CN115660507B - 一种地区电力的负荷智能检测方法及系统 - Google Patents

一种地区电力的负荷智能检测方法及系统 Download PDF

Info

Publication number
CN115660507B
CN115660507B CN202211568250.6A CN202211568250A CN115660507B CN 115660507 B CN115660507 B CN 115660507B CN 202211568250 A CN202211568250 A CN 202211568250A CN 115660507 B CN115660507 B CN 115660507B
Authority
CN
China
Prior art keywords
load
index
data
power
multiple groups
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.)
Active
Application number
CN202211568250.6A
Other languages
English (en)
Other versions
CN115660507A (zh
Inventor
周子冠
朱亚萍
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.)
Beijing State Grid Power Technology Co ltd
Original Assignee
Beijing State Grid Power Technology 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 Beijing State Grid Power Technology Co ltd filed Critical Beijing State Grid Power Technology Co ltd
Priority to CN202211568250.6A priority Critical patent/CN115660507B/zh
Publication of CN115660507A publication Critical patent/CN115660507A/zh
Application granted granted Critical
Publication of CN115660507B publication Critical patent/CN115660507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力负荷检测技术领域，提供了一种地区电力的负荷智能检测方法及系统，所述方法包括：遍历电力设备，采集多组用电记录数据；遍历多组负荷指标类型和多组负荷指标记录值，筛选负荷特征样本指标，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；确定转移概率集合与观测概率集合，训练负荷分解模型，生成电力负荷分解结果。解决了电力负荷检测的精度低，确定电力负荷数据需要的时间周期长，检测效率低下的技术问题，实现了针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，提高电力负荷检测精度，以电力负荷分解替代直接检测的方式，缩短确定电力负荷数据的需要时间周期长，提高电力负荷检测整体效率的技术效果。

Description

一种地区电力的负荷智能检测方法及系统
技术领域
本发明涉及电力负荷检测相关技术领域，具体涉及一种地区电力的负荷智能检测方法及系统。
背景技术
地区电力的负荷即限定地区内电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，电力负荷检测方式主要具有两种，其一是侵入式负荷检测技术，主要是在每一个电力负载处进行负荷检测确定电力运行状态，缺点是效率较低，成本较高；其二是非侵入式负荷分解技术，只需要在电力入口处装设监测设备检测总电压及总电流等电气量，再分解确定各个负荷的运行状态，缺点是由于电力系统的复杂性导致分解过程会产生误差，使得电力负荷检测准确度难以保障。
综上可知，亟需构建满足用户准确需求的高效负荷智能检测方法，智能检测设备负荷，为提前进行电力负荷管理，有效防止电量超出负荷，确保电网能够正常有序的实现正常的运转。
综上所述，现有技术中存在电力负荷检测的精度低，确定电力负荷数据需要的时间周期长，检测效率低下的技术问题。
发明内容
本申请通过提供了一种地区电力的负荷智能检测方法及系统，旨在解决现有技术中电力负荷检测的精度低，确定电力负荷数据需要的时间周期长，检测效率低下的技术问题。
鉴于上述问题，本申请实施例提供了一种地区电力的负荷智能检测方法及系统。
本申请公开的第一个方面，提供了一种地区电力的负荷智能检测方法，其中，所述方法包括：遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
本申请公开的另一个方面，提供了一种地区电力的负荷智能检测系统，其中，所述方法包括：数据采集模块，用于遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；偏离度计算模块，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；指标类型筛选模块，用于根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；样本序列生成模块，用于遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；概率集合确定模块，用于所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；模型训练模块，用于根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；分解结果生成模块，用于将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了遍历预设区域的电力设备，采集多组用电记录数据；遍历多组负荷指标类型和多组负荷指标记录值，计算类间偏离度，进行筛选，生成负荷特征样本指标，进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；多组电力设备样本状态序列包括转移概率集合，多组负荷指标样本特征值序列包括观测概率集合，基于隐马尔科夫链群，训练负荷分解模型，生成电力负荷分解结果，实现了针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，提高电力负荷检测的精度，通过模型辅助，以电力负荷分解替代直接检测的方式，缩短确定电力负荷数据的需要时间周期长，提高电力负荷检测整体效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种地区电力的负荷智能检测方法可能的流程示意图；
图2为本申请实施例提供了一种地区电力的负荷智能检测方法中类间偏离度计算可能的流程示意图；
图3为本申请实施例提供了一种地区电力的负荷智能检测方法中负荷特征样本指标筛选可能的流程示意图；
图4为本申请实施例提供了一种地区电力的负荷智能检测系统可能的结构示意图。
附图标记说明：数据采集模块100，偏离度计算模块200，指标类型筛选模块300，样本序列生成模块400，概率集合确定模块500，模型训练模块600，分解结果生成模块700。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了针对地区电力的负荷智能检测，考虑到侵入式负荷检测技术的检测效率与非侵入式负荷分解技术的误差，进行负荷指标类型分组，通过相同型号设备的样本，针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，高效检测电力负荷。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种地区电力的负荷智能检测方法，其中，所述方法包括：
S10：遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；
S20：遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；
具体而言，所述预设区域为目标负荷检测区域，用电记录数据即电力设备的使用日志，所述预设区域的电力设备可以是电驱动设备（简单来说就是以电为原动力的设备），所述多组用电记录数据与多个电力设备对应（几个电力设备，即对应几组用电记录数据），所述负荷指标类型包括但不限于有功功率、无功功率、电流有效值、电流幅值、电流波峰系数、V-I轨迹曲线、电流直流分量、三次谐波、五次谐波、七次谐波，负荷指标记录值，所述多组负荷指标记录值与所述多组负荷指标类型一一对应，所述类间偏离度即同一负荷指标类型的离散度；
遍历预设区域的电力设备，采集电力设备的使用日志，获取多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值（若负荷指标类型为有功功率，对应的负荷指标记录值可以是35W，即某一个电力设备的有功功率为35W），遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，为后续进行运算提供基础。
如图2所示，步骤S20包括步骤：
S21：遍历所述多组负荷指标类型和所述多组负荷指标记录值进行整合，生成第N类型指标记录值集合，其中，所述第N类型指标记录值和所述预设区域的电力设备一一对应；
S22：遍历所述第N类型指标记录值集合进行数据离散度评估，生成第N类型指标类间偏离度；
S23：将所述第N类型指标类间偏离度添加进所述类间偏离度。
具体而言，遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，具体包括：所述第N类型指标记录值和所述预设区域的电力设备一一对应，离散度评估即先计算两两记录值的差值、均值，再计算差值与均值的差异数据，以差值与均值之比（所述类型指标记录值包括第一有功功率为35W、第二有功功率为31W且均为某一个电力设备的使用日志所录入的数据信息，第一有功功率与第二有功功率的差值为4W、均值为33W，离散度即4/33=12.12%）作为离散度；
通过预设区域的电力设备，遍历所述多组负荷指标类型和所述多组负荷指标记录值进行数据区分整理，生成第N类型指标记录值集合，其中，第N类型指标记录值集合的元素即多个第N类型指标记录值，所述第N类型指标记录值和所述预设区域的电力设备一一对应，有条理的进行数据整理，遍历所述第N类型指标记录值集合进行数据离散度评估，计算生成第N类型指标类间偏离度；将所述第N类型指标类间偏离度所添加进所述类间偏离度，为后续数据处理提供基础。
S30：根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；
如图3所示，步骤S30包括步骤：
S31：设定类间偏离度阈值；
S32：根据所述类间偏离度，获取第N类型指标类间偏离度；
S33：判断所述第N类型指标类间偏离度是否满足所述类间偏离度阈值；
S34：若满足，将所述第N类型指标类间偏离度对应的第N类型指标添加进所述负荷特征样本指标。
具体而言，根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标，具体包括：所述负荷特征即反应用电设备运行状态的信息，所述类间偏离度阈值为一预设偏离度上限，所述第N类型指标类间偏离度满足所述类间偏离度阈值即第N类型指标类间偏离度超出类间偏离度阈值（所述第N类型指标类间偏离度不大于预设偏离度上限）；
设定类间偏离度阈值（类间偏离度阈值用户自定义设定）；根据所述类间偏离度，进行数据离散度评估，获取第N类型指标类间偏离度；判断所述第N类型指标类间偏离度是否满足所述类间偏离度阈值；若所述第N类型指标类间偏离度满足所述类间偏离度阈值，将所述第N类型指标类间偏离度对应的第N类型指标添加进所述负荷特征样本指标，通过类间偏离度阈值限定，进行根据类间偏离度筛选，保证偏差满足用户需求提供支持，为用户定制化进行指标精度限定提供基础。
S40：遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；
步骤S40还包括步骤：
S41：根据所述预设区域的电力设备，获取第M电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；
S42：根据所述同族设备用电记录数据，获取第N类型指标用电记录数据，其中，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第N类型指标特征值序列数据；
S43：遍历所述多组第M设备状态序列数据进行状态转移概率评估，生成第M设备状态转移概率集合；
S44：遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成第M设备第N类型指标观测概率集合；
S45：将所述第M设备状态转移概率集合添加进所述转移概率集合；将所述第M设备第N类型指标观测概率集合添加进所述观测概率集合。
具体而言，所述同族设备即与预设区域的电力设备相同型号的设备，进行状态转移概率，所述设备状态可以是正常状态、注意状态、异常状态和危险状态，所述设备状态序列即可以包括第一正常状态、第二正常状态等其他相关状态，所述严格频繁序列即依照时序分布进行频繁严格排布（设备状态变化进行时序排布后，可以确定设备状态序列，所述频繁严格排布示例性的，设备装备变化为正常状态→注意状态→正常状态，对应的设备状态序列包括第一正常状态、第二正常状态、第一注意状态，序列排布满足第一正常状态→第一注意状态→第二正常状态对应的规则，即进行严格频繁序列排布），所述类型指标特征值的信息特征与类型指标记录值一致，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第N类型指标特征值序列数据；
遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘（挖掘为常规数据获取方式，采用挖掘可以保证所得数据的专一性）与排布，生成多组电力设备样本状态序列（所述样本特指同族设备的指标数据）和多组负荷指标样本特征值序列，采用严格频繁序列挖掘，提高样本数据的精准度；
根据所述预设区域的电力设备，获取第M电力设备（第M电力设备与预设区域的第M个电力设备的型号相同，即第M电力设备为预设区域的第M个电力设备的同族设备），基于电力大数据，以所述第M电力设备为标记检索信息，遍历所述负荷特征样本指标，采集同族设备用电记录数据；根据所述同族设备用电记录数据，获取第N类型指标用电记录数据，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第M设备的第N类型指标特征值序列数据（本申请实施例中，多组第M设备的第N类型指标特征值序列数据可以简称为多组第N类型指标特征值序列数据）；遍历所述多组第M设备状态序列数据进行状态转移概率评估计算，生成第M设备状态转移概率集合，将所述第M设备状态转移概率集合添加进所述转移概率集合；遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估计算，生成第M设备第N类型指标观测概率集合，将所述第M设备第N类型指标观测概率集合添加进所述观测概率集合，为进行电力负荷高精度检测提供稳定的数据支持。
步骤S43包括步骤：
S431：获取状态序列支持度评定式：
Figure 694810DEST_PATH_IMAGE002
；
Figure 584268DEST_PATH_IMAGE004
，其中，
Figure 322417DEST_PATH_IMAGE006
表征第i组状态序列数据，
Figure 153976DEST_PATH_IMAGE008
表征第i组状态序列数据第t时刻的设备状态特征，I表征状态序列数据总组数，
Figure 282469DEST_PATH_IMAGE010
表征第i组从t时刻到t+l时刻的状态序列在
Figure 975618DEST_PATH_IMAGE012
中的出现频率，
Figure 505957DEST_PATH_IMAGE014
表征第i组从t时刻到t+l时刻的状态序列的支持度；
S432：获取状态转移概率评定式：
Figure 55887DEST_PATH_IMAGE016
；
Figure 920944DEST_PATH_IMAGE018
，其中，
Figure 417784DEST_PATH_IMAGE020
表征从
Figure 864946DEST_PATH_IMAGE022
组数据中第i组数据对应的
Figure 523460DEST_PATH_IMAGE024
到
Figure 626545DEST_PATH_IMAGE008
对应的状态转移频率，
Figure 910765DEST_PATH_IMAGE026
表征从
Figure 478013DEST_PATH_IMAGE027
组数据中第i组数据对应的
Figure 41849DEST_PATH_IMAGE024
的出现频率；
S433：根据所述状态序列支持度评定式，遍历所述多组第M设备状态序列数据进行支持度计算，生成多个状态序列支持度；
S434：从所述多个状态序列支持度筛选最大值状态序列数据，设为第M设备状态样本序列数据；
S435：根据所述第M设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第M设备状态序列数据进行转移概率计算，生成所述第M设备状态转移概率集合。
具体而言，遍历所述多组第M设备状态序列数据进行状态转移概率评估计算，生成第M设备状态转移概率集合，具体包括：经过多次验证推导整理，获取状态序列支持度评定式：
Figure 897810DEST_PATH_IMAGE002
；
Figure 533190DEST_PATH_IMAGE028
，其中，
Figure 892628DEST_PATH_IMAGE006
表征第i组状态序列数据，
Figure 404862DEST_PATH_IMAGE030
表征第i组状态序列数据第一时刻的设备状态特征，
Figure 216960DEST_PATH_IMAGE008
表征第i组状态序列数据第t时刻的设备状态特征，I表征状态序列数据总组数，
Figure 656032DEST_PATH_IMAGE031
表征第i组从t时刻到t+l时刻的状态序列在
Figure 135554DEST_PATH_IMAGE032
中的出现频率，
Figure 306773DEST_PATH_IMAGE033
包括第i组状态序列数据的总组状态序列数据，
Figure 668484DEST_PATH_IMAGE034
表征第i组从t时刻到t+l时刻的状态序列的支持度；
经过多次验证推导整理，获取状态转移概率评定式：
Figure 98197DEST_PATH_IMAGE016
；
Figure 166647DEST_PATH_IMAGE035
，其中，
Figure 774346DEST_PATH_IMAGE027
包括第i组状态序列数据的总组状态序列数据，
Figure 623354DEST_PATH_IMAGE036
表征从
Figure 341911DEST_PATH_IMAGE027
组数据中第i组数据对应的
Figure 779714DEST_PATH_IMAGE024
到
Figure 558314DEST_PATH_IMAGE008
对应的状态转移频率，
Figure 894618DEST_PATH_IMAGE037
表征从
Figure 416866DEST_PATH_IMAGE038
组数据中第i组数据对应的
Figure 459908DEST_PATH_IMAGE024
的出现频率，
Figure 658677DEST_PATH_IMAGE040
表征第i组从t时刻到t-l时刻的状态转移概率；根据所述状态序列支持度评定式，遍历所述多组第M设备状态序列数据，代入状态序列支持度评定式进行支持度计算，生成多个状态序列支持度；将多个状态序列支持度逐个输入比较单元，从所述多个状态序列支持度筛选最大值状态序列数据，输入下一个状态序列支持度，将筛选所得最大值状态序列数据设为第M设备状态样本序列数据；
将多个状态序列支持度逐个输入比较单元，通过比较单元比较输入的状态序列支持度与历史状态序列支持度最大值，若输入的状态序列支持度小于或等于历史状态序列支持度最大值，输入下一个状态序列支持度；若输入的状态序列支持度大于历史状态序列支持度最大值，将所述历史状态序列支持度最大值从比较单元的暂存单元删去，将输入的状态序列支持度存储于比较单元的暂存单元，有且仅的，在所述多个状态序列支持度逐个完全输入比较单元后，所述暂存单元中存储数据仅增加一位，且暂存单元的新增存储数据为所述多个状态序列支持度的最大值状态序列数据；
根据所述第M设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第M设备状态序列数据，将所述多组第M设备状态序列数据逐次代入状态转移概率评定式进行转移概率计算，生成所述第M设备状态转移概率集合，所述第M设备状态转移概率集合的元素包括多个第M设备状态转移概率，获取状态序列支持度评定式与状态转移概率评定式，为后续进行带入运算提供便捷。
步骤S44包括步骤：
S441：获取观测概率评定式：
Figure 216698DEST_PATH_IMAGE042
；
Figure 542637DEST_PATH_IMAGE044
；
Figure 440186DEST_PATH_IMAGE046
，其中，
Figure 357326DEST_PATH_IMAGE006
表征第i组状态数据序列，
Figure 871484DEST_PATH_IMAGE008
表征第i组状态数据序列第t时刻的状态特征值，
Figure 987732DEST_PATH_IMAGE048
表征和
Figure 739788DEST_PATH_IMAGE006
一一对应的第j组第N类型负荷指标特征值序列，
Figure DEST_PATH_IMAGE050
表征和
Figure 562250DEST_PATH_IMAGE008
相对应的第N类型指标特征值，
Figure 298125DEST_PATH_IMAGE052
表征在多组第M设备状态序列数据和多组第N类型指标特征值序列数据中从由
Figure 949555DEST_PATH_IMAGE008
导致
Figure 821696DEST_PATH_IMAGE050
的频率，
Figure DEST_PATH_IMAGE054
表征
Figure 815060DEST_PATH_IMAGE050
的出现频率；
S442：根据所述观测概率评定式，遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成所述第M设备第N类型指标观测概率集合。
具体而言，遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估计算，生成第M设备第N类型指标观测概率集合，具体包括：经过多次验证推导整理，获取观测概率评定式：
Figure 772651DEST_PATH_IMAGE042
；
Figure 227772DEST_PATH_IMAGE055
；
Figure DEST_PATH_IMAGE056
，其中，
Figure 219999DEST_PATH_IMAGE006
表征第i组状态数据序列，
Figure 118685DEST_PATH_IMAGE030
表征第i组状态数据序列第一时刻的状态特征值，
Figure 563573DEST_PATH_IMAGE008
表征第i组状态数据序列第t时刻的状态特征值，
Figure 369855DEST_PATH_IMAGE048
表征和
Figure 731435DEST_PATH_IMAGE006
一一对应的第j组第N类型负荷指标特征值序列，
Figure DEST_PATH_IMAGE058
表征和
Figure 535443DEST_PATH_IMAGE030
相对应的第N类型指标特征值，
Figure 733206DEST_PATH_IMAGE050
表征和
Figure 15283DEST_PATH_IMAGE008
相对应的第N类型指标特征值，
Figure 251877DEST_PATH_IMAGE060
表征多组第M设备状态数据序列数据和多组第N类型负荷指标特征值序列数据（一般的，
Figure 23524DEST_PATH_IMAGE062
、
Figure 708583DEST_PATH_IMAGE052
表征在多组第M设备状态序列数据和多组第N类型指标特征值序列数据中从由
Figure 794351DEST_PATH_IMAGE008
导致
Figure 412414DEST_PATH_IMAGE050
的频率，
Figure 823804DEST_PATH_IMAGE054
表征
Figure 979848DEST_PATH_IMAGE050
的出现频率，
Figure 603727DEST_PATH_IMAGE064
表征在t时刻的第M设备第i组状态数据序列与第j组第N类型负荷指标特征值序列的观测概率；
根据所述观测概率评定式，遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据，将所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据依照对应关系（
Figure 545138DEST_PATH_IMAGE048
和
Figure 658588DEST_PATH_IMAGE006
的一一对应关系）逐次代入观测概率评定式进行观测概率评估，生成所述第M设备第N类型指标观测概率集合，所述第M设备第N类型指标观测概率集合的元素包括多个第M设备第N类型指标观测概率，获取观测概率评定式，为后续进行带入运算提供便捷。
S50：所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；
S60：根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；
S70：将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
具体而言，所述第M设备状态转移概率集合的元素包括多个第M设备状态转移概率，由此可知，转移概率指的是不同状态间的转移概率；观测概率指的是不同状态下观测量的出现概率；所述多组电力设备样本状态序列包括转移概率集合，所述第M设备第N类型指标观测概率集合的元素包括多个第M设备第N类型指标观测概率，由此可知，所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；以隐马尔科夫链群为模型基础，根据所述转移概率集合和所述观测概率集合，训练负荷分解模型；将电力设备总负荷特征值和电力设备分布拓扑图作为输入数据，输入所述负荷分解模型，负荷分解模型输出电力负荷分解结果，为后续进行代入运算提供模型基础。
步骤S60包括步骤：
S61：基于第N类型指标，根据第一电力设备、第一设备状态转移概率集合与第一设备第N类型指标观测概率集合，构建第一隐马尔科夫子链；
S62：基于第N类型指标，根据所述第M电力设备、所述第M设备状态转移概率集合与所述第M设备第N类型指标观测概率集合，构建第M隐马尔科夫子链；
S63：将所述第一隐马尔科夫子链直到所述第M隐马尔科夫子链合并，生成第N类型指标隐马尔科夫链群；
S64：获取第N类型指标观测总量记录数据、第N类型指标观测分量记录数据和电力设备分布拓扑记录数据；
S65：根据所述第N类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第N类型指标观测分量记录数据对所述第N类型指标隐马尔科夫链群进行训练，生成第N类型负荷指标分解模型；
S66：将所述第N类型负荷指标分解模型添加进所述负荷分解模型。
具体而言，以隐马尔科夫链群为模型基础，根据所述转移概率集合和所述观测概率集合，训练负荷分解模型，具体包括：所述第N类型指标为所述多组负荷指标类型中的任意一类型指标（第N类型指标可以是有功功率、无功功率、电流有效值、电流幅值或其他类型指标），所述第一电力设备为所述预设区域中的任意一电力设备，所述第一设备状态转移概率集合即第一电力设备的转移概率集合（第一设备状态转移概率集合与所述第M设备状态转移概率集合的数据类型一致），所述第一设备第N类型指标观观测概率集合即第一设备第N类型指标的观测概率集合（第一设备第N类型指标观观测概率集合与第M设备第N类型指标观测概率集合的数据类型一致），电力负荷总量即观测总量，用电设备的状态是隐含量（不同用电设备状态量之间的相关性，使用相关系数表征）；第N类型指标观测总量记录数据即预设区域的电力设备第N类型指标对应的电力负荷总量，第N类型指标观测分量记录数据即预设区域的电力设备第N类型指标对应的电力负荷分量（负荷有功分量与负荷无功分量的同相位相差，出现的电力负荷分量），所述电力设备分布拓扑记录数据即预设区域的电力设备分布拓扑图所对应的记录数据；
基于第N类型指标，以隐马尔科夫子链为模型基础，根据第一电力设备、第一设备状态转移概率集合与第一设备第N类型指标观测概率集合，构建第一隐马尔科夫子链；重复上述步骤，基于第N类型指标，根据所述第M电力设备、所述第M设备状态转移概率集合与所述第M设备第N类型指标观测概率集合，构建第M隐马尔科夫子链，遍历上述操作，获取第一隐马尔科夫子链、…、所述第M隐马尔科夫子链；采用隐马尔科夫子链中的多条可能的隐含状态链的合并方式，将所述第一隐马尔科夫子链直到所述第M隐马尔科夫子链合并，生成第N类型指标隐马尔科夫链群；
通过地区电力的负荷智能检测系统，进行数据提取，获取第N类型指标观测总量记录数据、第N类型指标观测分量记录数据和电力设备分布拓扑记录数据；遍历所述第N类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第N类型指标观测分量记录数据，对所述第N类型指标隐马尔科夫链群进行训练，在所述第N类型指标隐马尔科夫链群预测输出趋于稳定后，获取第N类型负荷指标分解模型；将所述第N类型负荷指标分解模型添加进所述负荷分解模型，根据因子隐马尔科夫对观测值进行分解，有效保证电力负荷分解过程的有效执行。
特别的，计算多个电力设备第N类型指标的关联性（就是其中一个变化，另一个跟着变化的两个电力设备，例如游戏机和显示器）（分别获取两个电力设备的特征，所述电力设备的特征包括耗电量、额定功耗等相关参数指标，所述两个电力设备的特征的变化规律的相关度即第N类型指标的关联性，相关度可以是正相关或负相关，正相关如：一个电力设备耗电量增加，另一个电力设备耗电量亦增加），当关联性满足阈值（用户设定）时，则只需要根据其中一个构建一个马尔科夫链，然后将其对应的电力负荷总量依据二者关联的变化规律进行表征，以此减少隐马尔科夫子链数量，增加计算效率。
综上所述，本申请实施例所提供的一种地区电力的负荷智能检测方法及系统具有如下技术效果：
1.由于采用了遍历预设区域的电力设备，采集多组用电记录数据；遍历多组负荷指标类型和多组负荷指标记录值，计算类间偏离度，进行筛选，生成负荷特征样本指标，进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；多组电力设备样本状态序列包括转移概率集合，多组负荷指标样本特征值序列包括观测概率集合，基于隐马尔科夫链群，训练负荷分解模型，生成电力负荷分解结果，本申请通过提供了一种地区电力的负荷智能检测方法及系统，实现了针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，提高电力负荷检测的精度，通过模型辅助，以电力负荷分解替代直接检测的方式，缩短确定电力负荷数据的需要时间周期长，提高电力负荷检测整体效率的技术效果。
2.由于采用了构建第一隐马尔科夫子链；构建第M隐马尔科夫子链；进行隐马尔科夫子链合并，生成第N类型指标隐马尔科夫链群；获取第N类型指标观测总量记录数据、第N类型指标观测分量记录数据和电力设备分布拓扑记录数据，训练生成第N类型负荷指标分解模型；将第N类型负荷指标分解模型添加进负荷分解模型，根据因子隐马尔科夫对观测值进行分解，有效保证电力负荷分解过程的有效执行。
实施例二
基于与前述实施例中一种地区电力的负荷智能检测方法相同的发明构思，如图4所示，本申请实施例提供了一种地区电力的负荷智能检测系统，其中，所述系统包括：
数据采集模块100，用于遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；
偏离度计算模块200，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；
指标类型筛选模块300，用于根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；
样本序列生成模块400，用于遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；
概率集合确定模块500，用于所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；
模型训练模块600，用于根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；
分解结果生成模块700，用于将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
进一步的，所述系统包括：
信息整合模块，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值进行整合，生成第N类型指标记录值集合，其中，所述第N类型指标记录值和所述预设区域的电力设备一一对应；
离散度评估模块，用于遍历所述第N类型指标记录值集合进行数据离散度评估，生成第N类型指标类间偏离度；
偏离度添加模块，用于将所述第N类型指标类间偏离度添加进所述类间偏离度。
进一步的，所述系统包括：
偏离度阈值设定模块，用于设定类间偏离度阈值；
类间偏离度获取模块，用于根据所述类间偏离度，获取第N类型指标类间偏离度；
离度阈值判断模块，用于判断所述第N类型指标类间偏离度是否满足所述类间偏离度阈值；
指标添加模块，用于若满足，将所述第N类型指标类间偏离度对应的第N类型指标添加进所述负荷特征样本指标。
进一步的，所述系统包括：
电力设备获取模块，用于根据所述预设区域的电力设备，获取第M电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；
记录数据获取模块，用于根据所述同族设备用电记录数据，获取第N类型指标用电记录数据，其中，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第N类型指标特征值序列数据；
状态转移概率评估模块，用于遍历所述多组第M设备状态序列数据进行状态转移概率评估，生成第M设备状态转移概率集合；
观测概率评估模块，用于遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成第M设备第N类型指标观测概率集合；
集合添加模块，用于将所述第M设备状态转移概率集合添加进所述转移概率集合；将所述第M设备第N类型指标观测概率集合添加进所述观测概率集合。
进一步的，所述系统包括：
支持度评定计算模块，用于获取状态序列支持度评定式：
Figure 52660DEST_PATH_IMAGE065
；
Figure 729498DEST_PATH_IMAGE066
，其中，
Figure 322153DEST_PATH_IMAGE006
表征第i组状态序列数据，
Figure 75346DEST_PATH_IMAGE008
表征第i组状态序列数据第t时刻的设备状态特征，I表征状态序列数据总组数，
Figure 691135DEST_PATH_IMAGE067
表征第i组从t时刻到t+l时刻的状态序列在
Figure 922396DEST_PATH_IMAGE033
中的出现频率，
Figure 369558DEST_PATH_IMAGE034
表征第i组从t时刻到t+l时刻的状态序列的支持度；
概率评定计算模块，用于获取状态转移概率评定式：
Figure 542919DEST_PATH_IMAGE068
；
Figure DEST_PATH_IMAGE069
，其中，
Figure DEST_PATH_IMAGE070
表征从
Figure 380425DEST_PATH_IMAGE027
组数据中第i组数据对应的
Figure 149798DEST_PATH_IMAGE024
到
Figure 906926DEST_PATH_IMAGE008
对应的状态转移频率，
Figure DEST_PATH_IMAGE071
表征从
Figure 267500DEST_PATH_IMAGE027
组数据中第i组数据对应的
Figure 857881DEST_PATH_IMAGE024
的出现频率；
支持度计算模块，用于根据所述状态序列支持度评定式，遍历所述多组第M设备状态序列数据进行支持度计算，生成多个状态序列支持度；
支持度筛选模块，用于从所述多个状态序列支持度筛选最大值状态序列数据，设为第M设备状态样本序列数据；
转移概率计算模块，用于根据所述第M设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第M设备状态序列数据进行转移概率计算，生成所述第M设备状态转移概率集合。
进一步的，所述系统包括：
概率评定计算模块，用于获取观测概率评定式：
Figure 430945DEST_PATH_IMAGE042
；
Figure DEST_PATH_IMAGE072
；
Figure DEST_PATH_IMAGE073
，其中，
Figure 774071DEST_PATH_IMAGE006
表征第i组状态数据序列，
Figure 836705DEST_PATH_IMAGE008
表征第i组状态数据序列第t时刻的状态特征值，
Figure 914382DEST_PATH_IMAGE048
表征和
Figure 291137DEST_PATH_IMAGE006
一一对应的第j组第N类型负荷指标特征值序列，
Figure 19927DEST_PATH_IMAGE050
表征和
Figure 253462DEST_PATH_IMAGE008
相对应的第N类型指标特征值，
Figure DEST_PATH_IMAGE074
表征在多组第M设备状态序列数据和多组第N类型指标特征值序列数据中从由
Figure 21698DEST_PATH_IMAGE008
导致
Figure 936565DEST_PATH_IMAGE050
的频率，
Figure DEST_PATH_IMAGE075
表征
Figure 785441DEST_PATH_IMAGE050
的出现频率；
观测概率计算模块，用于根据所述观测概率评定式，遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成所述第M设备第N类型指标观测概率集合。
进一步的，所述系统包括：
第一构建模块，用于基于第N类型指标，根据第一电力设备、第一设备状态转移概率集合与第一设备第N类型指标观测概率集合，构建第一隐马尔科夫子链；
第M构建模块，用于基于第N类型指标，根据所述第M电力设备、所述第M设备状态转移概率集合与所述第M设备第N类型指标观测概率集合，构建第M隐马尔科夫子链；
信息链合并模块，用于将所述第一隐马尔科夫子链直到所述第M隐马尔科夫子链合并，生成第N类型指标隐马尔科夫链群；
数据获取模块，用于获取第N类型指标观测总量记录数据、第N类型指标观测分量记录数据和电力设备分布拓扑记录数据；
模型训练模块，用于根据所述第N类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第N类型指标观测分量记录数据对所述第N类型指标隐马尔科夫链群进行训练，生成第N类型负荷指标分解模型；
分解模型添加模块，用于将所述第N类型负荷指标分解模型添加进所述负荷分解模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (5)

1.一种地区电力的负荷智能检测方法，其特征在于，包括：
遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；
遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，包括：
遍历所述多组负荷指标类型和所述多组负荷指标记录值进行整合，生成第N类型指标记录值集合，其中，所述第N类型指标记录值和所述预设区域的电力设备一一对应；
遍历所述第N类型指标记录值集合进行数据离散度评估，生成第N类型指标类间偏离度；
将所述第N类型指标类间偏离度添加进所述类间偏离度；
根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标，包括：
设定类间偏离度阈值；
根据所述类间偏离度，获取第N类型指标类间偏离度；
判断所述第N类型指标类间偏离度是否满足所述类间偏离度阈值；
若满足，将所述第N类型指标类间偏离度对应的第N类型指标添加进所述负荷特征样本指标；
遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列，包括：
根据所述预设区域的电力设备，获取第M电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；
根据所述同族设备用电记录数据，获取第N类型指标用电记录数据，其中，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第N类型指标特征值序列数据；
遍历所述多组第M设备状态序列数据进行状态转移概率评估，生成第M设备状态转移概率集合；
遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成第M设备第N类型指标观测概率集合；
将所述第M设备状态转移概率集合添加进所述转移概率集合；将所述第M设备第N类型指标观测概率集合添加进所述观测概率集合；
所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；
根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；
将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
2.如权利要求1所述的方法，其特征在于，所述遍历所述多组第M设备状态序列数据进行状态转移概率评估，生成第M设备状态转移概率集合，包括：
获取状态序列支持度评定式：
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_3
表征第i组状态序列数据，
Figure QLYQS_4
表征第i组状态序列数据第t时刻的设备状态特征，I表征状态序列数据总组数，
Figure QLYQS_5
表征第i组从t时刻到t+l时刻的状态序列在
Figure QLYQS_6
中的出现频率，
Figure QLYQS_7
表征第i组从t时刻到t+l时刻的状态序列的支持度；
获取状态转移概率评定式：
Figure QLYQS_8
Figure QLYQS_9
其中，
Figure QLYQS_10
表征从
Figure QLYQS_11
组数据中第i组数据对应的
Figure QLYQS_12
到
Figure QLYQS_13
对应的状态转移频率，
Figure QLYQS_14
表征从
Figure QLYQS_15
组数据中第i组数据对应的
Figure QLYQS_16
的出现频率；
根据所述状态序列支持度评定式，遍历所述多组第M设备状态序列数据进行支持度计算，生成多个状态序列支持度；
从所述多个状态序列支持度筛选最大值状态序列数据，设为第M设备状态样本序列数据；
根据所述第M设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第M设备状态序列数据进行转移概率计算，生成所述第M设备状态转移概率集合。
3.如权利要求2所述的方法，其特征在于，所述遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成第M设备第N类型指标观测概率集合，包括：
获取观测概率评定式：
Figure QLYQS_17
Figure QLYQS_18
Figure QLYQS_19
其中，
Figure QLYQS_22
表征第i组状态数据序列，
Figure QLYQS_24
表征第i组状态数据序列第t时刻的状态特征值，
Figure QLYQS_28
表征和
Figure QLYQS_21
一一对应的第j组第N类型负荷指标特征值序列，
Figure QLYQS_25
表征和
Figure QLYQS_27
相对应的第N类型指标特征值，
Figure QLYQS_30
表征在多组第M设备状态序列数据和多组第N类型指标特征值序列数据中从由
Figure QLYQS_20
导致
Figure QLYQS_23
的频率，
Figure QLYQS_26
表征
Figure QLYQS_29
的出现频率；
根据所述观测概率评定式，遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成所述第M设备第N类型指标观测概率集合。
4.如权利要求3所述的方法，其特征在于，所述根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型，包括：
基于第N类型指标，根据第一电力设备、第一设备状态转移概率集合与第一设备第N类型指标观测概率集合，构建第一隐马尔科夫子链；
基于第N类型指标，根据所述第M电力设备、所述第M设备状态转移概率集合与所述第M设备第N类型指标观测概率集合，构建第M隐马尔科夫子链；
将所述第一隐马尔科夫子链直到所述第M隐马尔科夫子链合并，生成第N类型指标隐马尔科夫链群；
获取第N类型指标观测总量记录数据、第N类型指标观测分量记录数据和电力设备分布拓扑记录数据；
根据所述第N类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第N类型指标观测分量记录数据对所述第N类型指标隐马尔科夫链群进行训练，生成第N类型负荷指标分解模型；
将所述第N类型负荷指标分解模型添加进所述负荷分解模型。
5.一种地区电力的负荷智能检测系统，其特征在于，用于实施权利要求1-4任一项所述的一种地区电力的负荷智能检测方法，包括：
数据采集模块，用于遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；
偏离度计算模块，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，包括：
遍历所述多组负荷指标类型和所述多组负荷指标记录值进行整合，生成第N类型指标记录值集合，其中，所述第N类型指标记录值和所述预设区域的电力设备一一对应；
遍历所述第N类型指标记录值集合进行数据离散度评估，生成第N类型指标类间偏离度；
将所述第N类型指标类间偏离度添加进所述类间偏离度；
指标类型筛选模块，用于根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标，包括：
设定类间偏离度阈值；
根据所述类间偏离度，获取第N类型指标类间偏离度；
判断所述第N类型指标类间偏离度是否满足所述类间偏离度阈值；
若满足，将所述第N类型指标类间偏离度对应的第N类型指标添加进所述负荷特征样本指标；
样本序列生成模块，用于遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列，包括：
根据所述预设区域的电力设备，获取第M电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；
根据所述同族设备用电记录数据，获取第N类型指标用电记录数据，其中，所述第N类型指标用电记录数据包括多组第M设备状态序列数据和多组第N类型指标特征值序列数据；
遍历所述多组第M设备状态序列数据进行状态转移概率评估，生成第M设备状态转移概率集合；
遍历所述多组第M设备状态序列数据和所述多组第N类型指标特征值序列数据进行观测概率评估，生成第M设备第N类型指标观测概率集合；
将所述第M设备状态转移概率集合添加进所述转移概率集合；将所述第M设备第N类型指标观测概率集合添加进所述观测概率集合；
概率集合确定模块，用于所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；
模型训练模块，用于根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；
分解结果生成模块，用于将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
CN202211568250.6A 2022-12-08 2022-12-08 一种地区电力的负荷智能检测方法及系统 Active CN115660507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211568250.6A CN115660507B (zh) 2022-12-08 2022-12-08 一种地区电力的负荷智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211568250.6A CN115660507B (zh) 2022-12-08 2022-12-08 一种地区电力的负荷智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN115660507A CN115660507A (zh) 2023-01-31
CN115660507B true CN115660507B (zh) 2023-02-28

Family

ID=85020090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211568250.6A Active CN115660507B (zh) 2022-12-08 2022-12-08 一种地区电力的负荷智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN115660507B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116467667B (zh) * 2023-06-20 2023-08-22 图观(天津)数字科技有限公司 一种基于数据融合的停电监测预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490760A (zh) * 2019-07-24 2019-11-22 国网浙江省电力有限公司 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法
CN111949707A (zh) * 2020-08-06 2020-11-17 杭州电子科技大学 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法
WO2021208516A1 (zh) * 2020-04-17 2021-10-21 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN114091338A (zh) * 2021-11-24 2022-02-25 国网江苏省电力有限公司泰州供电分公司 一种电力负荷分解模型的建立方法及装置
CN114358367A (zh) * 2021-11-24 2022-04-15 南京安广电力设备有限公司 一种非侵入式负荷分解方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490760A (zh) * 2019-07-24 2019-11-22 国网浙江省电力有限公司 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法
WO2021208516A1 (zh) * 2020-04-17 2021-10-21 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN111949707A (zh) * 2020-08-06 2020-11-17 杭州电子科技大学 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法
CN114091338A (zh) * 2021-11-24 2022-02-25 国网江苏省电力有限公司泰州供电分公司 一种电力负荷分解模型的建立方法及装置
CN114358367A (zh) * 2021-11-24 2022-04-15 南京安广电力设备有限公司 一种非侵入式负荷分解方法及装置

Also Published As

Publication number Publication date
CN115660507A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Hong et al. Vehicle energy system active defense: a health assessment of lithium‐ion batteries
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN107944705B (zh) 一种基于模块度划分通信社团的全端可靠性计算方法
CN116881675B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN115660507B (zh) 一种地区电力的负荷智能检测方法及系统
Zhang et al. Power transformer fault diagnosis considering data imbalance and data set fusion
CN104020401A (zh) 基于云模型理论的变压器绝缘热老化状态的评估方法
Hou et al. Impact‐increment based decoupled reliability assessment approach for composite generation and transmission systems
CN116401532B (zh) 一种电力系统受扰后频率失稳识别方法及系统
CN116388402A (zh) 一种应用于变电设备的异常报警分析方法
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
Massaferro et al. Improving electricity non technical losses detection including neighborhood information
Chen et al. Data-driven distribution network topology identification considering correlated generation power of distributed energy resource
Li et al. Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier
CN115601013A (zh) 核反应堆故障判定方法、装置、设备、存储介质和产品
CN115392123A (zh) 二次电池物理模型的参数辨识方法、系统、设备及介质
CN114298188A (zh) 一种电力设备故障智能分析方法及系统
CN109871655B (zh) 一种基于模糊等级评价的器件级产品试验应力确定方法
CN110276275A (zh) 一种能量分解中基于超平面的功率信号的滤波方法和装置
Negri et al. Uncertainty and Lack of Information Affecting the Training of Machine Learning Algorithms for Fault Prediction of Cable-Joints
Marin et al. A dictionary approach to fault diagnosis of analog circuits
Zhang et al. Comparison and improvement of key feature selection methods for intelligent assessment of transient power angle stability
CN110133365A (zh) 一种负载的开关事件的检测方法和装置
CN113890018B (zh) 一种基于数据关联分析的配电网薄弱点辨识方法
CN115616437B (zh) 一种epc特种电源的智能调测控制方法及系统

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