CN114709926A - 一种融合暂稳态特征的非侵入式负荷识别方法 - Google Patents

一种融合暂稳态特征的非侵入式负荷识别方法 Download PDF

Info

Publication number
CN114709926A
CN114709926A CN202210343726.XA CN202210343726A CN114709926A CN 114709926 A CN114709926 A CN 114709926A CN 202210343726 A CN202210343726 A CN 202210343726A CN 114709926 A CN114709926 A CN 114709926A
Authority
CN
China
Prior art keywords
transient
load
steady
data
state
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
Application number
CN202210343726.XA
Other languages
English (en)
Inventor
谈竹奎
刘斌
唐赛秋
张秋雁
代吉玉蕾
张锐锋
徐宏伟
胡厚鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202210343726.XA priority Critical patent/CN114709926A/zh
Publication of CN114709926A publication Critical patent/CN114709926A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/003—Measuring reactive component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/005—Measuring apparent power
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/70—Load identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种融合暂稳态特征的非侵入式负荷识别方法，它包括：获取负荷运行时的电压和电流数据，由此获得负荷的功率序列，包含有功功率、无功功率和视在功率；采用滑动窗口算法检测负荷的投切状态，并分离出负荷的暂态数据和稳态数据；分别从获得的暂态数据和稳态数据中提取所需的电气特征量，获得各自的特征向量；将暂态特征向量输入至训练好的XGBoost模型中，将稳态特征向量输入至训练好的随机森林RF模型中，得到各自的识别结果；将分类识别结果构造基本概率分配BPA，采用D‑S证据理论进行融合得到最终的识别结果；更多地利用了用电设备的信息，提高了负荷识别精度。

Description

一种融合暂稳态特征的非侵入式负荷识别方法
技术领域
本发明属于负荷识别技术领域，尤其涉及一种融合暂稳态特征的非侵入式负荷识别方法。
背景技术
近年来，随着时代的需求和行业技术的发展，电网逐步迈向智能化。负荷监测和识别作为智能电网的重要组成部分，对智能电网的建设具有重要意义，吸引学者和企业投入到对其研究当中。
目前，国际上的负荷识别方式主要采取侵入式和非侵入式两种。其中侵入式识别方式(ILM)需要在各个电气设备安装一个监测模块，虽然识别效果准确，但是由于其存在安装不便捷、成本高昂、维护困难等问题，导致这种方式难以大范围推广；而非侵入式负荷识别(NILM)仅需要在用户用电的入线端安装监测设备，具有部署简单、成本低廉、维护简单的特点。NILM一般包含以下几部分：原始电气信号的获取与处理、负荷投切事件检测、负荷特征的提取、负荷类型识别。
现有的NILM方法大多数仅提取负荷的稳态特征或暂态特征，然而由于某些用电设备具有非常相似的稳态特征或暂态特征，无法有效区分，因此使用单一的稳态特征或暂态进行负荷识别具有局限性。
发明内容
本发明要解决的技术问题：提供一种融合暂稳态特征的非侵入式负荷识别方法，以解决现有技术仅提取负荷的稳态特征或暂态特征进行负荷识别，，使用单一的稳态特征或暂态进行负荷识别具有局限性等技术问题。
本发明技术方案：
一种融合暂稳态特征的非侵入式负荷识别方法，它包括：
步骤S1、获取负荷运行时的电压和电流数据，由此获得负荷的功率序列，包含有功功率、无功功率和视在功率；
步骤S2、采用滑动窗口算法检测负荷的投切状态，并分离出负荷的暂态数据和稳态数据；
步骤S3、分别从获得的暂态数据和稳态数据中提取所需的电气特征量，获得各自的特征向量；
步骤S4、将暂态特征向量输入至训练好的XGBoost模型中，将稳态特征向量输入至训练好的随机森林RF模型中，得到各自的识别结果；
步骤S5、将步骤S4输出的分类识别结果构造基本概率分配BPA，采用D-S证据理论进行融合得到最终的识别结果。
所述的电压、电流数据为大于100Hz的高频数据。
步骤S2所述分离出负荷的暂态数据和稳态数据的方法包括：
步骤S2-1、设置长度为2N的滑窗，在有功功率序列中滑动；
步骤S2-2、分别计算滑窗后N个功率的平均值和前N个功率的平均值并计算差值δ：
Figure BDA0003575620480000021
如果δ大于设定的第一阈值T1，T1＞0，则判断为负荷接入；如果δ小于设定的第二阈值T2，T2＜0，则判断为负荷断开；
步骤S2-3、判断为负荷接入后，根据下式计算稳态判据σ：
Figure BDA0003575620480000031
如果σ小于设定的第三阈值T3，则判定为进入稳态，以此刻为分界点分离出负荷的暂态数据和稳态数据。
从暂态数据获得的电气特征量包括：有功功率和无功功率的平均值
Figure BDA0003575620480000032
峰值Ppeak、Qpeak；、脉冲因子Ppulse、Qpulse、偏度Pskew、Qskew；峰度Pkurt、Qkurt；其中脉冲因子、偏度和峰度的计算方式如下：
Figure BDA0003575620480000033
Figure BDA0003575620480000034
Figure BDA0003575620480000035
Figure BDA0003575620480000036
Figure BDA0003575620480000037
Figure BDA0003575620480000041
其中，Nr为暂态持续的周波数，Pi、Qi分别为暂态持续时间内的有功功率和无功功率序列的值；
上述特征经组合后得到10维暂态特征向量
Figure BDA0003575620480000042
从稳态数据获得的电气特征量包括：电流平均值
Figure BDA0003575620480000049
峰-峰值Ipp、有效值Irms、峰均比Ipp-rms；有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003575620480000043
基波及2、3、5、7次谐波电流与谐波阻抗的幅值和相位；偶次谐波聚合值Idouble、三倍次谐波聚合值Itriple、质数次谐波聚合值Iprime；其中，电压和电流的谐波幅值和相位通过快速傅里叶变换算法(FFT)计算得到，谐波阻抗的幅值和相位计算方式如下：
Figure BDA0003575620480000044
Figure BDA0003575620480000045
其中，Uk、Ik、Zk(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗幅值(k＝1时为基波幅值)，
Figure BDA0003575620480000046
(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗相角(k＝1时为基波相角)；
偶次谐波聚合值、三倍次谐波聚合值、质数次谐波聚合值计算方式如下：
Figure BDA0003575620480000047
Figure BDA0003575620480000048
Figure BDA0003575620480000051
其中，Ik为k次谐波电流幅值；
上述特征经组合得到32维稳态特征向量
Figure BDA0003575620480000052
XGBoost模型的训练方式为：
1)预先获取部分电器的暂态电压、电流数据及功率序列；
2)经过步骤S3获得暂态特征向量并打上标签；
3)将处理后的暂态数据输入XGBoost分类器进行训练，并结合交叉验证法与网格搜索法找到模型的最优参数。
随机森林模型的训练方式为：
1)预先获取部分电器的稳态电压、电流数据及功率序列；
2)经过步骤S3获得稳态特征向量并打上标签；
3)将处理后的稳态数据输入随机森林分类器进行训练，并结合交叉验证法与网格搜索法找到模型的最优参数。
步骤S5所述的采用D-S证据理论融合分类结果的具体步骤为：步骤S5-1、根据暂态识别结果和稳态识别结果构造以下的mass函数：
m1(Ai)＝yi
m2(Ai)＝zi
其中Ai＝{第i种电器}，yi、zi分别表示在暂态识别结果和稳态识别结果中被分为第i类电器的概率；
步骤S5-2、利用Dempster合成规则计算组合mass函数：
Figure BDA0003575620480000053
其中，K称为归一化因子，反映了证据的冲突程度，计算方式如下：
Figure BDA0003575620480000061
步骤S5-3、将合成mass函数最大值对应的类别作为最终输出的识别结果Aout：
Figure BDA0003575620480000062
步骤S4所述的模型的分类结果为识别为各类电器的概率。
本发明的有益效果：
本发明通过将实时采集的电气数据划分为暂态数据和稳态数据，分别提取暂态数据和稳态数据的特征进行识别，最后将暂态识别和稳态识别结果进行融合，更多地利用了用电设备的信息，提高了负荷识别精度。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1所示，一种融合暂稳态特征的非侵入式负荷识别方法，其包括：
步骤S1、获取负荷运行时的电压、电流数据，并由此获得负荷的功率序列。本实例中采用智能插座采集所需数据。智能插座的采样频率是6.4kHz，采样精度为0.5级；电器类型在电热毯、风扇、电灯、电吹风、电热水壶、电磁炉、电动车充电器7种类型当中。在获得电压、电流数据后，对每一个周波电压、电流数据进行以下处理得到负荷的功率序列：
Figure BDA0003575620480000071
Figure BDA0003575620480000072
Figure BDA0003575620480000073
其中，Np为每个周波的采样点个数，uk(k＝1,2,…Np)为电压采样值，ik(k＝1,2,…Np)为电流采样值，Urms为电压有效值，Irms为电流有效值。步骤S2、采用滑动窗口算法检测负荷的投切状态，并分离出负荷的暂态数据和稳态数据。具体步骤为：
步骤S2-1、设置长度为2Nw的滑窗，在步骤S1得到的有功功率序列中滑动；
步骤S2-2、分别计算滑窗后Nw个功率的平均值和前Nw个功率的平均值并计算差值δ：
Figure BDA0003575620480000074
如果δ大于设定的第一阈值T1(T1＞0)，则判断为负荷接入；如果δ小于设定的小于0的第二阈值T2(T2＜0)，则判断为负荷断开；
步骤S2-3、判断为负荷接入后，根据下式计算稳态判据σ：
Figure BDA0003575620480000075
如果σ小于设定的第三阈值T3，则判定为进入稳态，以此刻为分界点分离出负荷的暂态数据和稳态数据。
步骤S3、分别从步骤S2获得的暂态数据和稳态数据中提取所需的电气特征量。
从暂态数据获得的电气特征量包括：有功功率和无功功率的平均值
Figure BDA0003575620480000081
峰值Ppeak、Qpeak；、脉冲因子Ppulse、Qpulse、偏度Pskew、Qskew；峰度Pkurt、Qkurt。其中脉冲因子、偏度和峰度的计算方式如下：
Figure BDA0003575620480000082
Figure BDA0003575620480000083
Figure BDA0003575620480000084
Figure BDA0003575620480000085
Figure BDA0003575620480000086
Figure BDA0003575620480000087
其中，Nr为暂态持续的周波数，Pi、Qi分别为暂态持续时间内的有功功率和无功功率序列的值。
上述特征经组合后得到10维暂态特征向量
Figure BDA0003575620480000091
从稳态数据获得的电气特征量包括：电流平均值
Figure BDA0003575620480000092
峰-峰值Ipp、有效值Irms、峰均比Ipp-rms；有功功率P、无功功率Q、视在功率S、功率因数
Figure BDA0003575620480000093
基波及2、3、5、7次谐波电流与谐波阻抗的幅值和相位；偶次谐波聚合值Idouble、三倍次谐波聚合值Itriple、质数次谐波聚合值Iprime。其中，电压和电流的谐波幅值和相位通过快速傅里叶变换算法(FFT)计算得到，谐波阻抗的幅值和相位计算方式如下：
Figure BDA0003575620480000094
Figure BDA0003575620480000095
其中，Uk、Ik、Zk(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗幅值(k＝1时为基波幅值)，
Figure BDA0003575620480000096
(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗相角(k＝1时为基波相角)。
偶次谐波聚合值、三倍次谐波聚合值、质数次谐波聚合值计算方式如下：
Figure BDA0003575620480000097
Figure BDA0003575620480000098
Figure BDA0003575620480000099
其中，Ik为k次谐波电流幅值。
上述特征经组合得到32维稳态特征向量
Figure BDA00035756204800000910
步骤S4、将暂态特征向量输入至训练好的XGBoost模型中，将稳态特征向量输入至训练好的随机森林(RF)模型中，得到各自的分类结果。在此实例中XGBoost模型的训练方法为：
1)预先获得了若干组(包含电热毯、风扇、电灯、电吹风、电热水壶、电磁炉、电动车充电器7种类型)电器的暂态电压、电流数据及对应的功率序列；
2)经过步骤S3获得暂态特征向量并打上标签；
3)使用python的xgboost工具库建立XGBoost分类器XGBClassifier，并调用sklearn库的GridSearchCV类，使用网格搜索法和交叉验证法对决策树数量、决策树深度、学习率等参数进行寻优。
模型的输出为一个7维向量Y＝[y1,y2,y3,y4,y5,y6,y7]，Y中的分量yi表示被分为第i类电器的概率。
随机森林模型的训练方法为：
1)预先获得了若干组(包含电热毯、风扇、电灯、电吹风、电热水壶、电磁炉、电动车充电器7种类型)电器的暂态电压、电流数据及对应的功率序列；
2)经过步骤S3获得暂态特征向量并打上标签；
3)使用python的xgboost工具库建立XGBoost分类器XGBClassifier，并采用sklearn库的GridSearchCV类，使用网格搜索法和交叉验证法对决策树数量、决策树深度、决策树考虑的最大特征数等参数进行寻优。
模型的输出为一个7维向量Z＝[z1,z2,z3,z4,z5,z6,z7]，Z中的分量zi表示被分为第i类电器的概率。
步骤S5、将步骤S4输出的分类结果构造基本概率分配(BPA)，采用D-S证据理论进行融合，得到最终的分类结果。具体步骤如下：
步骤S5-1、根据暂态识别结果和稳态识别结果构造以下的mass函数：
m1(Ai)＝yi
m2(Ai)＝zi
其中Ai＝{第i种电器}，yi、zi分别表示在暂态识别结果和稳态识别结果中被分为第i类电器的概率。
步骤S5-2、利用Dempster合成规则计算组合mass函数：
Figure BDA0003575620480000111
其中，K称为归一化因子，反映了证据的冲突程度，计算方式如下：
Figure BDA0003575620480000112
步骤S5-3、将合成mass函数最大值对应的类别作为最终输出的识别结果Aout：
Figure BDA0003575620480000113

Claims (8)

1.一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：它包括：
步骤S1、获取负荷运行时的电压和电流数据，由此获得负荷的功率序列，包含有功功率、无功功率和视在功率；
步骤S2、采用滑动窗口算法检测负荷的投切状态，并分离出负荷的暂态数据和稳态数据；
步骤S3、分别从获得的暂态数据和稳态数据中提取所需的电气特征量，获得各自的特征向量；
步骤S4、将暂态特征向量输入至训练好的XGBoost模型中，将稳态特征向量输入至训练好的随机森林RF模型中，得到各自的识别结果；
步骤S5、将步骤S4输出的分类识别结果构造基本概率分配BPA，采用D-S证据理论进行融合得到最终的识别结果。
2.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：所述的电压、电流数据为大于100Hz的高频数据。
3.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：步骤S2所述分离出负荷的暂态数据和稳态数据的方法包括：
步骤S2-1、设置长度为2N的滑窗，在有功功率序列中滑动；
步骤S2-2、分别计算滑窗后N个功率的平均值和前N个功率的平均值并计算差值δ：
Figure FDA0003575620470000021
如果δ大于设定的第一阈值T1，T1＞0，则判断为负荷接入；如果δ小于设定的第二阈值T2，T2＜0，则判断为负荷断开；
步骤S2-3、判断为负荷接入后，根据下式计算稳态判据σ：
Figure FDA0003575620470000022
如果σ小于设定的第三阈值T3，则判定为进入稳态，以此刻为分界点分离出负荷的暂态数据和稳态数据。
4.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：从暂态数据获得的电气特征量包括：有功功率和无功功率的平均值
Figure FDA0003575620470000023
峰值Ppeak、Qpeak；、脉冲因子Ppulse、Qpulse、偏度Pskew、Qskew；峰度Pkurt、Qkurt；其中脉冲因子、偏度和峰度的计算方式如下：
Figure FDA0003575620470000024
Figure FDA0003575620470000025
Figure FDA0003575620470000026
Figure FDA0003575620470000031
Figure FDA0003575620470000032
Figure FDA0003575620470000033
其中，Nr为暂态持续的周波数，Pi、Qi分别为暂态持续时间内的有功功率和无功功率序列的值；
上述特征经组合后得到10维暂态特征向量
Figure FDA0003575620470000034
从稳态数据获得的电气特征量包括：电流平均值
Figure FDA0003575620470000035
峰-峰值Ipp、有效值Irms、峰均比Ipp-rms；有功功率P、无功功率Q、视在功率S、功率因数
Figure FDA0003575620470000036
基波及2、3、5、7次谐波电流与谐波阻抗的幅值和相位；偶次谐波聚合值Idouble、三倍次谐波聚合值Itriple、质数次谐波聚合值Iprime；其中，电压和电流的谐波幅值和相位通过快速傅里叶变换算法(FFT)计算得到，谐波阻抗的幅值和相位计算方式如下：
Figure FDA0003575620470000037
Figure FDA0003575620470000038
其中，Uk、Ik、Zk(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗幅值(k＝1时为基波幅值)，
Figure FDA0003575620470000039
(k＝1,2,3,5,7)分别为k次谐波电压、电流、阻抗相角(k＝1时为基波相角)；
偶次谐波聚合值、三倍次谐波聚合值、质数次谐波聚合值计算方式如下：
Figure FDA0003575620470000041
Figure FDA0003575620470000042
Figure FDA0003575620470000043
其中，Ik为k次谐波电流幅值；
上述特征经组合得到32维稳态特征向量
Figure FDA0003575620470000044
5.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：XGBoost模型的训练方式为：
1)预先获取部分电器的暂态电压、电流数据及功率序列；
2)经过步骤S3获得暂态特征向量并打上标签；
3)将处理后的暂态数据输入XGBoost分类器进行训练，并结合交叉验证法与网格搜索法找到模型的最优参数。
6.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：随机森林模型的训练方式为：
1)预先获取部分电器的稳态电压、电流数据及功率序列；
2)经过步骤S3获得稳态特征向量并打上标签；
3)将处理后的稳态数据输入随机森林分类器进行训练，并结合交叉验证法与网格搜索法找到模型的最优参数。
7.根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：步骤S5所述的采用D-S证据理论融合分类结果的具体步骤为：
步骤S5-1、根据暂态识别结果和稳态识别结果构造以下的mass函数：
m1(Ai)＝yi
m2(Ai)＝zi
其中Ai＝{第i种电器}，yi、zi分别表示在暂态识别结果和稳态识别结果中被分为第i类电器的概率；
步骤S5-2、利用Dempster合成规则计算组合mass函数：
Figure FDA0003575620470000051
其中，K称为归一化因子，反映了证据的冲突程度，计算方式如下：
Figure FDA0003575620470000052
步骤S5-3、将合成mass函数最大值对应的类别作为最终输出的识别结果Aout：
Figure FDA0003575620470000053
8.根据权利要求1所述的根据权利要求1所述的一种融合暂稳态特征的非侵入式负荷识别方法，其特征在于：步骤S4所述的模型的分类结果为识别为各类电器的概率。
CN202210343726.XA 2022-03-31 2022-03-31 一种融合暂稳态特征的非侵入式负荷识别方法 Pending CN114709926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210343726.XA CN114709926A (zh) 2022-03-31 2022-03-31 一种融合暂稳态特征的非侵入式负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210343726.XA CN114709926A (zh) 2022-03-31 2022-03-31 一种融合暂稳态特征的非侵入式负荷识别方法

Publications (1)

Publication Number Publication Date
CN114709926A true CN114709926A (zh) 2022-07-05

Family

ID=82172078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210343726.XA Pending CN114709926A (zh) 2022-03-31 2022-03-31 一种融合暂稳态特征的非侵入式负荷识别方法

Country Status (1)

Country Link
CN (1) CN114709926A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN117543592A (zh) * 2023-11-08 2024-02-09 国网江西省电力有限公司供电服务管理中心 工业设备负荷识别方法、装置、存储介质及计算机设备
CN118332457A (zh) * 2024-06-17 2024-07-12 杭州熔合智造科技有限公司 基于特征融合和对比学习的非侵入式负荷识别方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN116861316B (zh) * 2023-09-04 2023-12-15 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN117543592A (zh) * 2023-11-08 2024-02-09 国网江西省电力有限公司供电服务管理中心 工业设备负荷识别方法、装置、存储介质及计算机设备
CN118332457A (zh) * 2024-06-17 2024-07-12 杭州熔合智造科技有限公司 基于特征融合和对比学习的非侵入式负荷识别方法和系统

Similar Documents

Publication Publication Date Title
CN114709926A (zh) 一种融合暂稳态特征的非侵入式负荷识别方法
Veerasamy et al. LSTM recurrent neural network classifier for high impedance fault detection in solar PV integrated power system
CN110956220B (zh) 一种非侵入式家用电器负荷识别方法
CN107330517B (zh) 一种基于S_Kohonen非侵入式居民负荷识别方法
Dash et al. A hybrid time–frequency approach based fuzzy logic system for power island detection in grid connected distributed generation
CN105429135B (zh) 一种非侵入式电力负荷分解的辨识决策方法及系统
CN111830347B (zh) 一种基于事件的两阶段非侵入式负荷监测方法
Chilukuri et al. Multiresolution S-transform-based fuzzy recognition system for power quality events
CN105067966B (zh) 基于特征模态分量能量分析的低压交流故障电弧检测方法
Liu et al. Admittance-based load signature construction for non-intrusive appliance load monitoring
Ezzat et al. Microgrids islanding detection using Fourier transform and machine learning algorithm
CN106872824A (zh) 一种电网负载电器类型识别和不同电器电量统计的方法及其装置
CN106548013B (zh) 利用改进不完全s变换的电压暂降源识别方法
CN110571806B (zh) 一种用于配电网负荷类别的特征提取与辨识方法
CN112748318A (zh) 基于改进pso-bp神经网络的串联故障电弧检测方法
Jain et al. Current peak based device classification in NILM on a low-cost embedded platform using extra-trees
Li et al. A data-driven approach to grid impedance identification for impedance-based stability analysis under different frequency ranges
CN112394220B (zh) 一种非侵入式电动汽车充电负荷模式提取方法
Gao et al. High-impedance arc fault modeling for distribution networks based on dynamic geometry dimension
CN112949563A (zh) 基于变点检测和改进knn算法的非侵入式负荷识别方法
Mei et al. Random forest based adaptive non-intrusive load identification
CN111913078A (zh) 一种基于运行的输电线路故障识别方法
Zhou et al. Research on non-invasive load monitoring based on convolutional neural network
Li et al. A training-free non-intrusive load monitoring approach for high-frequency measurements based on graph signal processing
Yikun et al. Classification method of voltage sag sources based on sequential trajectory feature learning algorithm

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