CN115146744A - 一种融合时间特征的电能表负荷实时辨识方法、识别系统 - Google Patents

一种融合时间特征的电能表负荷实时辨识方法、识别系统 Download PDF

Info

Publication number
CN115146744A
CN115146744A CN202211059655.7A CN202211059655A CN115146744A CN 115146744 A CN115146744 A CN 115146744A CN 202211059655 A CN202211059655 A CN 202211059655A CN 115146744 A CN115146744 A CN 115146744A
Authority
CN
China
Prior art keywords
time
load
power
node
electric energy
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
Application number
CN202211059655.7A
Other languages
English (en)
Other versions
CN115146744B (zh
Inventor
左勇
范君
田丽媛
甘季伟
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.)
Anhui Nanrui Zhongtian Electric Power Electronics Co ltd
Original Assignee
Anhui Nanrui Zhongtian Electric Power Electronics 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 Anhui Nanrui Zhongtian Electric Power Electronics Co ltd filed Critical Anhui Nanrui Zhongtian Electric Power Electronics Co ltd
Priority to CN202211059655.7A priority Critical patent/CN115146744B/zh
Publication of CN115146744A publication Critical patent/CN115146744A/zh
Application granted granted Critical
Publication of CN115146744B publication Critical patent/CN115146744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Library & Information Science (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力设备领域，具体涉及一种融合时间特征的电能表负荷实时辨识方法、识别系统，以及非侵入式电能表负荷识别模块。负荷辨识方法包括如下步骤：S1：采集不同电力节点的电力信息，并记录采样时刻。S2：生成表征电力信息时间特征的分类标记。S3：生成不同节点的电气状态特征。S4：将分类标记和电气状态特征合并作为负荷特征属性集，进而得到一个节点状态数据库。S5：将节点状态数据库分为多个状态子集。S6：获取待测电力节点的实时特征属性集。S7：利用朴素贝叶斯分类算法计算实时特征属性集与各个状态子集的相似概率，确定对应的负荷类型。本发明克服了现有负荷类型分类准确性较差、实时性和颗粒度不足，导致电网管理难度大的问题。

Description

一种融合时间特征的电能表负荷实时辨识方法、识别系统
技术领域
本发明属于电力设备领域，具体涉及一种融合时间特征的电能表负荷实时辨识方法、识别系统，以及非侵入式电能表负荷识别模块。
背景技术
随着智能电网的不断发展，科学用电、提高用电效率、加强用户侧用电管理等话题引起了诸多关注。通过分析用户的用能数据，分析出用户负荷特征，进而结合不同用户的负荷类别帮助用户实现用电管理、用电优化，成为电网用户侧管理优化的新方向。同时，准确分析用户的负荷类型还能够进一步提高电网侧对不同台区内电力用户需求的响应速率，实现电力供需动态调整和平衡，进而为保障电网的长期运行稳定性奠定数据基础。
目前，对电力用户负荷辨识的研究一方面主要集中在算法的研究上。例如，技术人员在低频采样前提下通常选择采用LSTM(长短时记忆)、CNN(卷积神经网络)等工具提取负荷曲线特征，再分解拟合负荷特征。这种分析处理方法在计算过程中普遍采用固定大小的窗口，虽然可以采样到差异较大的局部特征，但容易导致模型训练难以收敛，无法进行实际应用。同时，在高频采样前提下则通常呼使用Adaboost、遗传算法等时频分析等手段挖掘谐波特征，但计算结果与实际功率有较大差别，准确度不足。另一方面是对负荷辨识系统架构的研究，如在软件设计上分离计算层和应用层，提高兼容性。但面对海量电力数据，系统在数据处理和通讯方面都将承受较大压力。
此外，现有实现电力用户负荷辨识的技术方案通常只能分析整个台区内的负荷特征，并且需要依赖台区内融合终端采集到的不同电力用户多项电力数据；因而无法对台区内的各个电力节点进行精准分析和科学管理。
发明内容
为了克服现有电力用户的负荷类型分类准确性较差、实时性和颗粒度不足，进而导致电网管理难度增大的问题，本发明提供一种融合时间特征的电能表负荷实时辨识方法、识别系统。
本发明采用以下技术方案实现：
一种融合时间特征的电能表负荷实时辨识方法，其用于根据电能表采集到的对应节点电力数据区分不同电力用户的负荷类型。该电能表负荷实时辨识方法包括如下步骤：
S1：按照预设的采样频率，采集不同负荷类型的电力节点中电能表采集到的电力信息。电力信息包括有功数据P和无功数据Q；并记录每项电力信息的采样时刻。
S2：根据各个节点采样的电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G。分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S。
S3：根据节点对应的电力信息的历史数据，生成不同节点在每一时刻的电气状态特征Ei，Ei={Pi，Qi，Wi}。电气状态特征Ei的计算过程如下：
S31：预设一个启动时间阈值ε，计算各个电力节点启动时间t0在[t0－
Figure 715827DEST_PATH_IMAGE001
, t0＋
Figure 505928DEST_PATH_IMAGE001
]范围内的启动有功功率P on 和启动无功功率Q on 。
S32：预设一个运行时间阈值
Figure 994678DEST_PATH_IMAGE002
，计算各个电力节点运行时间t1在[t1, t1＋
Figure 798203DEST_PATH_IMAGE002
]范围内的平均有功功率P T 和平均无功功率Q T 。
S33：计算各个节点在启动前后的有功相对比值Pi和无功相对比值Qi；以及从启动时间t0到停止时间te范围内的有功功率方差值Wi。
S34：以每个时刻计算出的有功相对比值Pi、无功相对比值Qi和有功功率方差值Wi作为各个节点在对应时刻的电气状态特征Ei。
S4：将各个节点对应时刻的分类标记Gi和电气状态特征Ei中的元数据合并，得到一个负荷特征属性集Ψi，Ψi={Li，Ti，Di， Si，Pi，Qi，Wi}。
根据每个节点已知的负荷类型，为每个负荷特征属性集Ψi添加一个负荷类别标记Cj；其中，j=1……N，N表示划分出的负荷类型的数量。进而得到包含不同节点的负荷特征属性集Ψi的所有历史数据的节点状态数据库φ。
S5：根据每个负荷特征属性集Ψi的负荷类别标记Cj，将节点状态数据库φ分为对应不同负荷类型的多个状态子集φ j。
S6：实时获取待测电力节点中电能表采集到的电力信息，并根据电力信息生成对应节点在当前时刻的实时特征属性集x；x={l,t,d,s,p,q,w}。
其中，l，t，d，s，p，q，w 分别为负荷特征属性集Ψi中各项指标的实时检测数据。
S7：利用朴素贝叶斯分类算法计算实时特征属性集x与各个状态子集φ j的相似概率P(φ｜x)，并将相似概率最大的值对应的负荷类型作为待测节点的负荷类型。所述相似概率P(φ｜x)的计算公式如下：
Figure 56009DEST_PATH_IMAGE003
上式中，x i 表示实时特征属性集中的各个元数据。
作为本发明进一步地改进，步骤S2中，运行时长标记L用于表征当前节点中产生电力负荷的设备从上一开启时刻至当前时刻的连续工作时长。当产生电力负荷的中断后，运行时长标记L清零；当产生电力负荷的设备重启后，运行时长标记L重新计数。
作为本发明进一步地改进，步骤S2中，周期标记T用于表征当前节点的负荷曲线的最小循环周期，周期标记T以小时为单位对最小循环周期进行取整得到。当最小循环周期大于24h时，周期标记T取值为24。当最当最小循环周期小于1h时，周期标记T取值为1。
作为本发明进一步地改进，步骤S2中，日计时分段标记D用于表征以24h计时，当前时刻对应的时段，D分别取值1、2……24。季度分段标记S用于表征划分出的季度标记，S分别取值1、2、3和4。
作为本发明进一步地改进，步骤S31中，启动有功功率P on 和启动无功功率Q on 的计算公式分别如下：
Figure 548170DEST_PATH_IMAGE004
上式中，P(i)表示在相应周期范围内各时刻对应的有功功率值；Q(i)表示在相应周期范围内各时刻对应的无功功率值。
作为本发明进一步地改进，步骤S32中，平均有功功率P T 和平均无功功率Q T 的计算公式分别如下：
Figure 320954DEST_PATH_IMAGE005
。
作为本发明进一步地改进，步骤S33中，启动前后的有功相对比值Pi和无功相对比值Qi的计算公式入如下：
Figure 877969DEST_PATH_IMAGE006
。
作为本发明进一步地改进，步骤S33中，有功功率方差值Wi的计算公式如下：
Figure 849336DEST_PATH_IMAGE007
。
作为本发明进一步地改进，步骤S4中，负荷类别标记Cj由技术人员根据节点内设备产生的电力负荷的周期性、最大瞬时强度、负荷等级，以及动态功率因数的差异进行人工设定，以区分不同电力用户在各项指标上的差异。
作为本发明进一步的改进，步骤S7中，识别出负荷类型的实时特征属性集x添加到对应的状态子集φ j中，作为对采集到的节点状态数据库φ的补充。
本发明还包括一种融合时间特征的电能表负荷的识别系统，该识别系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时实现如前述的融合时间特征的电能表负荷实时辨识方法的步骤，进而根据各节点中安装的电能表采集到的实时电力信息，识别出该节点对应的电力用户的负荷类型。
本发明提供的技术方案，具有如下有益效果：
本发明提供方案从采集各个用户用电数据的电能表触发，设计了一种融合电力信息隐含的时间特征的电能表负荷辨识方法。该方法既采集计量芯片中采集到的用户的用能数据等电力信息，又采集电能表在运行过程中统计和记录的各类事件信息，并结合各类信息隐含的时间信息对各个电力节点进行分类。该方法可以实现更加精准地节点类型分类，现对于现有各类台区负荷识别而言具有更高的颗粒度，因此可以为电网的精准调控奠定数据基础。
本发明提供节点负荷辨识方法采用一个动态更新的节点状态数据库作为分类的参考依据，结合每个节点实时的实时特征属性集对节点进行负荷类型辨识。分类过程采用了朴素贝叶斯分类算法，该算法运行过程中对数据处理系统的算力要求较低，因此可以直接在电能表或其它靠近用户的终端一侧完成节点分类工作；识别过程的实时性好。
本发明还利用该方法设计了一种专用的节点负荷类型识别的功能模块，将该模块安装在现有的新国标智能电能表中，电能表就可以具有节点负荷类型实时分析的功能。本发明提供的模块对设备的性能要求较低；可以直接部署在现有电力系统内，且几乎无需对现有电网中设备进行大规模的升级改造，应用成本较低，具有很高的实用价值。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明实施例1中提供的一种融合时间特征的电能表负荷实时辨识方法的步骤流程图。
图2为本发明实施例1中电气状态特征计算过程的步骤流程图。
图3为本发明实施例3中提供的非侵入式电能表负荷识别模块与电能表之间模块连接示意图。
图4为本发明实施例3中安装的电能表负荷识别模块利用电能表进行电力节点负荷类型识别过程中的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种融合时间特征的电能表负荷实时辨识方法，其用于根据电能表采集到的对应节点电力数据区分不同电力用户的负荷类型。如图1所示，本实施例提供的电能表负荷实时辨识方法包括如下步骤：
一、数据库生成阶段
S1：按照预设的采样频率，采集不同负荷类型的电力节点中电能表采集到的电力信息。电力信息包括有功数据P和无功数据Q；并记录每项电力信息的采样时刻。
S2：根据各个节点采样的电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G。分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S。
运行时长标记L用于表征当前节点中产生电力负荷的设备从上一开启时刻至当前时刻的连续工作时长。当产生电力负荷的中断后，运行时长标记L清零；当产生电力负荷的设备重启后，运行时长标记L重新计数。
周期标记T用于表征当前节点的负荷曲线的最小循环周期，周期标记T以小时为单位对最小循环周期进行取整得到。当最小循环周期大于24h时，周期标记T取值为24。当最当最小循环周期小于1h时，周期标记T取值为1。
日计时分段标记D用于表征以24h计时，当前时刻对应的时段，D分别取值1、2……24。季度分段标记S用于表征划分出的季度标记，S分别取值1、2、3和4。
S3：根据节点对应的电力信息的历史数据，生成不同节点在每一时刻的电气状态特征Ei，Ei={Pi，Qi，Wi}。如图2所示，电气状态特征Ei的计算过程如下：
S31：预设一个启动时间阈值ε，计算各个电力节点启动时间t0在[t0－
Figure 715661DEST_PATH_IMAGE001
, t0＋
Figure 179003DEST_PATH_IMAGE001
]范围内的启动有功功率P on 和启动无功功率Q on 。启动有功功率P on 和启动无功功率Q on 的计算公式分别如下：
Figure 303823DEST_PATH_IMAGE004
上式中，P(i)表示在相应周期范围内各时刻对应的有功功率值；
Figure 332959DEST_PATH_IMAGE008
表示在相应周期范围内各时刻对应的无功功率值。
S32：预设一个运行时间阈值τ，计算各个电力节点运行时间t1在[t1, t1＋τ]范围内的平均有功功率P T 和平均无功功率Q T 。平均有功功率P T 和平均无功功率Q T 的计算公式分别如下：
Figure 511130DEST_PATH_IMAGE005
S33：计算各个节点在启动前后的有功相对比值Pi和无功相对比值Qi；以及从启动时间t0到停止时间te范围内的有功功率方差值Wi。启动前后的有功相对比值Pi和无功相对比值Qi的计算公式入如下：
Figure 196189DEST_PATH_IMAGE009
。
有功功率方差值Wi的计算公式如下：
Figure 875432DEST_PATH_IMAGE010
。
S34：以每个时刻计算出的有功相对比值Pi、无功相对比值Qi和有功功率方差值Wi作为各个节点在对应时刻的电气状态特征Ei。
S4：将各个节点对应时刻的分类标记Gi和电气状态特征Ei中的元数据合并，得到一个负荷特征属性集Ψi，Ψi={Li，Ti，Di，Si，Pi，Qi，Wi}。
根据每个节点已知的负荷类型，为每个负荷特征属性集Ψi添加一个负荷类别标记Cj；其中，j=1……N，N表示划分出的负荷类型的数量。进而得到包含不同节点的负荷特征属性集Ψi的所有历史数据的节点状态数据库。
S5：根据每个负荷特征属性集Ψi的负荷类别标记Cj，将节点状态数据库分为对应不同负荷类型的多个状态子集φ j。
二、节点负荷类型识别阶段
S6：实时获取待测电力节点中电能表采集到的电力信息，并根据电力信息生成对应节点在当前时刻的实时特征属性集x；x={l,t,d,s,p,q,w}。
其中，l，t，d，s，p，q，w 分别为负荷特征属性集Ψi中各项指标的实时检测数据。
S7：利用朴素贝叶斯分类算法计算实时特征属性集x与各个状态子集φ j的相似概率P(φ｜x)，并将相似概率最大的值对应的负荷类型作为待测节点的负荷类型。所述相似概率P(φ｜x)的计算公式如下：
Figure 962337DEST_PATH_IMAGE003
上式中，x i 表示实时特征属性集中的各个元数据。
在本实施例提供的技术方案中，负荷类别标记Cj由技术人员根据节点内设备产生的电力负荷的周期性、最大瞬时强度、负荷等级，以及动态功率因数的差异进行人工设定，以区分不同电力用户在各项指标上的差异。
例如，对于大多数家庭用户而言，其产生的电力负荷通常具有很强的周期性，但在完整周期的不同时段内，产生的电力负荷的变化幅度较小。对于一些楼宇内的商业电力用户，其电力负荷的波动性较大，周期性较强，电力负荷中的时间特征也较为明显。而对于一些大型的生产型工业电力用户来说，其产生的电力负荷通常不具有明显的周期性，或单一周期很长，基本不会发生明显的波动性。以上仅为从用电性质上对这些电力用户进行粗略分类，事实上，以上不同性质的电力用户又可以被细分为很多类，例如对于普通居民用电户来说，家庭成员均为普通上班族与家庭成员包括长期居家的老人和孩子的电力用户，其产生的电力负荷也会具有明显差异。在商业电力用户中，餐饮型、电子娱乐类型和商务办公类型的电力用户的负荷特征也会明显不同。对于工业企业用电户来说，采用8小时工作制和24h倒班工作制的企业的电力负荷也会存在巨大差异。
基于以上分析，本实施例的技术方案中，负荷类别主要由技术人员根据具体的需求进行合理设定。当需要对电网波动进行更加细致管理时，则可以适当增大分类的细腻程度。同时，考虑到负荷类型划分过多时，会明显增大负荷辨识过程中的数据处理压力，并对最终的负荷类型识别精度造成影响。因此，设定的负荷类别应当在识别方法的精度、实时性和颗粒度等多个指标项的约束条件下达到平衡。
由于单一电力用户的负荷特征会呈现出较强的时间相关性，因此本方案提供的融合时间特征的负荷辨识方法可以更加精准、快速地识别当前用户的负荷情况。同时，本方案提供的方法需要的电力信息均可以通过电能表直接采集，因此能够以最接近边缘负荷的方式实现类型识别，这可以显著降低上级采集终端及主站的数据处理分析及网络带宽压力。并能提供更加迅速、准确的分析结果。
特别地，在本实施提供的技术方案中，步骤S1-S5的过程主要是为了建立能够有效区分不同负荷类型的样本数据集，在数据库的建立过程中，早期的基础数据中的负荷类型标记Cj均是人工添加的。当每个不同负荷类型对应的状态子集j的数据规模达到预期后，则可以用于开展节点负荷类型识别的任务。建的立数据库可以为后期步骤S6-S7中不同电力节点的类型识别奠定数据基础。
因此，本实施例提供的融合时间特征的电能表负荷辨识方法又可以被分为两个阶段，分别为对应步骤S1-S5的数据库生成阶段，以及对应步骤S6-S7的节点负荷类型识别阶段。而在节点负荷类型识别阶段，已经识别出负荷类型的实时特征属性集x，也可以添加到对应的状态子集φ j中，作为对采集到的节点状态数据库的补充，增强节点状态数据库的数据量。
将本实施例提供的技术方案分为两个阶段之后，两个阶段的任务可以选择不同的模式进行处理。例如当节点状态数据库的规模有限，在生成之后不再更新时，可以选择在本地执行，例如由电能表上的数据存储模块和数据处理模块来完成节点负荷辨识工作中两个阶段的全部任务。而在节点状态数据库动态更新或不断增加时，则可以选择将两个阶段的任务分别部署到不同的系统中，例如将数据集生成和相似概率计算等任务部署在边缘服务器或云端的中央服务器内，而将对算力要求不高的数据采集等任务部署在节点本地（即电能表）执行。由此可见，本实施例提供的技术方案在不同的场景下均具有极高实用性，具有广阔的推广应用前景。
实施例2
本实施例提供一种融合时间特征的电能表负荷的识别系统，该识别系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时实现如实施例1中融合时间特征的电能表负荷实时辨识方法的步骤，进而根据各节点中安装的电能表采集到的实时电力信息，识别出该节点对应的电力用户的负荷类型。
该计算机设备可以是能够执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。
本实施例中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备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。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，进而实现实施例1中融合时间特征的电能表负荷实时辨识方法的步骤，根据各节点中安装的电能表采集到的实时电力信息，识别出该节点对应的电力用户的负荷类型。
实施例3
在实施例1的基础上，本实施例进一步提供一种非侵入式电能表负荷识别模块，电能表负荷识别模块是一种嵌入式设备，该嵌入式设备安装在现有电能表上，并与电能表的计量芯和管理芯通过相应的通信接口电连接。
电能表负荷识别模块采集电能表计量芯获取的节点的各项电力信息，并采集管理芯在运行过程在记录各项事件信息；进而在运行过程中采用如实施例中的融合时间特征的电能表负荷辨识方法，根据采集到的相关数据识别出当前节点所属的用电负荷的类型；同时将该识别结果实时上传到终端或主站。
如图3所示，本实施例提供的电能表负荷识别模块包括电源单元、接口管理单元，通信单元、存储单元，以及处理单元。
其中，电源单元用于为模块中的其它功能单元的电路供电。存储单元用于存储各个负荷类别对应的状态子集j的相关数据；以及存储在识别过程中从电能表的计量芯和管理芯中采集到的临时数据。在实际应用过程中，存储单元中存储的各个负荷类别对应的状态子集j的相关数据可以随着应用过程中进行动态更新和增补，同时也可以利用主站下发的新的数据进行更新和替换。
接口管理单元用于管理处理单元与电能表的计量芯、管理芯，以及通信模块之间的接口电路。通信单元则用于在电能表负荷识别模块与终端或主站之间建立数据传输的通信链路。其中，通信单元可以采用基于wifi、蓝牙等技术的无线通信模块，也可以采用基于电力载波或以太网的有线通信模块。
在本实施例采用的接口管理单元中，电能表负荷识别模块与电能表的计量芯采用SPI通信总线进行通信，并与电能表的管理芯之间采用UART通用异步收发器进行通信。
如图4所示，处理单元包括分类标记生成单元、电气状态生成单元、实时特征属性集生成单元、相似概率计算单元，以及负荷类型输出单元。其中，分类标记生成单元用于根据采集到的当前节点对应电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G。分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S。电力状态生成单元用于根据计量芯采集到的节点的无功功率和有功功率的相关数据，计算出有功相对比值Pi、无功相对比值Qi和有功功率方差值Wi，并将以上三个数据作为各个节点在对应时刻的电气状态特征Ei。实时特征属性集生成单元用于将当前节点对应的各个时刻的分类标记和电气状态特征进行合并，进而得到当前节点的实时特征属性集。相似概率计算单元用于采用朴素贝叶斯分类算法计算当前节点的实时特征属性集与各个预设负荷类型对应的节点状态子集之间的相似概率。负荷类型输出单元用于将相似概率计算单元计算出的相似概率中的最大值对应的负荷类型作为当前节点的负荷类型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合时间特征的电能表负荷实时辨识方法，其特征在于，其用于根据电能表采集到的对应节点电力数据区分不同电力用户的负荷类型；所述电能表负荷实时辨识方法包括数据库生成阶段和节点负荷类型识别阶段两个过程，其中，
数据库生成阶段包括如下步骤：
S1：按照预设的采样频率，采集不同负荷类型的电力节点中电能表采集到的电力信息；电力信息包括有功数据P和无功数据Q；并记录每项电力信息的采样时刻；
S2：根据各个节点采样的电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G；分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S；
S3：根据节点对应的电力信息的历史数据，生成不同节点在每一时刻的电气状态特征Ei，Ei={Pi，Qi，Wi}；电气状态特征Ei的计算过程如下：
S31：预设一个启动时间阈值ε，计算各个电力节点启动时间t0在[t0－
Figure 152981DEST_PATH_IMAGE001
, t0＋
Figure 804542DEST_PATH_IMAGE001
]范围内的启动有功功率P on 和启动无功功率Q on ；
S32：预设一个运行时间阈值τ，计算各个电力节点运行时间t1在[t1, t1＋τ]范围内的平均有功功率P T 和平均无功功率Q T ；
S33：计算各个节点在启动前后的有功相对比值Pi和无功相对比值Qi；以及从启动时间t0到停止时间te范围内的有功功率方差值Wi；
S34：以每个时刻计算出的有功相对比值Pi、无功相对比值Qi和有功功率方差值Wi作为各个节点在对应时刻的电气状态特征Ei；
S4：将各个节点对应时刻的分类标记Gi和电气状态特征Ei中的元数据合并，得到一个负荷特征属性集Ψi，Ψi ={Li，Ti，Di， Si，Pi，Qi，Wi}；根据每个节点已知的负荷类型，为每个负荷特征属性集Ψi添加一个负荷类别标记Cj；其中，j=1……N，N表示划分出的负荷类型的数量；进而得到包含不同节点的负荷特征属性集Ψi的所有历史数据的节点状态数据库φ；
S5：根据每个负荷特征属性集Ψi的负荷类别标记Cj，将节点状态数据库φ分为对应不同负荷类型的多个状态子集φ j；
S6：实时获取待测电力节点中电能表采集到的电力信息，并根据电力信息生成对应节点在当前时刻的实时特征属性集x；x={l,t,d,s,p,q,w}；
其中，l，t，d，s，p，q，w 分别为负荷特征属性集Ψi中各项指标的实时检测数据；
S7：利用朴素贝叶斯分类算法计算实时特征属性集x与各个状态子集φ j的相似概率P(φ｜x)，并将相似概率最大的值对应的负荷类型作为待测节点的负荷类型；所述相似概率P(φ｜x)的计算公式如下：
Figure 364705DEST_PATH_IMAGE002
上式中，x i 表示实时特征属性集中的各个元数据。
2.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S2中，运行时长标记L用于表征当前节点中产生电力负荷的设备从上一开启时刻至当前时刻的连续工作时长；当产生电力负荷的中断后，运行时长标记L清零；当产生电力负荷的设备重启后，运行时长标记L重新计数。
3.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S2中，周期标记T用于表征当前节点的负荷曲线的最小循环周期，周期标记T以小时为单位对最小循环周期进行取整得到；当最小循环周期大于24h时，周期标记T取值为24；当最当最小循环周期小于1h时，周期标记T取值为1。
4.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S2中，日计时分段标记D用于表征以24h计时，当前时刻对应的时段，D分别取值1、2……24；季度分段标记S用于表征划分出的季度标记，S分别取值1、2、3和4。
5.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S31中，启动有功功率P on 和启动无功功率Q on 的计算公式分别如下：
Figure 556652DEST_PATH_IMAGE003
上式中，P(i)表示在相应周期范围内各时刻对应的有功功率值；
Figure 105445DEST_PATH_IMAGE004
表示在相应周期范围内各时刻对应的无功功率值。
6.如权利要求5所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S32中，平均有功功率P T 和平均无功功率Q T 的计算公式分别如下：
Figure 724645DEST_PATH_IMAGE005
。
7.如权利要求6所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：步骤S33中，启动前后的有功相对比值Pi和无功相对比值Qi的计算公式入如下：
Figure 726100DEST_PATH_IMAGE006
；
有功功率方差值Wi的计算公式如下：
Figure 721737DEST_PATH_IMAGE007
。
8.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法，其特征在于：在节点负荷类型识别阶段的步骤S7后，还将已经识别出负荷类型的实时特征属性集x添加到对应的状态子集φ j中，作为对采集到的所述节点状态数据库φ的补充。
9.一种融合时间特征的电能表负荷的识别系统，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行计算机程序时实现如权利要求1-8中任意一项所述的融合时间特征的电能表负荷实时辨识方法的步骤，进而根据各节点中安装的电能表采集到的实时电力信息，识别出该节点对应的电力用户的负荷类型。
10.一种非侵入式电能表负荷识别模块，其特征在于：其安装在现有的智能电能表上，并与电能表的计量芯和管理芯通过相应的通信接口电连接；进而在运行过程中采用如权利要求书1-8中任意一项所述的融合时间特征的电能表负荷辨识方法，根据采集到的电表数据识别出当前节点所属的用电负荷的类型；所述电能表负荷识别模块包括
电源单元，用于为模块中的其它功能单元的电路供电；
存储单元，其用于存储各个负荷类别对应的状态子集φ j的相关数据；以及存储在识别过程中从电能表的计量芯和管理芯中采集到的相关数据；
处理单元，其包括分类标记生成单元、电气状态生成单元、实时特征属性集生成单元、相似概率计算单元，以及负荷类型输出单元；其中，所述分类标记生成单元用于根据采集到的当前节点对应电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G；所述分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S；所述电力状态生成单元用于根据计量芯采集到的当前节点的无功功率和有功功率的相关数据，计算出有功相对比值Pi、无功相对比值Qi和有功功率方差值Wi，并将以上三个数据作为各个节点在对应时刻的电气状态特征Ei；所述实时特征属性集生成单元用于将当前节点对应的各个时刻的分类标记和电气状态特征进行合并，进而得到当前节点的实时特征属性集；所述相似概率计算单元用于采用朴素贝叶斯分类算法计算当前节点的实时特征属性集与各个预设负荷类型对应的节点状态子集之间的相似概率；所述负荷类型输出单元用于将相似概率计算单元计算出的相似概率中的最大值对应的负荷类型作为当前节点的负荷类型；
通信单元，其用于和主站或终端通信连接，并向主站或终端发送识别出的负荷类型；以及
接口管理单元，其用于管理处理单元与电能表的计量芯、管理芯、通信单元之间的接口电路的运行状态；所述接口管理单元与所述计量芯间采用SPI通信总线进行通信，与所述管理芯之间采用UART通用异步收发器进行通信。
CN202211059655.7A 2022-09-01 2022-09-01 一种融合时间特征的电能表负荷实时辨识方法、识别系统 Active CN115146744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211059655.7A CN115146744B (zh) 2022-09-01 2022-09-01 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211059655.7A CN115146744B (zh) 2022-09-01 2022-09-01 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Publications (2)

Publication Number Publication Date
CN115146744A true CN115146744A (zh) 2022-10-04
CN115146744B CN115146744B (zh) 2022-12-06

Family

ID=83415852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211059655.7A Active CN115146744B (zh) 2022-09-01 2022-09-01 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Country Status (1)

Country Link
CN (1) CN115146744B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113159A (zh) * 2023-10-23 2023-11-24 国网山西省电力公司营销服务中心 基于深度学习的电力用户侧负荷分类方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017079509A (ja) * 2015-10-19 2017-04-27 住友電気工業株式会社 電力変換装置及びその制御方法
US20190055926A1 (en) * 2016-02-23 2019-02-21 Wobben Properties Gmbh Method and windfarm control stage for controlling a windfarm
CN111460001A (zh) * 2020-03-30 2020-07-28 济南大学 一种配电网理论线损率评估方法及系统
CN112085111A (zh) * 2020-09-14 2020-12-15 南方电网科学研究院有限责任公司 一种负荷辨识方法和装置
CN112784210A (zh) * 2021-01-25 2021-05-11 南京智睿能源互联网研究院有限公司 一种基于多元高斯判别方式的负荷识别方法
CN112784870A (zh) * 2020-11-23 2021-05-11 国网浙江省电力有限公司 一种基于聚类算法的典型台区分类方法及系统
CN113328467A (zh) * 2021-05-26 2021-08-31 广东电网有限责任公司 一种概率电压稳定性评估方法、系统、终端设备及介质
CN113627451A (zh) * 2020-05-08 2021-11-09 许继集团有限公司 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法
WO2022106910A1 (en) * 2020-11-17 2022-05-27 Akuon Peter Apparatuses and methods for processing power and true power factor (pf) in ac networks

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017079509A (ja) * 2015-10-19 2017-04-27 住友電気工業株式会社 電力変換装置及びその制御方法
US20190055926A1 (en) * 2016-02-23 2019-02-21 Wobben Properties Gmbh Method and windfarm control stage for controlling a windfarm
CN111460001A (zh) * 2020-03-30 2020-07-28 济南大学 一种配电网理论线损率评估方法及系统
CN113627451A (zh) * 2020-05-08 2021-11-09 许继集团有限公司 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法
CN112085111A (zh) * 2020-09-14 2020-12-15 南方电网科学研究院有限责任公司 一种负荷辨识方法和装置
WO2022106910A1 (en) * 2020-11-17 2022-05-27 Akuon Peter Apparatuses and methods for processing power and true power factor (pf) in ac networks
CN112784870A (zh) * 2020-11-23 2021-05-11 国网浙江省电力有限公司 一种基于聚类算法的典型台区分类方法及系统
CN112784210A (zh) * 2021-01-25 2021-05-11 南京智睿能源互联网研究院有限公司 一种基于多元高斯判别方式的负荷识别方法
CN113328467A (zh) * 2021-05-26 2021-08-31 广东电网有限责任公司 一种概率电压稳定性评估方法、系统、终端设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. A. SALEH ET AL.: "Apparent Power-Based Anti-Islanding Protection for Distributed Cogeneration Systems", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 *
田正其 等: "一种融合时间特征的非侵入式负荷辨识决策方法", 《电测与仪表》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113159A (zh) * 2023-10-23 2023-11-24 国网山西省电力公司营销服务中心 基于深度学习的电力用户侧负荷分类方法及系统

Also Published As

Publication number Publication date
CN115146744B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
US11043808B2 (en) Method for identifying pattern of load cycle
CN102982489A (zh) 一种基于海量计量数据的电力客户在线分群方法
CN111798336B (zh) 一种基于典型用户的居民电费套餐推荐方法及系统
CN111090643B (zh) 一种基于数据分析系统下的海量用电数据挖掘方法
CN111177216B (zh) 综合能源消费者行为特征的关联规则生成方法及装置
CN104834984A (zh) 一种基于统一互联电力市场的电力交易监管风险预警系统
CN108734216A (zh) 基于负荷曲线形态的电力用户分类方法、装置及存储介质
CN105868073A (zh) 一种基于时间序列分析的数据中心节能策略实现方法
CN115146744B (zh) 一种融合时间特征的电能表负荷实时辨识方法、识别系统
CN104899702B (zh) 基于大数据的装饰预算定额管理系统及管理方法
Mutanen Improving electricity distribution system state estimation with AMR-based load profiles
CN113872813A (zh) 一种载波通信设备全生命周期管理方法及系统
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN115456034A (zh) 一种电动自行车充电自动识别监测方法及系统
CN108475257A (zh) 处理远程仪表读取数据以分析消耗量模式
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
Alonso et al. Clustering electricity consumers: Challenges and applications for operating smart grids
CN118228069A (zh) 用电负荷预测方法、装置、设备、介质和程序产品
Ferreira et al. A data-mining-based methodology for transmission expansion planning
CN109598535A (zh) 一种基于大数据对分布式光伏客户分类的方法及系统
CN116596574A (zh) 电网用户画像构建方法及系统
CN116226293A (zh) 一种电力客户画像生成管理的方法及系统
CN114048200A (zh) 一种计及缺失数据补齐的用户用电行为分析方法
CN112614005A (zh) 企业复工状态的处理方法和装置
CN114066219A (zh) 一种关联矩阵下用电异常点智能识别的窃电分析方法

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