[发明专利]一种融合时间特征的电能表负荷实时辨识方法、识别系统

说明书

本发明属于电力设备领域，具体涉及一种融合时间特征的电能表负荷实时辨识方法、识别系统，以及非侵入式电能表负荷识别模块。负荷辨识方法包括如下步骤：S1：采集不同电力节点的电力信息，并记录采样时刻。S2：生成表征电力信息时间特征的分类标记。S3：生成不同节点的电气状态特征。S4：将分类标记和电气状态特征合并作为负荷特征属性集，进而得到一个节点状态数据库。S5：将节点状态数据库分为多个状态子集。S6：获取待测电力节点的实时特征属性集。S7：利用朴素贝叶斯分类算法计算实时特征属性集与各个状态子集的相似概率，确定对应的负荷类型。本发明克服了现有负荷类型分类准确性较差、实时性和颗粒度不足，导致电网管理难度大的问题。

技术领域

本发明属于电力设备领域，具体涉及一种融合时间特征的电能表负荷实时辨识方法、识别系统，以及非侵入式电能表负荷识别模块。

背景技术

随着智能电网的不断发展，科学用电、提高用电效率、加强用户侧用电管理等话题引起了诸多关注。通过分析用户的用能数据，分析出用户负荷特征，进而结合不同用户的负荷类别帮助用户实现用电管理、用电优化，成为电网用户侧管理优化的新方向。同时，准确分析用户的负荷类型还能够进一步提高电网侧对不同台区内电力用户需求的响应速率，实现电力供需动态调整和平衡，进而为保障电网的长期运行稳定性奠定数据基础。

目前，对电力用户负荷辨识的研究一方面主要集中在算法的研究上。例如，技术人员在低频采样前提下通常选择采用LSTM(长短时记忆)、CNN(卷积神经网络)等工具提取负荷曲线特征，再分解拟合负荷特征。这种分析处理方法在计算过程中普遍采用固定大小的窗口，虽然可以采样到差异较大的局部特征，但容易导致模型训练难以收敛，无法进行实际应用。同时，在高频采样前提下则通常呼使用Adaboost、遗传算法等时频分析等手段挖掘谐波特征，但计算结果与实际功率有较大差别，准确度不足。另一方面是对负荷辨识系统架构的研究，如在软件设计上分离计算层和应用层，提高兼容性。但面对海量电力数据，系统在数据处理和通讯方面都将承受较大压力。

此外，现有实现电力用户负荷辨识的技术方案通常只能分析整个台区内的负荷特征，并且需要依赖台区内融合终端采集到的不同电力用户多项电力数据；因而无法对台区内的各个电力节点进行精准分析和科学管理。

发明内容

为了克服现有电力用户的负荷类型分类准确性较差、实时性和颗粒度不足，进而导致电网管理难度增大的问题，本发明提供一种融合时间特征的电能表负荷实时辨识方法、识别系统。

本发明采用以下技术方案实现：

一种融合时间特征的电能表负荷实时辨识方法，其用于根据电能表采集到的对应节点电力数据区分不同电力用户的负荷类型。该电能表负荷实时辨识方法包括如下步骤：

S1：按照预设的采样频率，采集不同负荷类型的电力节点中电能表采集到的电力信息。电力信息包括有功数据P和无功数据Q；并记录每项电力信息的采样时刻。

S2：根据各个节点采样的电力信息的历史数据，生成用于表征各项电力信息的时间特征的分类标记G。分类标记G包括：运行时长标记L，周期标记T、日计时分段标记D，以及季度分段标记S。

S3：根据节点对应的电力信息的历史数据，生成不同节点在每一时刻的电气状态特征E_i，E_i={P_i，Q_i，W_i}。电气状态特征E_i的计算过程如下：

S31：预设一个启动时间阈值ε，计算各个电力节点启动时间t₀在[t₀－, t₀＋]范围内的启动有功功率P_on和启动无功功率Q_on。