CN114266677A - 负荷身份库构建方法及系统、负荷身份识别方法及系统 - Google Patents
负荷身份库构建方法及系统、负荷身份识别方法及系统 Download PDFInfo
- Publication number
- CN114266677A CN114266677A CN202210183138.4A CN202210183138A CN114266677A CN 114266677 A CN114266677 A CN 114266677A CN 202210183138 A CN202210183138 A CN 202210183138A CN 114266677 A CN114266677 A CN 114266677A
- Authority
- CN
- China
- Prior art keywords
- load
- waveform
- user
- typical
- electrical parameter
- 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
Images
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种负荷身份库构建方法及系统、负荷身份识别方法及系统，属于负荷辨识技术领域。本发明的负荷身份库构建方法通过根据用户的总用电数据的波动实现负荷波形的提取，在此基础上基于负荷分类器进行负荷类型识别，实现用户的负荷身份库的建立，无需到用户家中获得不同负荷的负荷先验数据，并实现了自动化的负荷身份库的建立。后续可基于负荷身份库进行负荷识别。
Description
技术领域
本发明涉及负荷辨识技术领域，特别是涉及负荷身份库构建方法及系统、负荷身份识别方法及系统。
背景技术
电力需求侧管理是解决能源紧缺问题的重要途径，需要根据负荷用电数据对需求侧资源进行合理的调度和配置，从而提高电能利用效率。因此需要进行用户侧的负荷监测，监测实时用电信息，实现需求侧智能管理。目前，常用的负荷监测方法分为侵入式和非侵入式两种，由于侵入式方法在安装、维护和管理等方面复杂不便，会对用户的生产生活造成一定程度的影响，同时电网没有足够的权限实施用户负荷的管理，无法进入内部测量用电数据。因此，非侵入式负荷监测技术受到了研究人员的广泛关注，该技术在对电力入口处采集得到的总用电数据，利用信号处理技术进行分析处理，获得用户中各负荷的用电数据，得到用户的实际用电情况及细节能耗水平。目前研究的方法需要事先手动到用户家中记录大量的负荷先验数据，可能会对用户生活造成一定影响，监测过程也无法自动执行。
发明内容
有鉴于此，本发明提供了一种负荷身份库构建方法及系统、负荷身份识别方法及系统，以实现在无需到用户家中获取大量的负荷先验数据条件下对负荷身份的自动化非侵入式监测。
为实现上述目的，本发明提供了如下方案：
根据本发明提供的具体实施例，本发明公开了以下技术效果：
一种负荷身份库构建方法，所述构建方法用于针对不同的用户构建不同的负荷身份库，所述构建方法包括如下步骤：
监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形；
对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱；
将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的；
判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果；
若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库；
返回步骤“监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形”，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。
可选的，对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得典型负荷样本的负荷特征图谱的步骤具体包括：
基于每个典型负荷样本单独运行时的电压波形和电流波形计算每个典型负荷样本的电参数特征；所述电参数特征包括电流总谐波畸变率、有功功率、无功功率、功率因数和皮尔逊系数；
基于每个典型负荷样本单独运行时的电压波形和电流波形，采用统计的方式，确定每个典型负荷样本的非电参数特征；所述非电参数特征包括开启频次、投切持续时间、第一负荷类型、第二负荷类型和第三负荷类型；所述第一负荷类型包括阻性负荷和非阻性负荷，所述第二负荷类型包括连续运行负荷和间续运行负荷，所述第三负荷类型包括固定运行时间负荷和非固定运行时间负荷；
基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱。
可选的，所述基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
基于每个典型负荷样本单独运行时的电压波形和电流波形，利用如下公式计算每个典型负荷样本的电参数特征；
其中，P k 、Q k 、PF k 、THD k 和r k 分别表示第k个典型负荷样本的有功功率、无功功率、功率因数、电流畸变和电流波形与标准正弦波之间的皮尔逊系数，U k,i 、I k,i 和φ k,i 分别表示第k个典型负荷样本在第i个采样点的电压值、电流值和相位角，I k 和μ Ik 分别表示第k个典型负荷样本的电流波形和第k个典型负荷样本的电流波形的标准差，I k,r 和μ Ik,r 分别表示标准正弦的电流波形和标准正弦的电流波形的标准差。
可选的，所述基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征；
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，构建每个典型负荷样本的负荷特征图谱；所述负荷特征为融合电参数特征或非电参数特征。
可选的，所述按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征，具体包括：
利用如下公式计算不同典型负荷样本在每种电参数组合下的散布矩阵特征值；
其中，m 0,j 表示所有负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值的和组成的数值向量，m c,j 表示第c种负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值组成的均值向量，C表示负荷种类数，φ c 表示第c种负荷类型的典型负荷样本集合，x s,j 表示属于第c种负荷类型的第s个典型负荷样本的第j种电参数组合中每个电参数的数值组成的数值向量；S w,j 和S b,j 分别表示第j种电参数组合下的类内散布矩阵和类间散布矩阵，J j 表示第j种电参数组合下的散布矩阵特征值；
选取散布矩阵特征值较大的电参数组合作为融合电参数集合；
获得每个典型负荷样本对应融合电参数集合中的电参数的数值，得到每个所述典型负荷样本的融合电参数特征。
可选的，所述基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，具体包括：
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用如下公式，计算每个负荷特征的权重；
其中，
表示第l个负荷特征的权重，L表示负荷特征的数量，d l 表示第l个负荷特征的信息熵冗余度，p kl 表示第l个负荷特征中第k个典型负荷样本所占的比重，h l 表示第l个负荷特征的信息熵，f kl 表示第k个典型负荷样本的第l个负荷特征的归一化后的特征值，K表示典型负荷样本的数量。
一种负荷身份库构建系统，所述构建系统用于针对不同的用户构建不同的负荷身份库，所述构建系统包括：
监测模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形；
特征提取模块，用于对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱；
负荷类型识别模块，用于将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的；
判断模块，用于判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果；
负荷身份库更新模块，用于若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库；
返回模块，用于返回监测模块，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。
一种负荷身份识别方法，所述识别方法包括如下步骤：
监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为采用负荷身份库构建方法构建的；所述总拟合波形函数中的拟合系数待定；
采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的；
根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
可选的，采用遗传算法确定拟合系数的过程中的目标函数和约束条件为：
其中，d表示目标函数值，I x 表示待识别的总电流变化量波形，I q 表示负荷身份库中第q个负荷类型的电流波形；a q 表示负荷身份库中第q个负荷类型的电流波形的拟合系数，M表示负荷身份库中负荷类型的数量，s表示拟合波形，r表示带识别总电流波形与拟合波形之间的皮尔逊系数，μ Ix 和μ s 分别表示待识别的总电流变化量波形和拟合波形的标准差。
一种负荷身份识别系统，所述识别系统包括：
总电流变化量波形获取模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
波形拟合模块，用于基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为采用负荷身份库构建方法构建的；所述总拟合波形函数中的拟合系数待定；
拟合系数求解模块，用于采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的；
负荷识别模块，用于根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
本发明公开一种负荷身份库构建方法及系统、负荷身份识别方法及系统，本发明的负荷身份库构建方法通过根据用户的总用电数据的波动实现负荷波形的提取，在此基础上基于负荷分类器进行负荷类型识别，实现用户的负荷身份库的建立，无需到用户家中获得不同负荷的负荷先验数据，并实现了自动化的负荷身份库的建立。后续可基于负荷身份库进行负荷识别。
本发明的识别方法基于负荷身份库采用波形拟合的方式对待监测的总波形数据中的负荷进行识别，实现了负荷的自动化识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例1提供的一种负荷身份库构建方法的流程图；
图2为本发明实施例2提供的一种负荷身份识别方法的流程图；
图3为本发明实施例3提供的一种负荷身份库构建与负荷辨识方法的流程图；
图4为本发明实施例3提供的一种负荷身份库构建与负荷辨识系统的结构示意图；
图5为本发明实施例3提供的负荷身份库构建与负荷辨识系统的功能示例图；
图6为本发明实施例3提供的负荷身份库的示例图；
图7为本发明实施例3提供的遗传算法的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种负荷身份库构建方法及系统、负荷身份识别方法及系统，以实现在无需到用户家中获取大量的负荷先验数据条件下对负荷身份的自动化非侵入式监测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例1提供一种负荷身份库构建方法，所述构建方法用于针对不同的用户构建不同的负荷身份库，所述构建方法包括如下步骤：
步骤101，监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形。
步骤102，对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱。
步骤103，将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的。
其中，基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到负荷分类器的具体步骤包括：基于负荷特征图谱，采用SVM组合分类器进行负荷辨识；SVM分类器的训练过程基于负荷特征图谱中的数据，寻找能将负荷分类的核函数参数。
其中，对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得典型负荷样本的负荷特征图谱的步骤具体包括：
首先，波形采集。
利用采集装置对典型负荷样本进行高频采集模式下的数据采集，得到典型负荷样本独立运行时的电流波形和电压波形，典型负荷样本种类包括但不限于：空调、电视、电脑、冰箱、热水器、电饭煲。
1、对采集得到的电流进行滤波，去除噪声。
示例性的，采集得到的电流由负荷运行电流以及噪声构成：
其中，I(t)表示采集得到的电流，I k (t)表示第k个典型负荷样本的负荷运行电流，n(t)为噪声。
2、提取稳态波形。当负荷运行电流达到稳态时，提取出单个周期的电流波形，作为典型负荷样本独立运行时的电流波形。
其中，电压波形的获取方式与电流波形相同，在此不再赘述。
然后，基于每个典型负荷样本单独运行时的电压波形和电流波形计算每个典型负荷样本的电参数特征；基于负荷在稳态下的单周期电流电压波形计算负荷的稳态运行电参数特征，得到该用电负荷的电参数特征集
。所述电参数特征包括电流总谐波畸变率THD、有功功率P、无功功率Q、功率因数PF和皮尔逊系数r。
基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
基于每个典型负荷样本单独运行时的电压波形和电流波形，利用如下公式计算每个典型负荷样本的电参数特征；
其中，P k 、Q k 、PF k 、THD k 和r k 分别表示第k个典型负荷样本的有功功率、无功功率、功率因数、电流畸变和电流波形与标准正弦波之间的皮尔逊系数，U k,i 、I k,i 和φ k,i 分别表示第k个典型负荷样本在第i个采样点的电压值、电流值和相位角，I k 和μ Ik 分别表示第k个典型负荷样本的电流波形和第k个典型负荷样本的电流波形的标准差，I k,r 和μ Ik,r 分别表示标准正弦的电流波形和标准正弦的电流波形的标准差。
然后，基于每个典型负荷样本单独运行时的电压波形和电流波形，采用统计的方式，确定每个典型负荷样本的非电参数特征。
从采集到的电力数据信号中提取负荷的非电参数特征，包括但不限于开启频次、投切持续时间、阻性负荷或非阻性负荷、连续运行负荷或间续运行负荷、固定运行时间负荷或非固定运行时间负荷。
然后，基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱。
基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征。
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，构建每个典型负荷样本的负荷特征图谱；所述负荷特征为融合电参数特征或非电参数特征，即，进行特征知识加工。对计算得到的特征进行归一化处理，分析计算负荷特征属性值的信息熵并采用改进的熵权法量化负荷特征权重并形成特征图谱。
示例性的，按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征，具体包括：
利用如下公式计算不同典型负荷样本在每种电参数组合下的散布矩阵特征值；
其中，m 0,j 表示所有负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值的和组成的数值向量，m c,j 表示第c种负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值组成的均值向量，C表示负荷种类数，φ c 表示第c种负荷类型的典型负荷样本集合，x s,j 表示属于第c种负荷类型的第s个典型负荷样本的第j种电参数组合中每个电参数的数值组成的数值向量；S w,j 和S b,j 分别表示第j种电参数组合下的类内散布矩阵和类间散布矩阵，J j 表示第j种电参数组合下的散布矩阵特征值。
选取散布矩阵特征值较大的电参数组合作为融合电参数集合。
获得每个典型负荷样本对应融合电参数集合中的电参数的数值，得到每个所述典型负荷样本的融合电参数特征。
示例性的，基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，具体包括：
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用如下公式，计算每个负荷特征的权重；
其中，
表示第l个负荷特征的权重，L表示负荷特征的数量，d l 表示第l个负荷特征的信息熵冗余度，p kl 表示第l个负荷特征中第k个典型负荷样本所占的比重，h l 表示第l个负荷特征的信息熵，f kl 表示第k个典型负荷样本的第l个负荷特征的归一化后的特征值，K表示典型负荷样本的数量。
步骤104，判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果。
步骤105，若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库。
步骤106，返回步骤“监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形”，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。监测周期示例性的为1天、一周或其他，实施例1中的负荷身份库建立结束条件也可示例性的为使负荷身份库中的负荷种类比较完备，当M不再增加时，认为负荷身份库中基本涵盖此用户常用负荷种类。
得到的用户的负荷身份库示例性的为：
其中，L表示信号一周期的总采样点。
本发明实施例1还提供一种负荷身份库构建系统，所述构建系统用于针对不同的用户构建不同的负荷身份库，所述构建系统包括：
监测模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形。具体实现方式与实施例1中的步骤101的实现方式相同，在此不再赘述。
特征提取模块，用于对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱。具体实现方式与实施例1中的步骤102的实现方式相同，在此不再赘述。
负荷类型识别模块，用于将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的。具体实现方式与实施例1中的步骤103的实现方式相同，在此不再赘述。
判断模块，用于判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果。
负荷身份库更新模块，用于若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库。
返回模块，用于返回监测模块，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。
实施例2
本发明实施例2提供一种负荷身份识别方法，如图2所示识别方法包括如下步骤：
步骤201，监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
步骤202，基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为采用负荷身份库构建方法构建的；所述总拟合波形函数中的拟合系数待定。
总拟合波形函数为：
。
拟合系数a为0或1，当为0时，表示对应电器状态未变化；当为1时，表示对应电器状态发生变化。
步骤203，采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的。
为了避免多个负荷同时开启的情况，利用拟合信号与待辨识的负荷波形信号差进行最优负荷类型组合求解。
通过约束负荷波形与拟合信号之间的相似系数可得到更准确的最优解。由于2s内同时开启的电器几乎不可能超过3个，并且分离得到的电流波形与对应电器在负荷身份库中的电流波形相似建立的，因此需要对上述两个问题进行约束。
即，采用遗传算法确定拟合系数的过程中的目标函数和约束条件为：
其中，d表示目标函数值，I x 表示待识别的总电流变化量波形，I q 表示负荷身份库中第q个负荷类型的电流波形；a q 表示负荷身份库中第q个负荷类型的电流波形的拟合系数，M表示负荷身份库中负荷类型的数量，s表示拟合波形，r表示带识别总电流波形与拟合波形之间的皮尔逊系数，μ Ix 和μ s 分别表示待识别的总电流变化量波形和拟合波形的标准差。
遗传算法的示例性的实现方式为：设置初始种群规模设为M×M大小的单位矩阵，令待辨识的负荷波形首先与负荷身份库中的电流模板进行拟合，保证对大部分时间分离得到的单独电器的稳态周期电流进行准确识别。
若未知波形无法在负荷身份库中得到相应辨识结果或遗传算法执行一定次数后的到的最优解仍然大于阈值δ时，认为此时负荷身份库中没有此种负荷则执行实施例1的步骤，利用负荷分类器进行分类，并根据分类结果进一步的完善负荷身份库。
步骤204，根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
本发明实施例2还提供一种负荷身份识别系统，所述识别系统包括：
总电流变化量波形获取模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
波形拟合模块，用于基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为实施例1构建方法构建的；所述总拟合波形函数中的拟合系数待定；
拟合系数求解模块，用于采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的；
负荷识别模块，用于根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
实施例3
本发明实施例3提供一种负荷身份库构建与负荷辨识方法，为实施例1和实施例2联合运行的方式。
如图3所示，负荷身份库构建与负荷辨识方法包括如下步骤：
步骤S1：利用高频采集模式对用户电路状态进行实时监测，得到用户的总用电数据。
步骤S2：根据负荷电流可加性原理，建立负荷分离模型，进行事件提取，得到独立负荷波形。
步骤S3：将波形转为结构化特征数据，构建典型负荷特征图谱。
步骤S4：基于典型负荷特征图谱，采用SVM组合分类器进行负荷辨识。
步骤S5:将辨识结果以及相应事件波形存入负荷身份库。
步骤S6:重复上述步骤，使负荷身份库中的负荷种类比较完备，基本涵盖居民用户常用负荷种类。
步骤S7:利用遗传算法，结合负荷身份库中的电流模板对实时分解出的波形进行寻优，完成负荷快速辨识。
步骤S8:若未知波形无法在负荷身份库中得到相应辨识结果，则转回建库过程，输出负荷辨识结果并完善负荷身份库。
如图4所示，图4为执行图3所示的负荷身份库构建与负荷辨识方法的系统结构图，图5为系统结构图中个模块的示例性功能图。执行图3所示的负荷身份库构建与负荷辨识方法的系统包括采集模块，事件提取模块、建库模块和辨识与判决模块。
其中，建库模块用于执行步骤S3-S6，具体包括：
步骤S3：将波形转为结构化特征数据，构建典型负荷特征图谱;
步骤S31：基于负荷在稳态下的单周期电流电压波形计算负荷的稳态运行电参数特征，得到该用电负荷的负荷属性集
。
步骤S32：从采集到的电力数据信号中提取负荷的非电参数特征。
步骤S33：进行负荷特征融合。根据属性间的依赖度及相关程度对属性进行聚类。
步骤S34：按照类内类间散布矩阵准则选取特征进行属性融合得到子集
。
步骤S35：进行特征知识加工。进行归一化处理，采用改进的熵权法量化负荷特征权重W并形成特征图谱。
步骤S4：基于典型负荷特征图谱，采用SVM组合分类器进行负荷辨识；
步骤S41：通过非线性函数对输入数据进行映射，寻找能将负荷特征数据分割的线性最优分类超平面。
步骤S42：利用负荷特征数据判断种类。
步骤S5:将辨识结果以及相应事件波形存入负荷身份库；
步骤S51：将稳态电流波形及其辨识结果进行存储，存储先验负荷电流模板，形成负荷身份库。
步骤S52：对于同一负荷同一操作模式下的电流信号的规律变化，需存储电流波形间的差值电流。
步骤S6：重复上述步骤，使负荷身份库中的负荷种类比较完备，当M不再增加时，认为负荷身份库中基本涵盖居民用户常用负荷种类。得到的负荷身份库示例性的如图6所示。
辨识与判决模块用于执行步骤S7-S8，具体包括：
步骤S7:利用遗传算法，结合负荷身份库中的电流模板对实时分解出的波形进行寻优，完成负荷快速辨识。步骤7的实现原理示例性的如图7所示。
步骤S71：为了避免多个负荷同时开启的情况，利用拟合信号与待辨识的负荷波形信号差的范数进行最优负荷类型组合求解。拟合信号S表示为：
步骤S72：通过约束负荷波形与拟合信号之间的相似系数可得到更准确的最优解。对于多状态用电设备，由于其运行时只可能处于一种状态中，因此也需要在求解时对此进行约束。
步骤S73：设置初始种群规模设为M×M大小的单位矩阵，令待辨识的负荷波形首先与负荷身份库中的电流模板进行拟合，提高负荷波形的识别正确率。
步骤S74:为了防止两个以上的用电设备同时开启的情况发生，该算法中设定了判决阈值δ，最优目标函数值大于δ时，令Z=2，修改目标函数的约束条件，然后重新进行寻优。完成负荷辨识。
步骤S8:若未知波形无法在负荷身份库中得到相应辨识结果，则转回建库过程，输出负荷辨识结果并完善负荷特征身份库。
步骤S81：以当Z=2再次寻优完成后，仍然没有满足阈值的条件时，认为此时负荷身份库中没有此种负荷，将电流波形输入步骤3，更新负荷身份库并完成负荷辨识。
本发明利用高频采集模式对用户电路状态进行实时监测，得到用户的总用电数据；根据负荷电流可加性原理，进行事件提取，得到独立负荷波形；将波形转为结构化特征数据，构建典型负荷特征图谱;基于典型负荷特征图谱，采用SVM组合分类器进行负荷辨识;将辨识结果以及相应事件波形存入负荷身份库;重复上述步骤，使负荷身份库中的负荷种类比较完备，基本涵盖居民用户常用负荷种类；利用遗传算法，结合负荷身份库中的电流模板对实时分解出的波形进行寻优，完成负荷快速辨识；若未知波形无法在负荷身份库中得到相应辨识结果，则转回建库过程，输出负荷辨识结果并完善负荷身份库，此方法简单可行。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种负荷身份库构建方法，其特征在于，所述构建方法用于针对不同的用户构建不同的负荷身份库，所述构建方法包括如下步骤：
监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形；
对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱；
将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的；
判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果；
若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库；
返回步骤“监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形”，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。
2.根据权利要求1所述的负荷身份库构建方法，其特征在于，对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得典型负荷样本的负荷特征图谱的步骤具体包括：
基于每个典型负荷样本单独运行时的电压波形和电流波形计算每个典型负荷样本的电参数特征；所述电参数特征包括电流总谐波畸变率、有功功率、无功功率、功率因数和皮尔逊系数；
基于每个典型负荷样本单独运行时的电压波形和电流波形，采用统计的方式，确定每个典型负荷样本的非电参数特征；所述非电参数特征包括开启频次、投切持续时间、第一负荷类型、第二负荷类型和第三负荷类型；所述第一负荷类型包括阻性负荷和非阻性负荷，所述第二负荷类型包括连续运行负荷和间续运行负荷，所述第三负荷类型包括固定运行时间负荷和非固定运行时间负荷；
基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱。
3.根据权利要求2所述的负荷身份库构建方法，其特征在于，所述基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
基于每个典型负荷样本单独运行时的电压波形和电流波形，利用如下公式计算每个典型负荷样本的电参数特征；
其中，P k 、Q k 、PF k 、THD k 和r k 分别表示第k个典型负荷样本的有功功率、无功功率、功率因数、电流畸变和电流波形与标准正弦波之间的皮尔逊系数，U k,i 、I k,i 和φ k,i 分别表示第k个典型负荷样本在第i个采样点的电压值、电流值和相位角，I k 和μ Ik 分别表示第k个典型负荷样本的电流波形和第k个典型负荷样本的电流波形的标准差，I k,r 和μ Ik,r 分别表示标准正弦的电流波形和标准正弦的电流波形的标准差。
4.根据权利要求2所述的负荷身份库构建方法，其特征在于，所述基于每个典型负荷样本的电参数特征和非电参数特征，构建每个典型负荷样本的负荷特征图谱，具体包括：
按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征；
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，构建每个典型负荷样本的负荷特征图谱；所述负荷特征为融合电参数特征或非电参数特征。
5.根据权利要求4所述的负荷身份库构建方法，其特征在于，所述按照类内类间散布矩阵准则选取每个典型负荷样本的电参数特征中区分性能好的电参数特征，组成每个典型负荷样本的融合电参数特征，具体包括：
利用如下公式计算不同典型负荷样本在每种电参数组合下的散布矩阵特征值；
其中，m 0,j 表示所有负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值的和组成的数值向量，m c,j 表示第c种负荷类型中的典型负荷样本的第j种电参数组合中每个电参数的均值组成的均值向量，C表示负荷种类数，φ c 表示第c种负荷类型的典型负荷样本集合，x s,j 表示属于第c种负荷类型的第s个典型负荷样本的第j种电参数组合中每个电参数的数值组成的数值向量；S w,j 和S b,j 分别表示第j种电参数组合下的类内散布矩阵和类间散布矩阵，J j 表示第j种电参数组合下的散布矩阵特征值；
选取散布矩阵特征值较大的电参数组合作为融合电参数集合；
获得每个典型负荷样本对应融合电参数集合中的电参数的数值，得到每个所述典型负荷样本的融合电参数特征。
6.根据权利要求4所述的负荷身份库构建方法，其特征在于，所述基于每个典型负荷样本的融合电参数特征和非电参数特征，采用熵权法量化每个负荷特征的权重，具体包括：
基于每个典型负荷样本的融合电参数特征和非电参数特征，采用如下公式，计算每个负荷特征的权重；
其中，
表示第l个负荷特征的权重，L表示负荷特征的数量，d l 表示第l个负荷特征的信息熵冗余度，p kl 表示第l个负荷特征中第k个典型负荷样本所占的比重，h l 表示第l个负荷特征的信息熵，f kl 表示第k个典型负荷样本的第l个负荷特征的归一化后的特征值，K表示典型负荷样本的数量。
7.一种负荷身份库构建系统，其特征在于，所述构建系统用于针对不同的用户构建不同的负荷身份库，所述构建系统包括：
监测模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形和总电压变化量波形，分别作为用户负荷的电流波形和电压波形；
特征提取模块，用于对用户负荷的电流波形和所述电压波形进行特征提取，获得用户负荷的负荷特征图谱；
负荷类型识别模块，用于将用户负荷的负荷特征图谱输入负荷分类器，获得用户负荷的负荷类型；所述负荷分类器是基于典型负荷样本的负荷特征图谱对SVM网络模型进行训练得到的；所述典型负荷样本的负荷特征图谱是对典型负荷样本单独运行时的电压波形和电流波形进行特征提取获得的；
判断模块，用于判断所述负荷类型是否包含在所述用户的负荷身份库内，获得判断结果；
负荷身份库更新模块，用于若所述判断结果表示否，则将用户负荷的电流波形和负荷类型作为负荷知识，存入所述用户的负荷身份库；
返回模块，用于调用监测模块，直到单个监测周期内所述判断结果均表示是，输出所述用户的负荷身份库。
8.一种负荷身份识别方法，其特征在于，所述识别方法包括如下步骤：
监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为采用权利要求1-6任一项所述负荷身份库构建方法构建的；所述总拟合波形函数中的拟合系数待定；
采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的；
根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
9.根据权利要求8所述的负荷身份识别方法，其特征在于，采用遗传算法确定拟合系数的过程中的目标函数和约束条件为：
其中，d表示目标函数值，I x 表示待识别的总电流变化量波形，I q 表示负荷身份库中第q个负荷类型的电流波形；a q 表示负荷身份库中第q个负荷类型的电流波形的拟合系数，M表示负荷身份库中负荷类型的数量，s表示拟合波形，r表示带识别总电流波形与拟合波形之间的皮尔逊系数，μ Ix 和μ s 分别表示待识别的总电流变化量波形和拟合波形的标准差。
10.一种负荷身份识别系统，其特征在于，所述识别系统包括：
总电流变化量波形获取模块，用于监测用户的总用电数据，获取总用电数据突变时的总电流变化量波形；
波形拟合模块，用于基于所述用户的负荷身份库中各负荷类型对应的电流波形，构建所述用户的总拟合波形函数；用户的负荷身份库为采用权利要求1-6任一项所述负荷身份库构建方法构建的；所述总拟合波形函数中的拟合系数待定；
拟合系数求解模块，用于采用遗传算法确定拟合系数；由所述拟合系数所确定的拟合波形，与总电流变化量波形的最大差值小于预设阈值；所述拟合波形是将所述拟合系数代入所述总拟合波形函数后得到的；
负荷识别模块，用于根据所述拟合波形，确定所述总电流变化量波形中包含的负荷身份信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183138.4A CN114266677A (zh) | 2022-02-28 | 2022-02-28 | 负荷身份库构建方法及系统、负荷身份识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183138.4A CN114266677A (zh) | 2022-02-28 | 2022-02-28 | 负荷身份库构建方法及系统、负荷身份识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114266677A true CN114266677A (zh) | 2022-04-01 |
Family
ID=80833660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210183138.4A Pending CN114266677A (zh) | 2022-02-28 | 2022-02-28 | 负荷身份库构建方法及系统、负荷身份识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266677A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-02-28 CN CN202210183138.4A patent/CN114266677A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 武昕等: "基于非侵入式用电数据分解的自适应特征库构建与负荷辨识", 《电力系统自动化》 * |
| 焦点: ""非侵入式负荷自动在线监测方法研究"", 《中国优秀硕士学位论文全文数据库（工程科技II 辑）》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lai et al. | LSTM and edge computing for big data feature recognition of industrial electrical equipment | |
| Liu et al. | Energy disaggregation of appliances consumptions using ham approach | |
| He et al. | Non-intrusive load disaggregation using graph signal processing | |
| CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
| Quek et al. | Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
| CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
| Wu et al. | Event‐based non‐intrusive load identification algorithm for residential loads combined with underdetermined decomposition and characteristic filtering | |
| Rehman et al. | Comparative evaluation of machine learning models and input feature space for non-intrusive load monitoring | |
| Yu et al. | Non-intrusive adaptive load identification based on siamese network | |
| CN111078803A (zh) | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 | |
| de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
| Saha et al. | Comprehensive NILM framework: device type classification and device activity status monitoring using capsule network | |
| Yin et al. | Research on non-intrusive unknown load identification technology based on deep learning | |
| CN112085111A (zh) | 一种负荷辨识方法和装置 | |
| CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
| Rueda et al. | Transient event classification based on wavelet neuronal network and matched filters | |
| Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
| CN114266677A (zh) | 负荷身份库构建方法及系统、负荷身份识别方法及系统 | |
| Phan et al. | CompactNet: A light-weight deep learning framework for smart intrusive load monitoring | |
| CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220401 |
|
| RJ01 | Rejection of invention patent application after publication |