一种适用于低频数据的负荷分解方法技术

本发明专利技术提出一种适用于低频数据的负荷分解方法，包括以下步骤：（1）获取全部电器的总量负荷数据，从总量负荷数据分解长运行周期的电器的负荷数据；从总量负荷数据中剔除长运行周期电器负荷数据后得到剩余总量负荷数据；（2）从步骤（1）获得的剩余总量负荷数据，通过供暖和制冷电器负荷分解方法从剩余总量负荷数据中分解供暖和制冷电器的负荷数据，并剔除供暖和制冷电器的负荷数据后得到剩余总量负荷数据；（3）从步骤（2）获得的剩余总量负荷数据，通过小电器分解方法从剩余总量负荷数据中分解小电器的负荷数据，并剔除小电器的负荷数据后得到剩余总量负荷数据

【技术实现步骤摘要】
一种适用于低频数据的负荷分解方法


[0001]本专利技术涉及负荷分解
，尤其涉及一种适用于低频数据的负荷分解方法
。

技术介绍

[0002]非侵入式负荷监测
(Non
‑
intrusive Load Monitoring
，
NILM)
的一个基本问题是测量数据的采样频率对分解精度的影响
。
自
2010
年以来，越来越多的
NILM
研究使用从1秒到1分钟采样频率的数据捕捉电器的负荷特征，从而允许更准确和详细的分析来检测电器设备
。
这种方法需要额外强大和昂贵的硬件和计算基础设施来保存和处理数据，这与实际情况相去甚远
。
目前，用户家庭中安装的电表使用
10
到
15
分钟到一小时的时间采样频率来测量数据
。
在欧洲，鼓励安装智能电表，并遵循能源管理局的建议，即每个家庭必须拥有能够测量能源消耗并将实际数据保存至少
15
分钟的智能电表
。
然而，大多数
NILM
方法都无法利用这种大规模的智能电表部署
。
因此，
NILM
方法的新挑战集中在解决低频数据
(10、15
和
30
分钟
)
下的负荷分解问题
。
[0003]NILM
算法包括三个步骤：特征提取
、
>事件检测和电器负荷识别
。
在低频数据下可识别的特征是非常有限的，且不允许提取不同电器的各种常见的特征
。
现有的基于低频数据的大多数研究基于某些电器设备运行的先验知识来建立通用电器模型，或者从类似的数据库中提取电器设备的负荷特征，并且为不同的电器设备建立负荷特征库
。
[0004]然而，现有的基于低频数据实现负荷辨识的研究，仍然对某些室内电气设备的负荷辨识与分解呈现出较低的准确率，如空调
、
电加热器
、
电视机和照明设备等；在只有低频数据的情况下，对这些电器设备的运行状态辨识与分解仍然是
NILM
问题的挑战
。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的是提供一种适用于低频数据的负荷分解方法，将边缘检测方法与
K
‑
均值聚类方法相结合，采用动态模糊逻辑模型和预测方法，解决现有低频数据的负荷分解准确率低的技术问题
。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：
[0007]本专利技术一种适用于低频数据的负荷分解方法，包括以下步骤：
[0008](1)
长运行周期电器分解：获取全部电器的总量负荷数据，从总量负荷数据分解长运行周期的电器的负荷数据；从总量负荷数据中剔除长运行周期电器负荷数据后得到剩余总量负荷数据；所述总量负荷数据为在低频的采样频率获取的负荷数据；
[0009](2)
供暖和制冷电器分解：从步骤
(1)
获得的剩余总量负荷数据，通过供暖和制冷电器负荷分解方法从剩余总量负荷数据中分解供暖和制冷电器的负荷数据，并剔除供暖和制冷电器的负荷数据后得到剩余总量负荷数据；
[0010](3)
小电器分解：从步骤
(2)
获得的剩余总量负荷数据，通过小电器分解方法从剩余总量负荷数据中分解小电器的负荷数据，并剔除小电器的负荷数据后得到剩余总量负荷数据
。
[0011]进一步地，所述采样频率为
10
分钟或
15
分钟进行采样
。
[0012]进一步地，所述步骤
(1)
中，分解长运行周期的电器的负荷数据的具体方法为：根据长运行周期的电器的设备周期运行特性对总量负荷数据进行负荷分解
。
[0013]进一步地，所述供暖和制冷电器负荷分解方法包括以下步骤：
[0014]依据采样频率计算功耗差异；
[0015]通过边缘检测算法判断事件的发生，
K
‑
均值聚类方法对计算得到的有事件发生的功耗差异进行聚类；
[0016]设置事件类型；所述事件类型包括开启事件和关闭事件；
[0017]采用决策树算法对聚类后的功耗差异进行供暖电器或制冷电器事件检测，获得相应的事件类型并计算出供暖电器或制冷电器的运行周期；
[0018]通过自学习方法进行负荷辨识，识别运行周期内的供暖电器或制冷电器，然后剔除供暖和制冷电器的负荷数据后得到剩余总量负荷数据
。
[0019]进一步地，所述依据采样频率计算功耗差异的具体方法为：
[0020]依据采样频率设定当前采样时刻
t
的功耗为
E
t
和上一个采样时刻
t
‑1时刻的功耗为
E
t
‑1且设功耗差异为
dE
，计算如下：
[0021]dE
t
＝
E
t
‑
E
t
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。
[0022]进一步地，所述
K
‑
均值聚类方法中的簇包括电器的“开”状态
、
电器的“中性”状态
、
电器的“关”状态
。
[0023]进一步地，所述小电器包括电视机
、
照明设备
。
[0024]进一步地，所述小电器分解方法包括以下步骤：
[0025]预测用户活动的数量和小电器的使用行为：采用均值漂移聚类方法获得小电器运行场景的类簇；
[0026]采用动态模糊系统来检测小电器的开关事件；
[0027]负荷辨识，先进行事件校正去除开关事件中的虚假事件，再进行小电器负荷辨识
。
[0028]进一步地，所述事件校正的具体方法为设定随机过程完全由在时刻
t1
到
tn
发生的一组开关事件
x
＝
(x1，
x2，
x3，
…
，
x
n
)
的
n
阶预测状态转移概率
a
i
的集合来表征；设
Cseq
＝
(C1，
C2，
C3
，
…
，
Cn)
，其中
Cseq
表示在与时刻
t1到
t
n
相关联的开关事件处发生的检测到的状态转换的有序序列，
C
i
表示在与采样时刻
t
i
相关联的事件处检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适用于低频数据的负荷分解方法，其特征在于，包括以下步骤：
(1)
长运行周期电器分解：获取全部电器的总量负荷数据，从总量负荷数据分解长运行周期的电器的负荷数据；从总量负荷数据中剔除长运行周期电器负荷数据后得到剩余总量负荷数据；所述总量负荷数据为在低频的采样频率获取的负荷数据；
(2)
供暖和制冷电器分解：从步骤
(1)
获得的剩余总量负荷数据，通过供暖和制冷电器负荷分解方法从剩余总量负荷数据中分解供暖和制冷电器的负荷数据，并剔除供暖和制冷电器的负荷数据后得到剩余总量负荷数据；
(3)
小电器分解：从步骤
(2)
获得的剩余总量负荷数据，通过小电器分解方法从剩余总量负荷数据中分解小电器的负荷数据，并剔除小电器的负荷数据后得到剩余总量负荷数据
。2.
根据权利要求1所述的一种适用于低频数据的负荷分解方法，其特征在于，所述采样频率为
10
分钟或
15
分钟进行采样
。3.
根据权利要求1所述的一种适用于低频数据的负荷分解方法，其特征在于，所述步骤
(1)
中，分解长运行周期的电器的负荷数据的具体方法为：根据长运行周期的电器的设备周期运行特性对总量负荷数据进行负荷分解
。4.
根据权利要求1所述的一种适用于低频数据的负荷分解方法，其特征在于，所述供暖和制冷电器负荷分解方法包括以下步骤：依据采样频率计算功耗差异；通过边缘检测算法判断事件的发生，
K
‑
均值聚类方法对计算得到的有事件发生的功耗差异进行聚类；设置事件类型；所述事件类型包括开启事件和关闭事件；采用决策树算法对聚类后的功耗差异进行供暖电器或制冷电器事件检测，获得相应的事件类型并计算出供暖电器或制冷电器的运行周期；通过自学习方法进行负荷辨识，识别运行周期内的供暖电器或制冷电器，然后剔除供暖和制冷电器的负荷数据后得到剩余总量负荷数据
。5.
根据权利要求4所述的一种适用于低频数据的负荷分解方法，其特征在于，所述依据采样频率计算功耗差异的具体方法为：依据采样频率设定当前采样时刻
t
的功耗为
E
t
和上一个采样时刻
t
‑1时刻的功耗为
E
t
‑1，且设功耗差异为
dE
，计算如下...

【专利技术属性】
技术研发人员：杨舟，李捷，高武东，李刚，蒋雯倩，潘俊涛，韦杏秋，陈俊，陈珏玉，林秀清，何涌，韦航，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：