CN113971371B - 一种末端电网用户设备辨识、安全管控方法 - Google Patents
一种末端电网用户设备辨识、安全管控方法 Download PDFInfo
- Publication number
- CN113971371B CN113971371B CN202111272114.8A CN202111272114A CN113971371B CN 113971371 B CN113971371 B CN 113971371B CN 202111272114 A CN202111272114 A CN 202111272114A CN 113971371 B CN113971371 B CN 113971371B
- Authority
- CN
- China
- Prior art keywords
- socket
- state
- total
- branch
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 235000015076 Shorea robusta Nutrition 0.000 claims 2
- 244000166071 Shorea robusta Species 0.000 claims 2
- 230000002194 synthesizing effect Effects 0.000 claims 2
- 230000005611 electricity Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种末端电网用户设备辨识、安全管控方法，本发明属于机器学习和电力负荷分解技术领域。本发明首先采用末端网络的插座开关和负荷计量数据采集技术，获得某些用电器电力负荷特征的样本数据，并逐一建立所在开关支路所有主要电器的负荷特征样本数据库。在实际工作状态时，在电力负荷开关处计量采集的是整条支路的汇总数据，采用负荷分解辨识算法，当每种电器开启时都进行设备的辨识；确定支路上是否有新电器接入，是否属于正常用电状态。本发明同时还可以采用不同的组合方法对支路电器设备工作状态进行辨识，提高了用电设备工作场景状态的辨识准确度，并通过实际样例测试决策算法的效果。
Description
技术领域
本发明涉及一种电网用户设备辨识、安全管控方法，具体涉及一种基于智能空气开关和插座的末端电网用户设备辨识、安全管控方法。
背景技术
随着社会经济的发展，终端用电占比，尤其是工业用电占比和城乡居民生活用电占比近年来在稳步增加。除此之外，智能电网的末端发展也是当今时代的重头戏。智能化用电终端是时代发展的必然结果，它有助于改善人民生活，提高居民生活用电比例，提升用电效益。智能化用电终端中所必备的一项技术就是负荷分解，该项技术是利用电力关键节点处的负荷信息对该节点下游包含的所有用电设备或用电区域进行运行状态监测和状态分解。
由于非侵入式负荷分解的精度一直有所欠缺，导致很难实际应用。而在如今智能家居快速发展的背景下，新型的基于智能空气开关和插座的负荷分解可以进一步地应用到实际生活中。
发明内容
本发明针对现有技术的不足，提出了一种末端电网用户设备辨识、安全管控方法。
本发明所公开的体系结构局限于安装智能插座以及智能空气开关的家庭内。智能插座联网后可以上传插座自带开关状态；智能空气开关联网可以上传该家庭总负荷特征。本发明的前提假设是，智能插座上所连接电器不会频繁变动。绝大部分家庭大功率电器基本位置不会变动，该假设是合理的。
在上述应用场景下，本发明功能分为两部分；
第一部分，空气开关处采集的总负荷特征和智能插座采集的开关状态上传至云端。云端利用递归查询策略构建插座的支路负荷特征集；
第二部分，利用空气开关处采集获得的总负荷特征与智能插座开关状态作为先验知识，使用开关先验的因子隐马尔科夫模型进行负荷分解，获得各插座的支路负荷。通过比较插座支路负荷特征集与分解获得的支路负荷结果，判断电器运行状态。分解所得运行状态若不在插座特征集里，跟据后续时间内同开关状态下该运行状态是否重复发生，进行安全管控。
因子隐马尔科夫模型(FHMM)是HMM的扩展，该模型系统存在着多条马尔可夫链，每根链都由该链所含隐状态构成，所有链共同构建因子网络。隐状态序列不能被直接观测，只有观测序列可直接被观测，观测序列由时长T个观测向量组成，每个观测向量都是通过以隐状态为条件的概率密度分布表现，每一个观测向量都是由隐状态序列遵循发射概率分布产生的结果，而隐状态序列由转移概率进行构造。
本发明还提供了一种面向安全智能家庭的插座指纹系统，该系统总体而言分为两个集合，分别为支路负荷特征集和异常运行特征集。
所述支路负荷特征集对每个家庭是独立的，应能够展示每个插座支路的有功功率，无功功率，功率因数和谐波含量特征。特征集具体应包含有功功率和无功功率特征隐状态转移概率，以及遵循正态分布的两个发射概率，分别指向有功功率和无功功率。除此之外，每个隐状态对应一个功率因数和一系列谐波含量。
所述异常运行特征集是公用的，在云端不断丰富的，它将记录整个系统中每一次功率异常时的功率和谐波特征。同时，按照开关型负荷异常、有限状态型负荷异常以及周期状态型负荷异常进行分类。
一种末端电网用户设备辨识、安全管控方法，该方法具体包括以下步骤：
步骤1：空气开关处采集的总负荷特征和智能插座采集的开关状态上传至云端；云端利用递归查询策略构建插座的支路负荷特征集；支路负荷集包括功率上升沿及下降沿，功率因数和谐波含量特征；
步骤2：利用空气开关处采集获得的总负荷特征与智能插座开关状态作为先验知识，总有功功率和总无功功率使用开关先验的因子隐马尔可夫模型进行负荷分解，获得各插座的支路负荷；分解后校验功率因数和谐波特征，确定支路状态；通过比较插座支路负荷特征集与分解获得的支路负荷结果，判断电器运行状态；分解所得运行状态若不在插座特征集里，跟据后续时间内同开关状态下该运行状态是否重复发生，进行安全管控。
作为优选，所述的步骤1具体包括以下子步骤：
步骤1.1：空气开关处采集的总负荷特征必须包括总有功功率，总视在功率；可以包括总功率因数，总谐波含量；智能插座必须采集开关信息；
步骤1.2：空气开关及智能插座采集信息通过无线网络上传至云端；
步骤1.3：云端根据所收集数据，构建历史数据库，并查询分析历史数据库时间序列；
步骤1.4：在某时间段内，首先搜寻只有单个插座开启的时间段，构建插座集和X1,搜寻除X1外只有单个插座开启的时间的插座集合,直到X1∪…∪Xn＝X,特征集构建结束。
作为优选，所述的步骤2包括以下子步骤：
步骤2.1：每隔一个时间周期，收集待分析时间段总负荷特征进行分解；
步骤2.2：结合步骤1中建立的各个插座的用支路负荷特征集，对总功率构建因子隐马尔可夫模型，每个插座的有功功率和无功功率双特征共同构成该插座的马尔可夫链；
步骤2.3：结合步骤1中建立的各个插座的用支路负荷特征集，对采集的开关序列进行匹配；当插座开关为开时，对应插座HMM序列沉默，将转移矩阵所有元素置为0，即在此期间不再允许该HMM序列转换隐状态；当插座开关为开时，对应插座HMM序列激活，将转移矩阵还原为特征集中存放的矩阵数据；
步骤2.4：在上述开关先验的基础上，进行维特比算法：对于已知总负荷观测负荷量求各链隐状态的问题，看成求取后验概率最大，即：
式(1)中，X代表隐状态，O代表观测值，S代表具体的隐状态值；求取后验概率转换为了求取X和O的联合概率最大，式(2)给出该联合概率求取方法：
其中Xt代表t时刻隐状态，Ot代表代表t时刻观测值；
由于FHMM各条链具有概率独立性，将所有链所有隐状态合成为总隐状态，合成后总隐状态数Nall为所有链的隐状态数Ni的相乘；且第jall个状态代表每条链第ji个状态，将jall与第i条链和第i条链之后所有状态数相乘所得结果求余获得ji；
其中：
将(2)式式的最大值求取进一步简化为一个前向递推过程：
需要注意的是，在前向递推式(4)(5)中，需要保留Viterbi路径，保存每个时刻的每个状态的上一个状态中最大概率的状态，即
全局优化目标转换为得到T时刻的最大概率组合/>后，接着根据式(6)所保存的最大概率状态路径进行回溯，即已知T时刻最大概率隐状态搜寻T-1时刻对应路径，以此类推，找到得到最优状态序列：
步骤2.5：建立的各个插座的用支路负荷特征集中的发射概率，使用拉格朗日乘子法推断各插座观测值，即有功功率和无功功率；用如下表示：
目标函数：
约束条件：
目标函数是隐状态条件下观测值的条件概率，并拥有两个约束；所有隐马尔科夫链的观测值之和等于总体观测值，且所有观测值应大于零；则拉格朗日目标函数为：
KKT条件为；
步骤2.6：结合步骤1中建立的各个插座的用支路负荷特征集和步骤2.4获得的隐状态，匹配功率因数和谐波含量与计算是否接近；研究辨识推断谐波含量结果和总特征谐波含量之间的距离，距离过大则表示谐波含量异常；
式(9)中d为距离，n为设备编号，F为组合工作状态实际测得的谐波率，fn为设备单独工作时的平均谐波率；
步骤2.7：分解后对于不在支路负荷特征集的数据，需要首先根据本身特性匹配异常运行特征集，若属于异常运行范围直接进行安全报警；若不属于异常运行范围，等待下一次是否重复出现该数据特征，判断是否为新电器/新状态加入该插座支路负荷特征集；若不在异常运行范围且当天并未重复出现，则予以标记并报告户主，经过确认为异常状态后，收录异常运行特征集中。
本发明的有益效果是：本发明首先面对家庭用电习惯具有针对性地进行负荷监控和安全分析。有效利用了当前智能家居环境，相较于传统非侵入式负荷分解提供更为精准的负荷判定服务。进一步的，对所有末端电网均可使用本模型。
该体系结构可以应用于多种用途，例如，家庭负荷用电安全监控，对异常用电予以报警，避免发生短路断路等险情；家长用于管理孩子娱乐时间，可以远程关闭游戏设备；用于小型工厂加工时间安排，根据峰谷电价远程调整工厂机器运行时间等等。
为了实现上述及相关目的，本文结合下面的描述和附图来描述某些说明性方面。这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。结合附图阅读下面的详细描述，其他优点和新颖特征将变得显而易见。
附图说明
图1是本发明实施例中构建插座支路负荷特征样本数据集方法的原理示意图；
图2是本发明实施例中四个插座的开关状态随时间轴变化示意图；
图3是本发明实施例中基于开关先验因子隐马尔可夫的末端电网用户设备辨识、安全管控方法原理示意图；
图4是本发明实例中四插座实验对应总功率图；
图5是本发明实例中四插座实验分解结果及安全判定结果图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明的一种末端电网支路特征辨识的实施例。
本发明的末端电网支路特征辨识方法采用递归查询策略构建插座的支路负荷特征集。如图3所示，通过开关先验的因子隐马尔可夫模型对四路支路插座特征进行分解，提高了辨识的准确度，并通过实际样例测试决策算法的效果。该方法的具体实施过程如下：
步骤1：空气开关处采集的总负荷特征和智能插座采集的开关状态上传至云端。云端利用递归查询策略构建插座的支路负荷特征集。支路负荷集包括功率上升沿及下降沿，功率因数和谐波含量特征。该插座所接用电器的其具体实现如图1所示包括以下子步骤：
步骤1.1：空气开关处采集的总负荷特征必须包括总有功功率，总视在功率，可以包括总功率因数，总谐波含量。智能插座必须采集开关信息。
步骤1.2：空气开关及智能插座采集信息通过无线网络上传至云端。
步骤1.3：云端根据所收集数据，构建历史数据库，并查询分析历史数据库时间序列。
步骤1.4：如图2所示，在某时间段内，首先搜寻只有单个插座开启的时间段，本实例中是(t0-t1)、(t6-t7)时间段，对应图1中的插座集合X1在本实例中是{插座1，插座3}。由于该时间段内只有单个插座开启，插座1支路负荷特征集等同于(t0-t1)时间段总负荷特征，插座3支路负荷特征集等同于(t6-t7)时间段总负荷特征。
步骤1.5：根据图1所示结束条件，因为X1≠X，所以继续循环，执行n＝n+1后，搜寻除X1外只有单个插座开启的时间，本实例中是(t1-t2)、(t4-t5)时间段，对应图1中的插座集合X2在本实例中是{插座1，插座3}。根据总负荷特征构建插座2，插座4相应特征集。下面以插座2为例讲解如何进行递归查询策略。统计(t1-t2)时间段内总功率上升沿下降沿，排除插座1支路负荷特征集中的上升沿下降沿，剩余的被归类在插座2路负荷特征集中。用插座2的有功功率除以视在功率，则其功率因数特征可以获得。谐波含量在本实例中简单考虑为因子和关系，则用总谐波含量减去插座1谐波含量可以获得插座2谐波含量。至此X1∪X2＝X，特征集构建结束。
步骤1.6：进一步地，剩余时间段是(t1-t2)和(t4-t5)，可以利用后文所述的负荷分解算法进行分解验证。
步骤2：利用空气开关处采集获得的总负荷特征与智能插座开关状态作为先验知识，总有功功率和总无功功率可以使用开关先验的因子隐马尔可夫模型进行负荷分解，获得各插座的支路负荷。分解后校验功率因数和谐波特征，确定支路状态。通过比较插座支路负荷特征集与分解获得的支路负荷结果，判断电器运行状态。分解所得运行状态若不在插座特征集里，跟据后续时间内同开关状态下该运行状态是否重复发生，进行安全管控。其具体实现包括以下子步骤：
步骤2.1：每隔一个时间周期，例如六个小时，收集待分析时间段总负荷特征进行分解。
步骤2.2：结合步骤1中建立的各个插座的用支路负荷特征集，对总功率构建因子隐马尔可夫模型，每个插座的有功功率和无功功率双特征共同构成该插座的马尔可夫链。
步骤2.3：结合步骤1中建立的各个插座的用支路负荷特征集，对采集的开关序列进行匹配。当插座开关为开时，对应插座HMM序列沉默，将转移矩阵所有元素置为0，即在此期间不再允许该HMM序列转换隐状态。当插座开关为开时，对应插座HMM序列激活，将转移矩阵还原为特征集中存放的矩阵数据。
步骤2.4：在上述开关先验的基础上，进行维特比算法：对于已知总负荷观测负荷量求各链隐状态的问题，可以看成求取后验概率最大，即：
式(1)中，Xt代表t时刻隐状态，Ot代表代表t时刻观测值，S代表具体的隐状态值。求取后验概率转换为了求取X和O的联合概率最大，式(2)给出该联合概率求取方法：
由于FHMM各条链具有概率独立性，将所有链所有隐状态合成为总隐状态，合成后总隐状态数Nall为所有链的隐状态数Ni的相乘。且第jall个状态代表每条链第ji个状态，将jall与第i条链之后(包含第i条链)所有状态数相乘所得结果求余获得ji。例如M1链包含和/>两个隐状态，M2链包含/>和/>两个隐状态，则总隐状态有2*2等于4个，分别为即：
其中：
根据上述表示方法将(2)式的最大值求取进一步简化为一个前向递推过程：
需要注意的是，在前向递推式(4)(5)中，需要保留Viterbi路径，保存每个时刻的每个状态的上一个状态中最大概率的状态，即
全局优化目标可以转换为得到T时刻的最大概率组合后，接着根据式(6)所保存的最大概率状态路径进行回溯，即已知T时刻最大概率隐状态搜寻T-1时刻对应路径，以此类推，找到得到最优状态序列：
步骤2.5：建立的各个插座的用支路负荷特征集中的发射概率，使用拉格朗日乘子法推断各插座观测值，即有功功率和无功功率。该问题可以用如下表示：
目标函数：
约束条件：
目标函数是隐状态条件下观测值的条件概率，并拥有两个约束。所有隐马尔科夫链的观测值之和等于总体观测值，且所有观测值应大于零(不考虑发电情况)。则拉格朗日目标函数为：
KKT条件为；
步骤2.6：结合步骤1中建立的各个插座的用支路负荷特征集和步骤2.4获得的隐状态，匹配功率因数和谐波含量与计算是否接近。研究辨识推断谐波含量结果和总特征谐波含量之间的距离，距离过大则表示谐波含量异常。
式(9)中d为距离，n为设备编号，F为组合工作状态实际测得的谐波率，fn为设备单独工作时的平均谐波率。
步骤2.7：分解后对于不在支路负荷特征集的数据，需要首先根据本身特性匹配异常运行特征集，若属于异常运行范围直接进行安全报警；若不属于异常运行范围，等待下一次是否重复出现该数据特征，可以判断是否为新电器/新状态加入该插座支路负荷特征集；若不在异常运行范围且当天并未重复出现，则予以标记并报告户主，经过确认为异常状态后，收录异常运行特征集中。
为了测试辨识决策算法的精度，本发明利用REDD数据集进行了数据辨识实验，分别对四个插座设备做了实验验证，并取得了很好的效果。
如图4，展示了总有功功率，其中黑色竖线代表开关动作。其分解结果如图5四张图所示，其中黑色竖线代表开关动作，插座2和插座4出现异常运行功率，在图5b和图5d中椭圆框定。经再次判断，插座2为算法误判，插座4为安全异常。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种末端电网用户设备辨识、安全管控方法，其特征在于，该方法具体包括以下步骤：
步骤1：将空气开关处采集的总负荷特征和智能插座采集的开关状态上传至云端；云端利用递归查询策略构建插座的支路负荷特征集；支路负荷特征集包括功率上升沿及下降沿，功率因数和谐波含量特征；
步骤2：利用空气开关处采集获得的总负荷特征与智能插座开关状态作为先验知识，总有功功率和总无功功率使用开关先验的因子隐马尔可夫模型进行负荷分解，获得各插座的支路负荷；分解后校验功率因数和谐波含量特征，确定支路状态；分解所得支路负荷结果若不在插座支路负荷特征集里，根据后续时间内同开关状态下运行状态是否重复发生，进行安全管控；
所述的步骤1具体包括以下子步骤：
步骤1.1：空气开关处采集的总负荷特征包括总有功功率，总视在功率、总功率因数，总谐波含量；智能插座采集开关信息；
步骤1.2：空气开关及智能插座采集信息通过无线网络上传至云端；
步骤1.3：云端根据所收集数据，构建历史数据库，并查询分析历史数据库时间序列；
步骤1.4：在某时间段内，首先搜寻只有单个插座开启的时间段，构建插座集合X1,搜寻除X1外只有单个插座开启的时间所对应的插座集合,直到X1∪…∪Xn＝X,特征集构建结束；其中，X表示智能插座集合；
所述的步骤2包括以下子步骤：
步骤2.1：每隔一个时间周期，收集待分析时间段总负荷特征进行分解；
步骤2.2：结合步骤1中建立的各个插座的支路负荷特征集，对总功率构建因子隐马尔可夫模型，每个插座的有功功率和无功功率双特征共同构成该插座的马尔可夫链；
步骤2.3：结合步骤1中建立的各个插座的支路负荷特征集，对采集的开关序列进行匹配；当插座开关为关时，对应插座HMM序列沉默，将转移矩阵所有元素置为0，即在此期间不再允许该HMM序列转换隐状态；当插座开关为开时，对应插座HMM序列激活，将转移矩阵还原为支路负荷特征集中存放的矩阵数据；
步骤2.4：在开关先验的基础上，进行维特比算法：对于已知总负荷观测负荷量求各链隐状态的问题，看成求取后验概率最大，即：
式(1)中，X代表隐状态，O代表观测值，S代表具体的隐状态值；求取后验概率转换为了求取X和O的联合概率最大，式(2)给出该联合概率求取方法：
其中Xt代表t时刻隐状态，Ot代表t时刻观测值；
将所有链所有隐状态合成为总隐状态，合成后总隐状态数Nall为所有链隐状态数Ni相乘的结果；且第jall个状态代表每条链第ji个状态，将jall与第i条链和第i条链之后所有隐状态数相乘所得结果求余获得ji；
将(2)式的最大值求取进一步简化为一个前向递推过程：
需要注意的是，在前向递推式(4)(5)中，需要保留Viterbi路径，保存每个时刻的每个状态的上一个状态中最大概率的状态，即
全局优化目标转换为得到T时刻的最大概率组合Sjall * max_prob(T)后，接着根据式(6)所保存的最大概率状态路径进行回溯，即已知T时刻最大概率隐状态搜寻T-1时刻对应路径，以此类推，找到得到最优状态序列：
Sjall * max_prob(1,2,...,T)；
步骤2.5：建立的各个插座的支路负荷特征集中的发射概率，使用拉格朗日乘子法推断各插座观测值，即有功功率和无功功率；用如下表示：
目标函数：
约束条件：
目标函数是隐状态条件下观测值的条件概率，并拥有两个约束；所有隐马尔科夫链的观测值之和等于总体观测值，且所有隐马尔科夫链的观测值应大于零；则拉格朗日目标函数为：
KKT条件为：
步骤2.6：结合步骤1中建立的各个插座的支路负荷特征集和步骤2.4获得的隐状态，判断功率因数和谐波含量与计算结果是否接近；研究辨识推断谐波含量结果和总特征谐波含量之间的距离，距离过大则表示谐波含量异常；
式(9)中d为距离，n为设备编号，F为组合工作状态实际测得的谐波率，fn为设备单独工作时的平均谐波率；
步骤2.7：分解后对于不在支路负荷特征集的数据，需要首先根据本身特性匹配异常运行特征集，若属于异常运行范围直接进行安全报警；若不属于异常运行范围，等待下一次是否重复出现该不在支路负荷特征集的数据，判断是否为新电器/新状态加入该插座支路负荷特征集；若不在异常运行范围且当天并未重复出现，则予以标记并报告户主，经过确认为异常状态后，收录异常运行特征集中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272114.8A CN113971371B (zh) | 2021-10-29 | 2021-10-29 | 一种末端电网用户设备辨识、安全管控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272114.8A CN113971371B (zh) | 2021-10-29 | 2021-10-29 | 一种末端电网用户设备辨识、安全管控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113971371A CN113971371A (zh) | 2022-01-25 |
| CN113971371B true CN113971371B (zh) | 2023-11-07 |
Family
ID=79589091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111272114.8A Active CN113971371B (zh) | 2021-10-29 | 2021-10-29 | 一种末端电网用户设备辨识、安全管控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971371B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006109389A (ja) * | 2004-10-08 | 2006-04-20 | Japan Nuclear Cycle Development Inst States Of Projects | 状態監視機能付き集合コンセント装置 |
| 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 |
| CN107394774A (zh) * | 2017-07-27 | 2017-11-24 | 广州瓦良格机器人科技有限公司 | 一种用电负荷分解融合辨识的方法与系统 |
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110212536A (zh) * | 2019-04-19 | 2019-09-06 | 国网浙江省电力有限公司绍兴供电公司 | 一种中压配电网联络开关状态识别方法 |
| CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
| CN110490760A (zh) * | 2019-07-24 | 2019-11-22 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
| CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
| CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
-
2021
- 2021-10-29 CN CN202111272114.8A patent/CN113971371B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006109389A (ja) * | 2004-10-08 | 2006-04-20 | Japan Nuclear Cycle Development Inst States Of Projects | 状態監視機能付き集合コンセント装置 |
| 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 |
| CN107394774A (zh) * | 2017-07-27 | 2017-11-24 | 广州瓦良格机器人科技有限公司 | 一种用电负荷分解融合辨识的方法与系统 |
| CN110212536A (zh) * | 2019-04-19 | 2019-09-06 | 国网浙江省电力有限公司绍兴供电公司 | 一种中压配电网联络开关状态识别方法 |
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110490760A (zh) * | 2019-07-24 | 2019-11-22 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
| CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
| CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
| CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
Non-Patent Citations (7)
| Title |
|---|
| 基于L_1范数和隐马尔可夫链的用电设备非侵入辨识方法研究;张志豪 等;《工业控制计算机》;20180731;第31卷(第07期);第160-162页 * |
| 基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析;陈思运 等;《电力系统自动化》;20161115;第40卷(第21期);第128-136页 * |
| 基于多源特征量的非侵入式厨房家电辨识研究;谢宏伟 等;《国外电子测量技术》;20180731;第37卷(第07期);第50-55页 * |
| 基于改进隐马尔科夫模型的非侵入式家居负荷识别;孙毅 等;《电力建设》;20200430;第41卷(第04期);第73-80页 * |
| 基于近邻传播聚类和遗传优化的非侵入式负荷分解方法;徐青山 等;《电工技术学报》;20180831;第33卷(第16期);第3868-3878页 * |
| 非介入式负荷辨识感知技术及其典型应用场景;陈骏星溆 等;《湖南电力》;20200430;第40卷(第02期);第68-73页 * |
| 非侵入式居民用电负荷分解方法研究;伏淇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第01期);第1-56页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113971371A (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160798B (zh) | 一种基于蜂群算法的非侵入式家电负荷识别方法 | |
| CN110133393B (zh) | 一种基于非侵入式监测技术的用电监测系统及方法 | |
| CN111564842B (zh) | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 | |
| CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
| CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN112215406B (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
| CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
| CN108767847B (zh) | 一种非侵入式用电负荷分解方法及装置 | |
| CN113177299A (zh) | 非侵入式电力负荷分解方法、装置、设备及介质 | |
| CN112909923A (zh) | 一种基于dtw算法的非侵入式家居负荷行为识别的装置 | |
| CN113971371B (zh) | 一种末端电网用户设备辨识、安全管控方法 | |
| CN109599952B (zh) | 一种基于4g通信技术的配电网监控管理系统及方法 | |
| CN108847665A (zh) | 一种非侵入式负荷分解方法及系统 | |
| CN109214545A (zh) | 一种基于人类行为的负荷分解算法 | |
| Guohua et al. | Research on non-intrusive load monitoring based on random forest algorithm | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN116167654A (zh) | 一种基于多任务学习的非侵入式负荷监测方法 | |
| Zhou et al. | Non-intrusive extraction and forecasting of residential electric vehicle charging load | |
| CN115687999A (zh) | 融合多时间尺度电器特征的非侵入式负荷感知方法 | |
| CN113033775B (zh) | 一种基于有监督学习的非侵入式负荷识别网络架构 | |
| CN115267320A (zh) | 一种适用于用电设备用电量非接触测量的方法 | |
| Kommey et al. | An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm | |
| Cao et al. | Probabilistic electricity demand forecasting with transformer-guided state space model |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Identification and Safety Control of End of Grid User Equipment Granted publication date: 20231107 Pledgee: Agricultural Bank of China Limited Hangzhou Jiefang Road Branch Pledgor: Jincheng Technology Co.,Ltd. Registration number: Y2024330000450 |