【技术实现步骤摘要】
基于压缩感知和数学优化模型的非侵入负荷监测方法
[0001]本专利技术涉及非侵入负荷监测
,尤其涉及一种基于压缩感知和数学优化模型的非侵入负荷监测方法。
技术介绍
[0002]非侵入式负荷监测(Non
‑
Intrusive Load Monitoring,NILM)是通过采集用户入口处的电信号,分析获得用户内部各负荷种类以及其具体情况。相比传统负荷监测方式,NILM的设备安装和维护成本低、可操作性和用户接受程度高,是未来智能电网中主要负荷监测方式,更加适应电网负荷用户数量的快速增长和用电设备智能控制的需求。NILM包括主要环节包括数据采集、数据传输、负荷分析。其中,负荷分析是以实现负荷识别为最终目的,负荷识别也是NILM的最终目的。
[0003]随着电力系统规模增加和智能化程度提升,NILM的采集数据爆炸式增长。传统数据压缩方法可作为NILM中海量数据问题的解决方式,但传统数据压缩方法存在压缩复杂、高频采样等缺陷。随着近年来压缩感知(Compressed Sensing,CS)在电力系统中的应用研究不断深入,CS可解决传统压缩方法的缺陷。压缩感知是一种将信号采集和信号压缩合二为一的新型采样理论,具有压缩简单、低频采样等特点。然而,目前却尚不存在基于压缩感知的非侵入式负荷监测技术,难以适应未来NILM的发展。
技术实现思路
[0004]有鉴于此,本专利技术实施例提供了一种基于压缩感知和数学优化模型的非侵入负荷监测方法,通过建立数学优化模型的方式实现基于压缩感知的非侵入式负
【技术保护点】
【技术特征摘要】
1.一种基于压缩感知和数学优化模型的非侵入负荷监测方法,其特征在于,包括:设置原始负荷信号采集参数并生成二进稀疏测量矩阵,对原始负荷信号进行压缩采集得到压缩信号;根据所述二进稀疏测量矩阵,以及稀疏基和目标重构算法,对所述压缩信号进行重构,得到稀疏向量;根据原始负荷类型确定负荷分析向量类型,并基于稀疏向量形成负荷分析向量;按照稀疏向量样本值、特征向量样本值和负荷分析向量样本值建立负荷样本库;根据负荷样本库中各用电设备的负荷分析向量样本值,生成用于数学优化模型的多个模型参数矩阵;根据多个模型参数矩阵和负荷分析向量,建立多个数学优化模型,通过求解数学优化模型获得多个用电设备开断状态向量;根据求解得到的多个用电设备开断状态向量,输出负荷场景识别结果,并输出原始负荷信号的重构值。2.根据权利要求1所述的基于压缩感知和数学优化模型的非侵入负荷监测方法,其特征在于,所述设置原始负荷信号采集参数并生成二进稀疏测量矩阵,对原始负荷信号进行压缩采集得到压缩信号,包括:设置原始负荷信号的类型为电流波形或瞬时功率;设置采集时间长度为1s、所述原始负荷信号的长度为N=2048和压缩比为0.4~0.7;根据所述压缩比和所述原始负荷信号的长度确定测量矩阵规模,并基于测量矩阵规模生成零矩阵;将所述零矩阵中每列随机选择设定数量元素赋值为1,作为所生成的二进稀疏测量矩阵;其中,所述设定数量小于每列元素的总数量;根据y=Φx获取压缩信号y,其中,Φ为所述二进稀疏测量矩阵,x为所述原始负荷信号。3.根据权利要求2所述的基于压缩感知和数学优化模型的非侵入负荷监测方法,其特征在于,所述根据原始负荷类型确定负荷分析向量类型,并基于稀疏向量形成负荷分析向量,包括:在所述原始负荷信号为瞬时功率时,采用重构得到的稀疏向量作为负荷分析向量;在所述原始负荷信号为电流波形时,从所述稀疏向量中获取基波电流相量值和第h次谐波电流相量值,并形成7维特征值向量,以作为负荷分析向量;其中,h=2,3,5,7,9,11。4.根据权利要求3所述的基于压缩感知和数学优化模型的非侵入负荷监测方法,其特征在于,所述从所述稀疏向量中获取基波电流相量值和第h次谐波电流相量值,并形成7维特征值向量,包括:搜索N维稀疏向量s的极值及其位置标号k
i
;其中,位置标号k
i
满足|s(k
i
)|≥|s(k
i
+1)|且|s(k
i
)|≥|s(k
i
‑
1)|;s(k
i
)、s(k
i
+1)、s(k
i
‑
1)分别为N维稀疏向量s中第k
i
个元素、第k
i
+1个元素、第k
i
‑
1个元素的值,k
i
∈[2,N];i=1,2,3...;依次寻找满足hf
‑
2≤(k
i
‑
1)/T≤hf+2的位置标号k
i
并将筛选后的k
i
放入集合{k
h
};其中,k
h
表示基波或第h次谐波的谱线标号;集合{k
h
}共有7个元素,h=1,2,3,5,7,9,11,h=1时表示基波的谱线标号;按照h=1,2,3,5,7,9,11,依次寻找s(k
h
)前后元素中较大元素值得标号其中,当s(k
h
+1)<s(k
...
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。