CN113326296B - 一种适用于工商业用户的负荷分解的方法及系统 - Google Patents
一种适用于工商业用户的负荷分解的方法及系统 Download PDFInfo
- Publication number
- CN113326296B CN113326296B CN202110213501.8A CN202110213501A CN113326296B CN 113326296 B CN113326296 B CN 113326296B CN 202110213501 A CN202110213501 A CN 202110213501A CN 113326296 B CN113326296 B CN 113326296B
- Authority
- CN
- China
- Prior art keywords
- time
- characteristic
- difference
- determining
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000001052 transient effect Effects 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000005611 electricity Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000005191 phase separation Methods 0.000 claims description 4
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种适用于工商业用户的负荷分解的方法及系统。其中，该方法包括：按照固定时间周期提取波形数据的特征，形成特征时序序列；基于DBSCAN聚类，对预处理后的特征时序序列进行聚类操作，获得聚类结果，根据聚类结果提取预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；对优化特征差值时序序列进行差值匹配，确定差值匹配结果；对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；对于待分析的一段时间的总线侧波形数据，根据负荷辨识结果，得到一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种适用于工商业用户的负荷分解的方法及系统。
背景技术
工商业用户作为电力用户的重要组成部分，其用电负荷特征呈高占比、多样化的发展趋势，对电网源、网、荷、储的升级、运行和维护都有着重要的影响。目前基于非介入式负荷智能感知技术，利用用户计量点处的总线侧电气信息，对用户内部各类用电设备的工作状态、功率等用电信息进行识别和监测，从而为环保监测、能效服务、异常源定位等各类需求提供更多技术手段。对于工商业用户，由于不同行业涉及的用电设备繁多，用电特征复杂，难以建立一个完备的设备特征库，难以实现不同行业的负荷分解。
针对上述的现有技术中存在的对于工商业用户，由于不同行业涉及的用电设备繁多，用电特征复杂，难以建立一个完备的设备特征库，难以实现不同行业的负荷分解的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种适用于工商业用户的负荷分解的方法及系统，以至少解决现有技术中存在的对于工商业用户，由于不同行业涉及的用电设备繁多，用电特征复杂，难以建立一个完备的设备特征库，难以实现不同行业的负荷分解的技术问题。
根据本公开实施例的一个方面，提供了一种适用于工商业用户的负荷分解的方法，包括：按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
根据本公开实施例的另一方面，还提供了一种适用于工商业用户的负荷分解的系统，包括：形成特征时序序列模块，用于按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；确定预处理后的特征时序序列模块，用于对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；确定优化特征差值时序序列模块，用于基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；确定差值匹配结果模块，用于基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；确定负荷辨识结果模块，用于基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；得到设备负荷功耗占比模块，用于对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
在本发明中，提供了一种适用于工商业用户的负荷分解的方法，该方法为非监督式负荷分解方法，无需进行大量数据标定及训练，即可完成对特定用户的负荷分解，得到工商业用户用电设备的典型电气特征和设备类别，具备较强的鲁棒性和自适应性。从而可用于实时监测特定用户设备启停状态算法的自动化调参，提升算法的有效性，且可有效降低对应的人工成本。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是根据本公开实施例所述的一种适用于工商业用户的负荷分解的方法的示意图；
图2是根据本公开实施例所述的一种非监督式负荷分解方法的流程图；
图3是根据本公开实施例所述的基于聚类的特征差值序列重组过程的流程图；
图4是根据本公开实施例所述的某工厂混合设备运行的原始负荷曲线图；
图5是根据本公开实施例所述的某工厂混合设备运行的分解堆积图；
图6是根据本公开实施例所述的适用于工商业用户的负荷分解的系统的示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
根据本实施例的第一个方面，提供了一种适用于工商业用户的负荷分解的方法100。参考图1所示，该方法100包括：
S102:按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；
S104:对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；
S106:基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；
S108:基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；
S110:基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；
S112:对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
下面结合附图和具体实施例，来进一步阐述本发明。
本发明的一种适用于工商业用户的负荷分解的方法，该方法为非监督式负荷分解方法，下面结合具体应用的实施例对本发明的技术方案做进一步的说明。
参考图2所示，所述方法包括以下步骤：
步骤一，对总线侧高频采集的波形数据进行固定时间周期特征提取，形成特征时序序列；
步骤二，对所述特征时序序列进行数据预处理操作；
步骤三，如图3所示，基于DBSCAN聚类提取代表设备启停状态变化的暂态过程的对应边界点，重新组建特征差值时序序列；
步骤四，对于特征差值时序序列，基于最优搜索算法完成差值的匹配，对应为同一设备启停状态事件的匹配；
步骤五，基于差值匹配结果对归属于同一种设备的启停状态事件进行进一步映射，优化特征维度，辨识设备的电气类型，建立该用户的专属模型特征库；
步骤六，对于需要分析的一段时间的总线侧波形数据，根据上述步骤的负荷辨识结果，得到该段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
进一步地，所述步骤一中：
对总线侧同步高频采集的三相电压电流波形，设定特征计算时间窗口，进行分相特征计算，对于高供高计用户，计算AC两相负荷特征；对于高供低计用户，计算ABC三相负荷特征，形成特征时序序列。序列中包括以下负荷特征：三相电流有效值、三相电流3次谐波含量(仅针对高供低计用户)、三相电流5次谐波含量、三相电流7次谐波含量、三相电流9次谐波含量、三相电流11次谐波含量、三相功率因数、三相电压畸变率。
进一步地，所属步骤二具体包括以下过程：
S2.1：预设特征时序序列中的各特征维度最大阈值，对获取的特征时序序列进行异常值处理，当特征超过最大阈值即出现异常特征时，使用前一单位时间内的对应特征进行代替，消除异常值。
S2.2：预设滤波参数，对特征时序序列按特征维度进行中值滤波，保留突变点，完成数据预处理。
进一步地，所属步骤三具体包括以下过程：
S3.1：基于三相电流有效值/功率时序序列，进行DBSCAN聚类操作，限制最小邻域点数和邻域半径，根据聚类结果对时序序列点进行标定，仅保留时序序列中归属为同一类的起始点和结束点；
S3.2：对仅保留起始/结束点的特征时序序列，按时间顺序依次计算不同类别之间的特征差值，得到特征差值时序序列，同时计算发生类别突变的时间差值，作为序列中新增的暂态时间这一特征量；
S3.3：预设设备三相电流有效值/功率最小判定阈值，对特征差值时序序列中部分差值根据判定逻辑进行依次合并，优化特征差值时序序列。
进一步地，所属步骤四具体包括以下过程：
S4.1：预设匹配阈值，对特征差值时序序列中的三相电流有效值/功率为负的差值(代表设备的关闭过程)，基于最优搜索方法，根据优先匹配单一差值原则、优先匹配最早时刻原则及连续差值冗余搜索原则，与该时刻前的尚未完成匹配的差值序列进行匹配，其中若待匹配的差值序列中对应最早时刻的差值为负，则在待匹配差值序列中删除该差值；
S4.2：对完成匹配的差值组合，若为非单一正负差值的组合类差值匹配，对于发生时间连续且属性相同(同为正或者同为负)的差值，进一步完成合并步骤。
进一步地，所属步骤五具体包括以下过程：
S5.1：根据步骤四中的差值匹配组合结果，预设各特征维度同一性判定阈值，将匹配结果进行归类，得到归属于同一种设备的启停过程各特征量变化均值及偏离系数；
S5.2：根据启动暂态过程对应的时间标志，提取S2.2滤波前的对应特征时序序列，计算暂态过程中的冲击参数，作为新增特征量，计算公式如下：
上式中MMAX及TMAX为启动暂态过程中各类特征的最大值及对应的时间点，MSteady及TSteady为暂态过程结束对应的各类特征值及时间点。
S5.3：基于单变量特征选择及皮尔森相关系数方法，得到各特征量的权重排序，按顺序进行特征选取，优先选取能辨识最多设备的特征，直到选取的特征组合可以完成所有设备的辨识，对选取的特征打上标识符；
S5.4：根据用户的实际使用功能需求，基于基础特征进行综合特征的提炼，对于用于功能应用的对应特征也打上标识符，结合S5.3中用于辨识的特征，删除无用特征。
进一步地，所属步骤六中，计算各类设备功耗占比具体包括以下过程：
S6.1：根据上述步骤得到的各类设备启停过程对应的时间节点完成时间窗口的划分，所指时间节点仅包含开启暂态过程中暂态开始对应的时间节点及关闭暂态过程中暂态结束对应的时间节点；
S6.2：如果时间窗口对应为单一设备运行，则该时间窗口内对应设备的用电量为三相有功功率值在时间窗口上的离散积分，计算公式如下：
上式中Δt为步骤一中预设的特征计算时间周期，pAi、pBi、pCi为时间窗口内对应的三相有功功率值，若用户为高供高计用户，则pBi为0。
同时求得该设备的平均有功功率值，计算公式如下：
上式中TM为暂态过程结束时对应的时间点，TN为离暂态过程距离最远的稳态时间点，一般为该时间窗口的起始时间点或结束时间点，若无明显的稳态过程，则计算时间长度为整个时间窗口窗长。
S6.3：如果时间窗口对应为组合设备运行，则在该时间窗口内未发生状态变化的运行设备(稳态运行设备)用电量为该设备单一运行进入稳态后的三相平均有功功率值在时间窗口上的离散积分，平均有功功率值由该设备发生状态变化对应的其他时间窗口内求得均值，计算公式如下：
上式中为j类设备在各个发生状态变化的时间窗口内计算得到的平均有功功率值，Ti为对应的稳态计算时间。
将该时间窗口的有功功率时序序列减去各类稳态运行设备的平均有功功率之和，得到该时间窗口内发生状态变化的单一设备有功功率时序序列，该设备的用电量及平均有功功率值计算方法同公式(2)及公式(3)。
S6.3：将该段时间内各个时间窗口各设备的用电量分类相加，得到该段时间内各个设备的用电量；计算各个设备的用电量与该段时间内总用电量的比值，得到各类设备功耗占比情况。参考图4所示，图4某工厂混合设备运行的原始负荷曲线图。参考图5所示，图5是某工厂混合设备运行的分解堆积图。
从而，本发明提供了一种适用于工商业用户的负荷分解的方法，该方法为非监督式负荷分解方法，无需进行大量数据标定及训练，即可完成对特定用户的负荷分解，得到工商业用户用电设备的典型电气特征和设备类别，具备较强的鲁棒性和自适应性。从而可用于实时监测特定用户设备启停状态算法的自动化调参，提升算法的有效性，且可有效降低对应的人工成本。
可选地，按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据，包括：设定所述波形数据的特征计算时间窗口，进行分相特征计算；对于高供高计用户，计算AC两相负荷特征，形成特征时序序列；对于高供低计用户，计算ABC三相负荷特征，形成特征时序序列；所述特征时序序列包括三相电流有效值、三相电流3次谐波含量、三相电流5次谐波含量、三相电流7次谐波含量、三相电流9次谐波含量、三相电流11次谐波含量、三相功率因数以及三相电压畸变率。
可选地，对所述特征时序序列进行数据预处理，包括：确定预先设定的特征时序序列的各特征维度中的最大阈值；当所述特征时序序列的特征超过所述最大阈值时，利用与所述特征时序序列对应的前一单位时间内的特征，代替所述所述特征时序序列的特征；对所述特征时序序列按照特征维度进行中值滤波，保留突变点，完成数据预处理。
可选地，基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列，包括：基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，所述聚类结果包括最小邻域点数和邻域半径；根据所述聚类结果对所述预处理后的特征时序序列点进行标定，仅保留所述预处理后的特征时序序列中归属为同一类的起始点和结束点；按时间顺序依次计算不同类别之间的特征差值，得到特征差值时序序列，并计算发生类别突变的时间差值，作为特征时序序列中新增的暂态时间的特征量；确定预设设备的三相电流有效值/功率最小判定阈值，根据所述三相电流有效值/功率最小判定阈值，对所述特征差值时序序列中部分差值进行依次合并，确定优化特征差值时序序列。
可选地，基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果，包括：基于最优搜索方法，根据优先匹配单一差值原则、优先匹配最早时刻原则及连续差值冗余搜索原则，对所述优化特征差值时序序列进行差值匹配，完成匹配的差值组合；若所述差值组合为非单一正负差值组合，进行类差值匹配，确定差值匹配结果；若所述差值组合为单一正负差值组合，不进行类差值匹配。
可选地，基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库，包括：根据预先设定的各特征维度同一性判定阈值，将所述差值匹配结果进行归类，确定同一种设备的启停暂态过程各特征量变化均值及偏离系数；根据启动暂态过程对应的时间标志，提取滤波前的特征时序序列，计算启动暂态过程中的冲击参数，作为新增特征量，计算公式如下：
其中，MMAX及TMAX为启动暂态过程中各类特征的最大值及对应的最大时间点，MSteady及TSteady为暂态过程结束对应的各类特征值及时间点；
基于单变量特征选择及皮尔森相关系数方法，得到各特征量的权重排序，按顺序进行特征选取，选取能辨识最多设备的特征，直到选取的特征组合可以完成所有设备的辨识，对选取的特征打上标识符，确定负荷辨识结果；根据用户的实际使用功能需求，基于基础特征进行综合特征的提炼，对于用于功能应用的对应特征也打上标识符，结合用于辨识的特征，删除无用特征。
可选地，对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解，包括：对于待分析的一段时间的总线侧波形数据，划分各类设备启停过程对应的时间节点，确定时间窗口，所指时间节点仅包含开启暂态过程中暂态开始对应的时间节点及关闭暂态过程中暂态结束对应的时间节点；确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量；将所述待分析的一段时间的各个时间窗口对应的各类设备的用电量相加，得到所述待分析的一段时间内各类设备的用电量；确定所述待分析的一段时间内各类设备的用电量与所述待分析的一段时间内的用电总量，得到各类设备负荷功耗占比。
可选地，确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量，包括：当所述时间窗口对应为单一设备时，确定所述单一设备的用电量为三相有功功率值在时间窗口上的离散积分，确定所述单一设备的用电量的计算公式如下：
其中，W为所述单一设备的用电量，Δt为固定时间周期，pAi、pBi、pCi为时间窗口内对应的三相有功功率值；
确定所述单一设备的平均有功功率值，计算公式如下：
其中，为所述单一设备的平均有功功率值，Pi为所述单一设备的有功功率值，TM为暂态过程结束时对应的时间点，TN为离暂态过程距离最远的稳态时间点。
可选地，确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量，包括：当所述时间窗口对应为组合设备时，确定所述组合设备的用电量为所述组合设备单一运行进入稳态后的三相平均有功功率值在时间窗口上的离散积分，平均有功功率值由该设备发生状态变化对应的其他时间窗口内求得均值，计算公式：
其中Pj为在各个发生状态变化的时间窗口内计算得到的有功功率值，为j类设备在各个发生状态变化的时间窗口内计算得到的平均有功功率值，Ti为对应的稳态计算时间。
根据本实施例的另一个方面，还提供了一种适用于工商业用户的负荷分解的系统600。参考图6所示，该系统600还包括：形成特征时序序列模块610，用于按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；确定预处理后的特征时序序列模块620，用于对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；确定优化特征差值时序序列模块630，用于基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；确定差值匹配结果模块640，用于基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；确定负荷辨识结果模块650，用于基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；得到设备负荷功耗占比模块660，用于对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解。
可选地，形成特征时序序列模块610，包括：分相特征计算子模块，用于设定所述波形数据的特征计算时间窗口，进行分相特征计算；形成两相特征时序序列子模块，用于对于高供高计用户，计算AC两相负荷特征，形成特征时序序列；形成三相特征时序序列子模块，用于对于高供低计用户，计算ABC三相负荷特征，形成特征时序序列；所述特征时序序列包括三相电流有效值、三相电流3次谐波含量、三相电流5次谐波含量、三相电流7次谐波含量、三相电流9次谐波含量、三相电流11次谐波含量、三相功率因数以及三相电压畸变率。
可选地，确定预处理后的特征时序序列模块620，包括：确定最大阈值子模块，用于确定预先设定的特征时序序列的各特征维度中的最大阈值；代替特征子模块，用于当所述特征时序序列的特征超过所述最大阈值时，利用与所述特征时序序列对应的前一单位时间内的特征，代替所述所述特征时序序列的特征；预处理子模块，用于对所述特征时序序列按照特征维度进行中值滤波，保留突变点，完成数据预处理。
可选地，确定优化特征差值时序序列模块630，包括：获得聚类结果子模块，用于基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，所述聚类结果包括最小邻域点数和邻域半径；标定特征时许序列点子模块，用于根据所述聚类结果对所述预处理后的特征时序序列点进行标定，仅保留所述预处理后的特征时序序列中归属为同一类的起始点和结束点；得到特征差值时序序列子模块，用于按时间顺序依次计算不同类别之间的特征差值，得到特征差值时序序列，并计算发生类别突变的时间差值，作为特征时序序列中新增的暂态时间的特征量；确定优化特征差值时序序列子模块，用于确定预设设备的三相电流有效值/功率最小判定阈值，根据所述三相电流有效值/功率最小判定阈值，对所述特征差值时序序列中部分差值进行依次合并，确定优化特征差值时序序列。
可选地，确定差值匹配结果模块640，包括：匹配差值组合子模块，用于基于最优搜索方法，根据优先匹配单一差值原优先匹配最早时刻原则及连续差值冗余搜索原则，对所述优化特征差值时序序列进行差值匹配，完成匹配的差值组合；确定差值匹配结果子模块，用于若所述差值组合为非单一正负差值组合，进行类差值匹配，确定差值匹配结果；不进行类差值匹配子模块，用于若所述差值组合为单一正负差值组合，不进行类差值匹配。
可选地，确定负荷辨识结果模块650，包括：确定各特征量变化均值及偏离系数子模块，用于根据预先设定的各特征维度同一性判定阈值，将所述差值匹配结果进行归类，确定同一种设备的启停暂态过程各特征量变化均值及偏离系数；计算冲击参数子模块，用于根据启动暂态过程对应的时间标志，提取滤波前的特征时序序列，计算启动暂态过程中的冲击参数，作为新增特征量，计算公式如下：
其中，MMAX及TMAX为启动暂态过程中各类特征的最大值及对应的最大时间点，MSteady及TSteady为暂态过程结束对应的各类特征值及时间点；
确定负荷辨识结果子模块，用于基于单变量特征选择及皮尔森相关系数方法，得到各特征量的权重排序，按顺序进行特征选取，选取能辨识最多设备的特征，直到选取的特征组合可以完成所有设备的辨识，对选取的特征打上标识符，确定负荷辨识结果；删除无用特征子模块，用于根据用户的实际使用功能需求，基于基础特征进行综合特征的提炼，对于用于功能应用的对应特征也打上标识符，结合用于辨识的特征，删除无用特征。
可选地，得到设备负荷功耗占比模块660，包括：确定时间窗口子模块，用于对于待分析的一段时间的总线侧波形数据，划分各类设备启停过程对应的时间节点，确定时间窗口，所指时间节点仅包含开启暂态过程中暂态开始对应的时间节点及关闭暂态过程中暂态结束对应的时间节点；确定各类设备的时间窗口的用电量子模块，用于确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量；得到各类设备的用电量子模块，用于将所述待分析的一段时间的各个时间窗口对应的各类设备的用电量相加，得到所述待分析的一段时间内各类设备的用电量；得到各类设备负荷功耗占比子模块，用于确定所述待分析的一段时间内各类设备的用电量与所述待分析的一段时间内的用电总量，得到各类设备负荷功耗占比。
可选地，确定各类设备的时间窗口的用电量子模块，包括：确定单一设备的用电量单元，用于当所述时间窗口对应为单一设备时，确定所述单一设备的用电量为三相有功功率值在时间窗口上的离散积分，确定所述单一设备的用电量的计算公式如下：
其中，W为所述单一设备的用电量，Δt为固定时间周期，pAi、pBi、pCi为时间窗口内对应的三相有功功率值；
确定单一设备的平均有功功率值单元，用于确定所述单一设备的平均有功功率值，计算公式如下：
其中，为所述单一设备的平均有功功率值，Pi为所述单一设备的有功功率值，TM为暂态过程结束时对应的时间点，TN为离暂态过程距离最远的稳态时间点。
可选地，确定各类设备的时间窗口的用电量子模块，包括：当所述时间窗口对应为组合设备时，确定所述组合设备的用电量，所述组合设备的用电量为所述组合设备单一运行进入稳态后的三相平均有功功率值在时间窗口上的离散积分，平均有功功率值由该设备发生状态变化对应的其他时间窗口内求得均值，计算公式：
其中Pj为在各个发生状态变化的时间窗口内计算得到的有功功率值，为j类设备在各个发生状态变化的时间窗口内计算得到的平均有功功率值，Ti为对应的稳态计算时间。
本发明的实施例的一种适用于工商业用户的负荷分解的系统600与本发明的另一个实施例的一种适用于工商业用户的负荷分解的方法100相对应，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
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精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种适用于工商业用户的负荷分解的方法，其特征在于，包括：
按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；
对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；
基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；
基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；
基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；
对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解；
对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解，包括：对于待分析的一段时间的总线侧波形数据，划分各类设备启停过程对应的时间节点，确定时间窗口，所指时间节点仅包含开启暂态过程中暂态开始对应的时间节点及关闭暂态过程中暂态结束对应的时间节点；确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量；将所述待分析的一段时间的各个时间窗口对应的各类设备的用电量相加，得到所述待分析的一段时间内各类设备的用电量；确定所述待分析的一段时间内各类设备的用电量与所述待分析的一段时间内的用电总量，得到各类设备负荷功耗占比；
确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量，包括：当所述时间窗口对应为单一设备时，确定所述单一设备的用电量为三相有功功率值在时间窗口上的离散积分，确定所述单一设备的用电量的计算公式如下：
其中，W为所述单一设备的用电量，Δt为固定时间周期，pAi、pBi、pCi为时间窗口内对应的三相有功功率值；
确定所述单一设备的平均有功功率值，计算公式如下：
其中，为所述单一设备的平均有功功率值，Pi为所述单一设备的有功功率值，TM为暂态过程结束时对应的时间点，TN为离暂态过程距离最远的稳态时间点；
确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量，包括：当所述时间窗口对应为组合设备时，确定所述组合设备的用电量为所述组合设备单一运行进入稳态后的三相平均有功功率值在时间窗口上的离散积分，平均有功功率值由该设备发生状态变化对应的其他时间窗口内求得均值，计算公式：
其中Pj为在各个发生状态变化的时间窗口内计算得到的有功功率值，为j类设备在各个发生状态变化的时间窗口内计算得到的平均有功功率值，Ti为对应的稳态计算时间。
2.根据权利要求1所述的方法，其特征在于，按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据，包括：
设定所述波形数据的特征计算时间窗口，进行分相特征计算；
对于高供高计用户，计算AC两相负荷特征，形成特征时序序列；
对于高供低计用户，计算ABC三相负荷特征，形成特征时序序列；
所述特征时序序列包括三相电流有效值、三相电流3次谐波含量、三相电流5次谐波含量、三相电流7次谐波含量、三相电流9次谐波含量、三相电流11次谐波含量、三相功率因数以及三相电压畸变率。
3.根据权利要求1所述的方法，其特征在于，对所述特征时序序列进行数据预处理，包括：
确定预先设定的特征时序序列的各特征维度中的最大阈值；
当所述特征时序序列的特征超过所述最大阈值时，利用与所述特征时序序列对应的前一单位时间内的特征，代替所述所述特征时序序列的特征；
对所述特征时序序列按照特征维度进行中值滤波，保留突变点，完成数据预处理。
4.根据权利要求1所述的方法，其特征在于，基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列，包括：
基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，所述聚类结果包括最小邻域点数和邻域半径；
根据所述聚类结果对所述预处理后的特征时序序列点进行标定，仅保留所述预处理后的特征时序序列中归属为同一类的起始点和结束点；
按时间顺序依次计算不同类别之间的特征差值，得到特征差值时序序列，并计算发生类别突变的时间差值，作为特征时序序列中新增的暂态时间的特征量；
确定预设设备的三相电流有效值/功率最小判定阈值，根据所述三相电流有效值/功率最小判定阈值，对所述特征差值时序序列中部分差值进行依次合并，确定优化特征差值时序序列。
5.根据权利要求1所述的方法，其特征在于，基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果，包括：
基于最优搜索方法，根据优先匹配单一差值原则、优先匹配最早时刻原则及连续差值冗余搜索原则，对所述优化特征差值时序序列进行差值匹配，完成匹配的差值组合；
若所述差值组合为非单一正负差值组合，进行类差值匹配，确定差值匹配结果；
若所述差值组合为单一正负差值组合，不进行类差值匹配。
6.根据权利要求1所述的方法，其特征在于，基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库，包括：
根据预先设定的各特征维度同一性判定阈值，将所述差值匹配结果进行归类，确定同一种设备的启停暂态过程各特征量变化均值及偏离系数；
根据启动暂态过程对应的时间标志，提取滤波前的特征时序序列，计算启动暂态过程中的冲击参数，作为新增特征量，计算公式如下：
其中，MMAX及TMAX为启动暂态过程中各类特征的最大值及对应的最大时间点，MSteady及TSteady为暂态过程结束对应的各类特征值及时间点；
基于单变量特征选择及皮尔森相关系数方法，得到各特征量的权重排序，按顺序进行特征选取，选取能辨识最多设备的特征，直到选取的特征组合完成所有设备的辨识，对选取的特征打上标识符，确定负荷辨识结果，其中所述各特征量为特征时序序列中新增的暂态时间的特征量加新增特征量；
根据用户的实际使用功能需求，基于基础特征进行综合特征的提炼，对于用于功能应用的对应特征也打上标识符，结合用于辨识的特征，删除无用特征。
7.一种适用于工商业用户的负荷分解的系统，其特征在于，包括：
形成特征时序序列模块，用于按照固定时间周期提取波形数据的特征，形成特征时序序列，所述波形数据为总线侧高频采集的数据；
确定预处理后的特征时序序列模块，用于对所述特征时序序列进行数据预处理，确定预处理后的特征时序序列；
确定优化特征差值时序序列模块，用于基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，根据所述聚类结果提取所述预处理后的特征时序序列的序列点，重新组建特征差值时序序列，确定优化特征差值时序序列；
确定差值匹配结果模块，用于基于最优搜索算法对所述优化特征差值时序序列进行差值匹配，确定差值匹配结果；
确定负荷辨识结果模块，用于基于差值匹配结果对归属于同一种设备的启停状态事件进行映射，优化特征维度，辨识设备的电气类型，确定负荷辨识结果，建立工商业用户的专属模型特征库；
得到设备负荷功耗占比模块，用于对于待分析的一段时间的总线侧波形数据，根据所述负荷辨识结果，得到所述一段时间的各类设备负荷功耗占比，实现工商业用户总线负荷的分解；
得到设备负荷功耗占比模块，包括：确定时间窗口子模块，用于对于待分析的一段时间的总线侧波形数据，划分各类设备启停过程对应的时间节点，确定时间窗口，所指时间节点仅包含开启暂态过程中暂态开始对应的时间节点及关闭暂态过程中暂态结束对应的时间节点；确定各类设备的时间窗口的用电量子模块，用于确定所述待分析的一段时间的各个时间窗口对应的各类设备的用电量；得到各类设备的用电量子模块，用于将所述待分析的一段时间的各个时间窗口对应的各类设备的用电量相加，得到所述待分析的一段时间内各类设备的用电量；得到各类设备负荷功耗占比子模块，用于确定所述待分析的一段时间内各类设备的用电量与所述待分析的一段时间内的用电总量，得到各类设备负荷功耗占比；
确定各类设备的时间窗口的用电量子模块，包括：确定单一设备的用电量单元，用于当所述时间窗口对应为单一设备时，确定所述单一设备的用电量为三相有功功率值在时间窗口上的离散积分，确定所述单一设备的用电量的计算公式如下：
其中，W为所述单一设备的用电量，Δt为固定时间周期，pAi、pBi、pCi为时间窗口内对应的三相有功功率值；
确定单一设备的平均有功功率值单元，用于确定所述单一设备的平均有功功率值，计算公式如下：
其中，为所述单一设备的平均有功功率值，Pi为所述单一设备的有功功率值，TM为暂态过程结束时对应的时间点，TN为离暂态过程距离最远的稳态时间点；
确定各类设备的时间窗口的用电量子模块，包括：当所述时间窗口对应为组合设备时，确定所述组合设备的用电量，所述组合设备的用电量为所述组合设备单一运行进入稳态后的三相平均有功功率值在时间窗口上的离散积分，平均有功功率值由该设备发生状态变化对应的其他时间窗口内求得均值，计算公式：
其中Pj为在各个发生状态变化的时间窗口内计算得到的有功功率值，为j类设备在各个发生状态变化的时间窗口内计算得到的平均有功功率值，Ti为对应的稳态计算时间。
8.根据权利要求7所述的系统，其特征在于，形成特征时序序列模块，包括：
分相特征计算子模块，用于设定所述波形数据的特征计算时间窗口，进行分相特征计算；
形成两相特征时序序列子模块，用于对于高供高计用户，计算AC两相负荷特征，形成特征时序序列；
形成三相特征时序序列子模块，用于对于高供低计用户，计算ABC三相负荷特征，形成特征时序序列；
所述特征时序序列包括三相电流有效值、三相电流3次谐波含量、三相电流5次谐波含量、三相电流7次谐波含量、三相电流9次谐波含量、三相电流11次谐波含量、三相功率因数以及三相电压畸变率。
9.根据权利要求7所述的系统，其特征在于，确定预处理后的特征时序序列模块，包括：
确定最大阈值子模块，用于确定预先设定的特征时序序列的各特征维度中的最大阈值；
代替特征子模块，用于当所述特征时序序列的特征超过所述最大阈值时，利用与所述特征时序序列对应的前一单位时间内的特征，代替所述所述特征时序序列的特征；
预处理子模块，用于对所述特征时序序列按照特征维度进行中值滤波，保留突变点，完成数据预处理。
10.根据权利要求7所述的系统，其特征在于，确定优化特征差值时序序列模块，包括：
获得聚类结果子模块，用于基于DBSCAN聚类，对所述预处理后的特征时序序列进行聚类操作，获得聚类结果，所述聚类结果包括最小邻域点数和邻域半径；
标定特征时许序列点子模块，用于根据所述聚类结果对所述预处理后的特征时序序列点进行标定，仅保留所述预处理后的特征时序序列中归属为同一类的起始点和结束点；
得到特征差值时序序列子模块，用于按时间顺序依次计算不同类别之间的特征差值，得到特征差值时序序列，并计算发生类别突变的时间差值，作为特征时序序列中新增的暂态时间的特征量；
确定优化特征差值时序序列子模块，用于确定预设设备的三相电流有效值/功率最小判定阈值，根据所述三相电流有效值/功率最小判定阈值，对所述特征差值时序序列中部分差值进行依次合并，确定优化特征差值时序序列。
11.根据权利要求7所述的系统，其特征在于，确定差值匹配结果模块，包括：
匹配差值组合子模块，用于基于最优搜索方法，根据优先匹配单一差值原则、优先匹配最早时刻原则及连续差值冗余搜索原则，对所述优化特征差值时序序列进行差值匹配，完成匹配的差值组合；
确定差值匹配结果子模块，用于若所述差值组合为非单一正负差值组合，进行类差值匹配，确定差值匹配结果；
不进行类差值匹配子模块，用于若所述差值组合为单一正负差值组合，不进行类差值匹配。
12.根据权利要求7所述的系统，其特征在于，确定负荷辨识结果模块，包括：
确定各特征量变化均值及偏离系数子模块，用于根据预先设定的各特征维度同一性判定阈值，将所述差值匹配结果进行归类，确定同一种设备的启停暂态过程各特征量变化均值及偏离系数；
计算冲击参数子模块，用于根据启动暂态过程对应的时间标志，提取滤波前的特征时序序列，计算启动暂态过程中的冲击参数，作为新增特征量，计算公式如下：
其中，MMAX及TMAX为启动暂态过程中各类特征的最大值及对应的最大时间点，MSteady及TSteady为暂态过程结束对应的各类特征值及时间点；
确定负荷辨识结果子模块，用于基于单变量特征选择及皮尔森相关系数方法，得到各特征量的权重排序，按顺序进行特征选取，选取能辨识最多设备的特征，直到选取的特征组合完成所有设备的辨识，对选取的特征打上标识符，确定负荷辨识结果，其中所述各特征量为特征时序序列中新增的暂态时间的特征量加新增特征量；
删除无用特征子模块，用于根据用户的实际使用功能需求，基于基础特征进行综合特征的提炼，对于用于功能应用的对应特征也打上标识符，结合用于辨识的特征，删除无用特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110213501.8A CN113326296B (zh) | 2021-02-25 | 2021-02-25 | 一种适用于工商业用户的负荷分解的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110213501.8A CN113326296B (zh) | 2021-02-25 | 2021-02-25 | 一种适用于工商业用户的负荷分解的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113326296A CN113326296A (zh) | 2021-08-31 |
| CN113326296B true CN113326296B (zh) | 2024-06-07 |
Family
ID=77414423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110213501.8A Active CN113326296B (zh) | 2021-02-25 | 2021-02-25 | 一种适用于工商业用户的负荷分解的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326296B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118465413B (zh) * | 2024-07-09 | 2024-09-20 | 江苏城工建设科技有限公司 | 一种用电器耗电异常检测装置和方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
| CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
| CN109782086A (zh) * | 2018-12-25 | 2019-05-21 | 武汉中原电子信息有限公司 | 一种基于多维度信号分析的非侵入负荷识别方法 |
| CN110084719A (zh) * | 2019-06-11 | 2019-08-02 | 国网安徽省电力有限公司培训中心 | 一种配电网负荷种类辨识装置 |
| CN110889465A (zh) * | 2019-12-12 | 2020-03-17 | 武汉大学 | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 |
| CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
| CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103001230B (zh) * | 2012-11-16 | 2014-10-15 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
| US20140207398A1 (en) * | 2013-01-23 | 2014-07-24 | Samsung Electronics Co., Ltd | Transient Normalization for Appliance Classification, Disaggregation, and Power Estimation in Non-Intrusive Load Monitoring |
| CN108009938B (zh) * | 2016-11-02 | 2021-12-03 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
| EP3404593A1 (en) * | 2017-05-15 | 2018-11-21 | Tata Consultancy Services Limited | Method and system for data based optimization of performance indicators in process and manufacturing industries |
-
2021
- 2021-02-25 CN CN202110213501.8A patent/CN113326296B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
| CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
| CN109782086A (zh) * | 2018-12-25 | 2019-05-21 | 武汉中原电子信息有限公司 | 一种基于多维度信号分析的非侵入负荷识别方法 |
| CN110084719A (zh) * | 2019-06-11 | 2019-08-02 | 国网安徽省电力有限公司培训中心 | 一种配电网负荷种类辨识装置 |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
| CN110889465A (zh) * | 2019-12-12 | 2020-03-17 | 武汉大学 | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
| CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Research on Load Clustering Based on Singular Value Decomposition and K-means Clustering Algorithm;Jiao Wang 等;2020 Asia Energy and Electrical Engineering Symposium (AEEES);20200619;第831-835页 * |
| 基于聚类和关联分析的居民用户非侵入式负荷分解;赵文清;张诗满;李刚;;电力自动化设备;20200604(06);第8-19页 * |
| 基于非侵入式用电数据分解的自适应特征库构建与负荷辨识;武昕;焦点;高宇辰;;电力系统自动化;20191225(04);第101-109页 * |
| 居民负荷特征研究及特征库的建立;祁兵;刘利亚;张瑜;翟峰;杨斌;;东北电力技术;20180620(06);第1-8页 * |
| 智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模;杨甲甲;赵俊华;文福拴;董朝阳;薛禹胜;;电力建设;20161201(12);第11-23页 * |
| 非介入式负荷辨识感知技术及其典型应用场景;陈骏星溆;徐先勇;孟军;肖剑;陈卓;;湖南电力;20200425(02);第68-73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113326296A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149510A (zh) | 一种非侵入式负荷检测方法 | |
| CN111090643B (zh) | 一种基于数据分析系统下的海量用电数据挖掘方法 | |
| CN112785108A (zh) | 一种基于调控云的电网运行数据关联分析方法及系统 | |
| CN112532643B (zh) | 基于深度学习的流量异常检测方法、系统、终端及介质 | |
| CN105045927A (zh) | 建设工程工料机数据自动编码方法及系统 | |
| CN110729718A (zh) | 一种基于日负荷曲线的行业用户开工监测方法 | |
| CN110866841A (zh) | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 | |
| CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
| CN113326296B (zh) | 一种适用于工商业用户的负荷分解的方法及系统 | |
| CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| CN112184491B (zh) | 电网中异常数据识别方法、装置、计算机设备和存储介质 | |
| CN110378585A (zh) | 电网故障处置计算任务编排调用方法、系统及存储介质 | |
| CN111597241B (zh) | 用于数据采集的方法、装置及设备 | |
| CN116500385A (zh) | 输电网监测校验方法、装置、设备和介质 | |
| Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
| Gao et al. | Online learning of stable integer variables in unit commitment using internal information | |
| CN113779328A (zh) | 供电监测数据整合处理方法、系统、终端及存储介质 | |
| CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
| CN111768066B (zh) | 基于融合特征的园区电热负荷耦合关系分析方法及装置 | |
| CN110889465B (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 | |
| CN113657475A (zh) | 基于分类的用电量预测方法 | |
| CN112347619A (zh) | 一种变电设备故障监管方法、系统、终端及存储介质 | |
| CN112801817A (zh) | 一种电能质量数据中心构建方法及其系统 |
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 |