【技术实现步骤摘要】
本申请涉及空调负荷监测，且更为具体地，涉及一种基于卡尔曼滤波的非侵入式空调负荷监测方法。
技术介绍
1、在过去十年中，智能恒温器和先进的制冷供暖技术得到了广泛开发和部署，以实现节能和提供电网服务。而随着新型电力系统建设过程中需求侧数字化和智能化水平的快速提升，以及售电侧市场的逐步开放，电力用户与电网的互动更加频繁，负荷的波动性和不确定性显著增加。因此，对空调负荷的运行状态进行精准辨识，分析可调潜力用户群体，能够提高能源利用效率和电网服务质量。
2、由于大型商业楼宇建筑的设备种类繁多，产生的噪声也极为复杂，使得空调负荷状态的监测和感知变得异常困难。目前的负荷辨识数学优化方法通过在特征空间中寻找最优解，通常基于对负荷特征的可加性假设。这些方法在处理简单或少量负荷时表现较好，但在面对复杂、多样化的负荷情况时可能存在局限性，因为它们需要明确的特征模型来进行优化。此外，应用常规深度学习模型在处理空调负荷数据时，往往会受到噪声的干扰，增加数据的复杂性，使得模型难以学习到有效的特征，从而影响负荷识别的准确率。
3、因此，期望一种优化的空调负荷监测方案。
技术实现思路
1、本申请提供一种基于卡尔曼滤波的非侵入式空调负荷监测方法，其能够更精确地估计空调负荷并有效校正预测误差，提高了负荷识别的准确性和实时性。
2、第一方面，提供了一种基于卡尔曼滤波的非侵入式空调负荷监测方法，包括：
3、通过非侵入式量测终端获取被监测空调的历史负荷数据；
4、
5、基于延迟时间和嵌入维度，对所述空调负荷一维时间序列进行相空间重构以得到空调负荷序列高维空间轨迹；
6、基于预定时间窗口对所述空调负荷序列高维空间轨迹进行滑动采样以得到空调负荷序列轨迹采样窗的序列；
7、计算所述空调负荷序列轨迹采样窗的序列中的各个空调负荷序列轨迹采样窗的局部平均值以得到局部平均值的序列；
8、基于所述局部平均值的序列，计算下一时刻的空调负荷运行预测值；
9、计算所述下一时刻的空调负荷运行预测值与实际测量数据之间的卡尔曼增益；
10、基于所述卡尔曼增益对所述下一时刻的空调负荷运行预测值进行校正以得到优化的下一时刻的空调负荷运行预测值。
11、本申请提供的一种基于卡尔曼滤波的非侵入式空调负荷监测方法，其利用非侵入式终端收集空调历史负荷数据，形成一维时间序列。通过设定延迟时间和嵌入维度，对时间序列进行相空间重构，获得高维空间轨迹。采用预定时间窗口对轨迹进行滑动采样，计算各采样窗的局部平均值，形成局部平均值序列。基于此序列预测下一时刻空调负荷，并结合实际测量数据计算卡尔曼增益，对预测值进行校正，得出优化的预测结果。这样，能够更精确地估计空调负荷并有效校正预测误差，提高了负荷识别的准确性和实时性。
本文档来自技高网...【技术保护点】
1.一种基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，包括：
2.根据权利要求1所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于延迟时间和嵌入维度，对所述空调负荷一维时间序列进行相空间重构以得到空调负荷序列高维空间轨迹，包括：
3.根据权利要求2所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于所述局部平均值的序列，计算下一时刻的空调负荷运行预测值，包括：
4.根据权利要求3所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，从所述空调负荷局部时序模式隐含表示向量的序列中提取当前空调负荷局部时序模式隐含表示向量和历史空调负荷局部时序模式隐含表示向量的序列，并进行主成分提取以得到当前空调负荷局部时序主成分表示向量和历史空调负荷局部时序主成分表示向量的序列，包括：
5.根据权利要求4所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，计算所述历史空调负荷局部时序主成分表示向量的序列中的各个历史空调负荷局部时序主成分表示向量的序列相对于所述当前空调负荷局部时序主成分表示向量的时序传播衰
6.根据权利要求5所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于所述空调负荷时序传播衰减熵绝对因子的序列，对所述当前空调负荷局部时序主成分表示向量和所述历史空调负荷局部时序主成分表示向量的序列进行动态传播以得到所述第二尺度空调负荷时序模式隐含表示向量，包括：
7.根据权利要求6所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于所述历史空调负荷局部时序主成分表示向量的序列中的各个历史空调负荷局部时序主成分表示向量与所述当前空调负荷局部时序主成分表示向量之间的时间跨度对所述空调负荷时序传播衰减熵绝对因子的序列中的各个空调负荷时序传播衰减熵绝对因子进行时间维度调制以得到空调负荷时序跨度调制传播衰减熵因子的序列，包括：
8.根据权利要求7所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，将所述空调负荷时序跨度调制传播衰减熵因子的序列输入基于门控函数的信息传递筛选模块以得到空调负荷时序跨度调制传播衰减权重的序列，包括：
9.根据权利要求8所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于所述多尺度空调负荷时序模式隐含表示向量，得到所述下一时刻的空调负荷运行预测值，包括：将所述多尺度空调负荷时序模式隐含表示向量输入基于解码器的空调负荷预测模块以得到所述下一时刻的空调负荷运行预测值。
...【技术特征摘要】
1.一种基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，包括：
2.根据权利要求1所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于延迟时间和嵌入维度，对所述空调负荷一维时间序列进行相空间重构以得到空调负荷序列高维空间轨迹，包括：
3.根据权利要求2所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，基于所述局部平均值的序列，计算下一时刻的空调负荷运行预测值，包括：
4.根据权利要求3所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，从所述空调负荷局部时序模式隐含表示向量的序列中提取当前空调负荷局部时序模式隐含表示向量和历史空调负荷局部时序模式隐含表示向量的序列，并进行主成分提取以得到当前空调负荷局部时序主成分表示向量和历史空调负荷局部时序主成分表示向量的序列，包括：
5.根据权利要求4所述的基于卡尔曼滤波的非侵入式空调负荷监测方法，其特征在于，计算所述历史空调负荷局部时序主成分表示向量的序列中的各个历史空调负荷局部时序主成分表示向量的序列相对于所述当前空调负荷局部时序主成分表示向量的时序传播衰减熵绝对因子以得到空调负荷时序传播衰减熵绝对因子的序列，包括：
6.根据权利要求5所述的基于卡尔曼滤波的非侵入式空调负...
【专利技术属性】
技术研发人员：马茗婕，田闽哲，周慧娟，李秀清，张航，郭露方，陶贺香，苏世杰，尹鹏辉，万方，
申请(专利权)人：国网河南省电力公司营销服务中心，
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。