一种配变出线侧冲击负荷属性识别方法与流程

1.本发明涉及负荷属性识别技术领域，具体涉及一种配变出线侧冲击负荷属性识别方法。


背景技术：

2.传统的设备负荷状态识别，需要对每一台目标设备分别装备侵入式负荷识别装置，通过采集功率信号进行负荷属性的刻画和识别。这类传统的监测手段存在着设备布置成本高、目标设备规模变化时需跟随重新布置、数据完整性和准确性差等问题。因此需提出一种可架设于配变出线侧的非侵入式的、高精确性的并且适用于冲击负荷行为的识别算法。


技术实现要素：

3.本发明的目的在于提出一种配变出线侧冲击负荷属性识别方法，其为可架设于配变出线侧的非侵入式、高精确性的方法，并且适用于冲击负荷行为。
4.为实现上述目的，本发明提出一种配变出线侧冲击负荷属性识别方法，包括：
5.获取发生冲击性负荷的设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号；
6.生成在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性；
7.根据所述各个时间节点下的平均功率评估所述多个负荷属性的各自发生概率；
8.根据所述发生概率确定负荷属性的最优解，将其输出作为设备的负荷属性。
9.优选地，所述生成在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性，包括：
10.进行遍历求解获得在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性。
11.优选地，所述根据所述平均功率确定所述多个负荷属性的各自发生概率，包括：
12.将所述多个负荷属性与所述平均功率输入预先训练好的神经网络模型进行处理所述多个负荷属性的各自发生概率。
13.优选地，所述根据所述发生概率确定负荷属性的最优解，将其输出作为设备的负荷属性，包括：
14.选取发生概率最高的一种负荷属性作为最优解。
15.本发明还提出一种配变出线侧冲击负荷属性识别系统，包括：
16.功率获取模块，用于获取发生冲击性负荷的设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号；
17.负荷属性生成模块，用于生成在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性；
18.概率预测模块，用于根据所述各个时间节点下的平均功率评估所述多个负荷属性
的各自发生概率；
19.输出模块，用于根据所述发生概率确定负荷属性的最优解，将其输出作为设备的负荷属性。
20.优选地，所述负荷属性生成模块具体用于：
21.进行遍历求解获得在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性。
22.优选地，所述概率预测模块，具体用于：
23.将所述多个负荷属性与所述平均功率输入预先训练好的神经网络模型进行处理所述多个负荷属性的各自发生概率。
24.优选地，所述输出模块，具体用于：
25.选取发生概率最高的一种负荷属性作为最优解。
26.与现有技术相比，本发明至少具有以下优点：
27.其设备布置成本低，当目标设备规模变化时，无需跟随重新布置，只需继续获取设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号即可进行识别和负荷属性的生成，具有普遍适用性，不存在数据完整性和准确性差等问题，其可架设于配变出线侧，具有非侵入式、高精确性的特点，适用于冲击负荷行为的识别。
28.本发明的其它特征和优点将在随后的说明书中阐述。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1为本发明实施例中一种配变出线侧冲击负荷属性识别方法流程示意图。
31.图2为本发明实施例中一种配变出线侧冲击负荷属性识别系统结构示意图。
具体实施方式
32.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
33.参阅图1，本发明实施例提出一种配变出线侧冲击负荷属性识别方法，本发明提出一种配变出线侧冲击负荷属性识别方法，包括：
34.步骤s1、获取发生冲击性负荷的设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号；
35.步骤s2、生成在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性；
36.具体而言，步骤中的负荷属性指的是设备的功率曲线；
37.步骤s3、根据所述各个时间节点下的平均功率评估所述多个负荷属性的各自发生
概率；
38.步骤s4、根据所述发生概率确定负荷属性的最优解，将其输出作为设备的负荷属性。
39.具体而言，冲击负荷具有周期性或非周期性，突然变化很大的负荷。如电弧炼钢炉、轧钢机等。一般出现最大负荷的时间很短，但其峰值可能是其平均负荷的数倍或数十倍。这类负荷对电力系统影响较大，当其变化幅值相对于系统容量较大时，很有可能引起系统频率的连续振荡，电压摆动。通常对冲击负荷需要做专门的研究，并提出相应的对策，以满足电力系统安全稳定和电能质量的要求。本实施例方法主要目的是在于研究发生冲击性负荷的设备的负荷属性，以便于对这一类的设备提出相应的对策，以满足电力系统安全稳定和电能质量的要求。
40.本发明实施例在实施时，其采用周期性地接收设备的时间节点的瞬时功率和平均功率，并进行对应的识别，只需要布置一台识别设备，可以接收多个目标设备的瞬时功率和平均功率并进行计算识别，其设备布置成本低，当目标设备规模变化时，无需跟随重新布置，只需继续获取设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号即可进行识别和负荷属性的生成，具有普遍适用性，不存在数据完整性和准确性差等问题，其可架设于配变出线侧，具有非侵入式、高精确性的特点，适用于冲击负荷行为的识别。
41.优选地，所述步骤s2，包括：
42.进行遍历求解获得在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性。
43.具体而言，本实施例中负荷属性指的是设备的功率曲线，布置中根据各个时间节点下的瞬时功率信号确定功率曲线中各个时间节点的功率，然后基于各个时间节点的功率再进行遍历求解可能的功率曲线。
44.优选地，所述步骤s3，包括：
45.将所述多个负荷属性与所述平均功率输入预先训练好的神经网络模型进行处理所述多个负荷属性的各自发生概率。
46.具体而言，平均功率区别于瞬时功率，平均功率与最终求解的功率曲线存在关联性，即应当是匹配的，步骤中主要求解两者的匹配度，匹配度越高，概率越高。
47.优选地，所述步骤s4，包括：
48.选取发生概率最高的一种负荷属性作为最优解。
49.参阅图2，本发明实施例还提出一种配变出线侧冲击负荷属性识别系统，包括：
50.功率获取模块，用于获取发生冲击性负荷的设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号；
51.负荷属性生成模块，用于生成在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性；
52.概率预测模块，用于根据所述各个时间节点下的平均功率评估所述多个负荷属性的各自发生概率；
53.输出模块，用于根据所述发生概率确定负荷属性的最优解，将其输出作为设备的负荷属性。
54.优选地，所述负荷属性生成模块具体用于：
55.进行遍历求解获得在各个时间节点下可能构成对应时间节点的瞬时功率信号的多个负荷属性。
56.优选地，所述概率预测模块，具体用于：
57.将所述多个负荷属性与所述平均功率输入预先训练好的神经网络模型进行处理所述多个负荷属性的各自发生概率。
58.优选地，所述输出模块，具体用于：
59.选取发生概率最高的一种负荷属性作为最优解。
60.需说明的是，对于实施例公开的系统而言，由于其与实施例公开的方法相对应，实施例所述系统的具体工作流程参见实施例所述方法流程部分说明即可，此处不再赘述。
61.通过以上实施例的描述可知，本发明的各实施例至少具有以下优点：
62.其设备布置成本低，当目标设备规模变化时，无需跟随重新布置，只需继续获取设备在预设时间段内的各个时间节点下的瞬时功率信号和平均功率信号即可进行识别和负荷属性的生成，具有普遍适用性，不存在数据完整性和准确性差等问题，其可架设于配变出线侧，具有非侵入式、高精确性的特点，适用于冲击负荷行为的识别。
63.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。