一种非侵入式空调负荷监测方法

文档序号:10610317阅读:499来源:国知局
一种非侵入式空调负荷监测方法
【专利摘要】本发明提供了一种非侵入式空调负荷监测方法,其包括步骤:采集用户待监测时间段内的总有功功率数据;根据采集到的总有功功率数据形成可能的开关事件序列集合X;对于X中的每一个可能的开关事件序列,确定并计算空调开关状态辨识参数指标集;建立支持向量机空调开关状态辨识模型;训练和验证支持向量机空调开关状态辨识模型;利用训练好的辨识模型,辨识空调的开关状态;根据辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时间段内空调消耗的电能,完成对空调负荷的监测。本发明仅需利用用户低采样率(分钟级)下的总有功功率数据就能实现对空调负荷的非侵入式监测,降低了空调负荷的监测成本,为空调的优化运行提供了科学依据。
【专利说明】
-种非侵入式空调负荷监测方法
技术领域
[0001] 本发明设及一种非侵入式空调负荷监测方法,属于智能电网高级量测体系领域。
【背景技术】
[0002] 空调负荷作为一种典型的居民用电负荷,近年来大幅度增长。据统计,在我国部分 大中城市,夏季高峰时段的空调负荷比例可达30%~40%,个别城市甚至超过50%,给电力 系统的安全、经济运行造成较大影响。高峰时段城市电力供应难W满足空调等负荷快速增 长的需求,智能用电方案被陆续推出,W保证正常的电力供应,维持电网的稳定运行。空调 负荷的主动响应是智能用电环节的重要组成部分,对于有效降低电网高峰负荷,引导居民 合理用电,提高电网稳定性具有重要意义。对空调负荷进行监测,掌握其变化规律是实现空 调负荷主动响应的基础与前提。
[0003] 传统的居民电力负荷监测技术是为每个电器配备一个传感器来获取其用电信息, 属于侵入式负荷监测。运种监测方法需要安装大量的传感器,安装维护成本高,不易推广。 与侵入式负荷监测不同,非侵入式负荷监测技术仅需在用户入口处安装一个传感器,通过 采集和分析用户用电总电流和端电压来监测户内每个或每类电器的用电功率和工作状态, 从而知晓居民家中每个或每类电器的耗电状态和用电规律。该项技术因其具有简单、经济、 数据完整性好和易于迅速推广应用等优势而受到广泛关注。
[0004] 现有的非侵入式负荷监测算法需要利用除有功功率信息外的其他信息(无功功 率、暂态信息等)。现有的智能电表难W获取无功功率信息,且为了不遗漏暂态信息(通常暂 态过程仅持续0.2s左右),需要采样设备对负荷进行不间断的监测,运对采样设备的采样率 提出了很高的要求。故现有的监测系统对软、硬件的要求很高,大大增加了整套设备的投 资,不利于推广。

【发明内容】

[0005] 本发明的目的在于针对现有技术之弊端,提供一种非侵入式空调负荷监测方法, 其仅利用低采样率(分钟级)下的总有功功率数据就能实现对空调负荷的非侵入式监测,为 空调的优化运行提供科学依据。
[0006] 本发明上述目的是通过下述技术方案实现的:
[0007] -种非侵入式空调负荷监测方法,其包括步骤:
[000引S1:采集用户待监测时间段内的总有功功率数据;
[0009] S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的 开关事件序列集合X;
[0010] S3:对于所述开关事件序列集合X中的每一个可能的开关事件序列,确定并计算空 调开关状态辨识参数指标集;
[0011] S4:W空调开关状态辨识参数指标集中的变量作为输入,W实际的空调开关信息 作为输出,建立支持向量机(Suppcxrt Vector Machine,SVM)空调开关状态辨识模型;
[0012] S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨 识模型;
[0013] S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关 状态;
[0014] S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算 该时间段内空调消耗的电能,完成对空调负荷的监测。
[001引优选地,步骤S1中:
[0016]对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率 数据,记为9(。,1 = 1,2,...,11,其中9(。代表第1个采样点的总有功功率值,11为采样点个 数,W ti表示第i个采样点的采样时刻,则采样间隔表示为Τ = ti-ti-l。
[0017] 优选地,步骤S2中:
[0018] 将相邻两个采样点的总有功功率差值与预设定的阔值进行比较,从而找出所有可 能的空调开启、关闭时间点,具体判断方式如下:
[0019] 如果p(i+l)-p(i)〉Ss,i = l ,2, . . . ,η,则ties,
[0020] 如果口(;〇-口。-1)<864 = 1,2,...,]1,则1:1£6,
[0021] 其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段 内所有可能的空调关闭时间点的集合,Ss为预设定的开启阔值,Se为预设定的关闭阔值,所 述开启阔值和关闭阔值的大小需根据用户所使用的空调型号来设定,开启阔值设定为用户 所安装空调输入功率的25%,关闭阔值设定为用户所安装空调输入功率的20% ;
[0022] 其中,对于已确定的集合S =柄,&,…,巧}和集合f =柄,6;,...,^},si表示任一可能 的开启时间点,i = l,2,…h,h是待监测时间段内所有可能的开启时间点个数,e康示任一 可能的关闭时间点,i = l,2,…b,l2是待监测时间段内所有可能的关闭时间点个数,且有b 将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,运些开关事件形 成可能的开关事件序列集合X。
[0023] 进一步地,将S中的每个元素与E中的元素进行匹配的方式为:对于集合S中的元素 si,i = l,2,. . . ,h,在集合E中找到一个满足ej=min{e|e-si〉0}条件的点,与Si组成一个可 能的开关事件,记区间[si,ej为一个可能的开关事件窗口,[si,ej所对应的功率序列P (si),p(si+l),. ..,p(e广l),p(ej)为可能的开关事件序列,记为XI,则所有的xi,i = l, 2, ...,h组成可能的开关事件序列集合X。
[0024] 优选地,步骤S3中,对于集合X中的每一个可能的开关事件序列,提取如下特征参 数W形成空调开关状态辨识参数指标集:
[0025] a、开关事件窗口大小
[00%] Fii = length(xi),i = 1,2,. . .,h,其中,Fil表示第i个可能的开关事件的窗口大 小,length(xi)表示计算序列XI的长度,即序列XI中元素的个数;
[0027] b、功率均值
[002引Fi2 = mean(xi),i = l,2,.. .,h,其中,Fi2表示第i个可能的开关事件的功率均值, mean (xi)表示对序列xi求取算术平均值;
[00巧]C、功率方差
[0030] Fi3 = var(xi),i = l,2,. ..,li,其中,Fi3表示第i个可能的开关事件的功率方差, vaHxi)表示对序列xi求取方差,即为
式中Fi中I2分别 表示第i个可能的开关事件的开关事件窗口大小与功率均值,xi(j)表示可能开关事件序列 X冲第j个元素;
[0031] d、功率峰值
[00创 Fi4 = max(xi),i = l,2,. ..,!1,其中,Fi4表示第i个可能的开关事件的功率峰值, max (Xi)表示对序列Xi求取最大值。
[0033] 优选地,步骤S5中,针对已知空调开关状态的历史数据,分别计算所述空调开关状 态辨识参数指标集中的各项特征参数,然后选择其中的一部分数据作为支持向量机空调开 关状态辨识模型的训练样本,训练该模型,将其余部分数据作为验证数据,对该模型的辨识 效果进行校验。
[0034] 优选地,步骤S6中,针对待监测的时间段,计算空调开关状态辨识参数指标集中的 各项特征参数,然后将计算出的参数序列输入步骤S5中训练好的支持向量机空调开关状态 辨识模型中,得到该时间段内空调的开关状态。
[0035] 优选地,步骤S7中,^¥=^1,72,...,71<}表示待监测时间段内由步骤56中辨识得 到的空调开关状态组成的开关事件序列集合,Y为集合X经辨识模型辨识而剔除非开关事件 序列后的开关事件序列集合,贝化为集合X的一个子集;WFii表示Y集合中yi元素的第一个特 征参数,其单位为分钟,Wp表示用户所安装空调的输入功率,其单位为千瓦,则空调在该时 间段内所消耗的电能W由
计算得到,其单位为千瓦?时。
[0036] 优选地,所述空调为家庭空调。
[0037] 优选地,步骤S1中的采样率为分钟级。
[0038] 上述非侵入式空调负荷监测方法主要基于低采样率有功功率数据进行空调负荷 监测,在支持向量机空调开关状态辨识模型的训练和验证过程W及实际用户空调开关状态 辨识过程中,应对计算得到的运行状态辨识参数指标集中的特征参数进行归一化处理。
[0039] 本发明的非侵入式空调负荷监测方法具有如下优点:采样率低,例如可谓分钟级, 对采样设备的要求低,可通过用户的智能电表进行采集数据;仅利用有功功率进行负荷监 测,数据处理和采集相对容易;对空调开关事件的辨识成功率高;实现该检测方法的整个监 测系统的投资成本和运行成本低,易于推广。本发明的方法为空调的优化运行提供了科学 依据。
【附图说明】
[0040] 下面结合附图对本发明作进一步详述。
[0041] 图1是本发明的优选实施方式的非侵入式空调负荷监测方法的示意性流程图。
【具体实施方式】
[0042] W下结合附图对本发明的原理和特征进行描述,所举实例只是用于解释本发明, 并非用于限定本发明的保护范围。
[0043] 本发明的非侵入式空调(优选家用空调)负荷监测方法的基本流程可W包括:首先 利用例如智能电表来采集用户待监测时间段内的总有功功率数据;其次将每相邻两个采样 点的总有功功率差值与预设定的阔值进行比较,找出所有可能的空调开启时间点和关闭时 间点,将每个可能的开启时间点和与之最相邻的可能的关闭时间点组成可能的开关事件; 然后对每个可能的开关事件,提取能够表征空调开关状态的波形特征参数;随后,通过支持 向量机方法,建立家用空调开关状态辨识模型,拟合总功率波形特征参数与空调开关状态 之间的非线性映射关系;利用空调开关状态辨识模型对待监测时间段内的总负荷数据进行 监测,得到待监测时间段内空调的开关状态;最后,结合用户所安装空调的输入功率,计算 得到待监测时间段内空调的电能消耗,完成对空调负荷的监测。
[0044] 具体地,如图1所示,本发明的非侵入式空调负荷监测方法包括步骤:
[0045] S1:采集用户待监测时间段内的总有功功率数据。
[0046] S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的 开关事件序列集合X。本步骤中,之所W称为"可能的开关事件序列集合",是因为其中有可 能包含"非开关事件序列",即,有可能存在某些可能的空调开启、关闭时间点并不构成真正 的开关事件的情形,运些"非开关事件序列"需要在后续步骤中予W剔除。
[0047] S3:对于所述开关事件序列集合X中的每一个可能的开关事件序列,确定并计算空 调开关状态辨识参数指标集。
[0048] S4:W空调开关状态辨识参数指标集中的变量作为输入,W实际的空调开关信息 作为输出,建立支持向量机(Suppcxrt Vector Machine,SVM)空调开关状态辨识模型。
[0049] S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨 识模型。
[0050] S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关 状态。
[0051] S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算 该时间段内空调消耗的电能,完成对空调负荷的监测。
[0化2] 优选地,步骤S1中:
[0053]对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率 数据,记为9(。,1 = 1,2,...,11,其中9(。代表第1个采样点的总有功功率值,11为采样点个 数,W ti表示第i个采样点的采样时刻,则采样间隔表示为Τ = ti-ti-l。
[0化4] 优选地,步骤S2中:
[0055]将相邻两个采样点的总有功功率差值与预设定的阔值进行比较,从而找出所有可 能的空调开启、关闭时间点,具体判断方式如下:
[0化6]如果p(i+l)-p(i)〉Ss,i = l ,2, . . . ,η,则ties,
[0化7]如果口(;〇-口。-1)<864 = 1,2,...,]1,则1:1£6,
[0058] 其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段 内所有可能的空调关闭时间点的集合,Ss为预设定的开启阔值,Se为预设定的关闭阔值,所 述开启阔值和关闭阔值的大小需根据用户所使用的空调型号来设定,例如,开启阔值设定 为用户所安装空调输入功率的25%,关闭阔值设定为用户所安装空调输入功率的20%。
[0059] 其中,对于已确定的集合S 丐1)郝集合.E =柄,6_,,...,吃} :,s康示任一可能 的开启时间点,i = 1,2,…11,h是待监测时间段内所有可能的开启时间点个数,ei表示任一 可能的关闭时间点,i = l,2,…b,l2是待监测时间段内所有可能的关闭时间点个数,且有b 将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,运些开关事件形 成可能的开关事件序列集合X。
[0060] 进一步地,将S中的每个元素与E中的元素进行匹配的方式为:对于集合S中的元素 si,i = l,2,. . .,h,在集合E中找到一个满足ej=min{e|e-si〉0}条件的点,与Si组成一个可 能的开关事件,,记区间[Si心]为一个可能的开关事件窗口,[Si心]所对应的功率序列P (Si),p(si+l),. . .,p(ej-l),p(ej)为可能的开关事件序列,记为xi,则所有的xi, i = 1, 2, . . .,h组成可能的开关事件序列集合X。
[0061] 优选地,步骤S3中,对于集合X中的每一个可能的开关事件序列,提取如下特征参 数W形成空调开关状态辨识参数指标集:
[0062] a、开关事件窗口大小
[0063] Fii = length(xi),i = l,2, . . .,h,其中,Fii表示第i个可能的开关事件的窗口大 小,1 ength (xi)表示计算序列xi的长度,即序列xi中元素的个数;
[0064] b、功率均值
[0065] Fi2 = mean(xi),i = l,2,...,h,其中,Fi2表示第i个可能的开关事件的功率均值, mean (Xi)表示对序列Xi求取算术平均值;
[0066] C、功率方差
[0067] Fi3 = var(xi),i = l,2,. ..,li,其中,Fi3表示第i个可能的开关事件的功率方差, varUi)表示对序列xi求取方差,即天
式中Fi\Fi2分别 表示第i个可能的开关事件的开关事件窗口大小与功率均值,xi(j)表示可能开关事件序列 Xi中第j个元素;
[006引 d、功率峰值
[0069] Fi4 = max(xi) ,1 = 1,2,...,li,其中,Fi4表示第i个可能的开关事件的功率峰值, max (Xi)表示对序列Xi求取最大值。
[0070] 优选地,步骤S5中,针对已知空调开关状态的历史数据,分别计算所述空调开关状 态辨识参数指标集中的各项特征参数,然后选择其中的一部分数据作为支持向量机空调开 关状态辨识模型的训练样本,训练该模型,将其余部分数据作为验证数据,对该模型的辨识 效果进行校验。
[0071] 优选地,步骤S6中,针对待监测的时间段,计算空调开关状态辨识参数指标集中的 各项特征参数,然后将计算出的参数输入步骤S5中训练好的支持向量机空调开关状态辨识 模型中,得到该时间段内空调的开关状态。
[0072] 优选地,步骤S7中,^¥=^1,72,...,71<}表示待监测时间段内由步骤56中辨识得 到的空调开关状态组成的开关事件序列集合,Y为集合X经辨识模型辨识而剔除非开关事件 序列后的开关事件序列集合,贝化为集合X的一个子集;WFii表示Y集合中yi元素的第一个特 征参数,其单位为分钟,Wp表示用户所安装空调的输入功率,其单位为千瓦,则空调在监测 时间段内所消耗的电能w可由
计算得到,其单位为千瓦?时。
[0073] 下面W具体实例来说明本发明的非侵入式空调负荷监测方法的工作过程及所能 达到的突出效果。
[0074] W某用户2014年1月1日至2014年2月28日的用电监测数据为例,对本发明所提供 的方法进行详细阐述。作为示例,该用户2014年1月1日0时至1时的用电监测数据见附表1, 其余时段的用电监测数据省略。用电监测数据包括该用户总有功功率数据及空调的实际用 电功率数据,采样间隔为1分钟。
[0075] 由于用户的总有功功率数据已经获得,如附表1所示,因此在下面的实例中将省略 步骤S1。具体地,在本实例中,本发明的方法包括如下步骤:
[0076] 步骤一(对应于前述步骤S2):将用户相邻两个采样点的总有功功率差值与预设定 的阔值进行比较,找出所有可能的开关时间点,形成开关事件时间点初选集合。运里,阔值 的设置方法是:据用户所使用的空调的输入功率来设定,开启阔值设定为用户所安装空调 输入功率的25%,关闭阔值设定为用户所安装空调输入功率的20%。由此计算得到开启阔 值为300W,关闭阔值为-240W。将功率差值大于开启阔值的采样点归入开启时间点集合S,小 于关闭阔值者归入关闭时间点集合E。对集合S中任意一个元素 si,在E中选取Si后最近一次 发生关闭的ej元素与之进行配对,形成一次可能的开关事件ki,ej,对应的可能开关事件 序列为XI。所有的可能开关事件序列组成集合X。实例中共检测到可能的开关事件为861次, 且第一次可能的开关事件的开启关闭采样点为[23,3引,如附表1所示,即表示从1月1日加寸 起,第23个数据采样点处发生可能的空调开启事件,第38个数据采样点处发生可能的空调 关闭事件,二者组成第一次可能的开关事件。本次可能的开关事件所对应的功率序列为 {0.94,1.675,1.743,1.739,1.769,1.775,1.782,1.794,1.802,1.817,1.807,1.823, 1.822,1.825,1.846,1.851},功率单位为kW。
[0077] 步骤二(对应于前述步骤S3):针对每个可能的开关事件序列,确定并计算其特征 参数。运里选择{开关事件窗口大小、功率均值、功率方差、功率峰值},为4维变量。针对第一 次可能的开关事件序列,计算四个特征参数分别为:16,1.738,0.0473,1.851。计算861次可 能的开关事件序列特征参数,形成空调开关状态辨识参数指标集。
[0078] 步骤Ξ(对应于前述步骤S4):将空调开关状态辨识参数指标集中的变量作为SVM 模型的输入,实际的空调开关信息作为SVM的输出,建立SVM空调开关状态辨识模型。作为辨 识模型训练样本输出时,将实际发生开关事件的样本标记为1,实际未发生开关事件的样本 记为0。
[0079] 步骤四(对应于前述步骤S5):选择适当比例的已知空调实际开关时间点的数据作 为SVM模型的训练样本,训练该模型,其余部分用W验证模型的辨识效果。分别计算所有可 能开关事件对应的空调开关状态辨识参数指标集各特征参数,并对其进行归一化处理,用 于SVM辨识模型的训练和验证。运里,按照3:7的比例选择861次可能开关事件中的前258次 数据,用W实现SVM的训练,用余下的603次数据对模型辨识效果进行验证,其中开关事件识 别正确的次数有558次,准确率达92.54%。
[0080] 步骤五(对应于前述步骤S6):对于该用户而言,在训练好该空调开关状态辨识模 型后,即可W针对待监测的时间段,计算空调开关状态辨识参数指标集中的各项特征参数, 然后将计算出的参数序列输入该辨识模型中,得到该时间段内空调的开关状态。
[0081] 步骤六(对应于前述步骤S7):利用步骤五中辨识得的空调开关状态特征参数与用 户所安装空调的输入功率,计算空调在此段时间内的电能消耗,即完成对空调在此段时间 内的负荷监测。具体地,WY={yi,y2,...,yk}表示待监测时间段内由步骤五中辨识得到的 空调开关状态组成的开关事件序列集合,集合X为可能的开关事件序列集合,Y为集合X经辨 识模型辨识、剔除非开关事件序列后的开关事件序列集合,贝化为集合X的一个子集。WFii表 示Y集合中yi元素的第一个特征参数,其单位为分钟,Wp表示用户所安装空调的输入功率, 其单位为千瓦,空调在监测时间段内所消耗电能W可由
计算所得,其单位为千 瓦?时。本实例中,该用户2014年1月旧0时至1时由计算可得负荷消耗为0.32kW-h,完成 对用户在此时间段内的负荷监测。
[0082] 上述具体实施方案仅为本发明的优选实施方案,并不用于限制本发明。任何熟悉 本领域的技术人员可轻易想到的变化和替换方法,均应涵盖在本发明的保护范围之内。
[0083] 附表1
[0084]
[0085]
[0086]
[0087]
【主权项】
1. 一种非侵入式空调负荷监测方法,其特征在于,包括步骤: S1:采集用户待监测时间段内的总有功功率数据; S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的开关 事件序列集合X; S3:对于所述开关事件序列集合X中的每一个可能的开关事件,确定并计算空调开关状 态辨识参数指标集; S4:W空调开关状态辨识参数指标集中的变量作为输入,W实际的空调开关信息作为 输出,建立支持向量机空调开关状态辨识模型; S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨识模 型; S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关状态; S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时 间段内空调消耗的电能,完成对空调负荷的监测。2. 根据权利要求1所述的方法,其特征在于,步骤S1中: 对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率数 据,记为9(。,1 = 1,2,...,11,其中9(。代表第1个采样点的总有功功率值,11为采样点个数, Wti表示第i个采样点的采样时刻,则采样间隔表示为T=ti-ti-l。3. 根据权利要求1或2所述的方法,其特征在于,步骤S2中: 将相邻两个采样点的总有功功率差值与预设定的阔值进行比较,从而找出所有可能的 空调开启、关闭时间点,具体判断方式如下: 如果口(1+1)-口(:0〉834 = 1,2,...,]1,则1:1£5, 如果口(:〇-口。-1)<864 = 1,2,...,]1,则1:1£6, 其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段内所 有可能的空调关闭时间点的集合,Ss为预设定的开启阔值,Se为预设定的关闭阔值,所述开 启阔值和关闭阔值的大小需根据用户所使用的空调型号来设定,开启阔值设定为用户所安 装空调输入功率的25%,关闭阔值设定为用户所安装空调输入功率的20% ; 其中,对于已确定的集合S =知,,…,}和集合E = k,Cj,.... e,: j,Si表示任一可能的开 启时间点,i = 1,2,…11,11是待监测时间段内所有可能的开启时间点个数,ei表示任一可能 的关闭时间点,i = l,2, 一12,12是待监测时间段内所有可能的关闭时间点个数,且有 h;将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,运些开关事件形成 可能的开关事件序列集合X。4. 根据权利要求3所述的方法,其特征在于,将S中的每个元素与E中的元素进行匹配的 方式为:对于集合S中的元素 si,i = l,2, . . .,h,在集合E中找到一个满足ej=min{e|e-si> 0}条件的点,与Si组成一个可能的开关事件,记区间[si,ej为一个可能的开关事件窗口, [Si州]所对应的功率序列9佔),9佔+1),...,9(6广1),9佔)为可能的开关事件序列,记为 xi,则所有的xi,i = l,2,. . .,h组成可能的开关事件序列集合X。5. 根据权利要求1-4之一所述的方法,其特征在于,步骤S3中,对于集合X中的每一个可 能的开关事件序列,提取如下特征参数W形成空调开关状态辨识参数指标集: 曰、开关事件窗口大小 Fii = length(xi) 4 = 1,2,...,11,其中^11表示第;[个可能的开关事件的窗口大小, length(xi)表示计算序列xi的长度,即序列xi中元素的个数; b、功率均值 Fi2 = mean(xi),i = l,2,. . .,h,其中,Fi嗦示第i个可能的开关事件的功率均值,mean (Xi)表示对序列XI求取算术平均值; C、功率方差 Fi3 = va;r(xi),i = l,2,. . .,h,其中,Fi嗦示第i个可能的开关事件的功率方差,varUi) 表示对序列χι求取方差,即夫/式中Fi\Fi2分别表示第i 个可能的开关事件的开关事件窗口大小与功率均值,Xi(j)表示可能开关事件序列XI中第j 个元素; d、功率峰值 Fi4=max(xi) 4 = 1,2,.其中,Fi嗦示第i个可能的开关事件的功率峰值,max(xi) 表示对序列Xi求取最大值。6. 根据权利要求1-5之一所述的方法,其特征在于,步骤S5中,针对已知空调开关状态 的历史数据,分别计算所述空调开关状态辨识参数指标集中的各项特征参数,然后选择其 中的一部分数据作为支持向量机空调开关状态辨识模型的训练样本,训练该模型,将其余 部分数据作为验证数据,对该模型的辨识效果进行校验。7. 根据权利要求1-6之一所述的方法,其特征在于,步骤S6中,针对待监测的时间段,计 算空调开关状态辨识参数指标集中的各项特征参数,然后将计算出的参数序列输入步骤S5 中训练好的支持向量机空调开关状态辨识模型中,得到该时间段内空调的开关状态。8. 根据权利要求1-7之一所述的方法,其特征在于,步骤S7中,WY={yi,y2, . . .,yk}表 示待监测时间段内由步骤S6中辨识得到的空调开关状态组成的开关事件序列集合,Y为集 合X经辨识模型辨识而剔除非开关事件序列后的开关事件序列集合,贝化为集合X的一个子 集;WFii表示Y集合中yi元素的第一个特征参数,其单位为分钟,Wp表示用户所安装空调的 输入功率,其单位为千瓦,则空调在该时间段内所消耗的电能W由计算得到, 其单位为千瓦?时。9. 根据权利要求1-8之一所述的方法,其特征在于,所述空调为家庭空调。10. 根据权利要求1-9之一所述的方法,其特征在于,步骤S1中的采样率为分钟级。
【文档编号】F24F11/00GK105972761SQ201610351374
【公开日】2016年9月28日
【申请日】2016年5月25日
【发明人】王飞, 李康平, 苏适, 严玉廷, 陆海, 刘力铭
【申请人】华北电力大学(保定), 云南电网有限责任公司电力科学研究院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1