数据，根据设备运行的实时采样电压电流变化值来判断设备的开启时间点及暂态及稳态阶段的负荷的时间区间，提取通用负荷特征数据；
本地负荷辨识单元具有负荷特征量提取算法，并依据提本地负荷辨识单元取特征量信息，并匹配个性化负荷特征库或通用负荷特征库。
主站负荷辨识模组由数据导入/导出组件、模组分类与验证组件、云端辨识组件构成。
模组分类与验证组件实现主站对上传特征量数据定向处理，数据清洗、垃圾筛选等功能，识别智能电表当前模组对应的本地负荷识别算法，不同算法具备个性化的数据处理策略。
云端辨识组件针对主站具备的算法集进行轮询处理，当某种算法具备与负荷特征量匹配识别设备类型情况下，当前匹配信息登记于识别库中，完成轮询主站算法集后，云端辨识组件识别出目前识别库的最优解，最优解的选择策略可基于算法库中算法优先级以及匹配设备类型最多解等方法，匹配的特征量信息通过云端协同组件下发智能电能表，并更新电能表个性化特征库。
采用数据导入/导出组件可实现主站负荷辨识模组导入及导出特征量库数据及更新负荷识别算法，扩展主站的负荷识别能力。
用采信息前置/采集设备是集成通讯网络及数据传输的设备及服务，可通过以太网、4G无线网等网络与主站的采集信息前置服务通讯，交换负荷识别特征量数据。
智能物联电能表是具备负荷识别功能的电能计量单元，集成非侵入式负荷辨识模组，具备识别出用户电器设备负荷功能。
其中非侵入式负荷辨识模组由通用负荷特征库、个性化负荷特征库、通用负荷处理单元、本地负荷辨识单元构成。非侵入式负荷辨识模组因为不同厂商的负荷识别算法的差异存在不同的非侵入式负荷辨识模组。但具体到个智能物联电能表只配置其中一种非侵入式负荷辨识模。
通用负荷特征库是固化的本地特征库信息，记录多种设备的特征量信息，在设备运行阶段通用负荷特征库一般固定不变，不同设备厂商间因负荷识别算法的差异因此通用负荷特征库在不同厂商设备间存在差异性。
个性化负荷特征库是记录匹配的用户的特征量及设备信息，在设备安装在用户侧后会分析用户电器的负荷特征并匹配负荷识别特征量，进一步通过特征量及特定的本地算法匹配识别用电设备，当前的用电设备及特征量存储于个性化负荷特征库中，这样当运行一段时间后个性化负荷特征库可记录家庭用户所有设备的负荷识别特征库信息。
通用负荷处理单元是实时采集处理用户侧电力信息数据，可根据设备运行的实时采样电压电流变化值来判断设备的开启时间点及暂态及稳态阶段的负荷的时间区间，可提取通用特征量以提交主站协同识别。
本地负荷辨识单元是负荷特征量提取算法，并依据提本地负荷辨识单元取特征量信息，并匹配个性化负荷特征库或通用负荷特征库，在本地匹配失败情况下可与主站协同处理由主站协助匹配设备的特征量信息，在获取主站成功匹配的特征量的相关用电设备信息后录入个性化负荷特征库。
本发明还提出了一种云端协同的负荷辨识的方法，如图2所示，包括：
识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与个性化负荷特征库进行匹配；
若对提取的特征与负荷特征库进行匹配，若匹配失败，使用通用负荷特征库进行匹配，若匹配成功将提取的特征导入个性化负荷特征库，若匹配失败，对提取的特征使用通用负荷数据处理单元进行特征提取；
对提取后的特征使用云端协同组件及模组分类与元整组件进行处理，处理完成后，使用负荷数据特征库对提取的特征进行识别，获取识别结果并进行登记；
根据识别库选择识别结果的最优选择特征，将最优选择特征导入个性化特征库。
完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
负荷特征库，包括个性化负荷特征库和通用负荷特征库。
本发明实现了本地智能物联网电能表等负荷识别装置在线识别未知设备功能，强化了设备的负荷识别能力；
本发明基于云端强大的计算能力，能降低等本地端负荷识别设备的性能和存储容量要求，有效降低硬件成本，当设备量非常大的情况下将带来可观的经济效益。
本发明主站集中了海量的负荷数据，能够更加精准的开展负荷识别学习和算法的研究及改进，易形成良性循环，增强主站负荷识别能力。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种云端协同的负荷辨识系统，所述系统包括：
智能物联电能表模组，所述智能物联电能表模组识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与负荷特征库进行匹配，确定未完成匹配的特征对应的负荷特征数据；
用采信息前置/采集模组，所述用采信息前置/采集模组调用未完成匹配的特征对应的负荷特征数据，并将未完成匹配的特征对应的负荷特征数据作为待协同处理的负荷特征数据传输至主站负荷辨识模组；
主站负荷辨识模组，所述主站负荷辨识模组导入待协同处理的负荷特征数据，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配，当匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
2.根据权利要求1所述的系统，所述完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
3.根据权利要求1所述的系统，所述负荷特征库，包括个性化负荷特征库和通用负荷特征库。
4.据权利要求1所述的系统，所述主站负荷辨识模组，包括：
数据导入/导出组件，导入待协同处理的负荷特征数据；
模组分类与验证组件，对待处理的负荷特征数据进行数据定向处理，获取待识别特征数据，对待识别数据识别智能物联电能表模组，使用的预设的负荷特征提取算法类型，确定使用的预设的负荷特征提取算法与智能物联电能表模组是否匹配；
云端辨识组件，确定当使用的预设的负荷特征提取算法与智能物联电能表模组匹配时，对匹配信息进行存储并选择待识别特征数据的匹配最优匹配策略，根据最优匹配策略，识别待识别特征数据与负荷特征库的最优匹配解，并完成待识别特征数据与负荷特征库的匹配。
5.据权利要求1所述的系统，所述智能物联电能表，包括多个非介入式负荷辨识模组；
所述非介入式辨识模组，具备通用负荷特征库、个性化负荷特征库、通用负荷处理单元和本地负荷辨识单元；
所述通用负荷特征库是固化的本地特征库信息，记录多种设备的负荷特征数据；
所述个性化负荷特征库记录匹配的用户的负荷特征数据及设备信息；
所述通用负荷处理单元实时采集处理用户侧电力信息数据，根据设备运行的实时采样电压电流变化值来判断设备的开启时间点及暂态及稳态阶段的负荷的时间区间，提取通用负荷特征数据；
所述本地负荷辨识单元具有负荷特征量提取算法，并依据提本地负荷辨识单元取特征量信息，并匹配个性化负荷特征库或通用负荷特征库。
6.一种云端协同的负荷辨识方法，所述方法包括：
识别用户电器设备的负荷特征数据，并对负荷特征数据以预设的负荷特征提取算法进行特征提取，对提取的特征与个性化负荷特征库进行匹配；
若对提取的特征与负荷特征库进行匹配，若匹配失败，使用通用负荷特征库进行匹配，若匹配成功将提取的特征导入个性化负荷特征库，若匹配失败，对提取的特征使用通用负荷数据处理单元进行特征提取；
对提取后的特征使用云端协同组件及模组分类与元整组件进行处理，处理完成后，使用负荷数据特征库对提取的特征进行识别，获取识别结果并进行登记；
根据识别库选择识别结果的最优选择特征，将最优选择特征导入个性化特征库。
7.据权利要求6所述的方法，所述完成待识别特征数据与负荷特征库的匹配后，将待识别特征数据录入负荷数据库。
8.据权利要求6所述的方法，所述负荷特征库，包括个性化负荷特征库和通用负荷特征库。
CN202011395279.XA 2020-11-30 2020-11-30 一种云端协同的负荷辨识系统及方法 Pending CN112560908A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011395279.XA CN112560908A (zh) 2020-11-30 2020-11-30 一种云端协同的负荷辨识系统及方法
PCT/CN2022/075039 WO2022111741A1 (zh) 2020-11-30 2022-01-29 一种云端协同的负荷辨识系统及方法
US17/759,769 US11841387B2 (en) 2020-11-30 2022-01-29 Cloud-end collaborative system and method for load identification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011395279.XA CN112560908A (zh) 2020-11-30 2020-11-30 一种云端协同的负荷辨识系统及方法

Publications (1)

Publication Number Publication Date
CN112560908A true CN112560908A (zh) 2021-03-26

Family

ID=75047404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011395279.XA Pending CN112560908A (zh) 2020-11-30 2020-11-30 一种云端协同的负荷辨识系统及方法

Country Status (3)

Country Link
US (1) US11841387B2 (zh)
CN (1) CN112560908A (zh)
WO (1) WO2022111741A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022111741A1 (zh) * 2020-11-30 2022-06-02 中国电力科学研究院有限公司 一种云端协同的负荷辨识系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105186693A (zh) 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN106124852A (zh) 2016-06-13 2016-11-16 国网天津宝坻供电有限公司 非侵入式负荷监测系统
CN109001528B (zh) * 2018-06-14 2020-10-16 国网江苏省电力有限公司电力科学研究院 一种非侵入式分项计量采集系统
US11676063B2 (en) * 2019-03-28 2023-06-13 International Business Machines Corporation Exposing payload data from non-integrated machine learning systems
CN109870600B (zh) * 2019-04-04 2021-07-02 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及智能电表
CN110672934A (zh) 2019-08-23 2020-01-10 北京中电飞华通信股份有限公司 一种非侵入式负荷辨识方法、终端及系统
CN111830345A (zh) * 2020-07-11 2020-10-27 中国电力科学研究院有限公司 一种非介入式负荷辨识测试方法及系统
CN112051462A (zh) * 2020-07-24 2020-12-08 南京航灵信息科技有限公司 基于大数据的负荷分解实现方法及系统
CN112560908A (zh) * 2020-11-30 2021-03-26 中国电力科学研究院有限公司 一种云端协同的负荷辨识系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022111741A1 (zh) * 2020-11-30 2022-06-02 中国电力科学研究院有限公司 一种云端协同的负荷辨识系统及方法
US11841387B2 (en) 2020-11-30 2023-12-12 China Electric Power Research Institute Cloud-end collaborative system and method for load identification

Also Published As

Publication number Publication date
WO2022111741A1 (zh) 2022-06-02
US20230070173A1 (en) 2023-03-09
US11841387B2 (en) 2023-12-12

Similar Documents

Publication Publication Date Title
CN110350528B (zh) 一种低压台区拓扑自动辨识方法
CN110991263B (zh) 一种抗背景负荷干扰的非入侵式负荷识别方法及系统
CN104022552B (zh) 一种用于电动汽车充电控制的智能检测方法
CN106443244B (zh) 用电设备类型辨识方法和系统
CN111090643B (zh) 一种基于数据分析系统下的海量用电数据挖掘方法
CN115423009A (zh) 一种面向云边协同的电力设备故障识别方法及系统
CN110968703B (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统
CN112804111B (zh) 一种具有台区拓扑识别功能的4g通信单元及识别方法
CN114977176B (zh) 电力负荷分解方法、装置、设备及存储介质
CN103018611B (zh) 一种基于电流分解的非侵入式负载监测方法及系统
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN109495355A (zh) 智慧家庭能源路由器
CN112560908A (zh) 一种云端协同的负荷辨识系统及方法
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
CN102323975B (zh) 基于iec61850模型文件的报文正确性判别方法
CN112615428A (zh) 一种线损分析治理系统及方法
CN117639263A (zh) 基于智能融合终端的电能质量监测与分析方法
CN112051462A (zh) 基于大数据的负荷分解实现方法及系统
CN107016066A (zh) 一种电网模型建模过程中测点匹配方法及装置
CN112182499A (zh) 一种基于时序电量数据的低压配电网拓扑结构辨识方法
CN104182818A (zh) 一种变电站信息智能自动采集的方法及系统
CN110719445A (zh) 一种基于图像识别的远程抄表系统及方法
CN113985266B (zh) 多智能电表集中化负荷识别方法
CN115146744A (zh) 一种融合时间特征的电能表负荷实时辨识方法、识别系统

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