CN115600837A - 一种用于电器负荷异常的节能诊断方法 - Google Patents
一种用于电器负荷异常的节能诊断方法 Download PDFInfo
- Publication number
- CN115600837A CN115600837A CN202211361650.XA CN202211361650A CN115600837A CN 115600837 A CN115600837 A CN 115600837A CN 202211361650 A CN202211361650 A CN 202211361650A CN 115600837 A CN115600837 A CN 115600837A
- Authority
- CN
- China
- Prior art keywords
- load
- electric appliance
- characteristic data
- set period
- index
- 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 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 230000005856 abnormality Effects 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 230000035945 sensitivity Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电器负荷检测技术领域，具体涉及一种用于电器负荷异常的节能诊断方法，该方法在电器运行时，采集设定周期内的电流和电压以得到有功功率、稳态无功功率和U‑I轨迹图的对称性指标和面积；当设定周期内电器运行的状态确认为稳态状态且初步判断为电器疑似负荷异常时，根据历史电器负荷状态的特征数据得到每种特征数据的敏感性指标和相关性指标，进而得到第一异常评价值；根据U‑I轨迹图获取第二异常评价值；将第一异常评价值和第二异常评价值相加得到设定周期内的负荷异常指标；结合设定周期内的负荷异常指标与相邻历史设定周期内的负荷异常指标之间的均值确定电器负荷结果，增加了电器负荷异常检测的可靠性。
Description
技术领域
本发明涉及电器负荷检测技术领域，具体涉及一种用于电器负荷异常的节能诊断方法。
背景技术
非侵入式负荷监测(NILM)相比于侵入式监测具有安装成本低、用户接受程度高等优势。NILM主要包含事件检测、特征提取和负荷识别3个步骤。现有技术中的非侵入式负荷监测大多通过数据采集、数据处理、特征提取，将提取的特征输入对应设备的预测神经网络中以识别设备的负荷异常情况，但是该方法具有局限性，无法应对复杂设备的更换和变换等情况，当出现新设备的时候，会出现由于对应预测神经网络没有训练好，而无法及时准确识别设备的负荷异常情况。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于电器负荷异常的节能诊断方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于电器负荷异常的节能诊断方法，该方法包括：
在电器运行时，采集设定周期内每个采样时刻下的电流和电压，结合电流和电压计算设定周期内的有功功率和稳态无功功率；并以电压为横坐标、电流为纵坐标构建U-I轨迹图；获取U-I轨迹图中U-I轨迹的对称性指标和面积；
当设定周期内电器运行的状态确认为稳态状态时，根据设定周期内采集的电流对电器负荷异常进行初步判断；当初步判断为电器疑似负荷异常时，根据历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应的特征数据之间的差值，分别得到每种特征数据的敏感性指标和相关性指标，特征数据包括有功功率、稳态无功功率、对称性指标和面积；计算设定周期内每种特征数据与电器负荷正常状态下对应的特征数据之间的差值绝对值，将设定周期内每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积进行相加得到第一异常评价值；
利用改进的形状上下文算法计算U-I轨迹图与标准U-I轨迹图之间的相似度，将相似度作为第二异常评价值；将第一异常评价值和第二异常评价值相加得到设定周期内的负荷异常指标；计算设定周期内的负荷异常指标与相邻历史设定周期内的负荷异常指标之间的均值作为最终评判指标，根据最终评判指标确定设定周期内的电器负荷结果。
进一步的，所述利用改进的形状上下文算法计算U-I轨迹图与标准U-I轨迹图之间的相似度的方法，包括：
分别对U-I轨迹图与标准U-I轨迹图中的U-I轨迹进行轮廓提取和轮廓点采样；
对每个轮廓点，构建以其为中心的极对数坐标系，极对数坐标系包括设定数量的区域，并将其周围的轮廓点映射到每个区域内；
任取U-I轨迹图中的一个轮廓点，基于该轮廓点的极对数坐标系，获取极对数坐标系中每个区域内的轮廓点到对应区域边缘的最小距离，根据同一个区域内的所有轮廓点的最小距离计算每个区域中最小距离的平均距离，将平均距离的相反数代入以自然常数e为底数的指数函数中得到指数函数结果，将常数1减去指数函数结果的差值作为对应区域的模糊值；统计该轮廓点的每个区域中包含的第一轮廓点总数量，任取标准U-I轨迹图中任意一个轮廓点为目标轮廓点，统计目标轮廓点的每个区域中包含的第二轮廓点总数量，计算该轮廓点的当前区域与目标轮廓点对应相同位置的区域之间第一轮廓点总数量和第二轮廓点总数量的差值，将常数1减去当前区域的模糊值的结果与差值相乘得到当前区域的乘积，将该轮廓点的所有区域的乘积的相加结果作为该轮廓点与目标轮廓点之间的相似值；
获取U-I轨迹图与标准U-I轨迹图之间任意两个轮廓点之间的相似值，构成m*n大小的描述矩阵，m为U-I轨迹图中的轮廓点数量，n为标准U-I轨迹图中的轮廓点数量；基于描述矩阵，利用匈牙利算法对U-I轨迹图与标准U-I轨迹图中的轮廓点进行匹配，得到匹配后每对轮廓点的相似值，根据匹配后每对轮廓点的相似值计算相似值的均值作为U-I轨迹图与标准U-I轨迹图的相似度。
进一步的，所述根据设定周期内采集的电流对电器负荷异常进行初步判断的方法，包括：
根据稳态状态下无负荷异常的电器运行过程中的历史电流计算历史电流均值；获取设定周期之前的上一个设定周期的历史负荷异常指标，计算设定周期内电流的均值与历史电流均值的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第一结果，计算常数1与第一结果的差值，将差值与历史负荷异常指标相乘得到设定周期内电器疑似负荷异常的评价指标；设置评价阈值，当评价指标大于评价阈值时，初步确认设定周期内的电器疑似负荷异常。
进一步的，所述敏感性指标的获取方法，包括：
获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据，M为正整数；分别计算每次历史电器负荷异常状态下的任意一种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到该种特征数据的M个差值，计算M个差值的总和作为该种特征数据的敏感性指标。
进一步的，所述相关性指标的获取方法，包括：
获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据，M为正整数；分别计算每次历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到对应历史电器负荷异常状态下对应特征数据的差值；
计算当前历史电器负荷异常状态下第u种特征数据的差值分别与其他种特征数据的差值之间的差值绝对值，将所有的差值绝对值相加得到当前历史电器负荷异常状态下第u种特征数据的偏差值；将M次历史电器负荷异常状态下的第u种特征数据的偏差值相加并计算均值，将该均值作为第u种特征数据与其他种特征数据之间的相关性指标。
进一步的，所述设定周期内电器运行的状态的确认方法，包括：
基于设定周期内的电流使用滑窗双边CUSUM检测算法确认电器运行的状态。
进一步的，所述根据最终评判指标确定设定周期内的电器负荷结果的方法，包括：
设置阈值，当最终评判指标大于阈值时，确认设定周期内的电器负荷异常。
本发明具有如下有益效果：本发明在电器运行时，采集设定周期内的电流和电压，通过获取有功功率、稳态无功功率和U-I轨迹图以更加直观体现电器的运行特征，为了量化U-I轨迹图的轨迹特征，获取U-I轨迹图中U-I轨迹的对称性指标和围成区域的面积，进而得到设定周期内电器的各种特征数据；为保证电器负荷异常检测在电器稳态运行状态下进行的，在确认设定周期内电器运行的状态为稳态状态时，基于电流变化对电器的负荷异常进行初步判断，以节省计算量，提高监测效率；当初步判断为电器疑似负荷异常时，根据历史数据分析各种特征数据之间的相关情况，即根据历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应的特征数据之间的差值，分别得到每种特征数据的敏感性指标和相关性指标，为避免检测结果出现误差，将电器负荷异常下的各种特征数据的相关性指标和敏感性指标作为设定周期内评判电器是否负荷异常的权重，进而将设定周期内每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积进行相加得到第一异常评价值；由于U-I轨迹图能够很好的反应电流和电压之间的耦合关系，因此通过计算U-I轨迹图与标准U-I轨迹图之间的相似度作为电器负荷异常评判的第二异常评价值，计算U-I轨迹图与标准U-I轨迹图之间的相似度；由于单一时段内的电器负荷异常无法准确体现电器是否确实发生了异常，计算设定周期内的负荷异常指标与相邻历史设定周期内的负荷异常指标之间的均值，根据均值最终确定设定周期内的电器负荷结果，进而大大增加了检测结果的可靠性，也能避免任意一种特征出现异常或不适用情况，而出现的检测失误。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于电器负荷异常的节能诊断方法的步骤流程图；
图2为本发明实施例中一种极对数坐标系的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于电器负荷异常的节能诊断方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于电器负荷异常的节能诊断方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于电器负荷异常的节能诊断方法的步骤流程图，该方法包括：
步骤S001，在电器运行时，采集设定周期内每个采样时刻下的电流和电压，结合电流和电压计算设定周期内的有功功率和稳态无功功率；并以电压为横坐标、电流为纵坐标构建U-I轨迹图；获取U-I轨迹图中U-I轨迹的对称性指标和面积。
具体的，本发明通过电流传感器、电压传感器采集电器在运行时的电流和电压，则在设定周期内基于采样频率得到对应采样时刻下电器的电流和电压，其中本方案优先的设定周期为1分钟。
计算每个采样时刻下电流和电压的乘积，将设定周期内所有乘积的均值作为有功功率P；根据每个采样时刻下的电流和电压计算设定周期内电器的稳态无功功率Q，则稳态无功功率的计算公式为：
其中，N为设定周期内的电流或电压的采集数量；
为第k个电压的平方；
为第k个电流的平方。
需要说明的是，有功功率、稳态无功功率的获取为公知技术，本方案不再赘述。
基于电流和电压获取的有功功率和稳态无功功率作为电器负荷异常检测的第一类特征，进而以电压为横坐标、电流为纵坐标构建U-I轨迹图，用于反应电流和电压之间的耦合关系。相比第一类特征，U-I轨迹图具有更好的区分性，能够较好地解决特征重叠的问题。为了量化U-I轨迹图的轨迹特征，获取U-I轨迹图中U-I轨迹的对称性指标和围成区域的面积。
其中对称性指标的获取方法为：将U-I轨迹图中的U-I轨迹旋转180度，将旋转后的U-I轨迹与旋转前的U-I轨迹利用形状上下文算法计算U-I轨迹的轮廓相似值，将轮廓相似值作为对称性指标，轮廓相似值越大，说明U-I轨迹图的对称性越大；面积的获取方法和形状上下文算法都为公知技术，本方案不再赘述。
步骤S002，当设定周期内电器运行的状态确认为稳态状态时，根据设定周期内采集的电流对电器负荷异常进行初步判断；当初步判断为电器疑似负荷异常时，根据历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应的特征数据之间的差值，分别得到每种特征数据的敏感性指标和相关性指标，特征数据包括有功功率、稳态无功功率、对称性指标和面积；计算设定周期内每种特征数据与电器负荷正常状态下对应的特征数据之间的差值绝对值，将设定周期内每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积进行相加得到第一异常评价值。
具体的，由于电器在转换状态过程中会出现暂态状态，故在进行电器负荷异常检测时，需要对设定周期内电器的运行状态分析出其是处于稳态状态还是处于暂态状态，以保证电器负荷异常检测在电器稳态运行状态下进行的，避免检测结果出现误差，因此本发明基于设定周期内的电流使用滑窗双边CUSUM检测算法确定电器的运行状态，其中滑窗双边CUSUM检测算法检测稳态特征的方法为公知技术，本方案不再赘述。
当设定周期内电器运行的状态确认为稳态状态时，由于电流是电器运行状态最基本的描述指标，故在进行负荷异常监测时，为了节省计算量，提高监测效率，首先基于电流变化对电器的负荷异常进行初步判断，当初步判断为电器负荷异常时，则根据设定周期内采集的数据进行进一步地确定电器负荷异常的检测结果。
其中，基于电流变化对电器的负荷异常进行初步判断的方法为：根据稳态状态下无负荷异常的电器运行过程中的历史电流计算历史电流均值；获取设定周期之前的上一个设定周期的历史负荷异常指标，计算设定周期内电流的均值与历史电流均值的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第一结果，计算常数1与第一结果的差值，将差值与历史负荷异常指标相乘得到设定周期内电器疑似负荷异常的评价指标；设置评价阈值，当评价指标大于评价阈值时，说明设定周期内电器疑似处于负荷异常状态，则确认需要对设定周期内的电器负荷异常进行进一步确认。
优选的，本发明实施例评价阈值取经验值0.7。
作为一个示例，电器疑似负荷异常的评价指标E的计算公式为：
E＝R′*[1-exp(-|I-a|)]
其中，R'为历史负荷异常指标；exp为以自然常数e为底数的指数函数；I为设定周期内电流的均值；a为历史电流均值；|*|为绝对值函数。
由于历史负荷异常指标R'体现的是设定周期之前的上一个设定周期的负荷异常情况，且上一设定周期和设定周期之间的时间是相邻的，因此当上一个设定周期内电器出现负荷异常情况，则相邻下一个设定周期内极大可能也是负荷异常的状态，故历史负荷异常指标越大，评价指标越大，两者之间呈正相关关系；由于历史电流均值是电器负荷正常情况下的电流指数，因此设定周期内电流的均值与历史电流均值之间的差异越大，说明设定周期内电器的运行状态越不正常，对应评价指标越大，两者之间也呈正相关关系。
在确认设定周期内的电器疑似处于负荷异常状态后，根据历史数据分析各种特征数据之间的相关情况，其中特征数据包括有功功率、稳态无功功率、对称性指标和面积。
获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据，M为正整数；分别计算每次历史电器负荷异常状态下的任意一种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到该种特征数据的M个差值，计算M个差值的总和作为该种特征数据的敏感性指标，电器负荷异常状态下的特征数据与电器负荷正常状态下的特征数据之间的差值越大，说明对应特征数据对与电器负荷异常状态的判断越准确，对应敏感性指标越大，进而能够得到每种特征数据的敏感性指标。
由于电器负荷发生异常时往往会影响获取的特征数据，因此可以根据M次历史电器负荷异常状态下的每种特征数据分析各个特征数据之间的相关性指标：获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据；分别计算每次历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到对应历史电器负荷异常状态下对应特征数据的差值；计算当前历史电器负荷异常状态下第u种特征数据的差值分别与其他种特征数据的差值之间的差值绝对值，将所有的差值绝对值相加得到当前历史电器负荷异常状态下第u种特征数据的偏差值；将M次历史电器负荷异常状态下的第u种特征数据的偏差值相加并计算均值，将该均值作为第u种特征数据与其他种特征数据之间的相关性指标；同理，获取每种特征数据与其他种特征数据之间的相关性指标。
作为一个示例，
其中，Wu为第u种特征数据的相关性指标；Δfj,u为第j次历史电器负荷异常状态下的第u种特征数据与电器负荷正常状态下对应种特征数据之间的差值；Δfj,v为第j次历史电器负荷异常状态下的第v种特征数据与电器负荷正常状态下对应种特征数据之间的差值；A为除第u种特征数据之外的其他特征数据的种类数。
基于历史电器负荷异常状态下与电器负荷正常状态下对应相同种特征数据之间的差值，利用每种特征数据的差值之间的差异来分析对于确认电器负荷异常状态时其他特征数据对其中一种特征数据的影响情况，以体现特征数据之间的相关性，为了更加准确分析特征数据之间的相关性，利用多次历史电器负荷异常状态下的特征数据来计算均值，将均值作为每种特征数据与其他特征数据之间的相关性指标。
将电器负荷异常下的各种特征数据的相关性指标和敏感性指标作为设定周期内评判电器是否负荷异常的权重，以提高评判准确性，因此首先计算设定周期内每种特征数据与电器负荷正常状态下对应的特征数据之间的差值绝对值，将设定周期内每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积进行相加得到第一异常评价值。
作为一个示例，第一异常评价值R1的计算公式为：
其中，Hu为设定周期内第u种特征数据对应的敏感性指标；Wu为设定周期内第u种特征数据对应的相关性指标；Lu为设定周期内第u种特征数据对应的差值绝对值；v为特征数据的数量。
当检测出电器负荷异常时，其对应的特征数据在负荷异常时越敏感，即敏感性指标Hu越大，与其他特征数据在发生负荷异常时的变化趋势越相近，即相关性指标Wu越大；当特征数据与电器负荷正常状态下对应的特征数据之间的差值绝对值越大，越能说明电器出现了负荷异常，进而结合每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积所获取的第一异常评价值就越大。
步骤S003，利用改进的形状上下文算法计算U-I轨迹图与标准U-I轨迹图之间的相似度，将相似度作为第二异常评价值；计算U-I轨迹图与标准U-I轨迹图之间的相似度；计算设定周期内的负荷异常指标与相邻历史设定周期内的负荷异常指标之间的均值，根据均值最终确定设定周期内的电器负荷结果。
具体的，根据设定周期内的U-I轨迹图，获取电器正常负荷运行状态下的标准U-I轨迹图，将U-I轨迹图与标准U-I轨迹图进行对比获取相似度，其中主要根据图中的U-I轨迹进行比较。
优先的，本发明使用形状上下文算法获取相似度。
由于使用形状上下文算法对U-I轨迹图与标准U-I轨迹图进行对比时，电流电压存在波动性，会导致进行U-I轨迹图的相似性比较时的对比结果偏低，故为了提高对比结果的准确性，本发明对形状上下文算法进行了改进，设计了一种基于形状上下文算法的模糊形状上下文算法，具体如下：
1.分别对U-I轨迹图与标准U-I轨迹图中的U-I轨迹进行轮廓提取和轮廓点采样。
2.对每个轮廓点，构建以其为中心的极对数坐标系，极对数坐标系包括12个角度区域和5个距离区域，如图2所示，再将它周围的轮廓点映射到每个区域内。
3.以U-I轨迹图中的一个轮廓点为例，基于该轮廓点的极对数坐标系，获取极对数坐标系中每个区域内的轮廓点到对应区域边缘的最小距离，根据同一个区域内的所有轮廓点的最小距离计算每个区域中最小距离的平均距离，将平均距离的相反数代入以自然常数e为底数的指数函数中得到指数函数结果，将常数1减去指数函数结果的差值作为对应区域的模糊值；统计该轮廓点的每个区域中包含的第一轮廓点总数量，任取标准U-I轨迹图中任意一个轮廓点为目标轮廓点，同理，统计目标轮廓点对应每个区域中包含的第二轮廓点总数量，计算该轮廓点的当前区域与目标轮廓点对应相同位置的区域之间第一轮廓点总数量和第二轮廓点总数量的差值，将常数1减去当前区域的模糊值的结果与差值相乘得到当前区域的乘积，将该轮廓点的所有区域的乘积的相加结果作为该轮廓点与目标轮廓点之间的相似值。
作为一个示例，模糊值F的计算公式为：
其中，exp为以自然常数e为底数的指数函数；di为任意一个区域中第i个轮廓点对应的最小距离；p为任意一个区域中的轮廓点数量。
当轮廓点距离区域边缘越远，说明该轮廓点在相邻轮廓中的位置变化的可能性越小，对应区域的模糊值越大，而模糊值越大，说明对应区域内轮廓点的变化越大，则利用区域中所有轮廓点的最小距离的平均值计算的模糊值越能体现对应区域的模糊情况。
作为一个示例，相似值的计算公式为：
其中，J为相似值；Z为轮廓点对应的区域的数量，本方案中Z＝60；Fj为第j个区域的模糊值；Δhj为第j个区域与目标轮廓点的对应区域之间的轮廓点总数量的差值。
由于标准U-I轨迹图中的每个轮廓点的每个区域不存在模糊，也即没有模糊值，因此模糊值越大，说明对应区域越模糊，与标准U-I轨迹图中的目标轮廓点之间的差异越大，对应这两个轮廓点越不相似，对应相似值越小；同时，对应区域之间所包含的轮廓像素点总数量的差异越大，越说明对应这两个区域越不相似，对应轮廓点之间越不相似，相似值越小，因此结合U-I轨迹图中的任意一个轮廓点的所有区域与标准U-I轨迹图中目标轮廓点之间的差异，获取U-I轨迹图中的对应轮廓点与目标轮廓点之间的相似值，差异越大，相似值越小。
4.利用步骤(3)的方法获取U-I轨迹图与标准U-I轨迹图中的任意两个轮廓点之间的相似值，进而构成m*n大小的描述矩阵，m为U-I轨迹图中的轮廓点数量，n为标准U-I轨迹图中的轮廓点数量。基于描述矩阵，利用匈牙利算法对U-I轨迹图与标准U-I轨迹图中的轮廓点进行匹配，进而得到匹配后每对轮廓点的相似值，根据匹配后每对轮廓点的相似值计算相似值的均值作为U-I轨迹图与标准U-I轨迹图的相似度。
基于改进的形状上下文算法获得了U-I轨迹图与标准U-I轨迹图之间的相似度，并将相似度作为设定周期内电器负荷异常的第二异常评价值。将第一异常评价值和第二异常评价值相加得到设定周期内的负荷异常指标R。
由于电器负荷异常并不可能仅为某一时刻的异常，因此需要对连续获取的电流电压特征进行连续的分析才能够确定其是否发生了电器负荷异常的情况，否则可能认为检测到的异常情况可能是由于噪声因素造成，故结合设定周期的相邻设定周期内的异常情况进行分析：获取设定周期之前的t个相邻历史设定周期内的负荷异常指标，t为正整数，计算t个相邻历史设定周期内的负荷异常指标与设定周期内的负荷异常指标的均值作为设定周期的最终评判指标，则最终评判指标的计算公式为：
其中，R'c为第c个相邻历史设定周期内的负荷异常指标；T为设定周期的最终评判指标；R为设定周期内的负荷异常指标；t为相邻历史设定周期的数量。
优先的，本发明中t为经验设置，且取经验值t＝5，即参考设定周期及其前5个历史设定周期内的电器运行状态对设定周期内的电器负荷是否发生异常情况进行判断。
需要说明的是，当设定周期之前的相邻设定周期内的电器出现负荷异常时，对设定周期内的电器运行状态也是会有影响的，也会很大程度上使得设定周期内的电器处于负荷异常状态下，因此计算相邻历史设定周期内的负荷异常指标与设定周期内的负荷异常指标的均值能够更加准确评价设定周期内的电器负荷情况，均值越大，越可能处于电器负荷异常。
设置阈值，本发明中优先阈值为0.7，当最终评价指标大于阈值时，确认设定周期内电器负荷出现了负荷异常的情况。由于电器出现负荷异常，电器会造成不必要的能源浪费，因此在确认电器发生负荷异常时，及时通知操作人员对电器进行检测，以减少不必要的电力使用，大大节约电器消耗的能量，进而达到节能的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于电器负荷异常的节能诊断方法，其特征在于，该方法包括以下步骤：
在电器运行时，采集设定周期内每个采样时刻下的电流和电压，结合电流和电压计算设定周期内的有功功率和稳态无功功率；并以电压为横坐标、电流为纵坐标构建U-I轨迹图；获取U-I轨迹图中U-I轨迹的对称性指标和面积；
当设定周期内电器运行的状态确认为稳态状态时，根据设定周期内采集的电流对电器负荷异常进行初步判断；当初步判断为电器疑似负荷异常时，根据历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应的特征数据之间的差值，分别得到每种特征数据的敏感性指标和相关性指标，特征数据包括有功功率、稳态无功功率、对称性指标和面积；计算设定周期内每种特征数据与电器负荷正常状态下对应的特征数据之间的差值绝对值，将设定周期内每种特征数据的敏感性指标、相关性指标和差值绝对值的乘积进行相加得到第一异常评价值；
利用改进的形状上下文算法计算U-I轨迹图与标准U-I轨迹图之间的相似度，将相似度作为第二异常评价值；将第一异常评价值和第二异常评价值相加得到设定周期内的负荷异常指标；计算设定周期内的负荷异常指标与相邻历史设定周期内的负荷异常指标之间的均值作为最终评判指标，根据最终评判指标确定设定周期内的电器负荷结果。
2.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述利用改进的形状上下文算法计算U-I轨迹图与标准U-I轨迹图之间的相似度的方法，包括：
分别对U-I轨迹图与标准U-I轨迹图中的U-I轨迹进行轮廓提取和轮廓点采样；
对每个轮廓点，构建以其为中心的极对数坐标系，极对数坐标系包括设定数量的区域，并将其周围的轮廓点映射到每个区域内；
任取U-I轨迹图中的一个轮廓点，基于该轮廓点的极对数坐标系，获取极对数坐标系中每个区域内的轮廓点到对应区域边缘的最小距离，根据同一个区域内的所有轮廓点的最小距离计算每个区域中最小距离的平均距离，将平均距离的相反数代入以自然常数e为底数的指数函数中得到指数函数结果，将常数1减去指数函数结果的差值作为对应区域的模糊值；统计该轮廓点的每个区域中包含的第一轮廓点总数量，任取标准U-I轨迹图中任意一个轮廓点为目标轮廓点，统计目标轮廓点的每个区域中包含的第二轮廓点总数量，计算该轮廓点的当前区域与目标轮廓点对应相同位置的区域之间第一轮廓点总数量和第二轮廓点总数量的差值，将常数1减去当前区域的模糊值的结果与差值相乘得到当前区域的乘积，将该轮廓点的所有区域的乘积的相加结果作为该轮廓点与目标轮廓点之间的相似值；
获取U-I轨迹图与标准U-I轨迹图之间任意两个轮廓点之间的相似值，构成m*n大小的描述矩阵，m为U-I轨迹图中的轮廓点数量，n为标准U-I轨迹图中的轮廓点数量；基于描述矩阵，利用匈牙利算法对U-I轨迹图与标准U-I轨迹图中的轮廓点进行匹配，得到匹配后每对轮廓点的相似值，根据匹配后每对轮廓点的相似值计算相似值的均值作为U-I轨迹图与标准U-I轨迹图的相似度。
3.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述根据设定周期内采集的电流对电器负荷异常进行初步判断的方法，包括：
根据稳态状态下无负荷异常的电器运行过程中的历史电流计算历史电流均值；获取设定周期之前的上一个设定周期的历史负荷异常指标，计算设定周期内电流的均值与历史电流均值的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第一结果，计算常数1与第一结果的差值，将差值与历史负荷异常指标相乘得到设定周期内电器疑似负荷异常的评价指标；设置评价阈值，当评价指标大于评价阈值时，初步确认设定周期内的电器疑似负荷异常。
4.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述敏感性指标的获取方法，包括：
获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据，M为正整数；分别计算每次历史电器负荷异常状态下的任意一种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到该种特征数据的M个差值，计算M个差值的总和作为该种特征数据的敏感性指标。
5.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述相关性指标的获取方法，包括：
获取M次历史电器负荷异常状态下的每种特征数据以及电器负荷正常状态下的每种特征数据，M为正整数；分别计算每次历史电器负荷异常状态下的每种特征数据与电器负荷正常状态下对应特征数据之间的差值，得到对应历史电器负荷异常状态下对应特征数据的差值；
计算当前历史电器负荷异常状态下第u种特征数据的差值分别与其他种特征数据的差值之间的差值绝对值，将所有的差值绝对值相加得到当前历史电器负荷异常状态下第u种特征数据的偏差值；将M次历史电器负荷异常状态下的第u种特征数据的偏差值相加并计算均值，将该均值作为第u种特征数据与其他种特征数据之间的相关性指标。
6.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述设定周期内电器运行的状态的确认方法，包括：
基于设定周期内的电流使用滑窗双边CUSUM检测算法确认电器运行的状态。
7.如权利要求1所述的一种用于电器负荷异常的节能诊断方法，其特征在于，所述根据最终评判指标确定设定周期内的电器负荷结果的方法，包括：
设置阈值，当最终评判指标大于阈值时，确认设定周期内的电器负荷异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211361650.XA CN115600837A (zh) | 2022-11-02 | 2022-11-02 | 一种用于电器负荷异常的节能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211361650.XA CN115600837A (zh) | 2022-11-02 | 2022-11-02 | 一种用于电器负荷异常的节能诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115600837A true CN115600837A (zh) | 2023-01-13 |
Family
ID=84850708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211361650.XA Pending CN115600837A (zh) | 2022-11-02 | 2022-11-02 | 一种用于电器负荷异常的节能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600837A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115858630A (zh) * | 2023-02-21 | 2023-03-28 | 新风光电子科技股份有限公司 | 一种储能电站储能数据的异常检测方法 |
| CN115940959A (zh) * | 2023-02-16 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种低功耗的电能数据采集管理系统 |
| CN115951123A (zh) * | 2023-02-28 | 2023-04-11 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于无线通信的电能计量方法及系统 |
| CN116257745A (zh) * | 2023-05-10 | 2023-06-13 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
| CN116415801A (zh) * | 2023-06-12 | 2023-07-11 | 山东创宇环保科技有限公司 | 基于大数据的商业能源负荷智能分配方法及系统 |
-
2022
- 2022-11-02 CN CN202211361650.XA patent/CN115600837A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115940959A (zh) * | 2023-02-16 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种低功耗的电能数据采集管理系统 |
| CN115858630A (zh) * | 2023-02-21 | 2023-03-28 | 新风光电子科技股份有限公司 | 一种储能电站储能数据的异常检测方法 |
| CN115858630B (zh) * | 2023-02-21 | 2023-05-09 | 新风光电子科技股份有限公司 | 一种储能电站储能数据的异常检测方法 |
| CN115951123A (zh) * | 2023-02-28 | 2023-04-11 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于无线通信的电能计量方法及系统 |
| CN115951123B (zh) * | 2023-02-28 | 2023-06-30 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于无线通信的电能计量方法及系统 |
| CN116257745A (zh) * | 2023-05-10 | 2023-06-13 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
| CN116257745B (zh) * | 2023-05-10 | 2023-08-15 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
| CN116415801A (zh) * | 2023-06-12 | 2023-07-11 | 山东创宇环保科技有限公司 | 基于大数据的商业能源负荷智能分配方法及系统 |
| CN116415801B (zh) * | 2023-06-12 | 2023-08-29 | 山东创宇环保科技有限公司 | 基于大数据的商业能源负荷智能分配方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115600837A (zh) | 一种用于电器负荷异常的节能诊断方法 | |
| CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
| Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
| CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
| CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
| CN116183058A (zh) | 一种智能电容器的监测方法 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
| CN116073436B (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
| CN114970633A (zh) | 一种基于lstm的非侵入式用电器识别方法、系统及设备 | |
| CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| He et al. | A trend-based method for the prediction of offshore wind power ramp | |
| CN116595426B (zh) | 一种工业物联网数据智能采集管理系统 | |
| CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
| CN117040983A (zh) | 基于大数据分析的数据共享方法及系统 | |
| CN117220441A (zh) | 基于全景监控下的信息监测智能预警方法 | |
| CN117036732A (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 |
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 |