[发明专利]一种非侵入式电力负荷分解方法及装置

说明书

本发明公开了一种非侵入式电力负荷分解方法及装置，用以解决现有的非侵入式电力负荷分解方法对设备采样频率要求高与负荷分解效率和准确性低的问题。所述非侵入式电力负荷分解方法，包括：获取待监测各用电设备在监测时间段内各采样点的电流总和；将所述电流总和与时间变量作为神经网络模型的输入层变量，并将所述各用电设备的工作状态作为输出层变量；根据所述电流总和与时间变量利用所述神经网络模型确定所述监测时间段内各用电设备的工作状态；其中，所述神经网络模型为根据获得的各用电设备在第一预设时间段内的采样数据训练完成的前向反馈BP神经网络模型。

技术领域

本发明涉及电力技术领域，尤其涉及一种非侵入式电力负荷分解方法及装置。

背景技术

随着智能电网的发展，社会对于电力电源的需求日渐增多，电力负荷分解在节约能源和现代智能电网的运营管理方面起着越来越重要的作用。通过电力负荷分解可以使得家庭电力用户及时获取各用电设备的用电信息，使得用户更为详细地了解其各类用电设备的电能消耗，帮助其制定合理的节能计划使得用户在不影响其正常的生产、生活的前提下，降低电能的消耗，减少电费开支。电力负荷分解还可以为电力部门提供详细的用户用电数据，有利于提高用电负荷预测的准确度，为电力部门控制用电提供数据支撑。

电力负荷分解分为侵入式电力负荷分解和非侵入式电力负荷分解两种方式。侵入式电力负荷分解需要为每个用电设备安装传感器，采集各用电设备的负荷用电信息，这种方式设备和维护成本较高，需要进入负荷内部，电路的建立和改造会给用户生活带来不便，同时传感器可能会影响用电设备的运行，可靠性较低。而非侵入式电力负荷分解无需在每个用电设备上安装监测设备，只需要根据总的负荷信息便可得出符合内部各用电设备的用电信息，与侵入式电力负荷分解相比，非侵入式电力负荷分解方式投入少、成本低、易于安装且使用方便，因此，非常适用于家庭用电的负荷分解。

目前，电力负荷分解使用的用电设备的负荷特征主要有两类：稳态特征和暂态特征，用电设备暂态特征的获得需要较高的采样频率，对监测设备的要求较高，资金投入较大，不适合应用于家庭，实用性不高。且现有的基于稳态特征的非侵入式电力负荷分解方法，在用于多用电设备的情况下，若想保证分解的准确性，其计算量和计算时间也随之增加。

因此，如何解决现有非侵入式电力负荷分解方法对采样频率要求高、提高负荷分解的效率与准确性，是现有技术亟待解决的问题之一。

发明内容

本发明提供了一种非侵入式电力负荷分解方法及装置，用以解决现有的非侵入式电力负荷分解方法对设备采样频率要求高与负荷分解效率和准确性低的问题。

本发明实施例提供了一种非侵入式电力负荷分解方法，包括：

获取待监测各用电设备在监测时间段内各采样点的电流总和；

将所述电流总和与时间变量作为神经网络模型的输入层变量，并将所述各用电设备的工作状态作为输出层变量；

根据所述电流总和与时间变量利用所述神经网络模型确定所述监测时间段内各用电设备的工作状态；

其中，所述神经网络模型为根据获得的各用电设备在第一预设时间段内的采样数据训练完成的前向反馈BP神经网络模型。

可选地，在将所述各用电设备的工作状态作为输出层变量之前，还包括：

针对每一用电设备，根据在第二预设时间段内获取的电流值样本数据利用预设算法确定该用电设备的工作状态种类数。

较佳地，所述电流值样本数据为在所述第二预设时间段内所述用电设备实际监测的电流值数据；所述预设算法为K均值K-means聚类算法；

根据在第二预设时间段内获取的电流值样本数据利用预设算法确定该用电设备的工作状态种类数，具体包括：

根据所述电流值样本数据利用电流的概率密度函数确定所述用电设备的电流概率密度曲线；