System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能电网,尤其是涉及一种混合非侵入式负荷辨识方法、设备及存储介质。
技术介绍
1、电力负荷监控在用电量反馈、用户电力控制和节能方面扮演着至关重要的角色。此外,它也是新型储能市场交易机制及价值评估的重要组成部分,为实现能源可持续发展提供了必要的支持。非侵入式负荷监测(nonintrusive load monitoring,nilm)通过实时监控用户各用电设备的类别、运行状态与耗电情况等信息,为电能高效调度与电网结构优化提供了重要参考依据,同时帮助用户掌握家用电器的运行情况与功耗等信息,为用户的合理用电、需求侧的精细化管理和电能的合理调度提供了重要参考。
2、国内外学者在非侵入式负荷辨识研究面开展大量工作。nilm的研究最早由hart于1992年提出,核心是负荷辨识。它无需在每个负载设备中部署分表即可提取设备级电能使用信息,获得用户内部用电设备运行状况及能耗等细颗粒度信息,为能源效率跟踪、家庭自动化等提供支持。
3、通常每个电力用电设备都具有独特的特征,实现负荷辨识的重要前提是负荷特征的提取。目前主要有基于传统物理定义来描述电力负荷的特征,包括有功/无功功率、电流谐波、阻抗及导纳等,但当实际用电设备的具体种类变化时,基于传统物理量负荷特征的辨识难度和误判率会明显影响。针对传统负荷特征的不足,研究者引入了v-i轨迹及加权改进,可有效反映设备的动态阻抗特性,结果也验证了其有效性。另外,利用小波变换对高频采样电流提取高频信号特征、稳态特征与暂态特征的结合也有助于提高负荷辨识精度。
4、作
5、在负荷调节能力和需求响应方面,文献“基于nacemd-gru的组合型日前负荷预测方法”(李正浩.电网与清洁能源,2021,37(6):43-50)引入噪声辅助复数据经验模态分解方法对日前负荷数据进行分解,并建立基于门控循环神经网络单元的深度学习预测模型,得到日前负荷的各分量预测结果。文献“居民用户精细化需求响应建模及其激励策略”(陈张宇,刘东.哈尔滨理工大学学报,2021,26(3):1-12)构建了居民用户精细化需求响应模型,建立了两个长短期记忆神经网络来对需求响应效益系数进行计算,利用精细化需求响应模型来计算针对不同用户的最优激励。
6、总体而言,监督型负荷辨识算法依靠预实验获取待监测用户负荷信号形成先验特征数据,再通过待监测负荷特征与先验特征对比实现辨识,其实际中工作量大,且对于未进行预实验的用户设备来说,所用负荷的品牌、工作状态及运行环境繁杂,实际的负荷特征参数与先验特征数据差异较大,难以保证预先训练分类网络的通用性及可分性,辨识准确率明显下降。而非监督型负荷辨识算法迁移性比较强,但非监督型负荷辨识算法的辨识精度较监督型算法低。
7、因此,有必要研究一种使用更方便,且具有更高负荷辨识精度的新的负荷辨识方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种使用方便、负荷辨识精度高的混合非侵入式负荷辨识方法、设备及存储介质。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种混合非侵入式负荷辨识方法,包括以下步骤:
4、采集待辨识负荷的电流波形图和负荷特征数据;
5、根据预设的负荷电流样本图和所述电流波形图,得到综合关联度;
6、确定所述负荷特征数据与预设的聚类中心的欧式距离;
7、根据所述欧式距离和所述综合关联度,融合确定负载类型。
8、进一步地,所述综合关联度为基于所述预设的负荷电流样本图和所述电流波形图获得的至少两种序列关联度的加权和。
9、进一步地,所述序列关联度包括灰色关联度和综合关联度。
10、进一步地,所述聚类中心通过以下步骤确定:
11、采集用电数据,生成负荷特征样本数据,所述负荷特征样本数据包括多个样本点;
12、遍历负荷特征样本数据中的每个样本点,进行聚类计算,生成聚类簇,确定所述聚类中心。
13、进一步地,采用dbscan聚类算法进行所述聚类计算。
14、进一步地,在生成所述负荷特征样本数据后,所述方法还包括:
15、采用pca方法对所述负荷特征样本数据进行降维处理,构建负荷特征模板库。
本文档来自技高网...【技术保护点】
1.一种混合非侵入式负荷辨识方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的混合非侵入式负荷辨识方法,其特征在于,所述综合关联度为基于所述预设的负荷电流样本图和所述电流波形图获得的至少两种序列关联度的加权和。
3.根据权利要求2所述的混合非侵入式负荷辨识方法,其特征在于,所述序列关联度包括灰色关联度和综合关联度。
4.根据权利要求1所述的混合非侵入式负荷辨识方法,其特征在于,所述聚类中心通过以下步骤确定:
5.根据权利要求4所述的混合非侵入式负荷辨识方法,其特征在于,采用DBSCAN聚类算法进行所述聚类计算。
6.根据权利要求4所述的混合非侵入式负荷辨识方法,其特征在于,在生成所述负荷特征样本数据后,所述方法还包括:
7.根据权利要求6所述的混合非侵入式负荷辨识方法,其特征在于,根据所述负荷特征模板库中的负荷特征维数采集获得所述待辨识负荷的负荷特征数据。
8.根据权利要求1所述的混合非侵入式负荷辨识方法,其特征在于,所述确定负载类型包括:
9.一种计算设备,包括存储器、处理器
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的混合非侵入式负荷辨识方法。
...【技术特征摘要】
1.一种混合非侵入式负荷辨识方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的混合非侵入式负荷辨识方法,其特征在于,所述综合关联度为基于所述预设的负荷电流样本图和所述电流波形图获得的至少两种序列关联度的加权和。
3.根据权利要求2所述的混合非侵入式负荷辨识方法,其特征在于,所述序列关联度包括灰色关联度和综合关联度。
4.根据权利要求1所述的混合非侵入式负荷辨识方法,其特征在于,所述聚类中心通过以下步骤确定:
5.根据权利要求4所述的混合非侵入式负荷辨识方法,其特征在于,采用dbscan聚类算法进行所述聚类计算。
6.根据权利要求4所述的混合非侵入式负荷辨...
【专利技术属性】
技术研发人员:赵三珊,刘恋,罗祾,齐晓曼,张鹏飞,陈甜甜,吴丹,黄兴德,王琛,华珉,李文清,贾德香,傅成程,张雪,薛欣然,
申请(专利权)人:国网上海市电力公司,
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。