第8章 基于非侵入式电力负荷监测与分解的电力分析.pptx

基于非侵入式电力负荷监测与分解的电力分析;;传统的电能能耗监测主要借助于电能表，在入户线上的电能表可以获取用户的总能耗数据，而电力分项计量可以对连接到入户线后的建筑物内各个用电设备所消耗的电能进行独立计量。基于电力分项计量的一系列技术，是将电器识别作为物联网的重要研究方向，能够为电力公司和用户带来很多便利，在生产和生活中有非常实际的意义。 电力分项计量技术主要分为两种：一种是侵入式电力负荷监测（Intrusive residential Load Monitoring，ILM），是为用户的每一个用电设备安装一个带有数字通信功能的传感器，通过网络采集各设备的用电信息；另一种是非侵入式电力负荷监测与分解（Non-Intrusive Load Monitoring and Decomposition，NILMD），是在用户的电能入口处安装一个传感器，通过采集和分析用户的用电总功率或总电流来监测每个或每类用电设备的功率及工作状态。 基于NILMD技术的用电分析计量具有简单、经济、可靠和易于迅速推广应用等优势，更加适用于居民用户。 ;背景;如同人类的声纹和指纹等具有唯一性的生物特征可以用来实现个体识别一样，用电设备的负荷印记可以识别不同种类和型号的用电设备中相对稳定且较为显著的特征，如在运行过程中产生的电压、电流和谐波等时序数据中的特征。 而根据用电设备运行的过程，又可将数据分为暂态数据和稳态数据两大类，其中暂态数据主要指设备启动、设备停止、设备模式切换时的状态数据，稳态数据主要指设备稳定运行时的状态数据。 NILMD系统的目标是根据不同类型用电设备独特的负荷印记，从一个能源网关设备记录的数据中检测出接入该能源网关设备的电路中各种用电设备的开关等操作，并对其用电量进行分项计量。;背景;数据说明;数据说明;数据说明;数据说明;数据说明;数据说明;分析目标;分析目标;;在获取数据后，由于数据表较多，每个表的特征也较多，所以需要对数据进行数据探索分析。在数据探索过程中主要根据原始数据特点，对每个设备的不同特征对应的数据进行可视化，并根据得到的折线图对数据特征进行分析。;结果可以看出，不同设备之间的电流、电压和功率特征各不???同。;通过数据探索，发现数据中部分“time”特征存在缺失值，需要对这部分缺失值进行处理。由于每份数据中“time”特征的缺失时间段长不同，所以需要进行不同的处理。对于每个设备数据中具有较大缺失时间段的数据进行删除处理，对于具有较小缺失时间段的数据使用前一个值进行插补。 在进行缺失值处理之前，需要将训练数据中所有设备数据中的设备数据表、周波数据表、谐波数据表和操作记录表，以及测试数据中所有设备数据中的设备数据表、周波数据表和谐波数据表都提取出来，作为独立的数据文件。;代码运行完成后，生成的文件如图所示。;;虽然在数据准备过程中对特征进行了初步处理，但是引入的特征太多，而且这些特征之间存在着信息的重复。为了保留重要的特征，建立精确、简单的模型，需要对原始特征进一步筛选。;在数据探索过程中发现，不同设备的无功功率、总无功功率、有功功率、总有功功率、功率因数和总功率因数差别很大，具有较高的区分度，故本案例选择无功功率、总无功功率、有功功率、总有功功率、功率因数和总功率因数作为设备数据的特征构建判别特征库。 由于缺失值处理后，每个设备数据都由一张表变为了多张表，所以需要将相同类型的数据表合并到一张表当中，如将所有设备的设备数据表合并到一张表当中。同时，因为缺失值处理的其中一种方式是使用前一个值进行插补，所以产生了相同的记录，需要对重复出现的记录进行处理。;代码运行完成后，生成的数据表如表所示。;在数据探索过程中发现，周波数据中的电流随着时间的变化有较大的起伏，不同设备的周波数据中的电流绘制出来的折线图的起伏不尽相同，具有明显的差异，故本案例选择波峰和波谷作为周波数据的特征构建判别特征库。 由于原始的周波数据中并未存在电流的波峰和波谷两个特征，所以需要进行特征构建。 代码运行完成后，生成的数据表如表所示。;;在判别设备种类时，选择k近邻模型进行判别，利用特征选择建立的特征库训练模型，然后利用训练好的模型对设备1和设备2进行判别。 根据代码的结果可以看出，模型的预测准确率比较高，说明建立的判别模型可以用于判别单一设备所属类别，且具有较高可信度。;;根据代码建立的模型，对测试数据进行预测，结果如图所示。;根据分析目标，需要计算实时用电量。实时用电量计算的是瞬时的用电器的电流、电压和时间的乘积，如式所示。 W=P?100/3600，P=U?I W为实时用电量，单位是0.001kWh。P为功率，单位为W。 计算得到的实时用电量如表所示。;本章结合非侵入式电力负荷监测与分解的案例，重点介绍了在数据可视化的辅助下k近邻算法在