基于非介入负荷辨识结果的居民定频空调数量识别方法与流程

1.本发明涉及一种基于非介入负荷辨识结果的居民定频空调数量识别方法，属于电力用户画像技术领域。


背景技术：

2.近年来随着智能电网和大数据技术的发展，电力用户画像逐渐成为一个热门的研究方向，利用电网用户信息采集系统的海量数据，分析电力用户的用电行为习惯，建立电力用户画像模型，不仅可以精准预测用户用电趋势、监控用户异常用电事件，还为数字化精准营销与服务提供了支撑。目前居民电力负荷监测分解技术主要有介入式监测分解(ilmd)和非介入式监测分解(nilmd)两大类两个技术手段。
3.ilmd是直接在用户家庭分别对各类用电设备安装分量计量表，但这个方法对居民扰动较大，安装和维护成本也很高，因此推广难度大；nilmd技术手段是通过用户端口电压、电流的采集实现用户电流的非入户辨识。
4.非介入式负荷辨识技术只需要采集用户的总电流和电压，再通过智能分解算法来辨识用户每类电器的启停时间和用电量，与智能插座等入户型负荷辨识技术相比，无需介入用户施工，项目协调、建设和维护成本都大为降低，容易大规模推广。
5.但目前，非介入负荷辨识(nilmd)技术的研究还停留只能识别出电器种类、使用时间、功率和用电量，同种电器的数量识别方法、数据分离方法等关键技术还有待进一步提高。
6.本发明在此背景下提供了一种基于非介入负荷辨识结果的居民定频空调数量识别方法。


技术实现要素：

7.为了解决上述技术问题，本发明提供一种基于非介入负荷辨识结果的居民定频空调数量识别方法，其具体技术方案如下：一种基于非介入负荷辨识结果的居民定频空调数量识别方法，包括以下步骤：步骤1：获取居民用户定频空调非介入负荷辨识数据，所述辨识数据包括电器类型、启动时间、停止时间和峰值功率；步骤2：对得到的辨识数据进行清洗，去除不满足条件的辨识数据；步骤3：把定频空调辨识数据按分钟时间尺度进行拆解，拆解出一组功率数据和一组运行次数数据；步骤4：对拆解后的功率数据采用基于密度的聚类算法进行聚类，以划分出定频空调的不同功率范围簇，记功率范围簇数量为m1；步骤5：对拆解后的运行次数数据统计n台空调重叠运行的时间占总运行时间的比例，计算出居民用户最大同时运行空调台数，记为m2；步骤6：最终确定用户定频空调的台数为max（m1，m2）。
8.进一步的，所述步骤2的具体过程为：步骤2.1：剔除非介入负荷辨识数据中峰值功率小于定频空调功率阈值k1的电器数据；步骤2.2：剔除非介入负荷辨识数据中日累计运行时间小于日累计运行时间阈值k2的数据；步骤2.3：剔除非介入负荷辨识数据中月累计运行时间小于月累计运行时间阈值k3的数据。
9.进一步的，所述定频空调功率阈值k1为400w，所述日累计运行时间阈值k2的取值范围为10-30min，所述月累计运行时间阈值k3的取值范围为60-120min。
10.进一步的，所述步骤3的一组功率数据和一组运行次数数据，分别以(分钟序号，功率)二元组和(分钟序号，运行次数)二元组格式对拆解数据进行编码。
11.进一步的，所述聚类算法的半径参数设置为100，密度参数设置为max（k4，k5），k4取值范围为120-300min，k5为所述拆解的功率数据总数据点数乘以一个比例系数c，c的取值范围为0.01-0.1，所述比例系数c根据在带标签的数据子集上聚类结果的正确率进行动态调整。
12.进一步的，所述步骤5的具体过程为：步骤5.1：统计拆解的运行次数数据中分钟序号的总数量，记为n，对分钟序号相同的多条拆解数据，其分钟序号的统计数量为1；步骤5.2：按分钟序号分别统计拆解数据条数，并将分钟序号i对应的拆解数据条数表示为qi；步骤5.3：将所有qi按照取值分别进行计数，将取值为r的qi的个数表示为qr；步骤5.4：计算r台空调同时运行时间占比，即分钟序号i对应的拆解数据条数qi取值为r时的运行时间占比pr=qr/n；步骤5.5：将pr与预先设定的运行时间占比阈值α进行比较，剔除小于阈值α的r值，取剩余的最大r值为用户定频空调最大同时运行的台数，记为m2。
13.进一步的，所述运行时间占比阈值α的取值范围为max（k6，k7），k6取值在60-120min之间，k7取值为拆解的运行次数数据中分钟序号的总数量n乘以比例系数b，b的取值在0.01-0.1之间。
14.进一步的，所述居民用户定频空调非介入负荷辨识数据包括冬季和夏季至少各一个月的数据，其中冬季包括11月、12月、1月和2月，夏季包括6月、7月和8月。
15.进一步的，所述辨识数据通过辨识终端以15分钟为时间颗粒度上传至主站。
16.本发明的有益效果是：本发明通过非介入负荷辨识技术得到居民定频空调的用电数据，通过将定频空调辨识数据按功率和运行次数进行拆解，结合功率聚类和重叠运行特征两个维度，只需采集用户的总电流和电压，无需介入用户施工，解决了居民定频空调数量的非介入负荷辨识的技术难题，突破了当前非介入式监测分辨技术仅能够识别出用电类型和用电量的局限，对指导节能减排和提供数字化精准营销与服务具有重要意义。
附图说明
17.图1是本发明的流程图，
图2是本发明的定频空调负荷辨识结果数据的功率分布图，图3是本发明的定频空调负荷辨识结果数据的运行次数分布图，图4是本发明的定频空调功率分布直方图。
具体实施方式
18.现在结合附图对本发明作进一步详细的说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
19.本示例选取某居民用户2021年7月份的空调数据进行分析。
20.如图1所示，本发明的基于非介入负荷辨识结果的居民定频空调数量识别方法，包括以下步骤：步骤1： 获取居民用户定频空调非介入负荷辨识结果数据，辨识数据包括电器类型、启动时间、停止时间和峰值功率；步骤2：对得到的辨识结果数据进行清洗，去除不满足条件的数据；步骤2.1：剔除非介入负荷辨识数据中峰值功率小于定频空调功率阈值k1的电器数据；步骤2.2：剔除非介入负荷辨识数据中日累计运行时间小于日累计运行时间阈值k2的数据；步骤2.3：剔除非介入负荷辨识数据中月累计运行时间小于月累计运行时间阈值k3的数据；本示例中，设置k1为400w，k2为20min，k3为60min。
21.步骤3：把定频空调辨识数据按分钟时间尺度进行拆解，拆解出一组功率数据和一组运行次数数据，功率数据和运行次数数据分别以(分钟序号，功率)二元组和(分钟序号，运行次数)二元组格式对拆解数据进行编码，例如，原始数据为：(id,8,10,500)，拆解编码后功率数据为(8,500),(9,500),(10,500)，运行次数数据为(8,1),(9,1),(10,1)，拆解后的功率数据和运行次数数据画成日分布图如图2和图3所示。
22.步骤4：对步骤3拆解后的功率数据采用基于密度的聚类算法进行聚类，以划分出定频空调的不同功率范围簇，得到如图4所示的功率分布直方图，设其数量为m1，聚类算法的半径参数设置为100，密度参数设置为max（k4，k5），k4取值范围为120-300min，本示例中k4取值为240min，k5为拆解的功率数据总数据点数乘以一个比例系数c，c的取值范围为0.01-0.1，本示例中比例系数c的取值设为0.05，比例系数c根据在带标签的数据子集上聚类结果的正确率进行动态调整，聚类算法划分出功率簇的数量为2，平均功率分别为1230w和2250w；步骤5：对步骤3拆解后的运行次数数据统计n台空调重叠运行的时间占总运行时间的比例，计算出居民用户最大同时运行空调台数；步骤5.1：统计步骤3拆解的运行次数数据中分钟序号的总数量，记为n，对分钟序号相同的多条拆解数据，其分钟序号的统计数量为1；步骤5.2：按分钟序号分别统计拆解数据的条数，并将分钟序号i对应的拆解数据条数表示为qi；
步骤5.3：将所有qi按照取值分别进行计数，将取值为r的qi的个数表示为qr；步骤5.4：计算r台空调同时运行时间占比，即分钟序号i对应的拆解数据条数qi取值为r时的运行时间占比pr=qr/n；步骤5.5：将pr与预先设定的运行时间占比阈值α进行比较，剔除小于的r值，取剩余的最大r值为用户定频空调最大同时运行的台数，记为m2，阈值α的取值范围为max（k6，k7），k6取值在60-120min之间，本示例中k6的取值为60min，k7取值为拆解的运行次数数据中分钟序号的总数量n乘以比例系数b，b的取值在0.01-0.1之间，本示例中比例系数b的取值设为0.05；步骤6：最终确定用户定频空调的台数为max（m1，m2），本示例中的qi所有取值为1、2和3，q1为7977，q2为1680，q3为57，p1为0.82，p2为0.17，p3为0.01，计算得出最大同时运行台数为2。
23.以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。