本发明涉及电力领域,特别是指一种能量分解中功率信号重构方法。
背景技术:
能量分解是将电表处读取的功率值分解为单个负载所消耗的功率值,如图1所示,其中,图1中的数据为模拟数据,非实测数据。
随着智能电网的发展,家庭用电负荷的分析变得越来越重要。通过用电负荷的分析,家庭用户可以及时获得每个电器的用电信息,以及电费的精细化清单;电力部门可以获得更详尽的用户用电信息,并可以提高用电负荷预测的准确度,为电力部门提供统筹规划的依据。同时,利用每个电器的用电信息,可获知用户的用电行为,这对于家庭能耗评估和节能策略的研究具有指导意义。
当前用电负荷分解主要分为侵入式负荷分解和非侵入式负荷分解两种方法。非侵入式负荷分解方法不需要在负荷的内部用电设备上安装监测设备,只需要根据用电负荷总信息即可获得每个用电设备的负荷信息。非侵入式负荷分解方法具有投入少、方便使用等特点,因此,该方法适用于家庭负荷用电的分解。
非侵入式负荷分解方法所使用的功率数据来自于智能电表的读数,智能电表一般安装在家庭用电入户线处,以检测家庭用户所使用的总电量。由于负荷分解属于典型的欠定问题(即:方程数远远小于未知变量的个数),所以数据的完备性在负荷分解中显得尤其重要。但是来自智能电表的实际数据可能有缺失(例如,智能电表故障、通信故障、数据接收装置故障等等均会造成数据的缺失),有缺失的数据会进一步恶化欠定问题的求解,造成负荷分解结果具有较大的误差。
技术实现要素:
本发明要解决的技术问题是提供一种能量分解中功率信号重构方法,以解决现有技术所存在的智能电表数据缺失的问题。
为解决上述技术问题,本发明实施例提供一种能量分解中功率信号重构方法,包括:
采集功率信号序列,将其转换为二维信号;
对二维信号进行分解,求取功率信号分解系数;
计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差;
根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差,对功率信号分解系数进行调整;
根据调整后的功率信号分解系数,生成没有缺失数据的功率信号序列。
进一步地,所述采集功率信号序列,将其转换为二维信号包括:
采集功率信号序列p(1),p(2),…,p(n),将其转换为矩阵形式,得到功率矩阵,其中,n为功率信号序列的长度;
将功率矩阵转换为二维信号。
进一步地,所述采集功率信号序列p(1),p(2),…,p(n),将其转换为矩阵形式,得到功率矩阵包括:
按照功率信号序列p(1),p(2),…,p(n)的先后次序,将功率信号序列p(1),p(2),…,p(n)分为nr段,每段含有nc个数据,
如果n<nr×nc,则将最后一段不足的部分补零;
将分段后的数据重新排列为矩阵的形式,一段数据为一行,得到功率矩阵
进一步地,转换后得到的二维信号为:
nr=1,2,…,nr
nc=1,2,…,nc
其中,
进一步地,所述对二维信号进行分解,求取功率信号分解系数包括:
通过公式
其中,
进一步地,功率信号变换算子
其中,
进一步地,所述根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差,对功率信号分解系数进行调整包括:
根据求得的各个参量的均值与均方差,确定功率信号分解系数的理论概率分布;
根据计算得到的各个参量的实际边缘概率分布与理论概率分布之间的差异,按照预先设置的调整原则,调整功率信号分解系数出现的频次,得到新的功率信号分解系数
进一步地,预先设置的调整原则包括:
按照分解系数的绝对值由小到大的顺序,依次调整分解系数出现的频次。
进一步地,所述根据调整后的功率信号分解系数,生成没有缺失数据的功率信号序列包括:
根据得到的新的功率信号分解系数
根据得到的无数据缺失的功率信号
将得到的功率矩阵
进一步地,功率矩阵
本发明的上述技术方案的有益效果如下:
上述方案中,采集功率信号序列,将其转换为二维信号;对二维信号进行分解,求取功率信号分解系数;计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差;根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差,对功率信号分解系数进行调整;根据调整后的功率信号分解系数,生成没有缺失数据的功率信号序列,从而重构智能电表数据,解决智能电表数据缺失问题。
附图说明
图1为能量分解示意图;
图2为本发明实施例提供的能量分解中功率信号重构方法的流程示意图;
图3为本发明实施例提供的能量分解中功率信号重构方法的详细流程示意图;
图4为本发明实施例提供的数据分段和矩阵排列示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的智能电表数据缺失的问题,提供一种能量分解中功率信号重构方法。
如图2所示,本发明实施例提供的能量分解中功率信号重构方法,包括:
s101,采集功率信号序列,将其转换为二维信号;
s102,对二维信号进行分解,求取功率信号分解系数;
s103,计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差;
s104,根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差,对功率信号分解系数进行调整;
s105,根据调整后的功率信号分解系数,生成没有缺失数据的功率信号序列。
本发明实施例所述的能量分解中功率信号重构方法,采集功率信号序列,将其转换为二维信号;对二维信号进行分解,求取功率信号分解系数;计算分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差;根据计算得到的分解系数中每个参量的实际边缘概率分布以及各个参量的均值与均方差,对功率信号分解系数进行调整;根据调整后的功率信号分解系数,生成没有缺失数据的功率信号序列,从而重构智能电表数据,解决智能电表数据缺失问题。
为了更好地理解本发明实施例所述的能量分解中功率信号重构方法,对其进行详细说明,如图3所示,所述能量分解中功率信号重构方法具体可以包括以下步骤:
a1,采集功率信号序列
采集功率信号序列p(1),p(2),…,p(n),其中,n为功率信号序列的长度,其中,功率信号序列也可称为功率数据序列。
a2,将功率信号序列p(1),p(2),…,p(n)进行分段并将分段后的数据重新排列为一功率矩阵p,数据分段和矩阵排列如图4所示。
a21,按照功率信号序列p(1),p(2),…,p(n)的先后次序,将功率信号序列p(1),p(2),…,p(n)分为nr段,每段含有nc个数据,
一般情况下,nr=256或512或1024,在实际应用中,nr的取值由实际应用场景确定。
a22,如果n<nr×nc,则将最后一段不足的部分补零。
a23,将分段后的数据重新排列为矩阵的形式,一段数据为一行,故此功率矩阵p共有nr行,nc列,功率矩阵可以表示为
a3,将功率矩阵
nr=1,2,…,nr
nc=1,2,…,nc
其中,
a4,对二维信号
通过公式
其中,
本实施例中,功率信号变换算子
其中,
a5,求取功率信号分解系数中每个参量的边缘概率分布
按照通用的方法对求得的功率信号分解系数
a6,调整功率信号分解系数
a6.1根据求得的各个参量的均值与均方差,求得功率信号分解系数的理论概率分布:
其中,norm[m,σ]表示均值为m,均方差为σ的高斯分布。
a6.2根据参量概率分布的差异调整功率信号分解系数
根据4个参量
本实施例中,所述预先设置的调整原则包括:
从分解系数的绝对值最小的系数开始,使其实际分布尽可能吻合理论分布,即:使参量的实际分布与理论分布之间的误差小于预设值(例如,10%);
按照分解系数的绝对值由小到大的顺序,依次调整分解系数出现的频次,使其尽可能吻合理论分布;
经过调整之后,得到新的功率信号分解系数
a7,求取新的功率信号
a7.1所求得的功率信号分解系数
根据得到的新的功率信号分解系数
a7.2构造新的功率信号矩阵
所求得的
a8,重新排列数据,得到没有缺失数据的功率信号序列
将得到的功率矩阵
本发明实施例所述的能量分解中功率信号重构方法,可以有效恢复缺失的功率信号。如果采集的功率信号序列缺失不超过总数据的20%,本算法所恢复的信号序列,其误差不超过5%。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。