CN114184870A - 非侵入式负荷识别方法及设备 - Google Patents
非侵入式负荷识别方法及设备 Download PDFInfo
- Publication number
- CN114184870A CN114184870A CN202111525626.0A CN202111525626A CN114184870A CN 114184870 A CN114184870 A CN 114184870A CN 202111525626 A CN202111525626 A CN 202111525626A CN 114184870 A CN114184870 A CN 114184870A
- Authority
- CN
- China
- Prior art keywords
- load
- switching
- feature
- frequency domain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种非侵入式负荷识别方法及设备,该方法包括:获取智能电表实时采集的用户用电系统入口端的电流信号以检测是否发生负荷投切事件;在检测到负荷投切事件发生后,确定负荷投切事件中投切负荷的电流信号,并进行特征提取,得到投切负荷特征集;将投切负荷特征集上传至云端服务器,以进行负荷识别;其中,投切负荷特征集包括:表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征、表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。通过从六个方面提取投切负荷电流信号的特征,能够精确识别投切负荷,对功率相近的负荷实现有效识别。
Description
技术领域
本申请属于负荷识别技术领域,尤其涉及一种非侵入式负荷识别方法及设备。
背景技术
为了更加有效的调整电力结构,往往需要根据各个用户、用户电力系统中设备的耗电量进行了解。非侵入式负荷识别是指在不改变现有电路结构的前提下,通过电力入口处的用电量数据确定用户电力系统中每个负荷的运行状态。非侵入式负荷识别不仅可以很好地保护用户的用电隐私,也可节省大量的监测设备。
但由于用户电力系统中的电力设备数量多、种类复杂等原因,现有负荷识别方法对于功率相近的负荷不能实现有效识别。
发明内容
有鉴于此,本发明提供了一种非侵入式负荷识别方法及设备,旨在解决现有负荷识别方法对于功率相近的负荷不能实现有效识别的问题。
本发明实施例的第一方面提供了一种非侵入式负荷识别方法,应用于终端设备,所述终端设备部署于用户用电系统,包括:
获取智能电表实时采集的用户用电系统入口端的电流信号;
根据电流信号,检测是否发生负荷投切事件;
在检测到所述负荷投切事件发生后,确定所述负荷投切事件中投切负荷的电流信号,对投切负荷的电流信号进行处理,得到投切负荷特征集;
将所述投切负荷特征集上传至云端服务器,所述投切负荷特征集用于所述云端服务器将其输入到经过训练的极限学习机中,以对所述用户用电系统进行负荷识别;
其中,所述投切负荷特征集包括时域特征集和频域特征集;
所述时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;
所述频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。
本发明实施例的第二方面提供了一种非侵入式负荷识别方法,应用于云端服务器,包括:
将所述终端设备上传的投切负荷特征集输入到预先构建的极限学习机中,以对所述用户用电系统进行负荷识别。
本发明实施例的第三方面提供了一种非侵入式负荷识别装置,应用于终端设备,所述终端设备部署于用户用电系统,包括:
获取模块,用于获取智能电表实时采集的用户用电系统入口端的电流信号;
检测模块,用于根据电流信号,检测是否发生负荷投切事件;
提取模块,用于在检测到所述负荷投切事件发生后,确定所述负荷投切事件中投切负荷的电流信号,对投切负荷的电流信号进行处理,得到投切负荷特征集;
上传模块,用于将所述投切负荷特征集上传至云端服务器,所述投切负荷特征集用于所述云端服务器将其输入到经过训练的极限学习机中,以对所述用户用电系统进行负荷识别;
其中,所述投切负荷特征集包括时域特征集和频域特征集;
所述时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;
所述频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。
本发明实施例的第四方面提供了一种非侵入式负荷识别装置,应用于云端服务器,包括:
识别模块,用于将终端设备上传的投切负荷特征集输入到预先构建的极限学习机中,以对用户用电系统进行负荷识别。
本发明实施例的第五方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面所述非侵入式负荷识别方法的步骤。
本发明实施例的第六方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面所述非侵入式负荷识别方法的步骤。
本发明实施例的第七方面提供了一种云端服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第二方面所述非侵入式负荷识别方法的步骤。
本发明实施例的第八方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第二方面所述非侵入式负荷识别方法的步骤。
本发明实施例的第九方面提供了一种非侵入式负荷识别系统,包括:如上第七方面所述的云端服务器、如上第五方面所述的终端设备以及智能电表;
所述云端服务器与至少一个所述终端设备连接;所述终端设备与至少一个所述智能电表连接。
本发明实施例提供的非侵入式负荷识别方法及设备,包括:获取智能电表实时采集的用户用电系统入口端的电流信号以检测是否发生负荷投切事件;在检测到负荷投切事件发生后,确定负荷投切事件中投切负荷的电流信号,并进行特征提取,得到投切负荷特征集;将投切负荷特征集上传至云端服务器,以对用户用电系统进行负荷识别;其中,投切负荷特征集包括时域特征集和频域特征集;时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。通过将从六个方面提取投切负荷电流信号的特征,能够精确的识别投切负荷,对功率相近的负荷实现有效识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的应用于终端设备的非侵入式负荷识别方法的实现流程图;
图2是基于序贯概率比检验的滑动窗双边累计和(CUSUM)事件检测算法示意图;
图3是本发明实施例提供的训练极限学习机的实现流程图;
图4是本发明实施例提供的应用于终端设备的非侵入式负荷识别装置的结构示意图;
图5是本发明实施例提供的应用于云端服务器的非侵入式负荷识别装置的结构示意图;
图6是本发明实施例提供的终端设备的示意图;
图7是本发明实施例提供的云端服务器的示意图;
图8是本发明实施例提供的非侵入式负荷识别系统的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
图1是本发明实施例提供的应用于终端设备的非侵入式负荷识别方法的实现流程图。如图1所示,在该实施例中,非侵入式负荷识别方法,应用于终端设备,终端设备部署于用户用电系统,包括:
S101,获取智能电表实时采集的用户用电系统入口端的电流信号;
S102,根据电流信号,检测是否发生负荷投切事件;
S103,在检测到负荷投切事件发生后,确定负荷投切事件中投切负荷的电流信号,对投切负荷的电流信号进行处理,得到投切负荷特征集;
S104,将投切负荷特征集上传至云端服务器,投切负荷特征集用于云端服务器将其输入到经过训练的极限学习机中,以对用户用电系统进行负荷识别;
其中,投切负荷特征集包括时域特征集和频域特征集;
时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;
频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。
本实施例中,终端设备为具有通信功能的计算设备,用于对智能电表采集的数据进行初步处理后上传。终端设备可以集成在智能电表内,也可以是与智能电表连接的独立设备,在此不做限定。用户用电系统可以是包括多种家庭用电设备的家庭用电系统,也可以是包括多种公司、商场等包括多种设备的小区域用电系统,在此不做限定。智能电表的采样频率可以为6.4KHz。投切负荷为用户用电系统中投入或切出的用电设备。
本实施例中,在检测到负荷投切事件发生后,确定负荷投切事件中投切负荷的电流信号,可以包括:负荷投切事件发生前后两个时刻智能电表采集的电流信号做差,得到负荷投切事件中投切负荷的电流信号。
本实施例中,通过将从时间序列分布情况、幅值变化、时域能量、频域能量、主频信息、频谱集中程度六个方面提取投切负荷电流信号的特征,能够精确的识别投切负荷,对功率相近的负荷实现有效识别。
在一些实施例中,第一时域特征包括下述至少一项:均值、偏斜度、峭度、峰-峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标。
第二时域特征包括下述至少一项:均方根值、方根幅值、绝对平均值。
第三时域特征包括下述至少一项:均值平方、最大值、最小值。
第一频域特征包括:均值频率。
S103可以包括:
对投切负荷的电流信号进行处理,确定电流信号的时域序列和频域序列;
根据时域序列确定时域特征集,并根据频域序列确定频域特征集。
本实施例中,对投切负荷的电流信号进行离散化,得到电流信号的时域序列。然后对时域序列进行FFT变换,得到频域序列。
在一些实施例中,根据时域序列确定时域特征集,包括:
根据时域序列和时域提取公式,确定时域特征集;
时域提取公式为:
P8=max(x(n)) (8)
P9=min(x(n)) (9)
P10=P8-P9 (10)
其中,x(n)为时域序列,n=1,2,…,N,N为时域序列的样本点数;
P1为均值,P5为偏斜度,P6为峭度,P10为峰-峰值,P11为波形指标,P12为峰值指标,P13为脉冲指标,P14为裕度指标,P15为偏斜度指标,P16为峭度指标;
P2为均方根值,P3为方根幅值,P4为绝对平均值;
P7为方差,P8为最大值,P9为最小值。
本实施例中,偏斜度是对统计数据分布偏斜方向及程度的度量。峭度是反映随机变量分布特性的数值统计量。峰-峰值是指一个周期内信号最高值和最低值之间差的值,就是最大和最小之间的范围,它描述了信号值的变化范围的大小,波形指标为信号的幅度均方差根与信号绝对平均值的比值,反映时域信号的波形特征。峰值因子是信号峰值与有效值的比值,用来检测信号中是否存在冲击的统计指标。峰值是一个时不稳参数,不同的时刻变动很大。由于峰值的稳定性不好,对冲击的敏感度也较差,因此在故障诊断中,该指标逐渐被峭度指标取代。脉冲因子是信号峰值与整流平均值(绝对值的平均值)的比值。脉冲因子和峰值因子的区别在分母上,由于对于同一组数据整流平均值小于有效值,所以脉冲因子大于峰值因子。脉冲因子也同样用以检测信号中是否存在冲击。裕度因子是信号峰值与方根幅值的比值。与峰值因子类似,方根幅值和均方根值(有效值)是对应的,均方根的公式是信号平方和的平均值的算术平方根。偏斜度是对统计数据分布偏斜方向及程度的度量。峭度指标对信号中的冲击成分十分敏感,冲击成分能量越大,其峭度值就会越大。
在一些实施例中,根据频域序列确定频域特征集,包括:
根据频域序列和时频域取公式,确定频域特征集;
频域提取公式为:
其中,f(k)为时域序列,k=1,2,…,K,K为谱线数,fk为第k条谱线的频率值,P17为均值频率,P21、P24、P25为第二频域特征,P18、P19、P20、P22、P23、P26、P27、P28、P29为第三频域特征。
本实施例中,均值频率为样本频率分布的均值,即以组频率为权数的组中值的加权平均值。P21为频率中心,P21、P24、P25用于反映电流信号的主频带位置的变化。P18为标准差,P23为均方根频率,P18、P19、P20、P22、P23、P26、P27、P28、P29分别从不同的方面频谱分散或集中的程度。
在一些实施例中,S202,可以包括:
根据电流信号的有效值、均值计算窗函数、暂态检测窗函数、累积和事件检测算法,判断是否发生负荷投切事件。
图2是基于序贯概率比检验的滑动窗双边累计和(CUSUM)事件检测算法示意图,其横轴为时间,纵轴为功率。如图2所示,本实施例中,假设为某组合电气设备的电流有效值时间序列,在该时间序列内定义两个连续的滑动窗口:均值计算窗口(WM)和暂态检测窗口(WD),其窗口长度(窗口内的电流数据点个数)分别为m和n,均值计算窗和暂态检测窗共同组成一个事件检测窗。
计算均值计算窗和暂态检测窗内的均值Mm和Md,如下式所示
其中,k为事件检测窗的起始时刻。
其中,β表示电流时间序列中负荷稳态工作时电流的波动水平。
本实施例中,的初始值为0,当检测窗口均值Md大于Μμ+β时开始大于零,且时,说明此时有事件发生的可能,但是累计的变化量尚未到确定事件发生的程度。为了使滑动窗继续滑动检测是否有投入事件发生,此时引入时间延迟因子d(d的初始值为0),当时,令d=d+1,计算直至则发生的时刻可根据k+m-d倒推得出,对于切除事件也是相同的原理进行检测。
在一些实施例中,在检测到负荷投切事件发生后,确定负荷投切事件中投切负荷的电流信号之后,方法还包括:
将投切负荷的电流信号存入预先建立的负荷数据库;
对负荷数据库中投切负荷的电流信号进行特征提取,得到特征样本集;
将特征样本集上传至云端服务器,其中,特征样本集用于云端服务器对极限学习机进行训练。
本实施例中,用户用电系统中包括多种负荷,在每种负荷投切时,都会将其电流信号存入预先建立的负荷数据库,并对该负荷的电流信号进行特征提取。随着用户用电系统的运行,各种负荷不断被投入或切出,负荷数据库逐渐存储有用户用电系统的全部负荷的电流数据,以构成特征样本集。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一些实施例中,非侵入式负荷识别方法,应用于上述任一实施例中的云端服务器,包括:
将终端设备上传的投切负荷特征集输入到预先构建的极限学习机中,以对用户用电系统进行负荷识别。
本实施例中,云端服务器可以是常规的云端服务器,也可以是服务于电力调度中心的专用云端服务器,在此不做限定。极限学习机(Extreme Learning Machine,ELM)或“超限学习机”是一类基于前馈神经网络(Feedforward Neuron Network,FNN)构建的机器学习系统或方法,适用于监督学习和非监督学习问题。
在一些实施例中,非侵入式负荷识别方法还包括:
从用户用电系统对应的终端设备的负荷数据库中获取特征样本集;
根据特征样本集训练极限学习机。
图3是本发明实施例提供的训练极限学习机的实现流程图。如图3所示,在一些实施例中,根据特征样本集训练极限学习机,包括:
S301,根据随机森林算法对特征样本集中的特征进行重要性排序;
S302,根据特征样本集训练极限学习机;
S303,计算极限学习机的识别准确率;
S304,去除特征样本集中重要性排序最低的一种特征,并跳转至根据特征样本集训练极限学习机的步骤,直到特征样本集中的特征全部被去除;
S305,选取识别准确率最高的特征样本集对应的特征种类作为极限学习机的输入特征的类型。
本实施例中,可以将特征样本集作为随机森林输入,使用随机森林进行特征重要性计算并取重要性平均值,得到的29个投切负荷特征重要性排序。
为比较特征对于ELM识别准确率的影响,每次从特征集合中去掉一个特征重要性值最小的特征,并计算该特征子集下识别准确率,最后从特征集合中选择识别准确率最高的特征子集。作为极限学习机的输入特征的类型。
在一些实施例中,非侵入式负荷识别方法还包括:
采用遗传算法对极限学习机的权值和偏置参数进行优化。
本实施例中,为进一步提升ELM模型的识别性能,采用遗传算法(GA)对ELM的权值和偏置参数优化。个体编码使用二进制编码。
现有技术中的负荷识别方法,通常具有以下技术问题:
1.现有负荷识别方法对于功率相近的负荷不能实现有效识别,需要对特征进行进一步研究,提取更加有效的特征。
2.现有模型对于冗余和可分性较差的特征进行训练和识别的会产生识别准确率低及计算耗时较长的问题。
3.现有电表装置对于高频信号下的负荷识别所要求的计算性能不够,需对负荷识别的硬件进行提升或使用云端计算的方案。
下面提供一个实施示例对本申请的本申请的非侵入式负荷识别方法进行说明,但并不作为限定。在该实施示例中,负荷识别可分为模型训练阶段和负荷识别阶段。
模型训练阶段包括:
a、使用采样频率为6.4KHz的智能电表对单个负荷电流(即单个投切负荷的电流信号)进行数据采集生成数据集,构建负荷数据库。
b.对单个负荷电流样本进行时频分析,使用上述实施例中的公式提取29个时频特征作为样本特征。
c.将提取时频特征后的数据样本作为随机森林输入,使用随机森林进行特征重要性计算并取重要性平均值,得到的29个稳态电流时频特征重要性排序。
d.为比较特征对于ELM识别准确率的影响,每次从特征集合中去掉一个特征重要性值最小的特征,并计算该特征子集下识别准确率,最后从特征集合中选择识别准确率最高的特征子集。
e.为进一步提升ELM模型的识别性能,采用遗传算法(GA)对ELM的权值和偏置参数优化。个体编码使用二进制编码。
f.最终将GA优化后权值和偏置作为ELM模型参数,并将经过随机森林特征选择的最优特征子集作为模型输入特征,至此模型训练完成。
其中,a、b步骤由终端设备实现,c-f步骤由云端服务器实现。
负荷识别阶段包括:
A.对入户总线电流进行事件检测,对投切事件前后的电流信后做差得到投入待识别的负荷电流。
B.对待识别的负荷电流进行特征提取。
C.在云端使用训练好的模型进行负荷识别。
其中,A、B步骤由终端设备实现,C步骤由云端服务器实现。
与现有技术相比,本申请具有以下效果:
1.针对现有负荷识别方法对于功率相近的负荷不能实现有效识别的问题,提出了一种新的特征提取法,通过对于电流波形进行时频信号统计分析得到29个时频特征,准确刻画不同负荷电流波形的不同特征,从而实现精准识别。
2.同时针对现有模型对于冗余和可分性较差的特征进行训练识别产生的识别准确率低及计算耗时较长的问题,提出一种基于随机森林(RF)和遗传算法(GA)优化极限学习机(ELM)的负荷识别方法,该方法能够有效减少冗余和可分性较差的特征,显著提高负荷识别准确率和减少计算时间。
3.最后针对现有装置对于计算高频信号所产生的计算量过大的问题,提出了云端协作的负荷识别方法,将非侵入式负荷识别终端提取到的电流特征上传至云端服务器进行负荷识别,极大的减少了本地终端的计算量,降低了对于本地终端的计算性能要求。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的应用于终端设备的非侵入式负荷识别装置的结构示意图。如图4所示,在一些实施例中,非侵入式负荷识别装置4,应用于终端设备,终端设备部署于用户用电系统,包括:
获取模块410,用于获取智能电表实时采集的用户用电系统入口端的电流信号;
检测模块420,用于根据电流信号,检测是否发生负荷投切事件;
提取模块430,用于在检测到所述负荷投切事件发生后,确定所述负荷投切事件中投切负荷的电流信号,对投切负荷的电流信号进行处理,得到投切负荷特征集;
上传模块440,用于将所述投切负荷特征集上传至云端服务器,所述投切负荷特征集用于所述云端服务器将其输入到经过训练的极限学习机中,以对所述用户用电系统进行负荷识别;
其中,所述投切负荷特征集包括时域特征集和频域特征集;
所述时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;
所述频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。
可选的,第一时域特征包括下述至少一项:均值、偏斜度、峭度、峰-峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标。
第二时域特征包括下述至少一项:均方根值、方根幅值、绝对平均值。
第三时域特征包括下述至少一项:均值平方、最大值、最小值。
第一频域特征包括:均值频率。
可选的,提取模块430,具体用于对投切负荷的电流信号进行处理,确定电流信号的时域序列和频域序列;
根据时域序列确定时域特征集,并根据频域序列确定频域特征集。
可选的,提取模块430,具体用于根据时域序列和时域提取公式,确定时域特征集;
时域提取公式为:
P8=max(x(n))
P9=min(x(n))
P10=P8-P9
其中,x(n)为时域序列,n=1,2,…,N,N为时域序列的样本点数;
P1为均值,P5为偏斜度,P6为峭度,P10为峰-峰值,P11为波形指标,P12为峰值指标,P13为脉冲指标,P14为裕度指标,P15为偏斜度指标,P16为峭度指标;
P2为均方根值,P3为方根幅值,P4为绝对平均值;
P7为方差,P8为最大值,P9为最小值。
可选的,提取模块430,具体用于根据频域序列和时频域取公式,确定频域特征集;
频域提取公式为:
其中,f(k)为时域序列,k=1,2,…,K,K为谱线数,fk为第k条谱线的频率值,P17为均值频率,P21、P24、P25为第二频域特征,P18、P19、P20、P22、P23、P26、P27、P28、P29为第三频域特征。
可选的,检测模块420,具体用于根据电流信号的有效值、均值计算窗函数、暂态检测窗函数、累积和事件检测算法,判断是否发生负荷投切事件。
可选的,非侵入式负荷识别装置4还包括:存储模块450。
存储模块450,用于将投切负荷的电流信号存入预先建立的负荷数据库;
对负荷数据库中投切负荷的电流信号进行特征提取,得到特征样本集;
将特征样本集上传至云端服务器,其中,特征样本集用于云端服务器对极限学习机进行训练。
本实施例提供的应用于终端设备的非侵入式负荷识别装置,可用于执行上述应用于终端设备的非侵入式负荷识别方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图5是本发明实施例提供的应用于云端服务器的非侵入式负荷识别装置的结构示意图。如图5所示,在一些实施例中,非侵入式负荷识别装置5,应用于云端服务器,包括:
识别模块510,用于将终端设备上传的投切负荷特征集输入到预先构建的极限学习机中,以对用户用电系统进行负荷识别。
可选的,非侵入式负荷识别装置5还包括:训练模块520。
训练模块520,用于从用户用电系统对应的终端设备的负荷数据库中获取特征样本集;
根据特征样本集训练极限学习机。
可选的,训练模块520,用于根据随机森林算法对特征样本集中的特征进行重要性排序;
根据特征样本集训练极限学习机;
计算极限学习机的识别准确率;
去除特征样本集中重要性排序最低的一种特征,并跳转至根据特征样本集训练极限学习机的步骤,直到特征样本集中的特征全部被去除;
选取识别准确率最高的特征样本集对应的特征种类作为极限学习机的输入特征的类型。
可选的,非侵入式负荷识别装置5还包括:优化模块530。
优化模块530,用于采用遗传算法对极限学习机的权值和偏置参数进行优化。
本实施例提供的应用于云端服务器的非侵入式负荷识别装置,可用于执行上述应用于云端服务器的非侵入式负荷识别方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图6是本发明实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述各个应用于终端设备的非侵入式负荷识别方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块310至340的功能。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器61中,并由处理器60执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在终端设备6中的执行过程。
终端设备6具有通信功能的计算设备。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是终端设备6的内部存储单元,例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备,例如终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述应用于终端设备的非侵入式负荷识别方法实施例中的步骤。
计算机可读存储介质存储有计算机程序62,计算机程序62包括程序指令,程序指令被处理器60执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序62来指令相关的硬件来完成,计算机程序62可存储于一计算机可读存储介质中,该计算机程序62在被处理器60执行时,可实现上述各个方法实施例的步骤。其中,计算机程序62包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的云端服务器的示意图。如图7所示,该实施例的云端服务器7包括:处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个应用于云端服务器的非侵入式负荷识别方法实施例中的步骤,例如图2所示的步骤201至205。或者,处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块410的功能。
示例性的,计算机程序72可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器71中,并由处理器70执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序72在云端服务器7中的执行过程。
云端服务器7可以是常规的云端服务器,也可以是服务于电力调度中心的专用云端服务器。本领域技术人员可以理解,图7仅仅是云端服务器7的示例,并不构成对云端服务器7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器71可以是云端服务器7的内部存储单元,例如云端服务器7的硬盘或内存。存储器71也可以是云端服务器7的外部存储设备,例如云端服务器7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器71还可以既包括云端服务器7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述应用于云端服务器的非侵入式负荷识别方法实施例中的步骤。
计算机可读存储介质存储有计算机程序72,计算机程序72包括程序指令,程序指令被处理器70执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序72来指令相关的硬件来完成,计算机程序72可存储于一计算机可读存储介质中,该计算机程序72在被处理器70执行时,可实现上述各个方法实施例的步骤。其中,计算机程序72包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图8是本发明实施例提供的非侵入式负荷识别系统的结构示意图。非侵入式负荷识别系统,包括:上述任一实施例中的云端服务器81、上述任一实施例中的终端设备82以及智能电表83;
云端服务器81与至少一个终端设备82连接;终端设备82与至少一个智能电表83连接。
本实施例中,云端服务器81可以服务于目标区域内的终端设备82。例如使用一个云端服务器81服务某市的下属行政区域内的终端设备82。终端设备82可以安装在智能电表内或者与一个智能电表连接,服务于该电能表的用户电力系统,也可以安装在居民楼内的某一层,与多个智能电表连接,服务于该层的多个用户电力系统,在此不做限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种非侵入式负荷识别方法,应用于终端设备,所述终端设备部署于用户用电系统,其特征在于,包括:
获取智能电表实时采集的用户用电系统入口端的电流信号;
根据电流信号,检测是否发生负荷投切事件;
在检测到所述负荷投切事件发生后,确定所述负荷投切事件中投切负荷的电流信号,对投切负荷的电流信号进行处理,得到投切负荷特征集;
将所述投切负荷特征集上传至云端服务器,所述投切负荷特征集用于所述云端服务器将其输入到经过训练的极限学习机中,以对所述用户用电系统进行负荷识别;
其中,所述投切负荷特征集包括时域特征集和频域特征集;
所述时域特征集包括表征时间序列分布情况的第一时域特征、表征幅值变化的第二时域特征、表征时域能量的第三时域特征;
所述频域特征集包括表征频域能量的第一频域特征、表征主频信息的第二频域特征、表征频谱集中程度的第三频域特征。
2.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,所述第一时域特征包括下述至少一项:均值、偏斜度、峭度、峰-峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标;
所述第二时域特征包括下述至少一项:均方根值、方根幅值、绝对平均值;
所述第三时域特征包括下述至少一项:均值平方、最大值、最小值;
所述第一频域特征包括:均值频率;
对所述负荷投切事件对应的电流信号进行特征提取,得到投切负荷特征集包括:
对所述投切负荷的电流信号进行特征提取,确定电流信号的时域序列和频域序列;
根据所述时域序列确定所述时域特征集,并根据所述频域序列确定所述频域特征集。
4.根据权利要求1-3任一项所述的非侵入式负荷识别方法,其特征在于,所述根据电流信号,检测是否发生负荷投切事件,包括:
根据所述电流信号的有效值、均值计算窗函数、暂态检测窗函数、累积和事件检测算法,判断是否发生负荷投切事件;
在检测到所述负荷投切事件发生后,确定所述负荷投切事件中投切负荷的电流信号之后,所述方法还包括:
将所述投切负荷的电流信号存入预先建立的负荷数据库;
对所述负荷数据库中投切负荷的电流信号进行特征提取,得到特征样本集;
将所述特征样本集上传至所述云端服务器,其中,所述特征样本集用于所述云端服务器对所述极限学习机进行训练。
5.一种非侵入式负荷识别方法,应用于如权利要求1-4任一项所述的云端服务器,其特征在于,包括:
将终端设备上传的投切负荷特征集输入到预先构建的极限学习机中,以对用户用电系统进行负荷识别。
6.根据权利要求5所述的非侵入式负荷识别方法,其特征在于,所述方法还包括:
从所述用户用电系统对应的终端设备的负荷数据库中获取特征样本集;
根据所述特征样本集训练极限学习机。
7.根据权利要求5所述的非侵入式负荷识别方法,其特征在于,所述方法还包括:
采用遗传算法对所述极限学习机的权值和偏置参数进行优化;
所述根据所述特征样本集训练极限学习机,包括:
根据随机森林算法对所述特征样本集中的特征进行重要性排序;
根据所述特征样本集训练所述极限学习机;
计算所述极限学习机的识别准确率;
去除所述特征样本集中重要性排序最低的一种特征,并跳转至根据所述特征样本集训练所述极限学习机的步骤,直到所述特征样本集中的特征全部被去除;
选取识别准确率最高的特征样本集对应的特征种类作为所述极限学习机的输入特征的类型。
8.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上权利要求1-4任一项所述非侵入式负荷识别方法的步骤。
9.一种云端服务器,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上权利要求5-8任一项所述非侵入式负荷识别方法的步骤。
10.一种非侵入式负荷识别系统,其特征在于,包括:如权利要求9所述的云端服务器、如权利要求8所述的终端设备以及智能电表;
所述云端服务器与至少一个所述终端设备连接;所述终端设备与至少一个所述智能电表连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525626.0A CN114184870A (zh) | 2021-12-14 | 2021-12-14 | 非侵入式负荷识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525626.0A CN114184870A (zh) | 2021-12-14 | 2021-12-14 | 非侵入式负荷识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114184870A true CN114184870A (zh) | 2022-03-15 |
Family
ID=80543740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525626.0A Pending CN114184870A (zh) | 2021-12-14 | 2021-12-14 | 非侵入式负荷识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114184870A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796095A (zh) * | 2023-02-07 | 2023-03-14 | 中国科学技术大学 | 一种基于遗传算法的脉冲插值定时参数优化方法 |
CN116861318A (zh) * | 2023-09-05 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN108181533A (zh) * | 2018-01-18 | 2018-06-19 | 中国海洋大学 | 一种非侵入式的电力负荷智能检测及分层分类方法 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110866214A (zh) * | 2019-11-07 | 2020-03-06 | 昆明理工大学 | 基于改进微分进化算法的非侵入式负荷分解 |
CN111060730A (zh) * | 2019-12-30 | 2020-04-24 | 国网北京市电力公司 | 一种计量设备周期轮换过程中的现场数据采集装置及方法 |
CN111600380A (zh) * | 2020-03-28 | 2020-08-28 | 青岛鼎信通讯股份有限公司 | 一种基于可变负载和恒流检测的户变关系识别方法 |
CN111722028A (zh) * | 2019-03-19 | 2020-09-29 | 华北电力大学 | 一种基于高频数据的负荷识别方法 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
CN112924779A (zh) * | 2021-01-25 | 2021-06-08 | 河北科技大学 | 非侵入式负荷识别方法、装置及终端设备 |
CN113222401A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 非侵入式负荷类型的智能识别方法、装置、服务器及系统 |
-
2021
- 2021-12-14 CN CN202111525626.0A patent/CN114184870A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN108181533A (zh) * | 2018-01-18 | 2018-06-19 | 中国海洋大学 | 一种非侵入式的电力负荷智能检测及分层分类方法 |
CN111722028A (zh) * | 2019-03-19 | 2020-09-29 | 华北电力大学 | 一种基于高频数据的负荷识别方法 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110866214A (zh) * | 2019-11-07 | 2020-03-06 | 昆明理工大学 | 基于改进微分进化算法的非侵入式负荷分解 |
CN111060730A (zh) * | 2019-12-30 | 2020-04-24 | 国网北京市电力公司 | 一种计量设备周期轮换过程中的现场数据采集装置及方法 |
CN111600380A (zh) * | 2020-03-28 | 2020-08-28 | 青岛鼎信通讯股份有限公司 | 一种基于可变负载和恒流检测的户变关系识别方法 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
CN112924779A (zh) * | 2021-01-25 | 2021-06-08 | 河北科技大学 | 非侵入式负荷识别方法、装置及终端设备 |
CN113222401A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 非侵入式负荷类型的智能识别方法、装置、服务器及系统 |
Non-Patent Citations (13)
Title |
---|
GUANG-BIN HUANG等: "Extreme learning machines:a survey", INTERNATIONAL JOURNAL OF MACHINE LEARNING AND CYBERNETICS, vol. 2, no. 1, pages 107 - 122, XP055083871, DOI: 10.1007/s13042-011-0019-y * |
任立通等: "基于随机共振预处理的振动故障特征提取研究", 振动与冲击, vol. 33, no. 2, pages 141 - 146 * |
冯威等: "基于功率轨迹的非侵入式负荷监测方法研究", 日用电器, vol. 1, no. 1, pages 69 - 74 * |
刘蕴哲等: "基于特征选择与概率神经网络的轴承故障诊断研究", 机械传动, vol. 40, no. 10, pages 48 - 53 * |
安国庆: "基于CF-MF-SE联合特征的非侵入式负荷辨识", 河北科技大学学报, vol. 42, no. 5, pages 462 - 469 * |
张旭旭等: "多档位家用电器的非侵入式检测研究", 电力信息与通信技术, vol. 19, no. 5, pages 89 - 94 * |
李争等: "非侵入式负荷监测与辨识方法研究综述", 日用电器, vol. 1, no. 1, pages 109 - 114 * |
李如意等: "基于随机森林的非侵入式家庭负荷辨识方法", 电测与仪表, vol. 58, no. 4, pages 9 - 16 * |
江帆等: "基于广义回归神经网络的非侵入式负荷识别方法", 电测与仪表, vol. 57, no. 3, pages 1 - 18 * |
程晓涵等: "24种特征指标对轴承状态识别的性能研究", 振动.测试与诊断, vol. 36, no. 2, pages 351 - 358 * |
解洋等: "基于V-I 轨迹颜色编码的非侵入式负荷识别方法", 电力系统自动化, vol. 46, no. 4, pages 93 - 102 * |
雷亚国等: "基于混合智能新模型的故障诊断", 机械工程学报, vol. 44, no. 7, pages 112 - 117 * |
马意彭等: "基于RN8209 的用电器识别监测系统", 数码世界, vol. 1, no. 1, pages 291 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796095A (zh) * | 2023-02-07 | 2023-03-14 | 中国科学技术大学 | 一种基于遗传算法的脉冲插值定时参数优化方法 |
CN116861318A (zh) * | 2023-09-05 | 2023-10-10 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
CN116861318B (zh) * | 2023-09-05 | 2023-11-21 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
CN104091056B (zh) | 一种实验室设备使用寿命预测系统和方法 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN107589391B (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN109307798A (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN107944721A (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN117849700B (zh) | 可控制测量的模块化电能计量系统 | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN109586249B (zh) | 变压器励磁涌流判别方法和装置 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
CN110989363B (zh) | 一种基于深度学习的电能质量控制方法及装置 | |
CN113030648A (zh) | 电力电缆故障点位置确定方法、装置及终端设备 | |
CN113655344B (zh) | 一种配电网故障识别方法、装置、终端及介质 |
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 |