CN114113773A - 一种基于零样本学习的非侵入式负荷监测方法 - Google Patents
一种基于零样本学习的非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN114113773A CN114113773A CN202111330934.8A CN202111330934A CN114113773A CN 114113773 A CN114113773 A CN 114113773A CN 202111330934 A CN202111330934 A CN 202111330934A CN 114113773 A CN114113773 A CN 114113773A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- equipment
- active power
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004146 energy storage Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005485 electric heating Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 13
- 238000013145 classification model Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 27
- 230000008569 process Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于零样本学习的非侵入式负荷监测方法，涉及综合能源系统技术领域。该方法采集负荷端口的低压配电线路的数据，并进行数据处理；然后采用改进的阈值算法对负荷数据进行事件检测，分离出负荷设备的电压电流波形数据；将分离的各个负荷设备的数据输入训练好的设备大类分类训练模型，识别为设备大类，结合辅助信息给出初步的设备分类结果，采用相似性判别器来评估初步分类结果，根据结果反馈评估并给予不同的奖励，通过策略梯度指导辅助信息学习模型的建立，最终完成零样本分类模型识别设备种类的目的。同时考虑实时的环境温度对综合能源系统进行负荷非侵入式监测；该方法现了对具有用电行为和储能行为的负荷设备的非侵入式识别监测。
Description
技术领域
本发明涉及综合能源系统技术领域，尤其涉及一种基于零样本学习的非侵入式负荷监测方法。
背景技术
工业互联网和能源革命的发展使中国电力工业微观环境发生了巨大变化，对供给与需求的交互和再平衡提出更高要求。负荷聚合商作为电网侧和用户侧中间的重要协调机构，发挥着越来越重要的作用。
随着城市化进程也逐步加快，促使各类城市工业园区、开发区等园区类配电网对电能质量要求也逐步提高。其中识别、分析用户用电信息是负荷聚合商发挥作用的重要一环。工业负荷是需求侧的主要用户，因此有必要对其进行用电监测，有助于对用户提供高效能源服务，实现绿色与智能用电。非侵入式负荷分解技术在获取用户内部数据方面效果良好。然而，传统的侵入式方法采集的数据精确，但其投入大，成本费用高，后期的维护难度较高；并且需要对特定区域安装或改造监测电路，会影响用户舒适度；其安装的传感器也有一定概率影响到用能设备的正常工作运行状态甚至于造成用能设备故障，影响稳定性。侵入式监测方法并不适合大面积地推广应用，也不符合当今微电网智能化、坚强化的发展趋势。
因此，对负荷进行非侵入式监测是开展节能工作的基础，非侵入式监测只需要在微电网入口处安装监测装置采集总电能信息，根据获取的有限电能信息深入分析内部设备成分，相对传统侵入式监测而言减少了硬件成本和部署难度。目前的非侵入式监测方法大多属于监督学习，需要大量标注设备运行数据训练相关模型，提取负荷设备运行特征，数据越完备，识别精度越高。随着社会的不断进步，负荷种类也在不断的增加，这需要识别系统不断增加新的数据，并重新进行训练，这些问题严重影响了非侵入式监测的发展进程，因此，一种在设备数据完全或者部分缺失的情况下仍然能够识别这些设备类别的技术亟待提出。
现有研究中，非侵入式负荷监测大多只关注了电负荷的使用情况，对于电气热的综合能源负荷少有研究。综合能源系统的研究是控制领域的热点，如何将气、热、电负荷结合来改善居住环境值得关注。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于零样本学习的非侵入式负荷监测方法，实现对负荷进行精确非侵入式监测。
为解决上述技术问题，本发明所采取的技术方案是：一种基于零样本学习的非侵入式负荷监测方法，包括以下步骤：
步骤1：采集综合能源系统负荷端口的低压配电线路的负荷数据，该数据为包含储能和用电设备的总负荷数据；
采集的负荷数据包括电流I、电压U、功率P以及天气x(t)和电价q(t)，t为时间；
步骤2：采用基于Grubbs准则的小波去噪算法对采集的负荷数据中的异常数据和缺失的数据进行降噪和降低异常峰值处理；
步骤2.1：将采集的负荷有功功率数据pE(i)按数值的大小从小到大排列，i＝1,2,...,m,m为采集的负荷有功功率数据的总数；
步骤2.2：计算排序后总负荷有功功率数据的均值与标准差，如下公式所示：
式中，
为总负荷有功功率数据的均值，δ为总负荷有功功率数据的标准差；
步骤2.3：计算采集的总负荷有功功率数据的Grubbs值，即下侧Grubbs值和上侧Grubbs值，如下公式所示：
式中，g(1)为采集的总负荷有功功率数据的下侧Grubbs值，g(m)采集的总负荷有功功率数据的上侧Grubbs值，pE(1)、pE(m)分别为采集的第一个和第m个负荷有功功率数据；
步骤2.4：选择检验水平，即检验出错率α；根据α和m的取值来查阅Grubbs临界值检验表，获得Grubbs准则的临界值G(1-α)(m)；
步骤2.5：根据Grubbs准则的临界值G(1-α)(m)对采集的负荷有功功率数据进行筛选；若g(1)≥G(1-α)(m)，则提取负荷有功功率数据pE(1)，若g(m)≥G(1-α)(m)，则提取负荷有功功率数据pE(m)，其中设置以上筛选步骤处理数据的重复次数为l，历遍所有数据，完成数据的降噪和降低异常峰值处理；
步骤3：将降噪和降低异常峰值预处理后的负荷有功功率数据进行最值归一化，对负荷有功功率数据进行线性变换，将结果值映射到[0,1]，转换函数如下：
式中，pmax为降噪和降低异常峰值预处理后负荷有功功率数据的最大值，pmin为降噪和降低异常峰值预处理后负荷有功功率数据的最小值，p为降噪和降低异常峰值预处理后的负荷有功功率数据，p′为最值归一化后的负荷有功功率数据；
步骤4：采用改进的阈值算法对归一化后的负荷有功功率数据进行负荷功率变化事件检测，分离出负荷设备的电压和电流波形数据；
步骤4.1：计算负荷各周期的有功功率增量；
负荷第n个周期的有功功率增量ΔPn，如下公式所示：
ΔPn＝Pn-Pn-1 (6)
式中，Pn、Pn-1分别为负荷第n个和第n-1个周期的有功功率值；
步骤4.2：判定负荷设备是否发生了突变事件；
判断负荷第n个周期的有功功率增量是否大于设定的负荷阶跃变化的能量阈值，如果是，则负荷设备发生了的突变事件，即
ΔPn>ε1 (7)
式中，ε1为负荷阶跃变化的能量阈值；
步骤4.3：判定负荷设备是否发生了缓变事件；
若负荷连续超过K个周期的有功功率增量ΔPn均大于设定缓变事件的能量阈值，且有功功率增量与突变事件的能量阈值相差一个数量级以上，则负荷设备发生了缓变事件，如下公式所示：
s.t.K2-K1≥N1 (8)
式中，K1，K2∈N为周期序号；N1为连续满足条件的周期数阈值；ε2为单个周期的缓变事件能量变化阈值，其与突变事件发生时的能量变化阈值ε1的差值大于设定的阈值；
步骤4.4：判断负荷设备的电流信号是否处于稳定状态；
如果负荷多个周期的有功功率增量均小于稳态能量阈值ε3，则负荷设备的电流信号已处于稳定状态，如下公式所示：
ΔPn<ε3
s.t.K2-K1≥N2 (9)
式中，
为稳态电流判定的能量阈值；N2为使ΔPn<ε3连续成立的周期数阈值；
步骤4.5：当判断负荷设备的电流信号处于稳态后，检测负荷电压的过零点进行电流波形提取；
设定负荷功率变化事件发生前稳态电流为Is,t-1，对应电压为Us,t-1，若判断事件发生前稳态电压波形Us,t-1的电压过零点，则波形提取的采样点j所对应的电压值Us,t-1,j满足以下条件：
进而从电压过零点所对应的时刻开始，截取一个周期的电流即完成负荷功率变化事件发生前的稳态电流Is,t-1波形的提取；
步骤4.6：当负荷功率变化事件发生后，如果稳态电压波形Us,t的电压过零点，提取稳态周期电流Is,t；进而依据电流的叠加性，提取负荷功率变化事件的电压波形Uu,t与电流波形Iu,t，如下公式所示：
步骤5：采用零样本学习方法识别含有储能设备和用电设备的综合能源系统中负荷设备类型和运行情况；
步骤5.1：对各个负荷设备数据进行训练，将已知负荷设备功率数据集P(t)输入CNN网络进行训练，生成训练模型；所述CNN网络分为特征提取和分类两部分；网络层数设置依次为4*4*64、4*4*128、4*4*256、4*4*512、4*4*512，将网络最后一层由二分类器更换为softmax多分类器实现识别功能，建立输入数据→种类的映射关系；负荷设备中的储能设备和用电设备的训练过程如下；
步骤5.1.1：储能设备模型训练：提取发电设备功率Pgen(t)、用电设备功率PY(t)、天气x(t)和电价q(t)数据，对应的储能行为设为充电、停止、放电3类，发电设备功率Pgen(t)在[0,max(Pgen(t))]区间根据数值大小分为高、低2类，用电设备功率PY(t)在[0,max(PY(t))]区间根据数值大小分为高、低2类，天气x(t)根据天气情况分为晴、阴2类，其中，x(t)≥0为晴天，x(t)＜0为阴天，电价q(t)在[min(q(t)),max(q(t))]区间分为高、低2类，将上述状态分类作为储能行为的训练集，得出多种储能策略Xr→储能行为Yr的映射关系；
步骤5.1.2：用电设备模型训练：将所有用电设备分为三大种类，分别为电阻类负荷A1、旋转类负荷A2和制冷类负荷A3，已有用电设备功率PY(t)作为训练集，建立用电设备功率PY(t)→用电设备种类Am的映射关系，m＝1、2、3；
步骤5.2：对负荷设备数据进行测试；测试集合为已知负荷设备与未知负荷设备功率的集合P2(t)，测试集输入训练模型，将识别负荷设备的种类，具体为：
步骤5.2.1：测试时，将已知负荷设备与未知负荷设备的功率集合P2(t)输入负荷设备训练模型，固定各映射关系中的模型参数，利用各映射关系将测试集中数据映射到类空间Y对应的类标签上，识别为设备大类ak；
步骤5.2.2：结合步骤4初步确定的负荷设备的电流电压波形这些辅助信息Z1作为目前负荷设备状态，测试动作为下一个要生成的辅助信息Z2，判别器对设备大类ak结合辅助信息Z2所产生的初步分类结果bw进行相似度对比，计算相似度μ：
yi为负荷设备的实际类型；
步骤5.2.3：当相似度
时，输出最终负荷设备的名称、额定功率和运行状态；若
根据相似度得分来给予不同的分数奖励，通过奖励策略直接反馈给辅助信息Z2，对辅助信息Z2进行优化；
步骤5.2.4：通过不断优化辅助信息Z2，将测试集映射到类空间Y对应的类标签上，得到负荷设备储能行为；训练辅助信息模型自主搜索最有价值信息的能力，最终负荷设备Ai结合最有价值的辅助信息对未知负荷设备种类进行推断，实现负荷设备识别；
步骤5.3：耦合设备识别；耦合设备包括电锅炉和燃气锅炉，燃气锅炉通过消耗气能产生热能，单位时间内所产生的热能与进气量的关系为：
其中，PH,MT为微燃气轮机的输出热功率，ηg2h为微燃气轮机产热效率，Hu为天然气热值，
为燃气锅炉进气量；
电锅炉消耗电能产生热能，输入电功率PE,EB，热效率ηEB和热功率PQ,EB满足以下关系：
PQ,EB＝ηEBPE,EB (13)
通过比热容C，电锅炉内筒炉水质量m，温差Δt，热效率η及热功率PH计算能源转换过程中的延时时间τ，如下公式所示：
τ＝CmΔt/ηPH (14)
设定由负荷功率变化事件检测对耦合设备的电功率PE的波动时间点进行记录，形成时间矩阵TE＝[te1,te2,…,tex]，tex为电功率第x个波动时间点，电功率转换的热功率PQ的波动时间点进行记录形成时间矩阵TQ＝[tq1,tq2,…,tqn]，tqn为热功率第n个波动时间点，对燃气锅炉产生热功率PH的波动时间点进行记录形成时间矩阵TH＝[th1-τ,th2-τ,…,thm-τ]，thm为燃气锅炉产生热功率的第m个波动时间点；则耦合设备分类判定如下公式所示：
当TQ＝TH，并且前一时刻气值变化ΔQ与热值变化ΔH的比值与此刻气热数据波动的比值相等时判定为燃气锅炉波动,对波动时间点进行记录形成时间矩阵TW＝[t1,t2,…,tc]，tc为燃气锅炉第c个波动时间点，根据TW将燃气锅炉在气热中的波形变化分离并识别出来；当TE＝TH时，并且前一时刻电值变化ΔE与热值变化ΔH的比值与此刻电热数据波动的比值相等时判定为电锅炉数据波动,对波动时间点进行记录形成时间矩阵TEH＝[t1,t2,…,tf]，根据TEH将电锅炉在电气热中的波形变化分离并识别出来；
步骤6：考虑实时的环境温度对综合能源系统进行负荷非侵入式监测；通过历史的负荷数据确定温度与负荷数据的关联规则，基于关联规则产生的权重获取不同负荷设备，利用聚类算法进行负荷数据分解并对与温度无关的负荷数据进行归类；
步骤6.1：定时采样室内外的温度，得到t时刻室内外温度差Δtt，如下公式所示：
Δtt＝to,t-ti,t (16)
式中，ti,t为室内温度，to,t为室外温度；
步骤6.2：将步骤6.1采样的温度划分为u段，并将采集的负荷数据，以t′时间内的负荷数据为一个周期，标记相应的负荷数据所在的温差区间Δtl，将室内外温度差Δtt与负荷样本数据整合；结合温度及负荷历史数据，统计t时刻划分的温差区间中R个负荷设备的状态st,F，F＝1,2,...,R；
步骤6.3：采用Apriori算法，以t时刻室内外温度差Δtt为关联规则的先导A，负荷设备在t时刻的状态s为关联规则的后继B，计算所有采集的样本组合支持度Dsu和置信度Dco，Dsu为温差的区间Δtl和电热负荷状态st,F同时发生的概率，Dco是t时刻区域温差处于区间Δtl时状态为st,F的概率，如下公式所示：
Dsu＝P(st,F∩Δtl) (17)
Dco＝P(st,F|Δtl) (18)
其中，P()为概率函数；
步骤6.4：将归一化后的总负荷数据两两相组并删去低于支持度与置信度阈值的组合，形成一层新的候选层，再次计算负荷设备状态的提升度Il与阈值Kulc，如下公式所示：
Il(Δt,st,F)＝P(st,F|Δtl)/P(st,F) (19)
Kulc(Δt,st,F)＝1/2[Dsu+Dco] (20)
当提升度Il小于1，则负荷与温度关系为负相关；当提升度大于1，则负荷与温度关系为正相关；若提升度等于1，则负荷与温度无关联；将提升度小于设定阈值的负荷设备状态组合删除，不断重复，得到满足关联规则
的所有频繁项集；
步骤6.5：对端口采集的总负荷有功功率数据与室内外温度差再次进行关联判别，得到各个负荷设备的负荷分解结果：
步骤6.5.1：对于关联部分数据，计算关联规则产生的权重，采用K-means聚类算法对室内外不同负荷设备进行负荷分解，得到分解结果的具体过程包括：选取k个负荷数据先作为中心点并为它们附上权重，对室内外温度差与所选k个样本相对照，反复这一过程，最后应用关联规则中与阈值Kulc(Δt,st,F)相对应的关联因子乘以电控负荷状态的组合权重，进行权重比较，最后得到各个负荷设备的负荷数据分解的结果，第F1类负荷数据分解所对应的H个负荷设备
具体表现形式如下公式所示：
F1＝1,2,...,R1 (22)
其中，R1为第F1类负荷的总数；
步骤6.5.2：对于非关联部分数据，先对其进行降噪归一化处理，之后采用与步骤4.1相同的过程进行特征提取，最后的到各个负荷设备的负荷分解结果，第F2类负荷数据分解所对应的的Q个负荷设备
具体表现形式如下公式所示：
F2＝1,2,...,R2 (24)
其中，R2为第F2类负荷的总数；
步骤7：输出负荷各个设备名称、额定功率和运行状态，对于数据缺失或者无数据的设备用于完善设备数据库，并同时将分离的各个设备的数据发送给电网公司和用户。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于零样本学习的非侵入式负荷监测方法，(1)针对含有综合能源和储能设备的一类微电网系统，基于零样本学习的非侵入式监测方法，实现了对具有用电行为和储能行为的设备的非侵入式识别和监测。(2)对于工业用户提出一种改进的事件检测方法，面对一些不同负荷的投切方式与运行状态存在差异，以及设备运行时功率会出现小幅波动的情况，能够提升事件检测准确度。(3)将零样本学习方法融入深度学习的强化学习方法中，训练辅助信息的自主搜索能力，即对已知设备数据或者不同类别数据进行训练，采用迁移学习对训练负荷集特征进行迁移，结合辅助信息，可以更精确的识别负荷中未知设备种类或设备运行策略，其优点为无需对所有设备进行训练，无需建立完备数据库，即可对设备进行识别和监测。
附图说明
图1为本发明实施例提供的一种基于零样本学习的非侵入式负荷监测方法的过程示意图；
图2为本发明实施例提供的一种基于零样本学习的负荷非侵入式监测的流程图；
图3为本发明实施例提供的采用零样本学习方法识别综合能源系统中负荷设备类型的流程图；
图4为本发明实施例提供的考虑实时的环境温度对综合能源系统进行负荷非侵入式监测的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于零样本学习的非侵入式负荷监测方法，如图1、2所示，包括以下步骤：
步骤1：采集综合能源系统负荷端口的低压配电线路的负荷数据，该数据为包含储能和用电设备的总负荷数据；
采集的负荷数据包括电流I、电压U、功率P以及天气x(t)和电价q(t)，t为时间；
步骤2：采用基于Grubbs准则的小波去噪算法对采集的负荷数据中的异常数据和缺失的数据进行降噪和降低异常峰值处理；
步骤2.1：将采集的负荷有功功率数据pE(i)按数值的大小从小到大排列，排序后的负荷有功功率数据pE(i)为一个升序的序列，i＝1,2,...,m,m为采集的负荷有功功率数据的总数；
步骤2.2：计算排序后总负荷有功功率数据的均值与标准差，如下公式所示：
式中，
为总负荷有功功率数据的均值，δ为总负荷有功功率数据的标准差；
步骤2.3：计算采集的总负荷有功功率数据的Grubbs值，即下侧Grubbs值和上侧Grubbs值，如下公式所示：
式中，g(1)为采集的总负荷有功功率数据的下侧Grubbs值，g(m)采集的总负荷有功功率数据的上侧Grubbs值，pE(1)、pE(m)分别为采集的第一个和第m个负荷有功功率数据；步骤2.4：选择检验水平，即检验出错率α：通常情况下α可选取0.05、0.025或者0.01；根据α和m的取值来查阅Grubbs临界值检验表，获得Grubbs准则的临界值G(1-α)(m)；
步骤2.5：根据Grubbs准则的临界值G(1-α)(m)对采集的负荷有功功率数据进行筛选；若g(1)≥G(1-α)(m)，则提取负荷有功功率数据pE(1)，若g(m)≥G(1-α)(m)，则提取负荷有功功率数据pE(m)，其中设置以上筛选步骤处理数据的重复次数为l，历遍所有数据，完成数据的降噪和降低异常峰值处理；
步骤3：将降噪和降低异常峰值预处理后的负荷有功功率数据进行最值归一化，对负荷有功功率数据进行线性变换，将结果值映射到[0,1]，转换函数如下：
式中，pmax为降噪和降低异常峰值预处理后负荷有功功率数据的最大值，pmin为降噪和降低异常峰值预处理后负荷有功功率数据的最小值，p为降噪和降低异常峰值预处理后的负荷有功功率数据，p′为最值归一化后的负荷有功功率数据；
步骤4：采用改进的阈值算法对归一化后的负荷有功功率数据进行负荷功率变化事件检测，分离出负荷设备的电压和电流波形数据；
步骤4.1：计算负荷各周期的有功功率增量；
负荷第n个周期的有功功率增量ΔPn，如下公式所示：
ΔPn＝Pn-Pn-1 (6)
式中，Pn、Pn-1分别为负荷第n个和第n-1个周期的有功功率值；
步骤4.2：判定负荷设备是否发生了突变事件；
判断负荷第n个周期的有功功率增量是否大于设定的负荷阶跃变化的能量阈值，如果是，则负荷设备发生了的突变事件，即
ΔPn>ε1 (7)
式中，ε1为负荷阶跃变化的能量阈值，通常取为各负荷设备中最小的额定功率值；
步骤4.3：判定负荷设备是否发生了缓变事件；由于缓变事件一个周期内的能量变化小，仅通过单周期的功率增量无法获知其完整的变化过程，需进行多周期检测。
若负荷连续超过K个周期的有功功率增量ΔPn均大于设定缓变事件的能量阈值，且有功功率增量与突变事件的能量阈值相差一个数量级以上，则负荷设备发生了缓变事件，如下公式所示：
s.t.K2-K1≥N1 (8)
式中，K1，K2∈N为周期序号；N1为连续满足条件的周期数阈值；ε2为单个周期的缓变事件能量变化阈值，其与突变事件发生时的能量变化阈值ε1的差值大于设定的阈值；
步骤4.4：判断负荷设备的电流信号是否处于稳定状态；
如果负荷多个周期的有功功率增量均小于稳态能量阈值ε3，则负荷设备的电流信号已处于稳定状态，如下公式所示：
ΔPn<ε3
s.t.K2-K1≥N2 (9)
式中，
为稳态电流判定的能量阈值；N2为使ΔPn<ε3连续成立的周期数阈值；
步骤4.5：当判断负荷设备的电流信号处于稳态后，检测负荷电压的过零点进行电流波形提取；
设定负荷功率变化事件发生前稳态电流为Is,t-1，对应电压为Us,t-1，若判断事件发生前稳态电压波形Us,t-1的电压过零点，则波形提取的采样点j所对应的电压值Us,t-1,j满足以下条件：
进而从电压过零点所对应的时刻开始，截取一个周期的电流即完成负荷功率变化事件发生前的稳态电流Is,t-1波形的提取；
步骤4.6：当负荷功率变化事件发生后，如果稳态电压波形Us,t的电压过零点，提取稳态周期电流Is,t；进而依据电流的叠加性，提取负荷功率变化事件的电压波形Uu,t与电流波形Iu,t，如下公式所示：
步骤5：采用零样本学习方法识别含有储能设备和用电设备的综合能源系统中负荷设备类型和运行情况，如图3所示；
步骤5.1：对各个负荷设备数据进行训练，将已知负荷设备功率数据集P(t)输入CNN网络进行训练，生成训练模型；所述CNN网络分为特征提取和分类两部分；网络层数设置依次为4*4*64、4*4*128、4*4*256、4*4*512、4*4*512，将网络最后一层由二分类器更换为softmax多分类器实现识别功能，建立输入数据(功率等)→种类(或者行为)的映射关系；负荷设备中的储能设备和用电设备的训练过程如下；
步骤5.1.1：储能设备模型训练：提取发电设备功率Pgen(t)、用电设备功率PY(t)、天气x(t)和电价q(t)数据，对应的储能行为设为充电、停止、放电3类，发电设备功率Pgen(t)在[0,max(Pgen(t))]区间根据数值大小分为高、低2类，用电设备功率PY(t)在[0,max(PY(t))]区间根据数值大小分为高、低2类，天气x(t)根据天气情况分为晴、阴2类，其中，x(t)≥0为晴天，x(t)＜0为阴天，电价q(t)在[min(q(t)),max(q(t))]区间分为高、低2类，将上述状态分类作为储能行为的训练集，得出多种储能策略Xr→储能行为(充电、停止、放电)Yr的映射关系；
步骤5.1.2：用电设备模型训练：将所有用电设备分为三大种类，分别为电阻类负荷A1、旋转类负荷A2和制冷类负荷A3，已有用电设备功率PY(t)作为训练集，建立用电设备功率PY(t)→用电设备种类Am的映射关系，m＝1、2、3；
步骤5.2：对负荷设备数据进行测试；为增加数据的泛化性，测试集合为已知负荷设备与未知负荷设备功率的集合P2(t)，测试集输入训练模型，将识别负荷设备的种类，具体为：
步骤5.2.1：测试时，将已知负荷设备与未知负荷设备的功率集合P2(t)输入负荷设备训练模型，固定各映射关系中的模型参数，利用各映射关系将测试集中数据映射到类空间Y对应的类标签上，识别为设备大类ak；
步骤5.2.2：结合步骤4初步确定的负荷设备的电流电压波形这些辅助信息Z1作为目前负荷设备状态，测试动作为下一个要生成的辅助信息Z2，辅助信息可进行在线搜索辅助最终判别器的识别，判别器对设备大类ak结合辅助信息Z2所产生的初步分类结果bw进行相似度对比，计算相似度μ：
yi为负荷设备的实际类型；
步骤5.2.3：当相似度
时，输出最终负荷设备的名称、额定功率和运行状态；若
根据相似度得分来给予不同的分数奖励，通过奖励策略直接反馈给辅助信息Z2，对辅助信息Z2进行优化；
步骤5.2.4：通过不断优化辅助信息Z2，将测试集映射到类空间Y对应的类标签上，得到负荷设备储能行为；训练辅助信息模型自主搜索最有价值信息的能力，最终负荷设备Ai结合最有价值的辅助信息对未知负荷设备种类进行推断，实现负荷设备识别；
步骤5.3：耦合设备识别；耦合设备包括电锅炉和燃气锅炉，燃气锅炉通过消耗气能产生热能，单位时间内所产生的热能与进气量的关系为：
其中，PH,MT为微燃气轮机的输出热功率，ηg2h为微燃气轮机产热效率，Hu为天然气热值，
为燃气锅炉进气量；
电锅炉消耗电能产生热能，输入电功率PE,EB，热效率ηEB和热功率PQ,EB满足以下关系：
PQ,EB＝ηEBPE,EB (13)
电转热、气转热的能源转换过程实质上均为通过消耗电能、天然气对锅炉内炉水加热的过程，水温升高到一定温度会消耗一定的时间，即能源转换设备在运行过程中存在一定的延时。通过比热容C，电锅炉内筒炉水质量m，温差Δt，热效率η及热功率PH计算能源转换过程中的延时时间τ，如下公式所示：
τ＝CmΔt/ηPH (14)
设定由负荷功率变化事件检测对耦合设备的电功率PE的波动时间点进行记录，形成时间矩阵TE＝[te1,te2,…,tex]，tex为电功率第x个波动时间点，电功率转换的热功率PQ的波动时间点进行记录形成时间矩阵TQ＝[tq1,tq2,…,tqn]，tqn为热功率第n个波动时间点，对燃气锅炉产生热功率PH的波动时间点进行记录形成时间矩阵TH＝[th1-τ,th2-τ,…,thm-τ]，thm为燃气锅炉产生热功率的第m个波动时间点；则耦合设备分类判定如下公式所示：
当TQ＝TH，并且前一时刻气值变化ΔQ与热值变化ΔH的比值与此刻气热数据波动的比值相等时判定为燃气锅炉波动,对波动时间点进行记录形成时间矩阵TW＝[t1,t2,…,tc]，tc为燃气锅炉第c个波动时间点，根据TW将燃气锅炉在气热中的波形变化分离并识别出来；当TE＝TH时，并且前一时刻电值变化ΔE与热值变化ΔH的比值与此刻电热数据波动的比值相等时判定为电锅炉数据波动,对波动时间点进行记录形成时间矩阵TEH＝[t1,t2,…,tf]，根据TEH将电锅炉在电气热中的波形变化分离并识别出来；
步骤6：考虑实时的环境温度对综合能源系统进行负荷非侵入式监测，如图4所示；通过历史的负荷数据确定温度与负荷数据的关联规则，基于关联规则产生的权重获取不同负荷设备，利用聚类算法进行负荷数据分解并对与温度无关的负荷数据进行归类；
步骤6.1：定时采样室内外的温度，得到t时刻室内外温度差Δtt，如下公式所示：
Δtt＝to,t-ti,t (16)
式中，ti,t为室内温度，to,t为室外温度；
步骤6.2：将步骤6.1采样的温度5℃为一段区间划分为u段，并将采集的负荷数据，以t′时间内的负荷数据为一个周期(如以每5min的数据为一个周期)，标记相应的负荷数据所在的温差区间Δtl，将室内外温度差Δtt与负荷样本数据整合；结合温度及负荷历史数据，统计t时刻划分的温差区间中R个负荷设备的状态st,F，F＝1,2,...,R；
步骤6.3：采用Apriori算法，以t时刻室内外温度差Δtt为关联规则的先导A，负荷设备在t时刻的状态s为关联规则的后继B，计算所有采集的样本组合支持度Dsu和置信度Dco，Dsu为温差的区间Δtl和电热负荷状态st,F同时发生的概率，Dco是t时刻区域温差处于区间Δtl时状态为st,F的概率，如下公式所示：
Dsu＝P(st,F∩Δtl) (17)
Dco＝P(st,F|Δtl) (18)
其中，P()为概率函数；
步骤6.4：将归一化后的总负荷数据两两相组并删去低于支持度与置信度阈值的组合，形成一层新的候选层，再次计算负荷设备状态的提升度Il与阈值Kulc，如下公式所示：
Il(Δt,st,F)＝P(st,F|Δtt)/P(st,F) (19)
Kulc(Δt,st,F)＝1/2[Dsu+Dco] (20)
当提升度Il小于1，则负荷与温度关系为负相关；当提升度大于1，则负荷与温度关系为正相关；若提升度等于1，则负荷与温度无关联；将提升度小于设定阈值的负荷设备状态组合删除，不断重复，得到满足关联规则
的所有频繁项集；
步骤6.5：对端口采集的总负荷有功功率数据与室内外温度差再次进行关联判别，得到各个负荷设备的负荷分解结果：
步骤6.5.1：对于关联部分数据，计算关联规则产生的权重，采用K-means聚类算法对室内外不同负荷设备进行负荷分解，得到分解结果的具体过程包括：选取k个负荷数据先作为中心点并为它们附上权重，对室内外温度差与所选k个样本相对照，反复这一过程，最后应用关联规则中与阈值Kulc(Δt,st,F)相对应的关联因子乘以电控负荷状态的组合权重，进行权重比较，最后得到各个负荷设备的负荷数据分解的结果，第F1类负荷数据分解所对应的H个负荷设备
具体表现形式如下公式所示：
F1＝1,2,...,R1 (22)
其中，R1为第F1类负荷的总数；
步骤6.5.2：对于非关联部分数据，先对其进行降噪归一化处理，之后采用与步骤4.1相同的过程进行特征提取，最后的到各个负荷设备的负荷分解结果，第F2类负荷数据分解所对应的的Q个负荷设备
具体表现形式如下公式所示：
F2＝1,2,...,R2 (24)
其中，R2为第F2类负荷的总数；
步骤7：输出负荷各个设备名称、额定功率和运行状态，对于数据缺失或者无数据的设备用于完善设备数据库，并同时将分离的各个设备的数据发送给电网公司和用户。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于零样本学习的非侵入式负荷监测方法，其特征在于：
采集综合能源系统负荷端口的低压配电线路的负荷数据；
对采集到的负荷数据进行数据处理；
对处理的负荷数据进行时间检测，分离出负荷设备的电压和电流波形数据；
根据分离的各个负荷设备的电压和电流波形数据识别负荷设备种类；
考虑实时的环境温度对综合能源系统进行负荷非侵入式监测。
2.根据权利要求1所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述负荷监测方法具体包括以下步骤：
步骤1：采集综合能源系统负荷端口的低压配电线路的负荷数据，该数据为包含储能和用电设备的总负荷数据；
采集的负荷数据包括电流、电压、功率以及天气和电价；
步骤2：采用基于Grubbs准则的小波去噪算法对采集的负荷数据中的异常数据和缺失的数据进行降噪和降低异常峰值处理；
步骤3：将降噪和降低异常峰值预处理后的负荷有功功率数据进行最值归一化；
步骤4：采用改进的阈值算法对归一化后的负荷有功功率数据进行负荷功率变化事件检测，分离出负荷设备的电压和电流波形数据；
步骤5：采用零样本学习方法识别含有储能设备和用电设备的综合能源系统中负荷设备类型和运行情况；
步骤6：考虑实时的环境温度对综合能源系统进行负荷非侵入式监测；通过历史的负荷数据确定温度与负荷数据的关联规则，基于关联规则产生的权重获取不同负荷设备，利用聚类算法进行负荷数据分解并对与温度无关的负荷数据进行归类；
步骤7：输出负荷各个设备名称、额定功率和运行状态，对于数据缺失或者无数据的设备用于完善设备数据库，并同时将分离的各个设备的数据发送给电网公司和用户。
3.根据权利要求1所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述步骤2的具体方法为：
步骤2.1：将采集的负荷有功功率数据按数值的大小从小到大排列；
步骤2.2：计算排序后总负荷有功功率数据的均值与标准差
步骤2.3：计算采集的总负荷有功功率数据的Grubbs值，即下侧Grubbs值和上侧Grubbs值；
步骤2.4：选择检验水平，根据检验水平和Grubbs值的取值来查阅Grubbs临界值检验表，获得Grubbs准则的临界值；
步骤2.5：根据Grubbs准则的临界值对采集的负荷有功功率数据进行筛选。
4.根据权利要求3所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述步骤4的具体方法为：
步骤4.1：计算负荷各周期的有功功率增量；
步骤4.2：根据负荷各周期的有功功率增量判定负荷设备是否发生了突变事件；
步骤4.3：根据负荷各周期的有功功率增量判定负荷设备是否发生了缓变事件；
步骤4.4：根据负荷各周期的有功功率增量判断负荷设备的电流信号是否处于稳定状态；
步骤4.5：当判断负荷设备的电流信号处于稳态后，检测负荷电压的过零点进行电流波形提取；
步骤4.6：当负荷功率变化事件发生后，如果稳态电压波形的电压过零点，提取稳态周期电流；进而依据电流的叠加性，提取负荷功率变化事件的电压波形与电流波形。
5.根据权利要求4所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述步骤5的具体方法为：
步骤5.1：对各个负荷设备数据进行训练，将已知负荷设备功率数据集输入CNN网络进行训练，生成训练模型；
步骤5.2：对负荷设备数据进行测试；测试集合为已知负荷设备与未知负荷设备功率的集合，测试集输入训练模型，将识别负荷设备的种类；
步骤5.3：识别耦合设备。
6.根据权利要求5所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述CNN网络分为特征提取和分类两部分；将网络最后一层由二分类器更换为softmax多分类器实现识别功能，建立输入数据→种类的映射关系。
7.根据权利要求6所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述步骤6的具体方法为：
步骤6.1：定时采样室内外的温度，得到t时刻室内外温度差△tt；
步骤6.2：将步骤6.1采样的温度划分为u段，并将采集的负荷数据，以t′时间内的负荷数据为一个周期，标记相应的负荷数据所在的温差区间△tl，将室内外温度差△tt与负荷样本数据整合；结合温度及负荷历史数据，统计t时刻划分的温差区间中R个负荷设备的状态st,F，F＝1,2,...,R；
步骤6.3：采用Apriori算法，以t时刻室内外温度差△tt为关联规则的先导A，负荷设备在t时刻的状态s为关联规则的后继B，计算所有采集的样本组合支持度Dsu和置信度Dco，Dsu为温差的区间△tl和电热负荷状态st,F同时发生的概率，Dco是t时刻区域温差处于区间△tl时状态为st,F的概率；
步骤6.4：将归一化后的总负荷数据两两相组并删去低于支持度与置信度阈值的组合，形成一层新的候选层，再次计算负荷设备状态的提升度Il与阈值Kulc；
当提升度Il小于1，则负荷与温度关系为负相关；当提升度大于1，则负荷与温度关系为正相关；若提升度等于1，则负荷与温度无关联；将提升度小于设定阈值的负荷设备状态组合删除，不断重复，得到满足关联规则
的所有频繁项集；
步骤6.5：对端口采集的总负荷有功功率数据与室内外温度差再次进行关联判别，得到各个负荷设备的负荷分解结果。
8.根据权利要求7所述的一种基于零样本学习的非侵入式负荷监测方法，其特征在于：所述步骤6.5的具体方法为：
步骤6.5.1：对于关联部分数据，计算关联规则产生的权重，采用K-means聚类算法对室内外不同负荷设备进行负荷分解，得到分解结果；
步骤6.5.2：对于非关联部分数据，先对其进行降噪归一化处理，之后进行特征提取，最后得到各个负荷设备的负荷分解结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111330934.8A CN114113773B (zh) | 2021-11-11 | 2021-11-11 | 一种基于零样本学习的非侵入式负荷监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111330934.8A CN114113773B (zh) | 2021-11-11 | 2021-11-11 | 一种基于零样本学习的非侵入式负荷监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114113773A true CN114113773A (zh) | 2022-03-01 |
| CN114113773B CN114113773B (zh) | 2024-03-19 |
Family
ID=80378318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111330934.8A Active CN114113773B (zh) | 2021-11-11 | 2021-11-11 | 一种基于零样本学习的非侵入式负荷监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114113773B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859169A (zh) * | 2023-09-01 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷分解方法及系统 |
| CN117630482A (zh) * | 2024-01-24 | 2024-03-01 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
| CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
| CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160109492A1 (en) * | 2013-05-06 | 2016-04-21 | Smart Impulse | Method and system for analysing electricity consumption |
| CN106483370A (zh) * | 2016-10-21 | 2017-03-08 | 威胜集团有限公司 | 基于多特征融合的非侵入式家用负荷实时识别方法及装置 |
| US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
| CN110175386A (zh) * | 2019-05-21 | 2019-08-27 | 陕西科技大学 | 变电站电气设备温度预测方法 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
| 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 |
| CN111366800A (zh) * | 2020-03-11 | 2020-07-03 | 北京慧飒科技有限责任公司 | 一种非侵入式电气负载智能识别方法 |
| CN111754029A (zh) * | 2020-06-08 | 2020-10-09 | 深圳供电局有限公司 | 一种社区负荷预测系统 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN112507511A (zh) * | 2020-10-30 | 2021-03-16 | 珠海一多监测科技有限公司 | 电力设备温升负荷性能指标诊断方法、电子设备、存储介质 |
| CN112597920A (zh) * | 2020-12-28 | 2021-04-02 | 浙江工业大学 | 基于YOLOv3剪枝网络的实时物体检测系统 |
-
2021
- 2021-11-11 CN CN202111330934.8A patent/CN114113773B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160109492A1 (en) * | 2013-05-06 | 2016-04-21 | Smart Impulse | Method and system for analysing electricity consumption |
| US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
| CN106483370A (zh) * | 2016-10-21 | 2017-03-08 | 威胜集团有限公司 | 基于多特征融合的非侵入式家用负荷实时识别方法及装置 |
| CN110175386A (zh) * | 2019-05-21 | 2019-08-27 | 陕西科技大学 | 变电站电气设备温度预测方法 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
| 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 |
| CN111366800A (zh) * | 2020-03-11 | 2020-07-03 | 北京慧飒科技有限责任公司 | 一种非侵入式电气负载智能识别方法 |
| CN111754029A (zh) * | 2020-06-08 | 2020-10-09 | 深圳供电局有限公司 | 一种社区负荷预测系统 |
| CN112507511A (zh) * | 2020-10-30 | 2021-03-16 | 珠海一多监测科技有限公司 | 电力设备温升负荷性能指标诊断方法、电子设备、存储介质 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN112597920A (zh) * | 2020-12-28 | 2021-04-02 | 浙江工业大学 | 基于YOLOv3剪枝网络的实时物体检测系统 |
Non-Patent Citations (6)
| Title |
|---|
| 孙延维;彭智明;李健波;: "基于粒子群优化与模糊聚类的社区发现算法", 重庆邮电大学学报(自然科学版), no. 05 * |
| 崔灿: "面向智能用电的非侵入式居民负荷监测关键技术研究" * |
| 朱江淼;张月倩;黄艳;赵琳潇;王焕宁;: "智能电能表故障风险预估算法的研究", 电测与仪表, no. 08 * |
| 杨方圆;包丹;张明理;邓鑫阳;张娜;: "基于相似日聚类与支持向量机的迎峰度夏期间负荷预测方法", 东北电力技术, no. 10 * |
| 杨波;: "基于改进模糊聚类法和CPSO-LSSVM的母线负荷预测", 宁夏电力, no. 05 * |
| 黎平;宋坤;肖白;张柳;: "基于粗糙集理论的关联聚类中长期负荷预测法", 继电器, no. 01 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859169A (zh) * | 2023-09-01 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷分解方法及系统 |
| CN116859169B (zh) * | 2023-09-01 | 2023-11-17 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷分解方法及系统 |
| CN117630482A (zh) * | 2024-01-24 | 2024-03-01 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
| CN117630482B (zh) * | 2024-01-24 | 2024-04-05 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
| CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
| CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114113773B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
| CN114113773B (zh) | 一种基于零样本学习的非侵入式负荷监测方法 | |
| CN109447107B (zh) | 基于信息熵的办公建筑空调日用能模式异常在线检测方法 | |
| CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
| CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
| CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
| CN106327359A (zh) | 一种基于用电模式分析的集抄数据异常判定方法 | |
| 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 | |
| CN110751312A (zh) | 一种基于多因子的系统动力学生活需水预测方法和系统 | |
| CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
| CN106845748A (zh) | 一种低压集抄系统数据偏差原因的智能辨识方法 | |
| CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
| TW202119298A (zh) | 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 | |
| CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
| CN117332288A (zh) | 一种建筑节能技术评估系统及方法 | |
| CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
| CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
| CN115733258A (zh) | 一种基于物联网技术的全户内智能变电站系统的控制方法 | |
| CN116131256A (zh) | 一种基于设备同时率的配电网可开放容量计算方法和系统 | |
| CN116106627A (zh) | 一种基于电压电流不同相错误接线异常的判断方法 | |
| CN115186860A (zh) | 基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介质、产品 | |
| CN114282714A (zh) | 一种基于广义回归神经网络的电能表状态分析评价方法 |
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 |