【技术实现步骤摘要】
基于非监督机器学习的非侵入负荷辨识方法、介质及系统
[0001]本专利技术涉及居民家庭负荷辨识
,尤其涉及一种基于非监督机器学习的非侵入负荷辨识方法、介质及系统。
技术介绍
[0002]随着经济的发展,能源需求愈加强烈,在经历了能耗飞速增长的阶段后,现在人们逐渐转入资源节约型社会。居民家庭负荷已逐渐成为电能消耗的主要部分,有研究表示,合理的电能管理与电能分配有助于用户减少一定量的能源消耗,同时为电网侧减轻一定的供电压力。近年来,随着智能电网的飞速发展,家庭能源管理系统也在逐步走入大众视野并得到快速地发展,现今家庭能源管理系统已成为新型家庭用户的必备系统之一。
[0003]居民家庭负荷监测主要有两种方式,一种是基于侵入式的负荷监测,另一种则是基于非侵入式的负荷监测。前者要求居民用户家庭中的所有负荷内部均安装传感器,实时监控负荷的运行状况和能耗情况,该方法测量比较准确,且实时性高,配合边缘计算芯片等可以实现负荷的多种扩展功能。随着互联网的发展,智能家电负荷已逐渐成为市场主流,这为侵入式负荷监测的开展提供了良好的条件。然而,该种方法的弊端也十分明显,那就是实施难度大、投入成本高。并且,很多智能家电品牌都自成一体“生态系统”,传感器的测量难度骤然提升。为了解决这个弊端,基于非侵入的负荷监测系统应运而生,该种系统只需要在居民家庭的电力入线或出线处安装一个监测装置即可实现对整个家庭的负荷的监测。非侵入式负荷监测具有成本低、安装方便、可行性高、负荷辨识高效等特点,得到广泛关注,并逐步成为当前智能家庭的研究热点之一。但 ...
【技术保护点】
【技术特征摘要】
1.一种基于非监督机器学习的非侵入负荷辨识方法,其特征在于,包括:基于双滑动窗的CUSUM事件检测算法对获取的一家庭用电设备的家庭用电负荷数据序列中的特征数据进行稳态事件检测,以获取发生稳态事件的特征数据;采用SOM网络聚类算法对所述稳态事件的所述特征数据进行聚类分析,得到至少两个第一分类;采用K
‑
means聚类算法对每一所述第一分类的所述特征数据进行聚类分析,得到至少两个第二分类;将每一第二分类的所述特征数据与预设数据库中的标准负荷数据进行匹配辨识,确定所述特征数据的类型。2.根据权利要求1所述的基于非监督机器学习的非侵入负荷辨识方法,其特征在于,所述基于双滑动窗的CUSUM事件检测算法对获取的一家庭用电设备的家庭用电负荷数据序列中的特征数据进行稳态事件检测的步骤,包括:采用CUSUM累计和算法计算所述家庭用电负荷数据序列中的每一特征数据对应的第一统计函数和第二统计函数;若所述第一统计函数或所述第二统计函数满足第一预设条件,则将所述家庭用电负荷数据序列中的对应的特征数据及以后的特征数据划分入事件数据序列中;设定相隔预设间隔的高斯窗长度和辅助窗长度;在所述事件数据序列中,分别通过高斯窗和辅助窗滑动采样,其中,同次的所述高斯窗在同次的所述辅助窗之前;通过本次所述高斯窗的采样数据计算本次的第一均值以及第一累计和,以及,通过本次所述辅助窗的采样数据计算本次的第二均值以及第二累计和;判断本次的第一均值、第一累计和、第二均值以及第二累计和是否满足第二预设条件;若满足第二预设条件,则确定发生稳态事件,否则进行下一次采样;获取本次所述高斯窗的起始位置以后的所述事件数据序列中的特征数据,得到发生稳态事件的特征数据。3.根据权利要求2所述的基于非监督机器学习的非侵入负荷辨识方法,其特征在于,所述第一预设条件包括:所述第一统计函数大于0,或者,所述第二统计函数大于0,或者,所述第一统计函数大于第一预设阈值,或者,所述第二统计函数大于第一预设阈值。4.根据权利要求2所述的基于非监督机器学习的非侵入负荷辨识方法,其特征在于,所述第二预设条件包括:本次的所述第二均值和所述第一均值均大于第二预设阈值,并且本次的所述第二累计和大于前一次的所述第一累计和。5.根据权利要求2所述的基于非监督机器学习的非侵入负荷辨识方法,其特征在于,第i次的所述第一均值和所述第一累计和的计算式为:其中,A
G
(i)表示第i次的第一均值,g<...
【专利技术属性】
技术研发人员:夏绪卫,马瑞,朱东歌,刘佳,沙江波,康文妮,张爽,闫振华,张庆平,王峰,李晓龙,高博,李永亮,罗海荣,蔡建辉,杨雪红,李学锋,王富对,朱小超,王辉,
申请(专利权)人:国网宁夏电力有限公司国电南瑞南京控制系统有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。