Nothing Special   »   [go: up one dir, main page]

CN106022645B - 非侵入式在线实时电力负荷识别方法及识别系统 - Google Patents

非侵入式在线实时电力负荷识别方法及识别系统 Download PDF

Info

Publication number
CN106022645B
CN106022645B CN201610397458.4A CN201610397458A CN106022645B CN 106022645 B CN106022645 B CN 106022645B CN 201610397458 A CN201610397458 A CN 201610397458A CN 106022645 B CN106022645 B CN 106022645B
Authority
CN
China
Prior art keywords
signal
real
time
time power
power
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
CN201610397458.4A
Other languages
English (en)
Other versions
CN106022645A (zh
Inventor
李祖毅
鲍镇
庄蒙蒙
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.)
Shenzhen Zhidian Energy Technology Co ltd
Original Assignee
Shenzhen Zhidian Energy 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 Shenzhen Zhidian Energy Technology Co ltd filed Critical Shenzhen Zhidian Energy Technology Co ltd
Priority to CN201610397458.4A priority Critical patent/CN106022645B/zh
Publication of CN106022645A publication Critical patent/CN106022645A/zh
Priority to US15/615,325 priority patent/US20170351288A1/en
Priority to PCT/CN2017/087413 priority patent/WO2017211288A1/zh
Application granted granted Critical
Publication of CN106022645B publication Critical patent/CN106022645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
    • G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
    • G05F1/66—Regulating electric power
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明属于物联网和大数据技术领域，涉及一种非侵入式在线实时电力负荷识别方法及识别系统。它解决了现有设计不够合理等技术问题。本方法包括下述步骤：A、获得实时电力信号；B、非侵入式负荷识别分析；C、结果反馈。系统包括至少一个连接在居民侧配电箱上的嵌入式设备终端，嵌入式设备终端与云端相连，云端与后台服务器相连，后台服务器上连接数据存储器且能将分析结果传送至对应于居民侧配电箱的终端设备。优点在于：对于居民侧用户使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率；能为家庭提供整体的能源解决方案；算法效率可以达到在线和实时的效果。

Description

非侵入式在线实时电力负荷识别方法及识别系统
技术领域
本发明属于物联网和大数据技术领域，涉及电能消耗监测和状态检测，尤其是涉及一种非侵入式在线实时电力负荷识别方法及识别系统。
背景技术
负荷识别在19世纪80年代，由麻省理工学院Hart提出。为了减轻全球能源问题和环境问题，近期负荷识别技术越来越受到重视。负荷识别的目的是检测家庭中每个电器的能耗和实时状态。负荷识别能够帮助电网企业为居民侧提供负荷侧响应服务，家电故障检测服务。其中负荷识别又分为侵入式负荷监测技术和非侵入式负荷识别技术。对于侵入式负荷监测，是在每个家用电器上加装传感器以实时测量电器功耗和状态。非侵入式负荷识别技术仅需测量家庭总的实时用电功率，通过机器学习和人工智能算法来识别所有家用电器状态和功耗。相对于侵入式负荷监测，非侵入式负荷识别具有成本低廉，安装方便等有点。目前大部分解决方案是利用聚类算法，隐形马尔科夫模型，神经网络和支持向量机完成识别的过程。
目前负荷识别技术具有以下局限性：需要大量有标签的样本做训练；只能识别大负荷用电设备，例如冰箱，空调等；由于缺乏大量的训练样本，识别准确率相对较低；硬件成本高昂，无法部署在居民住所；算法效率不高，通常无法达到实时和在线的效果。为此，人们进行了长期的探索，提出了各种各样的解决方案。例如，中国专利文献公开了一种非侵入式电力负荷监测与分解技术实施的体系架构[申请号：201410389560.0]，包括：部署在技术服务提供方一端的非侵入式电力负荷监测与分解技术服务管理模块，部署在用户一端的非侵入式电力负荷监测与分解功能模块，分布式网络拓展功能模块和双向通信网络传输模块。本发明从NILMD技术系统应用的层面和市场普及的角度出发，首次尝试在分析NILMD技术的实用化需求的基础上建立了能够支持NILMD技术广泛实用的非侵入式电力负荷监测与分解技术实施的体系架构(NILMDSI)，该发明可以填补本领域内这方面的研究空白，而且可以指导技术提供方为NILMD技术的实用化与推广制定切实有效的系统性实施方案，以期能够很好地解决NILMD技术实用化所遇到的相关问题。
上述方案虽然在一定程度上优化了非侵入式电力负荷监测与分解的硬件架构，但是并不能从根本上解决现有技术存在的技术问题。
发明内容
本发明的目的是针对上述问题，提供一种使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率的非侵入式在线实时电力负荷识别方法。
本发明的另一目的是提供一种使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率的非侵入式在线实时电力负荷识别系统。
为达到上述目的，本发明采用了下列技术方案：本非侵入式在线实时电力负荷识别方法，其特征在于，本方法包括下述步骤：
A、获得实时电力信号：实时采集居民侧配电箱的实时电力数据，然后将采集到的实时电力数据进行转换以获得实时电力信号；
B、非侵入式负荷识别分析：将实时电力信号进行小波变换去噪、核密度估计检测事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、提取电力
C、结果反馈：将分析获得的居民侧配电箱的每个家用电器的功耗数据和实时状态信息反馈给与居民侧配电箱相应的居民侧用户。
在上述的非侵入式在线实时电力负荷识别方法中，在上述的步骤B中，
①小波变换去噪：设定实时电力信号
Figure DEST_PATH_IMAGE001
与真实电力信号
Figure DEST_PATH_IMAGE002
关系为：
Figure DEST_PATH_IMAGE003
，其中，
Figure DEST_PATH_IMAGE004
为误差，n为自然数；
根据小波变换的原理：
Figure DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
；
其中，
Figure DEST_PATH_IMAGE008
为尺度系数，
Figure DEST_PATH_IMAGE009
为细节系数，
Figure DEST_PATH_IMAGE010
为基函数，fJ（x）是f(x)的波形总和，x是输入，j 是扩展索引，J 是索引的最大值，k 是转换索引；I是因子函数，是0或1的二分因子；
设定误差
Figure 226660DEST_PATH_IMAGE004
服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；
选取阀值为：
Figure DEST_PATH_IMAGE011
；
其中，N为信号长度，
Figure DEST_PATH_IMAGE012
为鲁棒估计量；小波变换去噪通过时频分析，去掉高频噪声信号，保留低频信号。
②核密度估计检测事件：将去噪后的实时电力信号用核密度估计方法估计信号分布情况，
密度函数如下：
Figure DEST_PATH_IMAGE013
；
其中，N表示第i个输入序列的最大值，
Figure DEST_PATH_IMAGE014
为密度函数，y是原始信号，xi是密度函数的期望值，h是密度函数的带宽，若信号分布具有两个或两个以上的峰值点，则判断结果为有事件发生，否则无事件；
③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号：对于有事件发生的实时电力信号，判断是否有周期性信号存在，
计算信号的自相关系数：
Figure DEST_PATH_IMAGE015
；
式中xi、yi、
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
分别指第i个输入信号，第i个原始信号，第i个输入信号的平均值，第i个原始信号的平均值；
若信号内部存在相关性，即自相关系数不小于0.95，则采用Hodrick–Prescottfilter优化算法求解去周期性信号，具体实现过程如下：
Figure DEST_PATH_IMAGE018
求解结果
Figure DEST_PATH_IMAGE019
为去周期性信号，其中，T代表时间t的最大值，rt-1代表t-1时刻的自相关系数，Trt 代表t时刻的周期信号，yt 代表t时刻的原始信号，rt代表t时刻的自相关系数，rt+1代表t+1时刻的自相关系数，t代表该时刻，y为原始信号，
Figure DEST_PATH_IMAGE020
为惩罚系数；所述的去周期性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；
④聚类电力信号：根据提取到的趋势信号，再用基于密度聚类的算法求解出离群点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核心点、边界点或噪声点；删除噪声点；为距离在阀值之内的所有核心点之间赋予一条边；每组连通的核心点形成一个簇；将每个边界点指派到一个与之关联的核心点的簇中；从而实现用基于密度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；
⑤提取电力信号特征：利用深度学习进行特征压缩及无监督的基于密度的聚类算法进行特征识别。
在上述的非侵入式在线实时电力负荷识别方法中，在上述的步骤A中，所述的实时电力数据包括实时电压和实时电流；所述的实时电力数据转换为实时有功功率和实时无功功率信号。
在上述的非侵入式在线实时电力负荷识别方法中，所述的实时电力信号通过无线和/或有线通讯方式传输至云端，再通过无线和/或有线通讯方式从云端传输至后台服务器，所述的非侵入式负荷识别分析在后台服务器中进行。
在上述的非侵入式在线实时电力负荷识别方法中，所述的实时电力信号通过以太网和/或WiFi通信协议传输至云端，再通过因特网从云端传输至后台服务器。
一种应用上述非侵入式在线实时电力负荷识别方法的非侵入式在线实时电力负荷识别系统，其特征在于，本系统包括至少一个连接在居民侧配电箱上且用于获得实时电力信号的嵌入式设备终端，所述的嵌入式设备终端通过无线和/或有线通讯方式与云端相连，所述的云端通过无线和/或有线通讯方式与能够对实时电力信号进行非侵入式负荷识别分析的后台服务器相连，所述的后台服务器上连接有数据存储器且能够通过无线和/或有线通讯方式将分析结果传送至对应于居民侧配电箱的终端设备。
在上述的非侵入式在线实时电力负荷识别系统中，所述的实时电力信号通过以太网和/或WiFi通信协议传输至云端，再通过因特网从云端传输至后台服务器。
在上述的非侵入式在线实时电力负荷识别系统中，所述的嵌入式设备终端有多个且采用分布式连接方式与云端相连。
在上述的非侵入式在线实时电力负荷识别系统中，所述的终端设备为移动式终端设备和/或PC。
在上述的非侵入式在线实时电力负荷识别系统中，所述的家用电器包括大负荷用电设备和/或小负荷用电设备。
与现有的技术相比，非侵入式在线实时电力负荷识别方法及识别系统的优点在于：对于居民侧用户使用成本低廉、不需要大量有标签的样本即可进行训练、对小负荷电器也非常敏感、同时能解决电能震荡问题、且保证负荷识别的准确率；继而能为家庭提供整体的能源解决方案；此外，算法效率可以达到在线和实时的效果。
附图说明
图1为本发明提供的结构框图。
图2为本发明提供的事件检测算法流程原理图。
图3为本发明提供的深度学习的网架结构原理图。
图4为本发明提供的原始电力信号图。
图5为本发明提供的核方法判断事件效果图。
图6为本发明提供的嵌入式设备终端的部分结构框图。
图7为本发明提供的嵌入式设备终端的部分电路图。
图中，居民侧配电箱1、交流电压源11、交流电流源相连12、云端2、后台服务器3、嵌入式设备终端4、第一运算电路41、第二运算电路42、供电电源43、变压器44、整流电路45、滤波电路46、稳压电路47、平滑输出电压电路48、数据存储器6、终端设备7。
具体实施方式
如图1-7所示，本非侵入式在线实时电力负荷识别方法，包括下述步骤：
A、获得实时电力信号：实时采集居民侧配电箱1的实时电力数据，然后将采集到的实时电力数据进行转换以获得实时电力信号；其中实时电力数据包括实时电压和实时电流等运行数据；实时电力数据转换为实时有功功率和实时无功功率信号。
B、非侵入式负荷识别分析：将实时电力信号进行小波变换去噪、核密度估计检测事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、提取电力信号特征，从而获得对应于居民侧配电箱1的每个家用电器的功耗数据和实时状态信息；
C、结果反馈：将分析获得的居民侧配电箱1的每个家用电器的功耗数据和实时状态信息反馈给与居民侧配电箱1相应的居民侧用户。
这里的实时电力信号通过无线和/或有线通讯方式传输至云端2，再通过无线和/或有线通讯方式从云端2传输至后台服务器3，所述的非侵入式负荷识别分析在后台服务器3中进行。实时电力信号通过以太网和/或WiFi通信协议传输至云端2，再通过因特网从云端2传输至后台服务器3。
更具体地说，在上述的步骤B中，
①小波变换去噪：设定实时电力信号
Figure DEST_PATH_IMAGE021
与真实电力信号
Figure DEST_PATH_IMAGE022
关系为：
Figure 849009DEST_PATH_IMAGE003
，其中，
Figure DEST_PATH_IMAGE023
为误差，n为自然数；
根据小波变换的原理：
Figure 946409DEST_PATH_IMAGE005
；
Figure 827777DEST_PATH_IMAGE006
；
Figure 918093DEST_PATH_IMAGE007
；
其中，
Figure 568517DEST_PATH_IMAGE008
为尺度系数，
Figure 367977DEST_PATH_IMAGE009
为细节系数，
Figure 595696DEST_PATH_IMAGE010
为基函数，fJ（x）是f(x)的波形总和，x是输入，j 是扩展索引，J 是索引的最大值，k 是转换索引，I是因子函数，是0或1的二分因子；
设定误差
Figure 630648DEST_PATH_IMAGE004
服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；
选取阀值为：
Figure 742436DEST_PATH_IMAGE011
；
其中，N为信号长度，
Figure 837431DEST_PATH_IMAGE012
为鲁棒估计量；小波变换去噪通过时频分析，去掉高频噪声信号，保留低频信号。
②核密度估计检测事件：将去噪后的实时电力信号用核密度估计方法估计信号分布情况，
密度函数如下：
Figure 818025DEST_PATH_IMAGE013
；
其中，N表示第i个输入序列的最大值，
Figure 391089DEST_PATH_IMAGE014
为密度函数，y是原始信号，xi是密度函数的期望值，h是密度函数的带宽，若信号分布具有两个或两个以上的峰值点，则判断结果为有事件发生，否则无事件；
③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号：对于有事件发生的实时电力信号，判断是否有周期性信号存在，
计算信号的自相关系数：
Figure 891472DEST_PATH_IMAGE015
；
式中xi、yi、
Figure 16423DEST_PATH_IMAGE016
、
Figure 94100DEST_PATH_IMAGE017
分别指第i个输入信号，第i个原始信号，第i个输入信号的平均值，第i个原始信号的平均值；
若信号内部存在相关性，即自相关系数不小于0.95，则采用Hodrick–Prescottfilter优化算法求解去周期性信号，具体实现过程如下：
Figure 346221DEST_PATH_IMAGE018
求解结果
Figure 825744DEST_PATH_IMAGE019
为去周期性信号，其中，T代表时间t的最大值，rt-1代表t-1时刻的自相关系数，Trt 代表t时刻的周期信号，yt 代表t时刻的原始信号，rt代表t时刻的自相关系数，rt+1代表t+1时刻的自相关系数，t代表该时刻，y为原始信号，
Figure 121596DEST_PATH_IMAGE020
为惩罚系数；所述的去周期性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；
④聚类电力信号：根据提取到的趋势信号，再用基于密度聚类的算法求解出离群点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核心点、边界点或噪声点；删除噪声点；为距离在阀值之内的所有核心点之间赋予一条边；每组连通的核心点形成一个簇；将每个边界点指派到一个与之关联的核心点的簇中；从而实现用基于密度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；
⑤提取电力信号特征：利用深度学习进行特征压缩及无监督的基于密度的聚类算法进行特征识别。
一种应用非侵入式在线实时电力负荷识别方法的非侵入式在线实时电力负荷识别系统，其特征在于，本系统包括至少一个连接在居民侧配电箱1上且用于获得实时电力信号的嵌入式设备终端4，所述的嵌入式设备终端4通过无线和/或有线通讯方式与云端2相连，所述的云端2通过无线和/或有线通讯方式与能够对实时电力信号进行非侵入式负荷识别分析的后台服务器3相连，所述的后台服务器3上连接有数据存储器6且能够通过无线和/或有线通讯方式将分析结果传送至对应于居民侧配电箱1的终端设备7。实时电力信号通过以太网和/或WiFi通信协议传输至云端2，再通过因特网从云端2传输至后台服务器3。嵌入式设备终端4有多个且采用分布式连接方式与云端2相连。终端设备7为移动式终端设备和/或PC。例如智能手机、PAD、笔记本电脑等。家用电器包括大负荷用电设备和/或小负荷用电设备，即冰箱，空调，手机充电器，点灯，电脑等。
本申请不需要大量有标签的样本做训练；能识别大负荷及小负荷用电设备；利用少量的训练样本，识别准确率相对较高；硬件成本低廉，容易部署在居民住所。本申请专利是基于信号处理，机器学习，人工智能等技术做非侵入式负荷识别，继而为家庭提供整体的能源解决方案。其中包括的核心技术主要有用小波分析去噪，核密度检测事件，用自相关系数和优化方法去周期性信号并提取趋势信息，用基于密度的聚类方法来分离暂态信号和稳态信号以及用深度学习中稀疏自编码技术提取电力信号特征等。
如图6和7所示，嵌入式设备终端4包括相互连接的第一运算电路41和第二运算电路42，所述的第一运算电路41和第二运算电路42均与供电电源43相连。第一运算电路41和第二运算电路42分别连接于居民侧配电箱1（即第一运算电路41和第二运算电路42分别与交流电压源11和交流电流源相连12）。交流电压源11依次连接有变压器44、整流电路45、滤波电路46、稳压电路47和平滑输出电压电路48。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了居民侧配电箱1、交流电压源11、交流电流源相连12、云端2、后台服务器3、嵌入式设备终端4、第一运算电路41、第二运算电路42、供电电源43、变压器44、整流电路45、滤波电路46、稳压电路47、平滑输出电压电路48、数据存储器6、终端设备7等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (9)

1.一种非侵入式在线实时电力负荷识别方法，其特征在于，本方法包括下述步骤：
A、获得实时电力信号：实时采集居民侧配电箱（1）的实时电力数据，然后将采集到的实时电力数据进行转换以获得实时电力信号；
B、非侵入式负荷识别分析：将实时电力信号进行小波变换去噪、核密度估计检测事件、判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号、聚类电力信号、提取电力信号特征，从而获得对应于居民侧配电箱（1）的每个家用电器的功耗数据和实时状态信息；
C、结果反馈：将分析获得的居民侧配电箱（1）的每个家用电器的功耗数据和实时状态信息反馈给与居民侧配电箱（1）相应的居民侧用户；
且在上述的步骤B中，
①小波变换去噪：设定实时电力信号
Figure 686199DEST_PATH_IMAGE001
与真实电力信号
Figure 909370DEST_PATH_IMAGE002
关系为：
Figure 239857DEST_PATH_IMAGE003
，其中，
Figure 232084DEST_PATH_IMAGE004
为误差，n为自然数；
根据小波变换的原理：
Figure 6136DEST_PATH_IMAGE005
；
Figure 310079DEST_PATH_IMAGE006
；
Figure 319623DEST_PATH_IMAGE007
；
其中，
Figure 697515DEST_PATH_IMAGE008
为尺度系数，
Figure 108380DEST_PATH_IMAGE009
为细节系数，
Figure 430777DEST_PATH_IMAGE010
为基 函数，fJ（x）是f(x)的波形总和，x是输入，j 是扩展索引，J 是索引的最大值，k 是转换索 引；I是因子函数，是0或1的二分因子；
设定误差
Figure 978433DEST_PATH_IMAGE004
服从均值为0的高斯分布，设定阀值从而对实时电力信号去噪；
选取阀值为：
Figure 820618DEST_PATH_IMAGE011
；
其中，N为信号长度，
Figure 61107DEST_PATH_IMAGE012
为鲁棒估计量；
②核密度估计检测事件：将去噪后的实时电力信号用核密度估计方法估计信号分布情况，
密度函数如下：
Figure 605220DEST_PATH_IMAGE013
；
其中，N为第i个输入序列的最大值，
Figure 956567DEST_PATH_IMAGE014
为密度函数，y是原始信号，
Figure 653259DEST_PATH_IMAGE015
是密度函数的期望 值，h是密度函数的带宽，若信号分布具有两个或两个以上的峰值点，则判断结果为有事件 发生，否则无事件；
③判断是否存在周期信号并计算周期、去周期性信号和提取趋势信号：对于有事件发生的实时电力信号，判断是否有周期性信号存在，
计算信号的自相关系数：
Figure 64649DEST_PATH_IMAGE016
；
式中xi、yi、
Figure 96059DEST_PATH_IMAGE017
、
Figure 985517DEST_PATH_IMAGE018
分别指第i个输入信号，第i个原始信号，第i个输入信号的平均值，第i 个原始信号的平均值；
若信号内部存在相关性，即自相关系数不小于0.95，则采用Hodrick–Prescott filter优化算法求解去周期性信号，具体实现过程如下：
Figure 802295DEST_PATH_IMAGE019
求解结果
Figure 119007DEST_PATH_IMAGE020
为去周期性信号，其中，T代表时间t的最大值，rt-1代表t-1时刻的自相关 系数，Trt 代表t时刻的周期信号，yt 代表t时刻的原始信号，rt代表t时刻的自相关系数， rt+1代表t+1时刻的自相关系数，t代表该时刻，y为原始信号，
Figure 637713DEST_PATH_IMAGE021
为惩罚系数；所述的去周期 性信号去掉能量震荡信号，保留隐藏在能量震动下的趋势信号，从而实现提取趋势信号；
④聚类电力信号：根据提取到的趋势信号，再用基于密度聚类的算法求解出离群点，所述的离群点本质就是事件的暂态信号，具体过程如下：将所有点标记为核心点、边界点或噪声点；删除噪声点；为距离在阀值之内的所有核心点之间赋予一条边；每组连通的核心点形成一个簇；将每个边界点指派到一个与之关联的核心点的簇中；从而实现用基于密度的聚类方法来分离暂态信号和稳态信号，实现定位暂态信号；
⑤提取电力信号特征：利用深度学习进行特征压缩及无监督的基于密度的聚类算法进行特征识别。
2.根据权利要求1所述的非侵入式在线实时电力负荷识别方法，其特征在于，在上述的步骤A中，所述的实时电力数据包括实时电压和实时电流；所述的实时电力数据转换为实时有功功率和实时无功功率信号。
3.根据权利要求1或2所述的非侵入式在线实时电力负荷识别方法，其特征在于，所述的实时电力信号通过无线和/或有线通讯方式传输至云端（2），再通过无线和/或有线通讯方式从云端（2）传输至后台服务器（3），所述的非侵入式负荷识别分析在后台服务器（3）中进行。
4.根据权利要求3所述的非侵入式在线实时电力负荷识别方法，其特征在于，所述的实时电力信号通过以太网和/或WiFi通信协议传输至云端（2），再通过因特网从云端（2）传输至后台服务器（3）。
5.一种应用权利要求1-4中任意一项所述的非侵入式在线实时电力负荷识别方法的非侵入式在线实时电力负荷识别系统，其特征在于，本系统包括至少一个连接在居民侧配电箱（1）上且用于获得实时电力信号的嵌入式设备终端（4），所述的嵌入式设备终端（4）通过无线和/或有线通讯方式与云端（2）相连，所述的云端（2）通过无线和/或有线通讯方式与能够对实时电力信号进行非侵入式负荷识别分析的后台服务器（3）相连，所述的后台服务器（3）上连接有数据存储器（6）且能够通过无线和/或有线通讯方式将分析结果传送至对应于居民侧配电箱（1）的终端设备（7）。
6.根据权利要求5所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的实时电力信号通过以太网和/或WiFi通信协议传输至云端（2），再通过因特网从云端（2）传输至后台服务器（3）。
7.根据权利要求6所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的嵌入式设备终端（4）有多个且采用分布式连接方式与云端（2）相连。
8.根据权利要求5或6或7所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的终端设备（7）为移动式终端设备和/或PC。
9.根据权利要求5或6或7所述的非侵入式在线实时电力负荷识别系统，其特征在于，所述的家用电器包括大负荷用电设备和/或小负荷用电设备。
CN201610397458.4A 2016-06-07 2016-06-07 非侵入式在线实时电力负荷识别方法及识别系统 Active CN106022645B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610397458.4A CN106022645B (zh) 2016-06-07 2016-06-07 非侵入式在线实时电力负荷识别方法及识别系统
US15/615,325 US20170351288A1 (en) 2016-06-07 2017-06-06 Non-invasive online real-time electric load identification method and identification system
PCT/CN2017/087413 WO2017211288A1 (zh) 2016-06-07 2017-06-07 非侵入式在线实时电力负荷识别方法及识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610397458.4A CN106022645B (zh) 2016-06-07 2016-06-07 非侵入式在线实时电力负荷识别方法及识别系统

Publications (2)

Publication Number Publication Date
CN106022645A CN106022645A (zh) 2016-10-12
CN106022645B true CN106022645B (zh) 2021-02-12

Family

ID=57089851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610397458.4A Active CN106022645B (zh) 2016-06-07 2016-06-07 非侵入式在线实时电力负荷识别方法及识别系统

Country Status (3)

Country Link
US (1) US20170351288A1 (zh)
CN (1) CN106022645B (zh)
WO (1) WO2017211288A1 (zh)

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022645B (zh) * 2016-06-07 2021-02-12 深圳市芝电能源科技有限公司 非侵入式在线实时电力负荷识别方法及识别系统
US10982869B2 (en) * 2016-09-13 2021-04-20 Board Of Trustees Of Michigan State University Intelligent sensing system for indoor air quality analytics
CN108470127B (zh) * 2017-02-23 2021-10-29 全球能源互联网研究院 一种用电负荷数据的离线脱敏方法和装置
CN108152630B (zh) * 2017-12-26 2023-11-14 江苏智臻能源科技有限公司 一种基于混合判据的非侵入式ih电饭煲运行辨识方法
CN108828406A (zh) * 2018-06-19 2018-11-16 深圳安顺通电力物联服务有限公司 非侵入式用户用电的故障识别方法及其系统
CN108879702B (zh) * 2018-06-21 2020-10-27 浙江大学 一种基于家居负荷分解的用电控制系统
CN109116100B (zh) * 2018-07-09 2019-09-27 清华大学 一种基于编码-解码结构的电力负荷用电分解方法
CN109270368B (zh) * 2018-09-03 2020-09-25 四川长虹电器股份有限公司 一种基于稳态电流的非侵入式电力负载识别方法
CN109345409B (zh) * 2018-09-10 2021-06-25 国家电网有限公司 一种基于宽带载波的居民用户综合能效管理方法
CN109449919A (zh) * 2018-09-27 2019-03-08 中国电力科学研究院有限公司 一种非侵入式用电负荷分析方法及装置
CN109345123A (zh) * 2018-10-11 2019-02-15 深圳安顺通电力物联服务有限公司 一种非侵入式电力用户画像构建方法及系统
CN109613362B (zh) * 2018-12-14 2021-02-26 四川长虹电器股份有限公司 非侵入式电器数量识别方法
CN109767108B (zh) * 2018-12-31 2023-03-24 国网安徽省电力有限公司 一种电力调度系统线路状态精准分析方法
US11106263B2 (en) 2019-01-31 2021-08-31 Sapient Industries, Inc. Region-based electrical intelligence system
CN111722028A (zh) * 2019-03-19 2020-09-29 华北电力大学 一种基于高频数据的负荷识别方法
CN110309984B (zh) * 2019-07-09 2022-08-05 上海上塔软件开发有限公司 一种非侵入式负荷识别与短期用户行为预测方法
CN110635577B (zh) * 2019-07-19 2023-02-10 武汉大学 一种大功率无线电能传输系统的非线性分析控制方法
US12135344B2 (en) * 2019-08-22 2024-11-05 Lawrence Livermore National Security, Llc Voltage stability smart meter for analyzing voltage data and controlling an electrical power source and/or an electric appliance
CN110751385B (zh) * 2019-10-08 2023-05-05 威胜集团有限公司 非侵入式负荷识别方法、终端设备及存储介质
CN110929843A (zh) * 2019-10-29 2020-03-27 国网福建省电力有限公司 一种基于改进深度自编码网络的异常用电行为辨识方法
CN110912146A (zh) * 2019-11-29 2020-03-24 国网天津市电力公司电力科学研究院 一种带有非侵入式负荷辨识功能的负控装置
CN111600296B (zh) * 2020-01-09 2021-09-14 浙江中新电力工程建设有限公司自动化分公司 基于边缘计算的电力负荷预测系统及其预测方法
CN111311007B (zh) * 2020-02-21 2023-01-13 安徽海螺信息技术工程有限责任公司 一种分布式能源消耗动态监测和调度分析的方法
CN111478327B (zh) * 2020-05-18 2021-05-18 山东山大世纪科技有限公司 基于动态策略分析的新能源电能质量控制系统及方法
CN111693765A (zh) * 2020-05-29 2020-09-22 杭州电子科技大学 一种基于改进谱聚类的非侵入式负荷监测的方法
CN112152313B (zh) * 2020-07-08 2022-07-05 宁波三星医疗电气股份有限公司 一种采集系统进行电力设备识别的方法
CN112016587A (zh) * 2020-07-09 2020-12-01 冯燕钧 基于主站特征库技术的用能监测云端协同非侵入辨识方法
US11681345B2 (en) * 2020-07-10 2023-06-20 Sapient Industries, Inc. Powered device electrical data modeling and intelligence
CN112101673B (zh) * 2020-09-22 2024-01-16 华北电力大学 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统
CN112180193B (zh) * 2020-09-28 2021-11-02 华中科技大学 一种基于轨迹图像识别的非侵入式负荷识别系统及方法
CN112653126A (zh) * 2020-11-30 2021-04-13 中南大学 一种电网宽频带振荡在线辨识方法和系统
CN112434799B (zh) * 2020-12-18 2022-07-05 宁波迦南智能电气股份有限公司 基于全卷积神经网络的非侵入式负荷识别方法
CN112968519B (zh) * 2021-01-15 2022-05-13 泉州装备制造研究所 一种智能电力负载识别方法
CN112884201B (zh) * 2021-01-18 2022-09-27 杭州万高科技股份有限公司 基于人工智能算法的非介入式负荷监测方法、装置及系统
CN112924790B (zh) * 2021-01-29 2022-04-08 上海逐鲨智能科技有限公司 采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法
CN113050486B (zh) * 2021-03-12 2022-06-17 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
CN113030566A (zh) * 2021-03-30 2021-06-25 国网江苏省电力有限公司营销服务中心 一种单相非入户负荷辨识模块
CN113158134B (zh) * 2021-04-07 2024-02-27 国网江苏省电力有限公司信息通信分公司 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN113158446B (zh) * 2021-04-07 2024-06-11 国网江苏省电力有限公司信息通信分公司 非侵入式电力负载识别方法
CN113362199B (zh) * 2021-06-15 2022-12-02 国网河南省电力公司许昌市建安供电公司 基于用户采集电量与台区线损相关性的窃电用户核查方法
CN113626305B (zh) * 2021-06-23 2024-07-05 国网浙江省电力有限公司营销服务中心 一种非侵入式负荷识别算法的调试方法和调试系统
CN114113773B (zh) * 2021-11-11 2024-03-19 国网辽宁省电力有限公司经济技术研究院 一种基于零样本学习的非侵入式负荷监测方法
CN115001796B (zh) * 2022-05-27 2024-08-09 浙江工业大学 一种基于字符消息队列的非侵入式负荷识别方法
CN117590753B (zh) * 2024-01-17 2024-07-09 长春工业大学 一种基于深度学习的无监督批量控制方法
CN118534240A (zh) * 2024-07-22 2024-08-23 安徽中科易能科技有限公司 一种非侵入式电动自行车电池识别技术

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140132523A (ko) * 2013-05-08 2014-11-18 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
CN103675378B (zh) * 2013-09-23 2017-06-09 国家电网公司 一种非侵入式家庭用电负荷分解方法及装置
CN105186693A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN105354636B (zh) * 2015-10-29 2019-10-08 三峡大学 一种基于非参数核密度估计的风功率波动性概率密度建模方法
CN105514984B (zh) * 2015-12-07 2018-12-28 河南许继仪表有限公司 一种即插即用的非侵入式负荷分解装置
CN105550798A (zh) * 2015-12-07 2016-05-04 河南许继仪表有限公司 一种非侵入式负荷分解与监测系统
CN106022645B (zh) * 2016-06-07 2021-02-12 深圳市芝电能源科技有限公司 非侵入式在线实时电力负荷识别方法及识别系统

Also Published As

Publication number Publication date
WO2017211288A1 (zh) 2017-12-14
US20170351288A1 (en) 2017-12-07
CN106022645A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106022645B (zh) 非侵入式在线实时电力负荷识别方法及识别系统
CN113036759B (zh) 一种电力用户负荷细粒度识别方法及识别系统
CN110956220B (zh) 一种非侵入式家用电器负荷识别方法
CN112434799B (zh) 基于全卷积神经网络的非侵入式负荷识别方法
Himeur et al. An intelligent nonintrusive load monitoring scheme based on 2D phase encoding of power signals
CN105372541A (zh) 一种基于模式识别的家用电器智能集总检测系统及其工作方法
Himeur et al. Efficient multi-descriptor fusion for non-intrusive appliance recognition
CN113902104A (zh) 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
CN109782086B (zh) 一种基于多维度信号分析的非侵入负荷识别方法
Saha et al. Comprehensive NILM framework: Device type classification and device activity status monitoring using capsule network
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
CN115827577A (zh) 智能电表高频数据压缩与重构的云端协同自适应分治方法
Liu et al. A secure edge monitoring approach to unsupervised energy disaggregation using mean shift algorithm in residential buildings
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN111275069B (zh) 一种非侵入式负荷监测方法
Dan et al. Review of non-intrusive load appliance monitoring
CN112365090A (zh) 一种基于深度学习的非入侵式用电负荷识别方法及装置
Kumar et al. Data-driven electrical load disaggregation using graph signal processing
CN113762355B (zh) 一种基于非侵入式负荷分解的用户异常用电行为检测方法
Liu et al. A divide-and-conquer method for compression and reconstruction of smart meter data
CN111199014A (zh) 一种基于时间序列的seq2point的NILM方法及装置
Zhou et al. Research on non-invasive load monitoring based on convolutional neural network
CN115983347A (zh) 一种非侵入式负荷分解方法、装置及存储介质
CN115186258A (zh) 基于CUSUM-Bi-LSTM的边缘侧在线非侵入式负荷识别方法
Akbar et al. Assessing the Effectiveness of Supervised and Semi-supervised NILM Approaches in an Industrial Context

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200728

Address after: 6 / F, Shenzhen Bay venture capital building, No. 25, Haitian Er Road, Binhai community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN ZHIDIAN ENERGY TECHNOLOGY Co.,Ltd.

Address before: 100000, No. 1, unit 4, building 4, Bei Bei, Chongwen District, Beijing, Anhua

Applicant before: Li Zuyi

Applicant before: Bao Zhen

Applicant before: Zhuang Mengmeng

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant