[发明专利]基于大数据的负荷分解实现方法及系统

说明书

本发明公开了基于大数据的负荷分解实现方法及系统，所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证，所述用户用电设备负荷特征库是整个项目的基础，基于负荷特性样本数据分析提取各种用电设备的负荷特征，将样本数据和特征数据存储到力负荷特性特征库中，所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据，利用相应的模型算法和机器学习技术，实现基于非侵入式用户用电设备负荷分解的模型算法。本发明基于大数据的负荷分解实现方法及系统通过运用非侵入式负荷分解技术将会提高用户用电的电能利用效率，促进电力资源的优化配置，适合广泛推广并使用。

技术领域

本发明属于电力系统及其自动化技术领域，具体涉及基于大数据的负荷分解实现方法及系统。

背景技术

为了提高用户的用电体验和精细化管理电力营销，全面掌握电力用户的用电行为特征越来越重要。通过非侵入式负荷分解技术，可以为居民用户提供详实的家庭能效信息，帮助用户分析家庭能耗构成，使用户了解自身行为习惯对于家庭能效的影响，从而引导用户自觉地采取节能措施，并养成节能行为习惯，同时为用户提供个性化的用电设备节能控制策略服务。

非侵入式负荷分解于20世纪80年代由MIT团队的Hart G.W.首次提出，目的是为了降低负荷监测的硬件成本，以便使电力公司在使用尽可能少设备的情况下获取较为具体的电能数据。1997年，美国电科院开展了“非侵入式负荷监控系统”(Non-IntrusiveAppliance Load Monitoring System，NIALMS)项目，该项目构建了多处理器的电力负荷暂态事件检测系统，用于对整个建筑负荷进行跟踪与分解。Srinivasan等开发了一种基于神经网络的非侵入式检测方法，但该方法无法在不同电压下对不同的负荷进行分类研究。2012年J.F.Martins等人基于S变换提出一个新的非侵入式电力负荷监测模式，并提出了相应的监测步骤。2011—2014年，Tsai M.S.等总结了非侵入式负荷分解的发展，并提出将暂态过程电流作为特征，利用遗传算法进行特征优化，该方法对暂态过程的识别具有良好的效果。

在国内，非侵入式电力负荷分解研究起步相对较晚，但近年来发展迅速。牛卢巧提出了一种信号预处理算法——基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算法，该方法可用来进行暂态过程的检测，从而为暂态过程的判别创造了条件。同年，黎鹏基于功率信号，对系统稳态时非侵入式负荷分解做了相关研究，提出了最优求解法和表格法，在负荷较少时，能够有效实现系统稳态时的非侵入式负荷分解。2013年，余贻鑫等从负荷印记入手，阐述了非侵入式负荷分解的基本原理和求解方法。

发明内容

本发明的目的在于提供基于大数据的负荷分解实现方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于大数据的负荷分解实现方法及系统，包括所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证，所述用户用电设备负荷特征库是整个项目的基础，基于负荷特性样本数据分析提取各种用电设备的负荷特征，将样本数据和特征数据存储到力负荷特性特征库中，所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据，利用相应的模型算法和机器学习技术，实现基于非侵入式用户用电设备负荷分解的模型算法，所述用户用电数据的采集是为下一步负荷分解数据准确度验证提供数据支撑，所述负荷分解数据准确度验证是对居民用户非侵入式负荷分解模型进行实际的数据验证，确保数据分解的准确性和可用性，并分析用户的用能特征，包括高耗能电器识别、建立居民用户用电行为标签和居民用户用电节能建议。

进一步地，所述用户用电设备负荷特征库在建立过程中，需结合对居民用户用电设备的了解，以及用电设备的用电特征，来确定影响用户用电设备的相关电力数据，包括负荷、电压、电流、电量等数据信息，规划建立用电设备负荷特征库，并采集用户常用用电设备的负荷特征数据，进行用电设备的负荷特征提取。