WO2023236197A1 - 负荷辨识方法、计算机可读存储介质及设备 - Google Patents

负荷辨识方法、计算机可读存储介质及设备 Download PDF

Info

Publication number
WO2023236197A1
WO2023236197A1 PCT/CN2022/098164 CN2022098164W WO2023236197A1 WO 2023236197 A1 WO2023236197 A1 WO 2023236197A1 CN 2022098164 W CN2022098164 W CN 2022098164W WO 2023236197 A1 WO2023236197 A1 WO 2023236197A1
Authority
WO
WIPO (PCT)
Prior art keywords
load
identified
feature
ratio
characteristic
Prior art date
Application number
PCT/CN2022/098164
Other languages
English (en)
French (fr)
Inventor
张宏韬
陈熙
Original Assignee
深圳市正浩创新科技股份有限公司
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 深圳市正浩创新科技股份有限公司 filed Critical 深圳市正浩创新科技股份有限公司
Priority to PCT/CN2022/098164 priority Critical patent/WO2023236197A1/zh
Priority to CN202280002807.1A priority patent/CN115769238A/zh
Publication of WO2023236197A1 publication Critical patent/WO2023236197A1/zh

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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

Definitions

  • This application relates to the field of electrical information collection, and in particular to a load identification method, computer-readable storage media and equipment.
  • a load identification method a computer-readable storage medium, and an energy storage device are provided.
  • a load identification method which method includes:
  • the characteristic ratio combination parameters of the load to be identified are determined, wherein the characteristic ratio combination parameters include the characteristic ratio of the first parameter of the load to be identified and the characteristic ratio of the second parameter of the load to be identified. feature ratio;
  • a load switching event in the operation cycle of the load to be identified is detected, and the load switching event is used to determine whether the load to be identified is turned on or Closing time point;
  • the characteristic ratio combined minimum residual optimization algorithm is used to identify the load to be identified, and the load to be identified is obtained identification results.
  • a load identification device which adopts the above load identification method.
  • a computer-readable storage medium In a third aspect, a computer-readable storage medium is provided. Instructions are stored in the readable storage medium. When the instructions are executed, the above load identification method is implemented.
  • a device in a fourth aspect, the energy storage device includes a processor, the processor is coupled to a communication interface, and the processor is used to run a computer program or instructions to implement the above method.
  • Figure 1 is a flow chart of a load identification method provided by an embodiment of the present application.
  • Figure 3 is a flow chart of a load identification method based on a cloud feature library provided by yet another embodiment of the present application.
  • Figure 4 is a flow chart of a load switching detection algorithm provided by another embodiment of the present application.
  • FIG. 5 is a basic architecture diagram of cloud collaborative load identification provided by yet another embodiment of the present application.
  • the characteristic ratio algorithm is used to detect load event switching, extract event characteristic information and send it to the cloud.
  • the cloud uses historical characteristic data based on characteristic ratio combinations
  • the minimum residual optimization algorithm uses the feature ratio minimum proximity principle classification method to achieve load identification. After the cloud completes the identification, personalized information is fed back to the terminal to assist the terminal in achieving real-time identification.
  • Step 101 Sampling the load to be identified and obtaining the target load characteristic information of the load to be identified.
  • Step 103 Detect load switching events in the operation cycle of the load to be identified based on the characteristic ratio of the first parameter and the characteristic ratio of the second parameter.
  • the load switching event is used to determine the time point at which the load to be identified is turned on or off.
  • T h is the midpoint moment of the corresponding time window. Move the time window from the starting point of the signal x(t) and record the load characteristic ratio. If a load switching event occurs, the load characteristic ratio will change, so that the switching point and switching event can be detected.
  • Step 104 Obtain the load characteristic ratio of the load to be identified after the load switching event.
  • Step 105 According to the load characteristic ratio of the load to be identified and the known feature library, the characteristic ratio combination minimum residual optimization algorithm is used to identify the load to be identified, and the identification result of the load to be identified is obtained.
  • the known feature library includes data source feature samples with known loads, and the data source feature samples will be described below.
  • This application obtains the target load characteristic information by performing high-frequency sampling of the load to be identified, and determines the characteristic ratio combination parameters according to the target load characteristic information.
  • the target load characteristic information is the collected load of the load to be identified in a short period of time. Characteristic information, so it is also called short-term load characteristic information.
  • load switching events are detected based on the feature ratio method according to the feature ratio combination parameters, which improves the sensitivity of preventing false detection events during the detection process.
  • the load characteristic ratio of the load to be identified after the load switching event is obtained.
  • the minimum residual optimization algorithm is used to identify the load to be identified.
  • the known feature library includes one or more loads of known load types.
  • the server is also called a cloud or a cloud server.
  • Identification based on the server can be understood as load identification based on the cloud feature library.
  • This process includes terminal load identification. First, high-frequency data is collected through the terminal. A terminal load feature comparison library is constructed based on the collected data. Load identification is performed through conventional methods and the terminal load is determined. Extraction of feature ratios. The load is identified for the first time. If the load type is confirmed, the terminal load feature library is expanded; if the terminal cannot confirm the load type, load identification is performed through the cloud.
  • FIG. 3 is a flow chart of load identification based on a cloud feature library provided by an embodiment of the present application.
  • the load identification method combined with the cloud feature library located on the server side includes: the terminal collects high-frequency measurement data of known loads, and constructs a terminal load feature comparison library based on the measurement data of known loads.
  • the target load characteristic information of the load to be identified is collected, and the load identification method in the above embodiment is applied to perform load identification.
  • the measurement data of the known load and the load to be identified are The target corresponds to the characteristic information.
  • the relevant data of the load to be identified is uploaded to the cloud, and load switching events are detected in the cloud based on a feature ratio algorithm.
  • the cloud obtains the load characteristic ratio of the load to be identified after the switching event, identifies the load based on the characteristic ratio combined with the minimum residual algorithm, and finally feeds the identification results back to the terminal, thereby achieving load refinement in the cloud for loads that cannot be confirmed by the terminal. Identify.
  • the cloud server After the cloud server feeds back the identification results to the terminal, it will update its own load feature library based on the load to be identified and its identification results.
  • the cloud server's own load feature library is also called the cloud feature library in this embodiment.
  • the terminal still needs to rely on the cloud when encountering such a load again, in order to prevent short-term online identification from being impossible. Therefore, after the cloud identification, the specific characteristics of the load are fed back to the terminal, such as the specific active power step, normal open time, etc.
  • the terminal updates its own specific feature library in its own load characteristic library, so that the next load identification can be implemented Specific identification of this load.
  • the function of cloud collaborative load identification based on multi-type characteristic ratio combination optimization is realized.
  • the load identification method provided by the embodiment of the present application can automatically Identify the type of electrical load.
  • cloud collaborative load identification mainly includes building a cloud historical feature database that includes inherent characteristics, spatiotemporal characteristics, and statistical characteristics, and building a cloud closed-loop upgrade mechanism.
  • the cloud sends back differential feature information and improves the terminal load feature database.
  • the terminal updates the terminal load feature library with the differential feature information returned from the cloud, so that the next time the load to be identified can be identified, effective identification can be performed on the terminal and the identification process of uploading to the cloud can be reduced.
  • the terminal is able to identify the load to be identified after building the load characteristic library.
  • all data of the load to be identified is uploaded.
  • all data of the load to be identified includes target load characteristic information, etc.
  • the cloud can perform identification based on the data of the load to be identified.
  • obtaining the load characteristic ratio of the load to be identified after the load switching event includes: obtaining a load characteristic ratio set of one or more loads to be identified after the load switching event.
  • measurement data obtained through high-frequency sampling of known loads can effectively collect load data and construct a feature sample library of electrical load data sources.
  • a set of electricity load data source feature sample sets S consists of 9 attribute variables of measurement data and 1 flag quantity, providing complete data support for the subsequent construction of the load feature database.
  • Data source feature samples can be expressed as the following formula 3:
  • f m,p is defined as the p-th characteristic ratio of load m, and p represents the number of load characteristic ratios.
  • a target subset in the shared feature ratio set subset library is determined, and the target subset is the subset with the highest fit between one or more subsets and the load feature ratio.
  • the load type of the load to be identified is determined based on multiple flag quantities in the data source feature sample, and each flag quantity corresponds to a load type of the data source feature sample.
  • the total characteristic ratio can be described as the following formula 5:
  • ⁇ 1 ,... ⁇ 9 are Lagrangian coefficients.
  • Equation 7 Use the constraints in Equation 7 to eliminate ⁇ j , and then undergo transformation to obtain the result shown in Equation 11:
  • E is the feature ratio set subset library
  • R is the target subset where o i is located
  • E and R i are the closest, and R i is classified in E.
  • Find the marker set L ⁇ L 1 , L 2 ,..., L 9 ⁇ of k samples, and finally judge the load to be identified according to the minimum proximity principle.
  • the type of the load to be identified is used to obtain the identification result of the load to be identified.
  • the switching point of the load is determined. As shown in Figure 4, the first value is 1. When the active power characteristic ratio of the load is greater than the second norm constraint condition, a load switching event is recorded, as shown in Figure 4, and the second value is 1. When the active power characteristic ratio of the load is less than or equal to the second norm constraint condition, the load switching point is determined, and the occurrence of the load switching event is recorded.
  • the specific calculation process is as follows.
  • the effective value X of the signal x(t) in the time period [T 1 , T 2 ] is defined to satisfy Formula 1.
  • the load characteristic ratio based on switching event detection can be designed as Formula 2, where x(t) represents the first parameter (current) or the second parameter (active power), and T h is the midpoint moment of the time window. Move the time window from the starting point of the signal and record the load characteristic ratio. If a load switching event occurs, the load characteristic ratio will change, so that the switching point and switching event can be detected, and subsequent execution can be performed on this basis. calculate.
  • the embodiments of the present application are suitable for detection of two-state or multi-state switching events.
  • a custom adjacency matrix is introduced, and its calculation method is as follows:
  • Equation 18 can be simplified to the following formula:
  • Formula 23 can be expressed as:
  • Equation 22 the average value of the j-th characteristic ratio of the m-th load and the i-th event is defined as Since y m can be considered to be constant and stable when the load is in the steady state range, y m is also The values are very close, so subtracting Equation 22 from Equation 24 shows:
  • the embodiment of this application defines It is the j-th characteristic ratio error of the m-th load and the i-th event. Therefore, the j-th characteristic ratio of the m-th load and the i-th event described by Equation 25 can be converted into the corresponding two-norm constraint of the characteristic ratio error:
  • Formula 26 can be considered as the upper limit of the characteristic ratio error, that is When there are multiple states, the characteristic ratio error does not exceed e during the load switching action.
  • the method further includes: receiving the specific characteristics of the load to be identified fed back by the server. Based on the specific characteristics of the load to be identified and the identification results, the known feature library is updated. Among them, the updated known feature library includes specific features of the load to be identified.
  • the method before performing high-frequency sampling of the load to be identified to obtain the target load characteristic information of the load to be identified, the method further includes: performing high-frequency sampling of the known power load to obtain the target load characteristic information of the known power load.
  • Typical measurement parameters include cycle and harmonic components of current and voltage.
  • basic measurement data source information is obtained.
  • the basic measurement data source information includes: active power changes, reactive power changes, and 3rd and 2nd harmonic changes.
  • a data source feature sample library is constructed.
  • the data source feature sample library includes load characteristic ratio and load type. Use the data source feature sample library as a known feature library.
  • this embodiment uses a high frequency of 6.4KHz to sample data of the load to be identified and obtain measurement data.
  • the measurement data are all discrete values, so the active power calculation formula is as follows: Equation 27:
  • the calculation formula 28 of steady-state reactive power is as follows:
  • the identification characteristic quantity of the start-stop characteristics of the electrical load can also be obtained. Therefore, effective collection of load data can be achieved by relying on measurement data sources obtained through high-frequency sampling, and a known feature library of electrical loads can be constructed in advance.
  • the type of the constructed known feature library of the electrical load is the load terminal short-term feature, which includes 11 features.
  • the serial numbers of the 11 features are ON, OFF, F1, F2, F3, F4, F5, F6, F7, F8, and F9 respectively represent load input, load removal, active power change when load is on, reactive power change when load is on, 3rd harmonic change when load is on, 2nd harmonic change when load is on, and the number of consecutive starts and stops within the unit window. , load-on active power change rate, load-on reactive power change rate, load-on 3rd harmonic change rate and load-on 2nd harmonic change rate.
  • the time characteristics in the cloud feature database include: at least one of the average time interval between continuous starts and stops, load operation time, and average daily load operation times.
  • Statistical features include: at least one of coefficient of variation and feature average.
  • Figure 5 provides a basic architecture diagram of cloud collaborative load identification.
  • the terminal module in the figure contains a total of 4 key parts: data sampling module, data upload module, feature upload module, and task time management module, which can complete the upload of main load characteristics to the cloud.
  • the cloud uses distributed databases to complete long-term feature calculations based on historical data.
  • the cloud performs comprehensive identification based on time features and statistical features in addition to inherent features to determine the load type, and sends more detailed feature descriptions back to the terminal to assist in terminal identification.
  • the basic principle for the terminal and the cloud to collaborate to identify the type of load to be identified is: if the terminal cannot identify the load, the characteristics are uploaded to build a massive feature library in the cloud to assist in identification.
  • the cloud database constructed in this embodiment of the present application contains a total of three types of features.
  • the first category is the inherent characteristics of the load basis, such as active power, reactive power, 3rd harmonic, 2nd harmonic changes at startup, etc.
  • the second category is the time characteristics of the load, such as the average time interval between consecutive starts and stops of the load, operating time, etc.
  • the third category is the load statistical characteristics, such as the coefficient of variation (CV) of the degree of fluctuation, which represents the state coefficient of the number of load state changes within the window.
  • CV coefficient of variation
  • ⁇ is the standard deviation of the sample data
  • ⁇ is the mean of the sample data.
  • the preset mutation threshold is H.
  • the detection and identification of load switching events are realized based on the characteristic ratio algorithm.
  • the feature ratio combination minimum residual algorithm is used to determine the load type according to the minimum proximity principle, and at the same time complete the construction of the feature comparison library.
  • the distributed database in the cloud updates the completed feature comparison library from time to time.
  • the load switching event checking algorithm is applicable to all loads that actually need to be detected.
  • the load characteristic ratio algorithm is suitable for the calculation of 9 characteristic ratios in the measurement data.
  • Unknown types of loads to be identified all have their own characteristic characteristic ratio forms. Different characteristic ratios mean that when a load switching event of the unknown type to be identified occurs, based on the obtained target load characteristic information, the characteristic ratio algorithm can obtain the unknown type of load switching event. Identify characteristic ratio combinations of loads.
  • the load switching event checking algorithm only utilizes the information about current and active power in the load characteristic ratio combination.
  • Embodiments of the present application provide a computer-readable storage medium. Instructions are stored in the readable storage medium. When the instructions are executed, the above load identification method is implemented.
  • Integrated units may be stored in a computer-readable storage medium if they are implemented in the form of software functional units and sold or used as independent products. Based on this understanding, this application can implement all or part of the processes in the above method embodiments by instructing relevant hardware through a computer program.
  • the computer program can be stored in a computer-readable storage medium, and the computer program can be used when being processed. When the processor executes, the steps of each of the above method embodiments can be implemented.
  • the computer program includes computer program code, which may be in source code form, object code form, executable file or some intermediate form, etc.
  • the disclosed apparatus/computer equipment and methods can be implemented in other ways.
  • the apparatus/computer equipment embodiments described above are only illustrative.
  • the division of modules or units is only a logical function division.
  • there may be other division methods, such as multiple units or components. can be combined or can be integrated into another system, or some features can be ignored, or not implemented.
  • the coupling or direct coupling or communication connection between each other shown or discussed may be through some interfaces, indirect coupling or communication connection of devices or units, which may be in electrical, mechanical or other forms.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种负荷辨识方法，包括：对待辨识负荷进行采样，根据待辨识负荷的短时负荷特征信息，确定待辨识负荷的特征比组合参数，根据特征比组合参数，检测待辨识负荷的运行周期中的负荷投切事件。获取负荷投切事件后待辨识负荷的负荷特征比，从已知特征库中对待辨识负荷进行辨识，在未从已知特征库中辨识所述待辨识负荷的情况下，向服务器发送待辨识负荷的事件特征信息，接收服务器反馈的待辨识负荷的辨识结果。

Description

负荷辨识方法、计算机可读存储介质及设备 技术领域
本申请涉及电气信息采集领域，特别涉及一种负荷辨识方法、计算机可读存储介质及设备。
背景技术
这里的陈述仅提供与本申请有关的背景信息，而不必然地构成示例性技术。
自从交流电诞生以来，无论是工业用电还是家庭用电，都采用的是交流供电，相应的大多用电设备也都是交流供电。对于供电设备来讲，如果能知道接入电网的用电设备，就可以进行有效的电能管理。尤其是在储能供电系统中，如果知道了用电设备的电气信息，储能系统就能提前储备适当的电量来满足设备需求，也可以在电量不足的时候根据用电设备的优先级做配电管理，提供最优的供电方案。
所以如何知道用电设备的电气信息，对于电力系统，尤其是储能系统有着非常重要的意义。对用电负荷精准识别，不仅能实现最优电能管理，提升用电体验，降低碳排放，还能有效检测用电设备的工作状态，对安全用电提供更多保障。
发明内容
根据本申请的各种实施例，提供了一种负荷辨识方法、计算机可读存储介质及储能设备。
所述技术方案如下：
第一方面，提供了一种负荷辨识方法，所述方法包括：
对待辨识负荷进行采样，以得到所述待辨识负荷的目标负荷特征信息；
根据所述待辨识负荷的目标负荷特征信息，确定所述待辨识负荷的特征比组合参数，其中，所述特征比组合参数包括所述待辨识负荷的第一参数的特征比和第二参数的特征比；
根据所述第一参数的特征比和第二参数的特征比，检测所述待辨识负荷的运行周期中的负荷投切事件，所述负荷投切事件用于确定所述待辨识负荷的开启或关闭的时间点；
获取所述负荷投切事件后的所述待辨识负荷的负荷特征比；
根据所述待辨识负荷的负荷特征比和包括已知负荷的数据源特征样本的已知特征库，采用特征比组合最小残差优化算法对所述待辨识负荷进行辨识，得到所述待辨识负荷的辨识结果。
第二方面，提供一种负荷辨识装置，所述负荷辨识装置采用上述的负荷辨识方法。
第三方面，提供一种计算机可读存储介质，所述可读存储介质中存储有指令，当所述指令被执行时，实现上述的负荷辨识方法。
第四方面，提供一种设备，所述储能设备包括处理器，所述处理器和通信接口耦合，所述处理器用于运行计算机程序或指令，以实现上述的方法。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其他特征、目的和优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1是本申请一实施例提供的一种负荷辨识方法的流程图。
图2是本申请另一实施例提供的一种负荷辨识方法的流程图。
图3是本申请又一实施例提供的一种基于云端特征库的负荷辨识方法的流程图。
图4是本申请另一实施例提供的一种负荷投切检测算法流程图。
图5是本申请又一实施例提供的一种云端协同负荷辨识基本构架图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
应当理解的是，本申请提及的“多个”是指两个或两个以上。在本申请的描述中，除非另有说明，“/”表示或的意思，比如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，比如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三 种情况。另外，为了便于清楚描述本申请的技术方案，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在对本申请实施例进行详细地解释说明之前，先对本申请实施例的应用场景予以说明。
目前，无论是工业用电还是家庭用电，绝大多数都采用的是交流电供电，相应的大多数用电设备也都是交流电提供电能。对于供电设备来讲，如果能知道接入电网的用电设备，就可以进行有效的电能管理。尤其是在储能供电系统中，如果知道了用电设备的电气信息，储能系统就能提前储备适当的电量来满足设备需求，也可以在电量不足的时候根据用电设备的优先级做配电管理，提供最优的供电方案。
所以如何知道用电设备的电气信息，对于电力系统，尤其是储能系统有着非常重要的意义。不仅能实现最优电能管理，提升用电体验，降低碳排放，还能有效检测用电设备的工作状态，对安全用电提供更多保障。
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，称为用电负荷。用电负荷在运行以及投入切除的过程中，因工作原理的不同而具有不同的运行特性和启停特性，通过安装在特定区域的终端采集设备获取用电负荷的量测数据，进而可以据此对用电负荷进行有效辨识分解。本申请实施例通过实时地主动检测用电负荷的电压或电流等信息，实现基于多类型特征比组合优化的云端协同负荷辨识的功能，经过算法程序自动辨识出用电负荷的类型。云端协同优化方式，是以现有的终端负荷辨识体系为基础，对于不确定负荷采用特征比算法实现负荷事件投切检测，提取事件特征信息并上送云端，云端依据历史特征数据基于特征比组合最小残差优化算法，利用特征比最小接近原则分类方法从而实现负荷辨识，云端完成辨识后将个性化信息回馈终端，辅助终端实现实时辨识。
图1提供了本申请实施例提供的一种负荷辨识的方法，包括：
步骤101：对待辨识负荷进行采样，得到待辨识负荷的目标负荷特征信息。
其中，终端采集设备通过高频采样获取待辨识负荷的量测数据。由于待辨识负荷在运行以及投入切除的过程中，因工作原理的不同而具有不同的运行特 性和启停特性，因此根据量测数据对待辨识负荷进行有效辨识分解。在本申请中，待辨识负荷也称为用电负荷、电力负荷等。
步骤102：根据待辨识负荷的目标负荷特征信息，确定待辨识负荷的特征比组合参数。其中，特征比组合参数包括待辨识负荷的第一参数的特征比和第二参数的特征比。其中，第一参数为电流，第二参数为有功功率。
步骤103：根据第一参数的特征比和第二参数的特征比，检测待辨识负荷的运行周期中的负荷投切事件，负荷投切事件用于确定待辨识负荷的开启或关闭的时间点。
通过公式1定义信号x(t)在时间段[T 1，T 2]的有效值：
Figure PCTCN2022098164-appb-000001
其中，x(t)表示待辨识负荷包括电流或有功功率的采样特征信号，时间窗长度[T 1，T 2]为一个大小固定的时间量。因此，基于投切事件检测的负荷特征比满足以下公式2：
Figure PCTCN2022098164-appb-000002
其中，T h为对应时间窗的中点时刻。从信号x(t)的起点处开始移动该时间窗，记录负荷特征比，若发生负荷投切事件，负荷特征比就会发生变化，从而可以将投切点和投切事件检测出来。
步骤104：获取负荷投切事件后的待辨识负荷的负荷特征比。
步骤105：根据待辨识负荷的负荷特征比和已知特征库，采用特征比组合最小残差优化算法对待辨识负荷进行辨识，得到所述待辨识负荷的辨识结果。该已知特征库中包括已知负荷的数据源特征样本，该数据源特征样本将在下文中进行说明。
图2为本申请实施例提供的一种负荷辨识方法的流程图。特征比库的构建主要包括使用终端进行用电负荷的量测数据的采集，基于特征比算法检测负荷投切事件，获取负荷投切事件后的负荷特征比，构造负荷特征比库以及基于特征比组合最小残差算法生成分类负荷模型。具体地，对待辨识负荷进行实时现场负荷辨识主要包括：现场安装终端对待辨识负荷进行实时量测数据采集，终端根据量测数据检测投切事件并构造负荷特征比，基于算法模型生成负荷类型， 获取待辨识负荷的辨识结果。在本本实施例中，该特征比库也称之为已知特征库、终端自身的负荷特征库。
本申请通过对待辨识负荷进行高频采样，获取其目标负荷特征信息，根据目标负荷特征信息确定特征比组合参数，在本实施例中，该目标负荷特征信息为采集的待辨识负荷短时间内的特征信息，故也称之为短时负荷特征信息。本申请提供的实施例中，根据特征比组合参数，基于特征比法检测负荷投切事件，提高了检测过程中防止误检测事件发生的灵敏度。获取负荷投切事件后的待辨识负荷的负荷特征比，结合已知特征库，采用了最小残差优化算法对待辨识负荷进行辨识，已知特征库中包括已知负荷类型的一个或多个负荷的负荷特征比，根据这些特征比，辨识负荷类型。最小残差优化算法可以更精确的对待辨识负荷的类型进行确定，提高了负荷辨识的精确度。具体地，检测灵敏度的提高得益于申请给出的基于特征比法的负荷投切事件检测辨识，本申请中采用电流和有功功率的双指标信息辨识。负荷投切事件检查可以较好的改善检测过程中防止误检测事件的发生，但不仅局限于此；由于特征比参与到负荷投切事件检查辨识过程中，为后续的特征比库构建、特征比组合最小残差计算带来便利。
在本申请的一个实施例中，负荷辨识方法还包括：在未从已知特征库中辨识待辨识负荷的情况下，向服务器发送待辨识负荷的事件特征信息，事件特征信息包括待辨识负荷的时间特征和统计特征。接收服务器反馈的所述待辨识负荷的辨识结果。
作为一种示例，在本实施例中，服务器也称之为云端、或者云端服务器。基于服务器进行辨识可以理解为基于云端特征库的负荷辨识，该流程包括终端负荷辨识，首先通过终端高频采集数据，根据采集的数据构造终端负荷特征比库，通过常规方法负荷辨识并进行终端负荷特征比的提取。对负荷进行第一次辨识，如果确认负荷类型，则扩充终端负荷特征库；如果终端不能确认负荷类型，则通过云端进行负荷辨识。
在本申请一种可能的实现方式中，图3为本申请实施例提供的一种基于云端特征库的负荷辨识流程图。如图3，结合位于服务器侧的云端特征库的负荷辨识方法包括：终端对已知负荷进行高频的量测数据采集，根据已知负荷的量测数据构造终端负荷特征比库，当需要对待辨识负荷进行辨识时，采集该待辨识负荷的目标负荷特征信息，并应用上述实施例中的负荷辨识方法进行负荷辨识， 在本实施例中，该已知负荷的量测数据与该待辨识负荷的目标符合特征信息相对应。在终端无法判断该待辨识负荷的辨识结果时，将该待辨识负荷的相关数据上传云端，在云端进行基于特征比算法检测负荷投切事件。云端获取投切事件后的待辨识负荷的负荷特征比，基于特征比组合最小残差算法对负荷进行辨识，最终将辨识结果反馈至终端，从而实现终端无法确认的负荷在云端实现负荷的精细化识别。云端服务器将辨识结果反馈给终端后，将根据该待辨识负荷及其辨识结果更新自身的负荷特征库，该云端服务器自身的负荷特征库在本实施例中也称之为云端特征库。
值得说明的是，在完成云端识别后，终端再一次遇到此种负荷依旧需要借助云端，为防止无法实现在线的短时辨识。因此云端辨识后反馈给终端此负荷的特异性特征，例如具体的有功阶跃，常开的时间等，终端在自身的负荷特征库中更新自身特异性的特征库，从而在下一次进行负荷辨识实现此负荷的特异性识别。
在本申请一个实施例中，通过实时地主动检测供电负荷输出的电压和电流信息，实现基于多类型特征比组合优化的云端协同负荷辨识的功能，经过本申请实施例提供的负荷辨识方法能够自动辨识出用电负荷的类型。
作为一种示例，终端对待辨识负荷进行高频的量测数据采样，提取负荷特征信息，基于特征比算法实现负荷投切事件检测，提高检测过程中防止误检测事件发生的灵敏度，应用轻量级特征比组合最小残差优化的方法进行负荷辨识并将不确定负荷的特征信息上送云端。
其中，云端协同负荷辨识主要包括构建包含固有特征、时空特征及统计特征的云端历史特征库，并构建云端闭环升级机制，云端将差异性特征信息回送并完善终端负荷特征库。该终端将来自云端返回的差异性特征信息更新值终端负荷特征库，以便在下一次对待辨识负荷进行辨识时可以在终端进行有效辨识，减少上传云端的辨识流程。需要说明的是，在图3中，终端在构建负荷特征比库后，能够对待辨识负荷进行辨识，但是当无法在终端完成待辨识负荷的辨识程序时，将该待辨识负荷的所有数据均上传到云端，该待辨识负荷的所有数据包括目标负荷特征信息等。云端能够根据该待辨识负荷的数据进行辨识。
在本申请的一个实施例中，获取负荷投切事件后的所述待辨识负荷的负荷特征比，包括：获取负荷投切事件后的一个或多个待辨识负荷的负荷特征比集 合。
作为一种示例，对已知负荷进行高频采样获取的量测数据可以实现负荷数据的有效采集，构造用电负荷数据源特征样本库。其中，一组用电负荷数据源特征样本集合S由9个量测数据的属性变量和1个标志量构成，为后续的负荷特征库建设提供完备的数据支持。数据源特征样本可以表示为如下公式3：
Figure PCTCN2022098164-appb-000003
公式3中：F ij为第i个负荷第j个特征；L i为第i个负荷类型；i取1，2，…，n；j取1，2，…，9。基于上述公式3，生成数据源特征样本集合，在各个特征比空间内形成测试样本，针对随机单独的负荷，在负荷投切事件检测发生后获取的特征比集合满足以下公式4：
F m,n＝[f m,1,f m,2,…,f m,p]      公式4
其中，f m,p定义为负荷m的第p个特征比，p表示负荷特征比个数。
则根据待辨识负荷的负荷特征比，采用特征比组合最小残差优化算法，从已知特征库中对待辨识负荷进行辨识，包括：根据负荷特征比集合，确定一个或多个待辨识负荷的共有特征比集合。将共有特征比集合分类为若干子集，得到共有特征比集合子集库，每一子集包括类聚中心。根据共有特征比集合、子集以及类聚中心，构建目标函数以及约束条件。根据目标函数和约束条件得出待辨识负荷的负荷特征比与类聚中心的贴合度。根据贴合度，确定共有特征比集合子集库中的目标子集，目标子集为一个或多个子集中与负荷特征比之间的贴合度最高的子集。将目标子集更新至预先构建的特征比集合子集库中，得到更新后的特征比集合子集库。比较已知特征库中的数据源特征样本和特征比集合子集库中的各目标子集，在所述数据源特征样本和所述特征比集合子集库中的各目标子集一致的情况下，根据数据源特征样本中的多个标志量确定待辨识负荷的负荷类型，每一标志量对应数据源特征样本的一个负荷类型。
在一种可能的实现方式中，考虑用电负荷运行时多个负荷随机投切后，总的特征比可以描述为以下公式5：
Figure PCTCN2022098164-appb-000004
式中：x取1，2，…，9。S表示负荷随机投切后负荷运行的总个数，则S个负荷共有的特征比集合为Y＝{F 1，F 2，…，F 9}。负荷辨识的目的是将Y分类为z个子集{R 1，R 2，...，R z}，每个子集的类聚中心可以描述为O＝{o 1，o 2，…，o z}，则可以构建如公式6所示的目标函数和公式7所示的约束条件：
Figure PCTCN2022098164-appb-000005
Figure PCTCN2022098164-appb-000006
式中：U＝{u ij}∈z×9；d ij＝||F i-O i|| 2描述该共有的特征比集合子集库中各目标子集与对应类聚中心的欧式距离；q为类聚收缩程度系数，分类的收缩程度随q增大而增强，q的取值范围为1.5～2.5。本申请实施例通过拉格朗日乘数求解上述公式7所示的约束条件描述的该公式6对应的目标函数，如公式8所示：
Figure PCTCN2022098164-appb-000007
其中，λ 1，…λ 9为拉格朗日系数，利用数学方式求解拉格朗日函数可得下述公式9所示：
Figure PCTCN2022098164-appb-000008
最优解为：
Figure PCTCN2022098164-appb-000009
利用公式7中的约束条件消去λ j，然后经过变换得到如公式11所示的结果：
Figure PCTCN2022098164-appb-000010
同理，通过公式8对o i求导并令其等于0，获取的类聚中心如公式11所示：
Figure PCTCN2022098164-appb-000011
利用上述公式反复更新U和o i，确定实际符合特征比与o i的贴合度，如公式12：
Figure PCTCN2022098164-appb-000012
式中，E为该特征比集合子集库，R为o i所在的目标子集，u E(x)为Y＝{F 1，F 2，…，F 9}中元素与对应特征比的接近程度。若满足公式13：
Figure PCTCN2022098164-appb-000013
则确定E和R i最接近，R i被分类在E中，找到k个样本的标志量集合L＝{L 1，L 2，…，L 9}，最后按照最小接近原则判断该待辨识负荷的类型，得到该待辨识负荷的辨识结果。
在本申请的一个实施例中，如图4为一种负荷投切检测方法的流程图。具体的，首先通过终端进行待辨识负荷的量测数据采集，将采集的量测数据进行原始数据去噪，并对去噪后的量测数据进行负荷特征比计算。其中，负荷特征比计算包括第一参数和第二参数，该第一参数为电流，第二参数为有功功率。根据第一参数的特征比和第二参数的特征比，在负荷的运行周期中检测负荷投切事件，包括：根据电流的特征比确定电流的特征比二范约束条件，以及根据有功功率的特征比确定有功功率的特征比二范约束条件。
其中，在负荷的电流的特征比二范约束条件大于第一值时，则确定负荷的投切点，如图4所示，第一值为1。在负荷的所述有功功率特征比二范约束条件大于第二值时，则记录发生负荷投切事件，如图4所示，第二值为1。在负荷的有功功率特征比二范约束条件小于或等于第二值时，则确定负荷的切除点，并记录发生所述负荷投切事件。
在一种可能的实现方式中，具体计算过程如下，定义信号x(t)在时间段[T 1，T 2]的有效值X，满足公式1。基于投切事件检测的负荷特征比可以设计为如公式2，式中，x(t)表示第一参数(电流)或第二参数(有功功率)，T h为时间窗的中点时刻。从信号的起点处开始移动时间窗，记录负荷特征比，若发生负荷投切事件，负荷特征比就会发生变化，从而可以将投切点和投切事件检测出来，并在此基础上执行后续计算。
作为一种示例，对于满足叠加原理的负荷特征信息，即满足公式14的负荷特征比，可以通过最优化算法获取满足该特征比与已知特征库中各个负荷特征比最小化残差的优化组合进行负荷辨识。公式14如下：
Figure PCTCN2022098164-appb-000014
式中：
Figure PCTCN2022098164-appb-000015
为第i个事件第j个特征单独运行时提取的特征比；
Figure PCTCN2022098164-appb-000016
为时刻t对应的系统特征比；η为测量噪声信号；
Figure PCTCN2022098164-appb-000017
为第i个事件第j个特征在(t+Δt)时刻加入系统后对应的特征比。显而易见，公式14中采用的暂态区段Δt，不仅防止了为使投切事件检测的投切点高精度，选择过小时间窗造成的数据“维度灾难”，而且避免了时间窗过大造成事件检测投切点不明显的缺陷。
因此，总数M个负荷的第i个事件第j个特征比向量可以简化为以下公式15：
y＝∑ m∈χy m+η        公式15
式中：χ＝{1，2，...，M}，η～N(0，σ 2)。
其中，待分解特征比向量为y＝[y(1)，y(2)，…，y(N)] T，第m个负荷特征比向量为y m＝[y m(1)，y m(2)，…，y m(N)] T。由于负荷投切动作使得该负荷具有“投入”和“切除”两种状态，可以将负荷特征比向量分解为“投入”和“切除”两个序列，并进行分类排序。因此，“投入”序列为y m(on)＝[y m(N 1+1)，y m(N 1+2)，…，y m(N)] T，“切除”序列为y m(off)＝[y m(1)，y m(2)，…，y m(N)] T。依据实际情况可知，“切除”序列中的元素均为“0”，“投入”序列中的元素均为负荷实际特征比数据。根据负荷投切动作可知，负荷原始特征比向量可以重新排序为
Figure PCTCN2022098164-appb-000018
同时
Figure PCTCN2022098164-appb-000019
和y m之间满足的关系如以下公式16：
Figure PCTCN2022098164-appb-000020
式中：
Figure PCTCN2022098164-appb-000021
由N个0-1二值向量连乘获得的变换矩阵，实现对负荷原始特征比向量y m进行行列变换得到
Figure PCTCN2022098164-appb-000022
的目的。基于上述分析，“投入”序列的负荷特征比向量可以变换为以下公式：
Figure PCTCN2022098164-appb-000023
式中，
Figure PCTCN2022098164-appb-000024
由于负荷“切除”动作使得“切除”序列满足y m(off)＝[0，0，…，0] T。因此上述公式可以进一步化简为：
Figure PCTCN2022098164-appb-000025
式中：
Figure PCTCN2022098164-appb-000026
C 1和C 2的矩阵元素值分布一致，且容易得知。然而事实上，第m个负荷可能会存在l个状态，则公式18可以改写为：
Figure PCTCN2022098164-appb-000027
本申请实施例中的负荷“投入”动作可以理解为广义概念上的“投入”，对于第m个负荷的不同运行状态，公式19可以修正为：
Figure PCTCN2022098164-appb-000028
因此，本申请实施例适用于两状态或者多状态投切事件检测。在此基础上，引入自定义的邻接矩阵，其计算方法如下：
A＝B TCB          公式21
式中C＝[C 10；0C 2]∈R N×N。因此公式18可以化简为以下公式：
Figure PCTCN2022098164-appb-000029
根据未经排序的图信号处理(Graph Signal Processing，GSP)理论可知，
Figure PCTCN2022098164-appb-000030
式中：
Figure PCTCN2022098164-appb-000031
代表了第i个节点连接的节点个数，N l表示为第i个节点的邻居节点集，S k是所有与i节点连接的邻居节点个数。因此， 公式23在本申请实施例中可以表示为：
Figure PCTCN2022098164-appb-000032
其中，第m个负荷第i个事件第j个特征比平均值定义为
Figure PCTCN2022098164-appb-000033
由于负荷在稳态区间时y m可以认为恒值稳定，因此y m也
Figure PCTCN2022098164-appb-000034
的值非常接近，所以将公式22和公式24相减可知：
Figure PCTCN2022098164-appb-000035
其中，本申请实施例定义
Figure PCTCN2022098164-appb-000036
为第m个负荷第i个事件第j个特征比误差。因此，满足公式25描述的第m个负荷第i个事件第j个特征比可以转换为相对应的特征比误差的二范数约束条件：
Figure PCTCN2022098164-appb-000037
由此可知，对于有三种或更多运行状态的负荷，假设其在稳定区段内产生的第i个事件第j个特征比误差基本稳定，则公式26可以认为是特征比误差的上限，即当存在多种状态时，特征比误差在负荷投切动作期间不超过e。
在本申请的一个实施例中，接收服务器反馈的待辨识负荷的辨识结果之后，还包括：接收服务器反馈的待辨识负荷的特异性特征。根据待辨识负荷的特异性特征和辨识结果，更新已知特征库。其中，更新后的已知特征库包括待辨识负荷的特异性特征。
在本申请的一个实施例中，对待辨识负荷进行高频采样，以得到待辨识负荷的目标负荷特征信息之前，还包括：对已知用电负荷进行高频采样，得到已知用电负荷的典型量测参数，典型量测参数包括电流和电压的周波、谐波分量。根据典型量测参数，通过分布式计算构建，获取基础量测数据源信息，基础量测数据源信息包括：有功功率变化、无功功率变化、3次和2次谐波变化。根据 基础量测数据源信息，构建数据源特征样本库，数据源特征样本库包括负荷特征比和负荷类型。将数据源特征样本库作为已知特征库。
作为一种示例，本实施例采用6.4KHz的高频对待辨识负荷进行数据采样，获取量测数据。在实际工作中，量测数据均为离散值，则有功功率计算公式如公式27：
Figure PCTCN2022098164-appb-000038
在公式27中，m为有功功率序列P的计算时间窗口所包含工频周期数目；n为时间窗长度；N为一个工频周期内包含的电流、电压采样点数目(N＝f s/50)，f s为电流电压的采样频率；u k、i k为离散的电压、电流序列。稳态无功功率的计算公式28如下：
Figure PCTCN2022098164-appb-000039
除此之外，还可以获得用电负荷启停特性的辨识特征量。因此，依托高频采样获取的量测数据源可以实现负荷数据的有效采集，提前构造用电负荷的已知特征库。
作为一种示例，构造的用电负荷的已知特征库的类型为负荷终端短时特征，包括11个特征，11个特征的序号分别为ON、OFF、F1、F2、F3、F4、F5、F6、F7、F8、F9，分别代表负荷投入、负荷切除、负荷开启有功变化、负荷开启无功变化、负荷开启3次谐波变化、负荷开启2次谐波变化、单位窗口内连续启停次数、负荷开启有功变化率、负荷开启无功变化率、负荷开启3次谐波变化率以及负荷开启2次谐波变化率。
在本申请的一个实施例中，云端特征库中，时间特征包括：连续启停平均时间间隔、负荷运行时间和平均每天负荷运行次数中至少一种。统计特征包括：变异系数和特征平均值中至少一种。
在一种可能的实现方式中，图5提供了一种云端协同负荷辨识的基本构架图。图中终端模块一共包含4个关键部分：数据采样模块、数据上送模块、特征上送模块、任务时间管理模块，可完成与云端的主要负荷特征上送。云端利用分布式数据库可以结合历史数据完成长时的特征计算。云端基于除固有特征 外的时间特征以及统计特征进行综合辨识从而确定负荷类型，并将更加详细的特征描述回传终端，辅助终端辨识。具体地，终端与云端协同进行待辨识负荷的类型识别的基本原理即为：终端无法辨识负荷，通过特征上送从而在云端构建海量特征库辅助辨识。如图5所示，本申请实施例构造的云端数据库一共包含3类特征。第一类为负荷基础固有特征，如启动时有功、无功、3次谐波、2次谐波变化等；第2类为负荷的时间特征，如负荷连续启停平均时间间隔、运行时间等；第3类为负荷统计特征，如波动程度的变异系数(coefficient of variation,CV)，其表示窗口内负荷状态变换次数的状态系数。
作为一种示例，假设窗口信号为X＝{x 1，x 2，...，x m}，x k为第k个量测数据，m为窗口大小，则变异系数为：
Figure PCTCN2022098164-appb-000040
式中，σ为样本数据标准差，λ为样本数据均值。样本数据标准差和样本数据均值满足以下公式：
Figure PCTCN2022098164-appb-000041
Figure PCTCN2022098164-appb-000042
值得说明的是，其中，预设突变阈值为H，基于差分算法的计算首先是遍历窗口内信号x 1至x m，并分别计算其差分序列D，D＝{x 2-x 1，x 3-x 2，...，x m-x m-1}；其次统计数值正负变化点，并计算两个区域的差值绝对值是否大于阈值H；最后统计破阈值的次数并将其作为状态系数。
本申请提供的上述实施例，该负荷辨识方法整体流程如下：
1)对待辨识负荷进行短时数据采集，该短时数据在本申请中表述为目标负荷特征信息。
2)对该待辨识负荷的短时数据进行特征比计算，得到特征比组合参数。
3)根据该特征比组合参数，基于特征比算法实现对负荷投切事件的检测辨识。
4)采用特征比组合最小残差算法，按照最小接近原则判断负荷类型，同时完成特征比库的构建，云端的分布式数据库时时更新已构建完成的该特征比库。
5)由于终端内存的限制，当未知类型待辨识负荷具有长时特征信息时(及 上述所提及的时间特征和统计特征)，开启云端协同负荷辨识模式。
6)云端协同进行负荷辨识。
7)云端完成负荷辨识后，将辨识结果反馈至终端并更新终端的已知特征库。
在本申请实施例中，负荷投切事件检查算法适用于实际所有需要被检测的负荷。基于高频采样获取的量测数据，经过去噪处理后，负荷特征比算法适用于量测数据中的9个特征比计算。未知类型待辨识的负荷都具有自身特性的特征比形态，特征比不同也就意味着当发生该未知类型待辨识负荷投切事件后，依据已获取目标负荷特征信息，特征比算法能够得到该待辨识负荷的特征比组合。负荷投切事件检查算法仅利用了负荷特征比组合中有关电流和有功功率的信息。
本申请实施例提供了一种负荷辨识装置，装置采用上述的负荷辨识方法。
本申请实施例提供了一种计算机可读存储介质，可读存储介质中存储有指令，当指令被执行时，实现上述的负荷辨识方法。
本申请实施例提供了一种设备，储能设备包括处理器，处理器和通信接口耦合，处理器用于运行计算机程序或指令，以实现上述的负荷辨识方法。通信接口用于与该设备之外的用电设备进行通信。具体地，该设备可以是储能设备，该储能设备能够通过相关的输出接口向与之连接的用电设备提供电能。在一些实施例中，该设备还可以是配电箱，用电设备与该配电箱相连接，该配电箱能够识别用电设备的用电负荷，并且根据用电负荷的辨识结果提供相对应的控制策略。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，该计算机程序包括计算机程序代码，该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory，只读光盘)、磁 带、软盘和光数据存储设备等。本申请提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

  1. 一种负荷辨识方法，所述方法包括：
    对待辨识负荷进行采样，得到所述待辨识负荷的目标负荷特征信息；
    根据所述待辨识负荷的目标负荷特征信息，确定所述待辨识负荷的特征比组合参数，其中，所述特征比组合参数包括所述待辨识负荷的第一参数的特征比和第二参数的特征比；
    根据所述第一参数的特征比和第二参数的特征比，检测所述待辨识负荷的运行周期中的负荷投切事件，所述负荷投切事件用于确定所述待辨识负荷的开启或关闭的时间点；
    获取所述负荷投切事件后的所述待辨识负荷的负荷特征比；
    根据所述待辨识负荷的负荷特征比和包括已知负荷的负荷特征比的已知特征库，采用特征比组合最小残差优化算法对所述待辨识负荷进行辨识，得到所述待辨识负荷的辨识结果。
  2. 根据权利要求1所述的方法，其中，所述负荷辨识方法还包括：
    在未从所述已知特征库中辨识所述待辨识负荷的情况下，向服务器发送所述待辨识负荷的事件特征信息，所述事件特征信息包括所述待辨识负荷的时间特征和统计特征；
    接收所述服务器反馈的所述待辨识负荷的辨识结果。
  3. 根据权利要求1所述的方法，其中，所述获取所述负荷投切事件后的所述待辨识负荷的负荷特征比，包括：
    获取所述负荷投切事件后的一个或多个所述待辨识负荷的负荷特征比集合；
    则所述根据所述待辨识负荷的负荷特征比，采用特征比组合最小残差优化算法，从已知特征库中对所述待辨识负荷进行辨识，包括：
    根据所述负荷特征比集合，确定一个或多个所述待辨识负荷的共有特征比集合；
    将所述共有特征比集合分类为若干子集，得到共有特征比集合子集库，每一所述子集包括类聚中心；
    根据所述共有特征比集合、所述子集以及所述类聚中心，构建目标函数以及约束条件；
    根据所述目标函数和所述约束条件得出所述待辨识负荷的负荷特征比与所 述类聚中心的贴合度；
    根据所述贴合度，确定所述共有特征比集合子集库中的目标子集，所述目标子集为一个或多个所述子集中与所述负荷特征比之间的贴合度最高的子集；
    将所述目标子集更新至预先构建的特征比集合子集库中，得到更新后的特征比集合子集库；
    比较所述已知特征库中的数据源特征样本和所述特征比集合子集库中的各目标子集；
    在所述数据源特征样本和所述特征比集合子集库中的各目标子集一致的情况下，根据数据源特征样本中的多个标志量确定所述待辨识负荷的负荷类型，每一标志量对应所述数据源特征样本的一个负荷类型。
  4. 根据权利要求1所述的方法，其中，所述第一参数为电流，所述第二参数为有功功率，所述根据所述第一参数的特征比和第二参数的特征比，在所述负荷的运行周期中检测负荷投切事件，包括：
    根据所述电流的特征比确定所述电流的特征比二范约束条件，以及根据所述有功功率的特征比确定所述有功功率的特征比二范约束条件；
    在所述负荷的所述电流的特征比二范约束条件大于第一值时，则确定所述负荷的投切点；
    在所述负荷的所述有功功率特征比二范约束条件大于第二值时，则记录发生所述负荷投切事件；
    在所述负荷的所述有功功率特征比二范约束条件小于或等于所述第二值时，则确定所述负荷的切除点，并记录发生所述负荷投切事件。
  5. 根据权利要求2所述的方法，其中，所述接收所述服务器反馈的所述待辨识负荷的辨识结果之后，还包括：
    接收所述服务器反馈的所述待辨识负荷的特异性特征；
    根据所述待辨识负荷的特异性特征和所述辨识结果，更新所述已知特征库，其中，更新后的所述已知特征库包括所述待辨识负荷的特异性特征。
  6. 根据权利要求1所述的方法，其中，所述对待辨识负荷进行采样，以得到所述待辨识负荷的目标负荷特征信息之前，还包括：
    对数据源特征样本进行采样，得到所述已知用电负荷的典型量测参数，所述典型量测参数包括电流的周波、谐波分量，及电压的周波、谐波分量；
    根据所述典型量测参数，通过分布式计算构建，获取基础量测数据源信息，所述基础量测数据源信息包括：有功功率变化、无功功率变化、3次谐波变化和2次谐波变化；
    根据所述基础量测数据源信息，构建数据源特征样本库，所述数据源特征样本库包括负荷特征比和负荷类型；
    将所述数据源特征样本库作为所述已知特征库。
  7. 如权利要求2所述的方法，其中，所述时间特征包括：连续启停平均时间间隔、负荷运行时间和平均每天负荷运行次数中至少一种。
  8. 如权利要求2所述的方法，其中，所述统计特征包括：变异系数和特征平均值中至少一种。
  9. 一种计算机可读存储介质，所述可读存储介质中存储有指令，当所述指令被执行时，实现如权利要求1～8任一项所述的负荷辨识方法。
  10. 一种设备，所述设备包括处理器，所述处理器和通信接口耦合，所述处理器用于运行计算机程序或指令，以实现如权利要求1～8任一项所述的负荷辨识方法。
PCT/CN2022/098164 2022-06-10 2022-06-10 负荷辨识方法、计算机可读存储介质及设备 WO2023236197A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2022/098164 WO2023236197A1 (zh) 2022-06-10 2022-06-10 负荷辨识方法、计算机可读存储介质及设备
CN202280002807.1A CN115769238A (zh) 2022-06-10 2022-06-10 负荷辨识方法、计算机可读存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/098164 WO2023236197A1 (zh) 2022-06-10 2022-06-10 负荷辨识方法、计算机可读存储介质及设备

Publications (1)

Publication Number Publication Date
WO2023236197A1 true WO2023236197A1 (zh) 2023-12-14

Family

ID=85348419

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/098164 WO2023236197A1 (zh) 2022-06-10 2022-06-10 负荷辨识方法、计算机可读存储介质及设备

Country Status (2)

Country Link
CN (1) CN115769238A (zh)
WO (1) WO2023236197A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118194055A (zh) * 2024-05-14 2024-06-14 国网江西省电力有限公司信息通信分公司 一种充电桩功率曲线匹配方法
CN118627017A (zh) * 2024-08-13 2024-09-10 杭州电子科技大学 一种基于低频采样和特征融合的非侵入式负荷识别方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559575B (zh) * 2023-07-07 2023-11-24 国网江苏省电力有限公司常州供电分公司 负荷事件检测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016079229A1 (en) * 2014-11-21 2016-05-26 Universite Libre De Bruxelles Improved non-intrusive appliance load monitoring method and device
CN108021736A (zh) * 2017-11-08 2018-05-11 天津大学 一种基于滑动窗残差模型的负荷投切动作监测方法
CN110672934A (zh) * 2019-08-23 2020-01-10 北京中电飞华通信股份有限公司 一种非侵入式负荷辨识方法、终端及系统
CN111209976A (zh) * 2020-01-14 2020-05-29 华北电力大学 一种非侵入式负荷监测方法及系统
CN114444539A (zh) * 2021-12-28 2022-05-06 深圳供电局有限公司 电力负荷识别方法、装置、设备、介质和程序产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016079229A1 (en) * 2014-11-21 2016-05-26 Universite Libre De Bruxelles Improved non-intrusive appliance load monitoring method and device
CN108021736A (zh) * 2017-11-08 2018-05-11 天津大学 一种基于滑动窗残差模型的负荷投切动作监测方法
CN110672934A (zh) * 2019-08-23 2020-01-10 北京中电飞华通信股份有限公司 一种非侵入式负荷辨识方法、终端及系统
CN111209976A (zh) * 2020-01-14 2020-05-29 华北电力大学 一种非侵入式负荷监测方法及系统
CN114444539A (zh) * 2021-12-28 2022-05-06 深圳供电局有限公司 电力负荷识别方法、装置、设备、介质和程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118194055A (zh) * 2024-05-14 2024-06-14 国网江西省电力有限公司信息通信分公司 一种充电桩功率曲线匹配方法
CN118627017A (zh) * 2024-08-13 2024-09-10 杭州电子科技大学 一种基于低频采样和特征融合的非侵入式负荷识别方法

Also Published As

Publication number Publication date
CN115769238A (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
WO2023236197A1 (zh) 负荷辨识方法、计算机可读存储介质及设备
Faustine et al. A survey on non-intrusive load monitoring methodies and techniques for energy disaggregation problem
Stankovic et al. A graph-based signal processing approach for low-rate energy disaggregation
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
Serrano-Guerrero et al. Statistical methodology to assess changes in the electrical consumption profile of buildings
Aligholian et al. Unsupervised learning for online abnormality detection in smart meter data
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
Kumar et al. Cloud-based electricity consumption analysis using neural network
CN116186630A (zh) 一种异常漏电电流数据识别方法及相关装置
CN112379214A (zh) 一种电网故障的检测方法和装置
Hartmann et al. Suspicious electric consumption detection based on multi-profiling using live machine learning
Haq et al. Classification of electricity load profile data and the prediction of load demand variability
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
Ebrahim et al. Household load forecasting based on a pre-processing non-intrusive load monitoring techniques
CN111027841A (zh) 一种基于梯度提升决策树的低压台区线损计算方法
Van Cutsem et al. Automatic multi-state load profile identification with application to energy disaggregation
CN114548493A (zh) 一种电能表电流过载预测方法与系统
Nichiforov et al. Efficient Load Forecasting Model Assessment for Embedded Building Energy Management Systems
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Kuang et al. An Association Rules-Based Method for Outliers Cleaning of Measurement Data in the Distribution Network
CN116842464A (zh) 一种电池系统soc估计方法
Gomez-Rosero et al. Deep neural network for load forecasting centred on architecture evolution
ul Islam et al. A low complexity binary-weighted energy disaggregation framework for residential electricity consumption
CN106816871B (zh) 一种电力系统状态相似性分析方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22945338

Country of ref document: EP

Kind code of ref document: A1