基于Mean-shift聚类和孪生网络的非侵入工业负荷辨识方法及系统技术方案

本发明专利技术公开了基于Mean

【技术实现步骤摘要】
基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法及系统


[0001]本专利技术涉及非侵入式负荷辨识
，特别是基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法及系统及系统。

技术介绍

[0002]随着电力物联网的快速发展，明确用户的负荷特征和设备运行状况是进行电网规划、削峰填谷、电价决策、需求侧响应等规划与决策的重要依据。目前，针对居民用户负荷的监测与识别开展了大量研究，特别是非侵入式的负荷辨识方法因其数据来源便利而成为近年来的研究热点。事实上，相对于居民负荷，工业负荷容量大、占比重，具有更大的电网调控应用潜力。研究工业用户电力设备的负荷辨识方法，具有重要的现实意义。
[0003]在实际生产中，工业用户电力设备的负荷辨识普遍存在前工业用户设备分类难以获得先验数据、难以形成先验知识库和数据采样率低等问题，从而无法完成对工业用电负荷的高精度辨识。工业负荷辨识技术只需抽取不同负荷在稳态响应下的样本数据集并进行预处理操作，其次识别设备投入/切除事件，再基于检测到的设备投入/切除事件，对检测事件进行特征提取，然后对提取出的特征通过Mean
‑
shift聚类，最后利用孪生网络进行负荷辨识。基于该技术，用户可以根据数据合理规划用电设备，通过实时的数据采集和分析处理，提高了辨识准确率，实现了对工业用电负荷的高精度辨识。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的问题，提出了本专利技术。
[0006]因此，本专利技术提供基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法及系统及系统，能够解决
技术介绍
中提到的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法及系统，包括抽取不同负荷在稳态响应下的样本数据集；对样本数据集进行预处理从而识别设备投入或切除事件；利用基于双边CUSUM的方法对工业设备投入或切除事件进行检测，对检测事件进行特征提取；对提取出的特征通过Mean
‑
shift聚类，得到相似谐波特征的负荷；利用孪生网络进行负荷辨识。
[0008]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述样本数据集包括有功功率和谐波特征。
[0009]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述对样本数据集进行预处理从而识别设备投入或切除事件包括监测样本数据集缺失率公式如下：
[0010][0011]其中，是特征为F
n
的监测数据中缺失数据的总数。
[0012]最终得到缺失值填充规则如下表示为：
[0013][0014]其中，F
n
(k)为负荷特征F
n
第k个采样点的数据值，F
n
(k
‑
1)为负荷特征F
n
第k
‑
1个采样点的样本数据值。
[0015]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述利用基于双边CUSUM的方法对工业设备投入或切除事件进行检测，具体步骤如下：基于双边CUSUM的工业设备投入/切除事件检测方法，设备的有功功率特征序列公式如下表示为：
[0016]P＝{P
i
},i＝1,2,
…
,N,P
i
＝μ+AI(i＜τ)+(C+B)I(k≥τ)
[0017]其中，A和B为随机变量，其数学期望为0，C为功率平均值的变化量，τ为变点发生时刻，I()为指示函数，μ为P
i
的平均值。
[0018]定义CUSUM的统计函数公式如下表示为：
[0019][0020][0021]设备投入/切除事件的发生时刻序列公式如下表示为：
[0022]T0＝{τ
i
}
[0023]N1＝||T0||
[0024]其中，T0为设备投入/切除事件的发生时刻序列，N1为设备投入/切除事件总数。
[0025]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述对检测事件进行特征提取包括：对特征进行提取包括提取事件发生前后采样点的谐波特征，得到事件发生前后谐波矩阵A1和A2，得到用于工业用户设备特征矩T。
[0026]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述对提取出的特征通过Mean
‑
shift聚类，得到相似谐波特征的负荷。
[0027]Mean
‑
shift聚类的具体过程如下：
[0028]假定给定d维空间的n个样本点x
i
(i＝1,
…
,n)，空间中任一点x的Mean
‑
shift漂移向量的基本形式为：
[0029][0030]其中：M
h
为空间中任一点x的Mean
‑
shift漂移向量，K为n个样本点中分布在区域S
h
内的个数，S
h
为以x为中心、h为半径的高维球域区域。
[0031]S
h
(x)＝{y:||y
‑
x
i
||2＜h2}
[0032]式中，y为在空间尺度h内的变量，K为n个样本点中分布在区域S
h
内的个数，S
h
为以x为中心、h为半径的高维球域区域。
[0033]在聚类的过程中，按照下式不断地计算漂移向量进行迭代，最终获得聚类中心为：
[0034][0035]为了优化聚类效果，引入核函数K(x
i
‑
x)，则均值偏移向量更新为：
[0036][0037]式中，ω(x
i
)为样本x
i
的权重，由其概率分布决定。
[0038]作为本专利技术所述基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其中：所述利用孪生网络进行负荷辨识包括，聚类后得到负荷特征和数据库中负荷特征，基于轮廓系数来评价两个输入相似度完成负荷辨识。
[0039]一种基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识及系统，其特征在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法及系统，其特征在于：包括，抽取不同负荷在稳态响应下的样本数据集；对样本数据集进行预处理从而识别设备投入或切除事件；利用基于双边CUSUM的方法对工业设备投入或切除事件进行检测，对检测事件进行特征提取；对提取出的特征通过Mean
‑
shift聚类，得到相似谐波特征的负荷；利用孪生网络进行负荷辨识。2.如权利要求1所述的基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其特征在于：所述样本数据集包括有功功率和谐波特征。3.如权利要求2所述的基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其特征在于：所述对样本数据集进行预处理从而识别设备投入或切除事件包括如下步骤：监测样本数据集缺失率公式如下：其中，是特征为F
n
的监测数据中缺失数据的总数；最终得到缺失值填充规则如下表示为：其中，F
n
(k)为负荷特征F
n
第k个采样点的数据值，F
n
(k
‑
1)为负荷特征F
n
第k
‑
1个采样点的样本数据值。4.如权利要求3所述的基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其特征在于：所述利用基于双边CUSUM的方法对工业设备投入或切除事件进行检测具体步骤如下：基于双边CUSUM的工业设备投入/切除事件检测方法，设备的有功功率特征序列公式如下表示为：P＝{P
i
},i＝1,2,
…
,N,P
i
＝μ+AI(i＜τ)+(C+B)I(k≥τ)其中，A和B为随机变量，其数学期望为0，C为功率平均值的变化量，τ为变点发生时刻，I()为指示函数，μ为P
i
的平均值；定义CUSUM的统计函数公式如下表示为：定义CUSUM的统计函数公式如下表示为：设备投入/切除事件的发生时刻序列公式如下表示为：T0＝{τ
i
}
N1＝||T0||其中，T0为设备投入/切除事件的发生时刻序列，N1为设备投入/切除事件总数。5.如权利要求4所述的基于Mean
‑
shift聚类和孪生网络的非侵入工业负荷辨识方法，其特征在于：所述对检测事件进行特征提取包括对特征进行提取包括提取事件发生前后采样点的谐波特征，得到事件发生前后谐波矩阵A1和A2，得到用于工业用户...

【专利技术属性】
技术研发人员：赵毅涛，张益鸣，艾渊，刘兴龙，孙立元，杨昊，杨晓华，代盛国，赵永辉，杨子阳，任建宇，茶建华，杨茗，李家浩，高丽萍，朱葛，尹钰君，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：