CN114444539A - 电力负荷识别方法、装置、设备、介质和程序产品 - Google Patents
电力负荷识别方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN114444539A CN114444539A CN202111625856.4A CN202111625856A CN114444539A CN 114444539 A CN114444539 A CN 114444539A CN 202111625856 A CN202111625856 A CN 202111625856A CN 114444539 A CN114444539 A CN 114444539A
- Authority
- CN
- China
- Prior art keywords
- signal
- current
- power
- power system
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电力负荷识别方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的电气信号;根据电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入或切出电力系统的事件;若在当前时间窗口内发生投切事件,则根据电气信号提取该投切事件所涉及到的电力设备对应的稳态特征和暂态特征;将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。采用本方法能够有效降低电力负荷监测成本。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种电力负荷识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
对于电力系统的智能化发展,电力负荷监测具有重要意义,它不但有助于改善负荷组成,引导用户合理消费,降低用电成本,同时还有助于国家电力资源的优化配置。
传统的负荷监测方法采用侵入式设计,在用电设备上安装传感器等用电信息采集设备,以获取用电设备的相关信息。
但是,当用电设备较多时,采用传统负荷检测方法进行负荷监测时,需要大量的采集装置,安装运维成本高,执行电力负荷监测的成本较高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效降低电力负荷监测成本的电力负荷识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电力负荷识别方法。该方法包括:
基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号;
根据目标电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件;
若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;
将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;
根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
在其中一个实施例中,该目标电气信号包括电流信号,根据目标电气信号确定在当前时间窗口内是否发生投切事件,包括:
截取电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号;
根据第一信号的信号幅值以及第二信号的信号幅值确定在当前时间窗口内是否发生投切事件。
在其中一个实施例中,该根据第一信号的信号幅值以及第二信号的信号幅值确定在当前时间窗口内是否发生投切事件,包括:
获取第一信号的信号幅值中的最大值和第二信号的信号幅值中的最大值的差值;
若差值大于0,则确定在当前时间窗口内发生电力设备接入电力系统的事件;
若差值小于0,则确定在当前时间窗口内发生电力设备从电力系统中切出的事件。
在其中一个实施例中,该根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征,包括:
获取第一信号的信号幅值中的最大值对应的第一采集时刻、第二信号的信号幅值中的最大值对应的第二采集时刻以及第一信号的采集结束时刻;
基于第一采集时刻以及采集结束时刻,确定第一目标时段,并获取以第二采集时刻为起点且以第一目标时段对应的时段长度为时段长度对应的第二目标时段;
基于第一目标时段对应的第一目标信号的幅值以及第二目标时段对应的第二目标信号的幅值的差值,获取投切事件所涉及到的电力设备的电气信号;
根据投切事件所涉及到的电力设备的电气信号提取稳态特征和暂态特征。
在其中一个实施例中,该目标电气信号包括电流信号和电压信号,稳态特征包括有功功率、无功功率、电流均方根值、电流波峰系数、电流总谐波畸变率以及V-I轨迹曲线,其中,电流均方根值表示稳态阶段下电力设备的所有电流值的平方和的均分根值,电流波峰系数表示稳态阶段下电流峰值与电流均方根值的比值,电流总谐波畸变率表示稳态阶段下电力设备的电流谐波含量均方根值与基波均方根值之比;V-I轨迹曲线用于表示稳态阶段下以电压信号的幅值为横轴坐标值以及电流信号的幅值为纵轴坐标值得到的电压-电流曲线。
在其中一个实施例中,该目标电气信号包括电流信号和电压信号,暂态特征包括电流脉冲幅值以及电流凹凸系数,其中,电流脉冲幅值用于表征暂态阶段下电力设备的电流值的最大值,电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值。
在其中一个实施例中,该识别模型为基于随机森林算法所构建的模型,其中,识别模型的构建过程包括:
获取原始训练样本集,原始训练集的样本特征包括稳态特征和暂态特征;
采用bootstrap重抽样方法对原始训练样本集进行多次抽样,生成多个训练样本子集;
针对各训练样本子集,以训练样本子集作为根节点,采用自上而下递归的方法,基于分裂节点的目标分裂属性进行分裂,直至训练样本子集中的所有样本均到值叶节点,且每个叶节点处的样本属于同一类别,得到训练样本子集对应的决策树模型,目标分裂属性是利用预设的样本特征选择规则从训练样本子集包括的多个样本特征中选取得到的样本特征;
将得到的多个决策树模型组合,得到识别模型。
在其中一个实施例中,基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号,包括:
获取信号采集装置所采集到的初始电气信号;
利用小波分解算法对初始电气信号进行去噪处理,得到电力系统的目标电气信号。
在其中一个实施例中,根据投切事件所涉及到的电力设备的类型获取对电力系统的电力负荷的识别结果,包括:
根据信号采集装置多次采集到的电气信号所分别对应得到的投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
第二方面,本申请还提供了一种电力负荷识别装置。该装置包括:
获取模块,用于基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号;
投切模块,用于根据目标电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件;
提取模块,用于若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;
识别模块,用于将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一所述的电力负荷识别方法。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一所述的电力负荷识别方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述第一方面任一所述的电力负荷识别方法。
上述电气负荷识别方法、装置、计算机设备、存储介质和计算机程序产品,基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号;根据目标电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件;若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。由于是基于设置在电力系统的负荷总端口处的信息采集装置获取得到目标电气信息以用于对电力系统中的电力负荷的识别,仅通过设置在电力系统的负荷总端口处的信息采集装置就实现了电力负荷的非侵入式监控,大幅度降低了采集装置的安装数量,有效降低了执行电力负荷监控的成本。此外,由于是将投切事件所涉及到的电力设备对应的稳态特征和暂态特征输入至预先训练的识别模型中以得到识别模型的输出结果,基于多维度电力负荷特征进行电力负荷的识别,实现多维度电力负荷特征与识别模型高度匹配,有效提升负荷分类的准确率。
附图说明
图1为一个实施例中电力负荷识别方法的流程示意图;
图2为一个实施例中步骤102的流程示意图;
图3为一个实施例中步骤103的流程示意图;
图4为一个实施例中负荷特征的示意图;
图5为一个实施例中识别模型的构建过程的流程示意图;
图6为一个实施例中步骤101的流程示意图;
图7为另一个实施例中电力负荷识别方法的流程示意图;
图8为一个实施例中利用小波分解算法降噪的一个实验结果图;
图9为一个实施例中利用小波分解算法降噪的另一实验结果图;
图10为一个实施例中总回路电流波形的实验结果图;
图11为一个实施例中负荷识别结果的实验结果图;
图12为一个实施例中电器运行状态的结果图;
图13为一个实施例中电力负荷识别装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
电力系统是承载庞大输配电网络与海量信息的复杂工业化网络对象。用户侧是电力服务的核心对象,智能用电是电力企业服务民生的关键领域,也是电网转型升级的重要方面之一。随着用电信息采集系统及配电自动化系统的逐渐完善,用电数据呈现出数据量大、数据类型多、增长速度快等大数据特征。在大数据环境下挖掘潜藏在用电数据之中的用电行为、用能情况等大量有价值的信息,能为用户节能改造,调整用电方式,智能分析与决策等提供有效的参考和建议。
对于电力系统的智能化发展,电力负荷监测具有重要意义。传统的负荷监测方法采用的是侵入式负荷监测技术,在用电设备上安装传感器等用电信息采集设备,以获取用电设备的相关信息。
而居民电力负荷的用电信息量巨大、种类繁多,上述侵入式负荷监测方法存在负荷端口安装传感器数量多、安装运维成本高、执行电力负荷监测的成本较高的技术问题。
有鉴于此,本申请实施例提供了一种电力负荷识别方法,能够有效降低电力负荷监测的成本。
需要说明的是,本申请实施例提供的电力负荷识别方法,其执行主体可以是电力负荷识别装置,该电力负荷识别装置可以通过软件、硬件或者软硬件结合的方式实现成为终端的部分或者全部。
下述方法实施例中,均以执行主体是终端为例来进行说明,其中,终端可以是个人计算机、笔记本电脑、媒体播放器、智能电视、智能手机、平板电脑和便携式可穿戴设备等,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
请参考图1,其示出了本申请实施例提供的一种电力负荷识别方法的流程图。如图1所示,该电力负荷识别方法可以包括以下步骤:
步骤101,基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号。
其中,目标电气信号包括电压信号和电流信号,该信号采集装置包括电压互感器和电流互感器。
可选的,电压互感器以隔离降压的方式将220V工作电压电压变换为±3.3V交流电压,并将变换后的交流电压输入至内置AD模块的示波器以便于在预设采样频率下对电压信号进行采样。该预设采样频率不低于1kHz。
可选的,该电流互感器为开口电流互感线圈。电流互感器内部的变送模块对火线上流经的总电流信号完成0-20A转±10V的变换,并将电流互感器副边的电流参数输入至内置AD模块的示波器以用于在预设采样频率下对电流信号进行采样。
可选的,内置AD模块的示波器与终端连接。将内置AD模块的示波器采样得到的电压信号和电流信号传输给终端。终端接收该电压信号和电流信号,以得到目标电气信号。
步骤102,根据目标电气信号确定在当前时间窗口内是否发生投切事件。
其中,该投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件。
可选的,根据目标电气信号,采用变点检测算法以确定在当前时间窗口内是否发生投切事件。例如,根据目标电气信号,获取当前时间窗口对应的有功功率以及当前时间窗口的上一时间窗口对应的有功功率,根据这两个时间窗口的有功功率的差值,判断在当前时间窗口内是否发生投切事件。
步骤103,若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征。
可选的,该稳态特征包括有功功率、无功功率、V-I轨迹曲线以及第二、五次电流谐波幅值和功率因素角中的等特征中的一种或多种。该暂态特征至少包括电流凹凸系数等等。具体的,该电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值,时间周期的长度与时间窗口的长度相同,其计算公式如下:
其中,Ik表示目标电流信号的第k次谐波下的电流有效值;I1表示目标电流信号的基波电流有效值。
步骤104,将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型。
可选的,该识别模型为机器学习模型。该机器学习模型可以为随机森林树模型、神经网络模型或者多种机器学习模型的组合模型中的一种。在机器学习模型为随机森林树模型时,采用多数投票法得到识别模型的输出结果。
步骤105,根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
可选的,根据上一时间窗对应的电力设备类型以及投切事件所涉及到的电力设备的类型,得到当前时间窗下电力系统的电力负荷的识别结果。
可选的,终端对电力系统的各电力设备分别设置有标签值,根据上一时间窗对应的电力设备类型以及投切事件所涉及到的电力设备的类型确定当前时间窗内包括的各电力设备的标签值,将各电力设备的标签值组合得到负荷辨识标签值以表示当前时间窗下电力系统的电力负荷的识别结果。例如,将取暖器和热水壶的标签值分别设置为4、5,上一时间窗对应的电力设备类型为取暖器,上一时间窗对应的负荷辨识标签值为4;当前时间窗中投切事件所涉及到的电力设备的类型为热水壶,该热水壶对应的标签值为5;即当前时间窗中包含的电力设备为取暖器和热水壶,则将各电力设备的标签值组合得到负荷辨识标签值为45。
上述电力负荷识别方法中,基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号;根据目标电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件;若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。由于是基于设置在电力系统的负荷总端口处的信息采集装置获取得到目标电气信息以用于对电力系统中的电力负荷的识别,仅通过设置在电力系统的负荷总端口处的信息采集装置就实现了电力负荷的非侵入式监控,大幅度降低了采集装置的安装数量,有效降低了执行电力负荷监控的成本。此外,由于是将投切事件所涉及到的电力设备对应的稳态特征和暂态特征输入至预先训练的识别模型中以得到识别模型的输出结果,基于多维度电力负荷特征进行电力负荷的识别,实现多维度电力负荷特征与识别模型高度匹配,有效提升负荷分类的准确率。
在本申请实施例中,该目标电气信号包括电流信号,如图2所示,基于图1所示的实施例,该实施例涉及的是步骤102中根据目标电气信号确定在当前时间窗口内是否发生投切事件的实现过程,该实现过程包括:
步骤201,截取电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号。
步骤202,根据第一信号的信号幅值以及第二信号的信号幅值确定在当前时间窗口内是否发生投切事件。
可选的,获取第一信号的信号幅值的均值以及获取第二信号的信号幅值的均值,将两个均值作比较,根据比较结果,确定在当前时间窗口内是否发生投切事件。
可选的,获取第一信号的信号幅值中的最大值和第二信号的信号幅值中的最大值的差值;若差值大于0,则确定在当前时间窗口内发生电力设备接入电力系统的事件;若差值小于0,则确定在当前时间窗口内发生电力设备从电力系统中切出的事件。该种投切事件检测方法,方法简单,计算量小,该事件检测的准确性高。
该申请实施例,截取电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号,根据第一信号的信号幅值以及第二信号的信号幅值确定在当前时间窗口内是否发生投切事件,实现了投切事件的检测,计算量小。
在本申请实施例中,如图3所示,基于图2所示的实施例,该实施例涉及的是步骤103根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征,包括以下步骤:
步骤301,获取第一信号的信号幅值中的最大值对应的第一采集时刻、第二信号的信号幅值中的最大值对应的第二采集时刻以及第一信号的采集结束时刻。
步骤302,基于第一采集时刻以及采集结束时刻,确定第一目标时段,并获取以第二采集时刻为起点且以第一目标时段对应的时段长度为时段长度对应的第二目标时段。
步骤303,基于第一目标时段对应的第一目标信号的幅值以及第二目标时段对应的第二目标信号的幅值的差值,获取投切事件所涉及到的电力设备的电气信号。
可选的,第一目标信号包括第一目标时段中n个采样点对应的多个电流信号的幅值Io1(n);第二目标信号包括第二目标时段中n个采样点对应的多个电流信号的幅值Io2(n)。计算第一目标时段中第k(k∈[1,n])个采样点对应的电流信号的幅值Io1(k)与第二目标时段中第k个采样点对应的电流信号的幅值Io2(k)之间的差值,得到投切事件所涉及到的电力设备的电气信号,该电气信号I'(k)表达式为:I'(k)=Io1(k)-Io1(k),k∈[1,n]。
步骤304,根据投切事件所涉及到的电力设备的电气信号提取稳态特征和暂态特征。
其中,该目标电气信号包括电流信号和电压信号。
可选的,如图4所示,根据投切事件所涉及到的电力设备的电气信号提取到的负荷特征包括稳态特征和暂态特征,其中,该稳态特征包括有功功率、无功功率、电流均方根值、电流波峰系数、电流总谐波畸变率以及V-I轨迹曲线。各稳态特征的计算公式如下:
(1)有功功率
其中,k表示谐波次数,θ表示电压和电流的相位差,Uk为目标电压信号的第k次谐波下的电压有效值;Ik为目标电流信号的第k次谐波下的电流有效值。
(2)无功功率
其中,k表示谐波次数,θ表示电压和电流的相位差,Uk为目标电压信号的第k次谐波下的电压有效值;Ik为目标电流信号的第k次谐波下的电流有效值。
(3)电流均方根值
该电流均方根值表示稳态阶段下电力设备的所有电流值的平方和的均分根值,计算公式如下:
其中,N为采样点数,i(k)为投切事件所涉及到的电力设备的电气信号I'(k)第k个采样点处的电流值。
(4)电流波峰系数
该电流波峰系数表示稳态阶段下电流峰值与电流均方根值的比值。计算公式如下:
其中,Ip为电流峰值,为在一个采样周期中电气信号I'(k)的最大值,Irms为电流均方根。采样周期与时间窗口的长度一样。
(5)电流总谐波畸变率
该电流总谐波畸变率表示稳态阶段下电力设备的电流谐波含量均方根值与基波均方根值之比。
(6)V-I轨迹曲线
该V-I轨迹曲线用于表示稳态阶段下以目标电压信号的幅值为横轴坐标值以及目标电流信号的幅值为纵轴坐标值得到的电压-电流曲线。
可选的,该暂态特征包括电流脉冲幅值以及电流凹凸系数。
(1)电流脉冲幅值
电流脉冲幅值用于表征暂态阶段下电力设备的电流值的最大值,计算公式如下:
ITP=max(ITK)
其中,ITK表示暂态阶段中电气信号I'(k)第K时刻的电流峰值。
(2)电流凹凸系数
该电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值。电流凹凸系数越大,反映了电器波形的非线性程度越高,内部结构越复杂,电流发生的畸变程度越大。该电流凹凸系数的计算公式如下:
其中,ISK为稳态阶段电气信号I'(k)第K时刻的电流峰值。
该实施例实现了从目标电气信号中分离出该投切事件所涉及到的电力设备对应的电气信号的目的以及输入至识别模型中的多维度负荷特征的提取。
在本申请实施例,该识别模型为基于随机森林算法所构建的模型。如图5所示,基于以上任一实施例,该实施例涉及的是识别模型的构建过程,该构建过程包括以下步骤:
步骤401,获取原始训练样本集。
其中,原始训练集的样本特征包括稳态特征和暂态特征。
步骤402,采用bootstrap重抽样方法对原始训练样本集进行多次抽样,生成多个训练样本子集。
步骤403,针对各训练样本子集,以训练样本子集作为根节点,采用自上而下递归的方法,基于分裂节点的目标分裂属性进行分裂,直至训练样本子集中的所有样本均到值叶节点,且每个叶节点处的样本属于同一类别,得到训练样本子集对应的决策树模型。
其中,目标分裂属性是利用预设的样本特征选择规则从训练样本子集包括的多个样本特征中选取得到的样本特征。
可选的,该预设的样本特征选择规则为Gini系数,Gini系数计算公式如下:
其中,pv表示样本属于第v类样本特征的概率。
步骤404,将得到的多个决策树模型组合,得到识别模型。
该实施例实现了基于随机森林算法构建识别模型的目的,采用基于随机森林构建的识别模型进行负荷监测,在负荷类型识别方面准确性高。
在本申请实施例中,如图6所示,基于以上任一实施例,该实施例涉及的是步骤101基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号,包括以下步骤:
步骤501,获取信号采集装置所采集到的初始电气信号。
可选的,该初始电气信号包括初始电流信号和初始电压信号。
步骤502,利用小波分解算法对初始电气信号进行去噪处理,得到电力系统的目标电气信号。
可选的,该小波分解算法的计算过程包括:选取db3小波基对初始电气信号进行三层小波分解;采用软阈值函数对每一个分解层次中的高频系数进行阈值量化处理;根据阈值量化以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换,重构得到目标电气信号。其中,该软阈值函数如下:
其中,w表示高频系数,λ表示预设阈值,wλ表示阈值量化的高频系数。
该实施例中,利用小波分解算法对初始电气信号进行去噪处理,得到电力系统的目标电气信号,过滤掉了初始电气信号的噪声,滤除效果好,同时又最大限度保留了电气特征信息,提高了负荷识别的准确性。
在本申请实施例中,基于以上任一实施例,该实施例涉及的是步骤105根据投切事件所涉及到的电力设备的类型获取对电力系统的电力负荷的识别结果,包括以下步骤:
根据信号采集装置多次采集到的电气信号所分别对应得到的投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
可选的,在采集完当前时间时间窗的电气信号后,在连续采集多个时间窗对应的电气信号,得到多个下一时间窗的电气信号;将当前时间窗的采集结束时刻以及第二目标时段的结束时刻对齐,获取各下一时间窗对应的历史时间段,该历史时间段与下一时间窗一一对应,其中最早采集时刻对应历史时间段的起点为第二目标时段的结束时刻,多个历史时间段在时序上连续,各历史时间段的长度与时间窗的长度一样。具体的,该下一时间窗的数量可设置为4。
针对各下一时间窗的电气信号,计算该下一时间窗的电流信号与下一时间窗对应的历史时间段的电流信号的幅值差值;基于该幅值差值,提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;将该稳态特征和暂态特征输入至预先训练的识别模型中,得到各下一时间窗对应的识别模型的输出结果。将多个识别模型的输出结果,得到对电力系统的电力负荷的识别结果。具体的,可将多个识别模型的输出结果中出现次数最多的输出结果作为对电力系统的电力负荷的识别结果。
在该实施例中,通过根据信号采集装置多次采集到的电气信号所分别对应得到的投切事件所涉及到的电力设备的类型,得到对电力系统的电力负荷的识别结果,提高了电力负荷识别结果的准确性。
在本申请实施例中,如图7所示,提供了一种电力负荷识别方法,包括以下步骤:
步骤601,基于设置于电力系统的负荷总端口处的信号采集装置,获取信号采集装置所采集到的初始电气信号。
步骤602,利用小波分解算法对初始电气信号进行去噪处理,得到电力系统的目标电气信号。
其中,目标电气信号包括电流信号和电压信号。
步骤603,截取电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号。
步骤604,获取第一信号的信号幅值中的最大值和第二信号的信号幅值中的最大值的差值。
步骤605,若差值大于0,则确定在当前时间窗口内发生电力设备接入电力系统的事件。
步骤606,若差值小于0,则确定在当前时间窗口内发生电力设备从电力系统中切出的事件。
步骤607,获取第一信号的信号幅值中的最大值对应的第一采集时刻、第二信号的信号幅值中的最大值对应的第二采集时刻以及第一信号的采集结束时刻。
步骤608,基于第一采集时刻以及采集结束时刻,确定第一目标时段,并获取以第二采集时刻为起点且以第一目标时段对应的时段长度为时段长度对应的第二目标时段。
步骤609,基于第一目标时段对应的第一目标信号的幅值以及第二目标时段对应的第二目标信号的幅值的差值,获取投切事件所涉及到的电力设备的电气信号。
步骤610,根据投切事件所涉及到的电力设备的电气信号提取稳态特征和暂态特征。
其中,该稳态特征包括有功功率、无功功率、电流均方根值、电流波峰系数、电流总谐波畸变率以及V-I轨迹曲线,其中,电流均方根值表示稳态阶段下电力设备的所有电流值的平方和的均分根值,电流波峰系数表示稳态阶段下电流峰值与电流均方根值的比值,电流总谐波畸变率表示稳态阶段下电力设备的电流谐波含量均方根值与基波均方根值之比;V-I轨迹曲线用于表示稳态阶段下以电压信号的幅值为横轴坐标值以及电流信号的幅值为纵轴坐标值得到的电压-电流曲线。
该暂态特征包括电流脉冲幅值以及电流凹凸系数,其中,电流脉冲幅值用于表征暂态阶段下电力设备的电流值的最大值,电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值,时间周期的长度与时间窗口的长度相同。
步骤611,将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型。
其中,该识别模型为基于随机森林算法所构建的模型,该识别模型的构建过程包括:
获取原始训练样本集,原始训练集的样本特征包括稳态特征和暂态特征;采用bootstrap重抽样方法对原始训练样本集进行多次抽样,生成多个训练样本子集;针对各训练样本子集,以训练样本子集作为根节点,采用自上而下递归的方法,基于分裂节点的目标分裂属性进行分裂,直至训练样本子集中的所有样本均到值叶节点,且每个叶节点处的样本属于同一类别,得到训练样本子集对应的决策树模型,目标分裂属性是利用预设的样本特征选择规则从训练样本子集包括的多个样本特征中选取得到的样本特征;将得到的多个决策树模型组合,得到识别模型。
步骤612,根据信号采集装置多次采集到的电气信号所分别对应得到的投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
该实施例中,基于设置在电力系统的负荷总端口处的信息采集装置获取得到目标电气信息以用于对电力系统中的电力负荷的识别,仅基于设置在电力系统的负荷总端口处的信息采集装置就实现了电力负荷的非侵入式监控,大幅度降低了采集装置的安装数量,有效降低了执行电力负荷监控的成本。此外,由于是将投切事件所涉及到的电力设备对应的稳态特征和暂态特征输入至预先训练的识别模型中以得到识别模型的输出结果,基于多维度电力负荷特征进行电力负荷的识别,实现多维度电力负荷特征与识别模型高度匹配,有效提升负荷分类的准确率。基于随机森林算法构建识别模型的目的,采用基于随机森林构建的识别模型进行负荷监测,在负荷类型识别方面准确性高。
以下是对本申请实施例涉及到的电力负荷识别方法的验证结果。
在对降噪处理进行验证时,选取采集到的取暖器的原始电流信号利用小波分解算法进行降噪后,得到如图9所示的降噪后的波形图。图8为初始电流信号,图9为降噪后的波形图。从图8以及图9中可以看出,小波去噪不仅噪声滤除效果良好,同时又最大限度保留了该电器的电气特征信息,为后续进行电力负荷类型识别奠定基础。
以小太阳1#、小太阳2#、取暖器、热水壶和吹风机为例,应用上述特征进行特征提取分析得到各电力负荷对应的多维度负荷特征参量,构建特征参量数据库如表1所示。
表1特征参量数据库
为验证上述本申请实施例涉及的电力负荷识别方法的准确性,本发明依据表1中四种负荷的特征参数库作为识别指纹,而后为小太阳1#、小太阳2#、取暖器、热水壶、吹风机五种电器依次设置标签值1、2、3、4、5。
采集总线处以小太阳1#、热水壶、吹风机三种电器混合运行的电流信号:首先加入小太阳1#,等运行一定时间后加入热水壶,后续再加入吹风机,三种电器共同运行一定时间后,分别切出吹风机、热水壶和小太阳1#,整个过程中通过电流互感器测得总回路电流波形如图10所示。
在得到整个电流波形之后按照本申请实施例涉及的算法进行小波去噪,去除信号采集过程中出现的干扰信号。在得到预处理的电压电流数据后,计算有功功率、无功功率、功率因数、视在功率、电流峰值、均方根、电流波峰系数、电流总谐波畸变率、V-I曲线等特征参数,并将如表1所示的特征参数送入已训练完成的基于随机森林算法所构建的识别模型进行负荷识别。在算法学习之后得到电流信号各时刻对应的负荷辨识标签值,其中负荷识别结果如图11所示。
从图11可以看出,在小太阳1#投入后至热水壶投入之前的这一阶段,对应的标签值为1,表示这一阶段只有小太阳1#运行;在热水壶投入后到吹风机投入前这一阶段,对应的负荷辨识标签值为14,表示这一阶段有小太阳1#、热水壶两个电力设备在运行;在吹风机投入后,对应的负荷辨识标签值为145,表示这一阶段有小太阳1#、热水壶以及吹风机三个电力设备在运行;在吹风机切除后,对应的负荷辨识标签值为14,表示这一阶段有小太阳1#、热水壶两个电力设备在运行;在热水壶切除后,对应的负荷辨识标签值为1,表示这一阶段只有小太阳1#运行;而在小太阳1#切除后,对应的负荷辨识标签值为0,表示这一阶段暂无电力负荷运行。
为了配合负荷时序的显示情况,按负荷在全时间段上的开关运行状态得到各个电器的运行状态曲线,如图12所示。由结果可以看出,图12的电器分解结果、时序、投切时刻均与图10的原始情况相对应,证实所提出的电力负荷识别能够实现多负荷混合运行过程中的精准监测与分解,为后续电器的用电安全状态监测奠定基础。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力负荷识别方法的电力负荷识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力负荷识别装置实施例中的具体限定可以参见上文中对于电力负荷识别方法的限定,在此不再赘。
在一个实施例中,如图13所示,提供了一种电力负荷识别装置,包括:获取模块、投切模块、提取模块和识别模块模块,其中:
获取模块,用于基于设置于电力系统的负荷总端口处的信号采集装置,获取电力系统的目标电气信号;
投切模块,用于根据目标电气信号确定在当前时间窗口内是否发生投切事件,投切事件包括电力设备接入电力系统的事件,以及电力设备从电力系统中切出的事件;
提取模块,用于若在当前时间窗口内发生投切事件,则根据目标电气信号提取电力系统中投切事件所涉及到的电力设备对应的稳态特征和暂态特征;
识别模块,用于将稳态特征和暂态特征输入至预先训练的识别模型中,得到识别模型的输出结果,输出结果用于指示投切事件所涉及到的电力设备的类型;根据投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
在一个实施例中,该目标电气信号包括电流信号,该投切模块,具体用于:
截取电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号;
根据第一信号的信号幅值以及第二信号的信号幅值确定在当前时间窗口内是否发生投切事件。
在一个实施例中,该投切模块,还具体用于:
获取第一信号的信号幅值中的最大值和第二信号的信号幅值中的最大值的差值;
若差值大于0,则确定在当前时间窗口内发生电力设备接入电力系统的事件;
若差值小于0,则确定在当前时间窗口内发生电力设备从电力系统中切出的事件。
在一个实施例中,该提取模块,具体用于:
获取第一信号的信号幅值中的最大值对应的第一采集时刻、第二信号的信号幅值中的最大值对应的第二采集时刻以及第一信号的采集结束时刻;
基于第一采集时刻以及采集结束时刻,确定第一目标时段,并获取以第二采集时刻为起点且以第一目标时段对应的时段长度为时段长度对应的第二目标时段;
基于第一目标时段对应的第一目标信号的幅值以及第二目标时段对应的第二目标信号的幅值的差值,获取投切事件所涉及到的电力设备的电气信号;
根据投切事件所涉及到的电力设备的电气信号提取稳态特征和暂态特征。
在一个实施例中,该目标电气信号包括电流信号和电压信号,该稳态特征包括有功功率、无功功率、电流均方根值、电流波峰系数、电流总谐波畸变率以及V-I轨迹曲线,其中,电流均方根值表示稳态阶段下电力设备的所有电流值的平方和的均分根值,电流波峰系数表示稳态阶段下电流峰值与电流均方根值的比值,电流总谐波畸变率表示稳态阶段下电力设备的电流谐波含量均方根值与基波均方根值之比;V-I轨迹曲线用于表示稳态阶段下以电压信号的幅值为横轴坐标值以及电流信号的幅值为纵轴坐标值得到的电压-电流曲线。
在一个实施例中,该目标电气信号包括电流信号和电压信号,该暂态特征包括电流脉冲幅值以及电流凹凸系数,其中,电流脉冲幅值用于表征暂态阶段下电力设备的电流值的最大值,电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值,时间周期的长度与时间窗口的长度相同。
在一个实施例中,该识别模型为基于随机森林算法所构建的模型,该装置还包括构建模块,该构建模块,具体用于:
获取原始训练样本集,原始训练集的样本特征包括稳态特征和暂态特征;
采用bootstrap重抽样方法对原始训练样本集进行多次抽样,生成多个训练样本子集;
针对各训练样本子集,以训练样本子集作为根节点,采用自上而下递归的方法,基于分裂节点的目标分裂属性进行分裂,直至训练样本子集中的所有样本均到值叶节点,且每个叶节点处的样本属于同一类别,得到训练样本子集对应的决策树模型,目标分裂属性是利用预设的样本特征选择规则从训练样本子集包括的多个样本特征中选取得到的样本特征;
将得到的多个决策树模型组合,得到识别模型。
在一个实施例中,该获取模块,具体用于:
获取信号采集装置所采集到的初始电气信号;
利用小波分解算法对初始电气信号进行去噪处理,得到电力系统的目标电气信号。
在一个实施例中,该识别模块,具体用于:
根据信号采集装置多次采集到的电气信号所分别对应得到的投切事件所涉及到的电力设备的类型,获取对电力系统的电力负荷的识别结果。
上述电力负荷识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力负荷识别方法。本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种电力负荷识别方法,其特征在于,所述方法包括:
基于设置于电力系统的负荷总端口处的信号采集装置,获取所述电力系统的目标电气信号;
根据所述目标电气信号确定在当前时间窗口内是否发生投切事件,所述投切事件包括电力设备接入所述电力系统的事件,以及电力设备从所述电力系统中切出的事件;
若在当前时间窗口内发生所述投切事件,则根据所述目标电气信号提取所述电力系统中所述投切事件所涉及到的电力设备对应的稳态特征和暂态特征;
将所述稳态特征和所述暂态特征输入至预先训练的识别模型中,得到所述识别模型的输出结果,所述输出结果用于指示所述投切事件所涉及到的电力设备的类型;
根据所述投切事件所涉及到的电力设备的类型,获取对所述电力系统的电力负荷的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述目标电气信号包括电流信号,所述根据所述目标电气信号确定在当前时间窗口内是否发生投切事件,包括:
截取所述电流信号中与当前时间窗口对应的第一信号以及与当前时间窗口之前的上一时间窗口对应的第二信号;
根据所述第一信号的信号幅值以及所述第二信号的信号幅值确定在当前时间窗口内是否发生所述投切事件。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一信号的信号幅值以及所述第二信号的信号幅值确定在当前时间窗口内是否发生所述投切事件,包括:
获取所述第一信号的信号幅值中的最大值和所述第二信号的信号幅值中的最大值的差值;
若所述差值大于0,则确定在当前时间窗口内发生电力设备接入所述电力系统的事件;
若所述差值小于0,则确定在当前时间窗口内发生电力设备从所述电力系统中切出的事件。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标电气信号提取所述电力系统中所述投切事件所涉及到的电力设备对应的稳态特征和暂态特征,包括:
获取所述第一信号的信号幅值中的最大值对应的第一采集时刻、所述第二信号的信号幅值中的最大值对应的第二采集时刻以及所述第一信号的采集结束时刻;
基于所述第一采集时刻以及所述采集结束时刻,确定第一目标时段,并获取以所述第二采集时刻为起点且以所述第一目标时段对应的时段长度为时段长度对应的第二目标时段;
基于所述第一目标时段对应的第一目标信号的幅值以及所述第二目标时段对应的第二目标信号的幅值的差值,获取所述投切事件所涉及到的电力设备的电气信号;
根据所述投切事件所涉及到的电力设备的电气信号提取所述稳态特征和所述暂态特征。
5.根据权利要求1所述的方法,其特征在于,所述目标电气信号包括电流信号和电压信号,所述稳态特征包括有功功率、无功功率、电流均方根值、电流波峰系数、电流总谐波畸变率以及V-I轨迹曲线,其中,所述电流均方根值表示稳态阶段下电力设备的所有电流值的平方和的均分根值,所述电流波峰系数表示稳态阶段下电流峰值与电流均方根值的比值,所述电流总谐波畸变率表示稳态阶段下电力设备的电流谐波含量均方根值与基波均方根值之比;V-I轨迹曲线用于表示稳态阶段下以电压信号的幅值为横轴坐标值以及电流信号的幅值为纵轴坐标值得到的电压-电流曲线。
6.根据权利要求1所述的方法,其特征在于,所述目标电气信号包括电流信号和电压信号,所述暂态特征包括电流脉冲幅值以及电流凹凸系数,其中,所述电流脉冲幅值用于表征暂态阶段下电力设备的电流值的最大值,所述电流凹凸系数用于表示电力设备接入所述电力系统后的一个时间周期内电力系统的电流值之和与电力设备进入稳态状态后一个时间周期内电力系统的电流值之和的比值,所述时间周期的长度与时间窗口的长度相同。
7.根据权利要求1至6任一所述的方法,其特征在于,所述识别模型为基于随机森林算法所构建的模型,其中,所述识别模型的构建过程包括:
获取原始训练样本集,所述原始训练集的样本特征包括稳态特征和暂态特征;
采用bootstrap重抽样方法对所述原始训练样本集进行多次抽样,生成多个训练样本子集;
针对各所述训练样本子集,以所述训练样本子集作为根节点,采用自上而下递归的方法,基于分裂节点的目标分裂属性进行分裂,直至所述训练样本子集中的所有样本均到值叶节点,且每个叶节点处的样本属于同一类别,得到所述训练样本子集对应的决策树模型,所述目标分裂属性是利用预设的样本特征选择规则从所述训练样本子集包括的多个样本特征中选取得到的样本特征;
将得到的多个所述决策树模型组合,得到所述识别模型。
8.根据权利要求1至6任一所述的方法,其特征在于,所述基于设置于电力系统的负荷总端口处的信号采集装置,获取所述电力系统的目标电气信号,包括:
获取所述信号采集装置所采集到的初始电气信号;
利用小波分解算法对所述初始电气信号进行去噪处理,得到所述电力系统的目标电气信号。
9.根据权利要求1至6任一所述的方法,其特征在于,所述根据所述投切事件所涉及到的电力设备的类型获取对所述电力系统的电力负荷的识别结果,包括:
根据所述信号采集装置多次采集到的电气信号所分别对应得到的所述投切事件所涉及到的电力设备的类型,获取对所述电力系统的电力负荷的识别结果。
10.一种电力负荷识别装置,其特征在于,所述装置包括:
获取模块,用于基于设置于电力系统的负荷总端口处的信号采集装置,获取所述电力系统的目标电气信号;
投切模块,用于根据所述目标电气信号确定在当前时间窗口内是否发生投切事件,所述投切事件包括电力设备接入所述电力系统的事件,以及电力设备从所述电力系统中切出的事件;
提取模块,用于若在当前时间窗口内发生所述投切事件,则根据所述目标电气信号提取所述电力系统中所述投切事件所涉及到的电力设备对应的稳态特征和暂态特征;
识别模块,用于将所述稳态特征和所述暂态特征输入至预先训练的识别模型中,得到所述识别模型的输出结果,所述输出结果用于指示所述投切事件所涉及到的电力设备的类型;根据所述投切事件所涉及到的电力设备的类型,获取对所述电力系统的电力负荷的识别结果。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625856.4A CN114444539A (zh) | 2021-12-28 | 2021-12-28 | 电力负荷识别方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625856.4A CN114444539A (zh) | 2021-12-28 | 2021-12-28 | 电力负荷识别方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444539A true CN114444539A (zh) | 2022-05-06 |
Family
ID=81365605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625856.4A Pending CN114444539A (zh) | 2021-12-28 | 2021-12-28 | 电力负荷识别方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444539A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996182A (zh) * | 2022-05-23 | 2022-09-02 | 中国计量大学 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
CN115166625A (zh) * | 2022-07-06 | 2022-10-11 | 云南电网有限责任公司电力科学研究院 | 智能电表误差估计方法及装置 |
WO2023236197A1 (zh) * | 2022-06-10 | 2023-12-14 | 深圳市正浩创新科技股份有限公司 | 负荷辨识方法、计算机可读存储介质及设备 |
-
2021
- 2021-12-28 CN CN202111625856.4A patent/CN114444539A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996182A (zh) * | 2022-05-23 | 2022-09-02 | 中国计量大学 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
CN114996182B (zh) * | 2022-05-23 | 2024-04-26 | 中国计量大学 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
WO2023236197A1 (zh) * | 2022-06-10 | 2023-12-14 | 深圳市正浩创新科技股份有限公司 | 负荷辨识方法、计算机可读存储介质及设备 |
CN115166625A (zh) * | 2022-07-06 | 2022-10-11 | 云南电网有限责任公司电力科学研究院 | 智能电表误差估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN110070048B (zh) | 基于双次K-means聚类的设备类型识别方法及系统 | |
CN113408341B (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
Gao et al. | A hybrid ConvLSTM-based anomaly detection approach for combating energy theft | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
Cao et al. | Scalable distribution systems state estimation using long short-term memory networks as surrogates | |
CN112085111A (zh) | 一种负荷辨识方法和装置 | |
CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
Dan et al. | Review of non-intrusive load appliance monitoring | |
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 | |
Jiang et al. | A new method for recognition and classification of power quality disturbances based on IAST and RF | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN110349050B (zh) | 一种基于电网参数关键特征抽取的智能窃电判据方法及装置 | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116466164A (zh) | 基于微型机器学习的非侵入式用电负荷分解方法及系统 | |
CN106340874A (zh) | 电力负荷分解的辨识决策方法和系统 | |
CN113158446B (zh) | 非侵入式电力负载识别方法 | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
Li et al. | Non-intrusive Load Monitoring Method Based on Transfer Learning and Sequence-to-point Model | |
Liu et al. | Ultra-short-term forecasting method of wind power based on W-BiLSTM |
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 |