【技术实现步骤摘要】
一种基于非侵入式智能终端的负荷识别方法
[0001]本专利技术属于电力负荷监测领域,具体为一种基于非侵入式智能终端的特征加权KNN负荷识别方法。
技术介绍
[0002]推进用电侧的智能化,其目的在于优化能源结构、改善用电效率以及提高用电安全。目前的电表只能获取到某段时间内的用电总量,并不能清晰全面地体现出用户的用电情况。因此对于电网而言,负荷监测就显得十分必要。非侵入式负荷监测(Non
‑
Intrusive Load Monitoring,NILM),直接在电力入口处加装采集装置,通过算法来分解出各种电器的用电信息。NILM能带来更大的经济效益,并且更易于实现和维护。通过非侵入式负荷监测,电网可以及时地分析用户的用电行为和电器设备能耗情况,对引导用户节能用电和优化用电资源管理都有着重大意义。
[0003]目前,非侵入式负荷识别基本采用机器学习方法,例如神经网络算法、贝叶斯算法、决策树算法等。神经网络算法用于负荷识别时,准确度高,但需要大量的样本数据来进行模型,且算法结构复杂,运算耗时较长,不适合实时的负荷识别;贝叶斯算法进行负荷识别时,运算过程简单且效率高,然而却忽略了不同特征间的相关性,以及特征权重分配对算法识别结果的影响,实际应用中的识别准确度无法保障;决策树算法在处理负荷不平衡数据集问题时,决策结果会偏向于样本数量较多的类别,容易出现误判。综合而言,目前的负载识别方法大致无法兼顾较高准确度和较好的运算效率,且在处理不平衡数据集和特征权重分配的问题上存在不合理的地方。
专利技术内
【技术保护点】
【技术特征摘要】
1.一种基于非侵入式智能终端的负荷识别方法,其特征在于,包括以下步骤:步骤S1:采集原始负荷数据,非侵入式系统中的采集模块获取实时的秒级电流、电压、谐波、相位、功率有效值,定时上传15分钟时间粒度的数据序列,利用智能终端采集单一负荷以及组合负荷工作时的负荷数据;步骤S2:稳定段数据提取,对步骤S1中采集的数据利用双边累计和算法进行投切点检测,根据投入点t
m
和切入点t
p
定位到负荷稳定段数据,即[t
m
+60,t
p
+60]区间内的数据;步骤S3:数据预处理,依据智能终端采集的负荷数据,取每一类负荷15分钟内的数据平均值,利用欧氏距离进行数据筛选,即计算每一类数据与各类数据平均值的欧式距离,剔除距离大的数据;步骤S4:稳态特征集建立,根据步骤S3得到的各类负荷稳定段数据提取负荷特征,其中电流有效值、三次谐波、五次谐波包含在步骤S3保留的稳定段数据中,利用提取的各电器特征值构建稳态特征集;计算伏安比系数、谐波畸变系数、有功功率。步骤S5:负荷识别,对未知负荷按步骤S3来提取稳态特征,采用改进特征加权KNN算法,计算未知负荷稳态特征和已知负荷稳态特征集之间的改进加权欧氏距离,取距离最相近的结果作为未知负荷的识别结果。2.如权利要求1所述的方法,其特征在于,所述步骤S4中,计算伏安比系数、谐波畸变系数、有功功率的计算公式分别下:其中,V
rmsk
为电压有效值,I
rmsk
为电流有效值;式中,I
h
为第h次谐波电流平均有效值,I1为基波电流平均有效值,I
H
为谐波电流含量;其中V
rmsk
为电压有效值,I
rmsk
为电流有效值,为电压与电流的相位差,为了避免出现负数而影响算法的识别效果,因此取有功功率的绝对值作为特征。3.如权利要求1所述的方法,其特征在于,所述步骤S5中,负荷的识别方法采用改进加权的方式,包括以下步骤:步骤S5
‑
1:根据熵权法,计算特征集中各特征样本的特征权重,KNN算法中的特征加权欧氏距离计算公式为:其中,X
t
为待测数据x
tj
的集合,X
i
为特征集,x
ij
为特征集中的数据;ω
j
表示第j个特征的特征权重;步骤S5
‑
2:依据特征加权欧氏...
【专利技术属性】
技术研发人员:王进,刘权,柯炜,韩敬敏,梁峻,
申请(专利权)人:江苏业力科技有限公司,
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。