(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211059655.7 (22)申请日 2022.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 115146744 A (43)申请公布日 2022.10.04 (73)专利权人 安徽南瑞中天电力电子有限公司 地址 230088 安徽省合肥市高新区创新大 道2800号合肥创新产业园二期G1楼 (72)发明人 左勇　范君　田丽媛　甘季伟　 (74)专利代理 机构 合肥市泽信专利代理事务所 (普通合伙) 3414 4 专利代理师 潘飞 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/907(2019.01) G06Q 50/06(2012.01) H02J 3/00(2006.01)G01R 31/00(2006.01) (56)对比文件 CN 111460001 A,2020.07.28 CN 112784870 A,2021.0 5.11 CN 113328467 A,2021.08.31 JP 20170795 09 A,2017.04.27 WO 2022106910 A1,202 2.05.27 US 20190 55926 A1,2019.02.21 CN 113627451 A,2021.1 1.09 田正其 等.一种融合时间特 征的非侵入式 负荷辨识决策方法. 《电测与仪表》 .202 2,第59卷 (第4期), S. A. Saleh et al. .Apparent Po wer- Based Anti-Islandi ng Protecti on for Distributed Cogenerati on System s. 《IEEE TRANSACTIONS ON I NDUSTRY AP PLICATIONS》 .2016,第52卷(第1期), 审查员 姜蝶 (54)发明名称 一种融合时间特征的电能表负荷实时辨识 方法、 识别系统 (57)摘要 本发明属于电力设备领域， 具体涉及一种融 合时间特征的电能表负荷实时辨识方法、 识别系 统， 以及非侵入式电能表负荷识别模块。 负荷辨 识方法包括如下步骤： S1： 采集不同电力节点的 电力信息， 并记录采样时刻。 S2： 生成表征电力信 息时间特征的分类标记。 S3： 生成不同节点的电 气状态特征。 S4： 将分类标记和电气状态特征合 并作为负荷特征属性集， 进而得到一个节点状态 数据库。 S5： 将节点状态数据库分为多个状态子 集。 S6： 获取待测电力节点的实时特征属性集。 S7： 利用朴 素贝叶斯分类算法计算实时特征属性 集与各个状态子集的相似概率， 确定对应的负荷 类型。 本发 明克服了现有负荷类型分类准确性较 差、 实时性和颗粒度不足， 导致电网管理难度大的问题。 权利要求书3页 说明书9页 附图4页 CN 115146744 B 2022.12.06 CN 115146744 B 1.一种融合时间特征的电能表负荷实时辨识方法， 其特征在于， 其用于根据电能表采 集到的对应节点电力数据区分不同电力用户的负荷类型； 所述电能表负荷实时辨识方法包 括数据库生成阶段和节点负荷类型识别阶段两个过程， 其中， 数据库生成阶段包括如下步骤： S1： 按照预设的采样频率， 采集不同负荷类型的电力节点中电能表采集到的电力信息； 所述电力 信息包括有功数据P和无功数据Q； 并记录每项电力 信息的采样时刻； S2： 根据各个节点采样的电力信息的历史数据， 生成用于表征各项电力信息的时间特 征的分类标记G； 所述分类标记G包括： 运行时长标记L， 周期标记T、 日计时分段标记D， 以及 季度分段 标记S； S3： 根据节点对应的 电力信息的历史数据， 生成不同节点在每一时刻的电气状态特征 Ei， Ei＝{Pi， Qi， Wi}； 所述电气状态特 征Ei的计算过程如下： S31： 预设一个启动时间阈值ε， 计算各个电力节点启动时间t0在[t0‑ε,t0+ε]范围内的 启动有功 功率Pon和启动无功 功率Qon； S32： 预设一个运行时间阈值τ， 计算各个电力节点运行时间t1在[t1,t1+τ]范围内的平 均有功功率PT和平均无功 功率QT； S33： 计算各个节点在启动前后的有功相对比值Pi和无功相对比值Qi； 以及从启动时间 t0到停止时间te范围内的有功 功率方差值 Wi； S34： 以每个时刻计算出的有功相对比值Pi、 无功相对比值Qi和有功功率方差值Wi作为 各个节点在对应时刻的电气状态特 征Ei； S4： 将各个节点对应时刻的分类标记Gi和电气状态特征Ei中的元数据合并， 得到一个负 荷特征属性集Ψi， Ψi＝{Li， Ti， Di， Si， Pi， Qi， Wi}； 根据每个节点已知的负荷类型， 为每个负 荷特征属性集Ψi添加一个负荷类别标记Cj； 其中， j＝1 ……N， N表示划分出的负荷类型的数 量； 进而得到包 含不同节点的负荷特 征属性集Ψi的所有历史数据的节点状态数据库φ； S5： 根据每个负荷特征属性集Ψi的负荷类别标记Cj， 将节点状态数据库φ分为对应不 同负荷类型的多个 状态子集φj； 节点负荷类型识别阶段包括如下步骤： S6： 实时获取待测电力节点中电能表采集到的电力信息， 并根据电力信息生成对应节 点在当前时刻的实时特 征属性集x； x＝{l,t,d,s,p,q,w}； 其中， l,t,d,s,p,q,w分别为对应负荷特 征属性集Ψi中各项指标的实时检测数据； S7： 利用朴素贝叶斯分类算法计算所述实时特征属性集x与各个状态子集φj的相似概 率P(φ|x)， 并将相似概率最大的值对应的负荷类型作为待测节 点的负荷类型； 所述相似概 率P(φ|x)的计算公式如下： 上式中， xi表示实时特 征属性集中的各个元 数据。 2.如权利要求1所述的融合 时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤S2 中， 运行时长标记L用于表征当前节点中产生电力负荷的设备从上一开启时刻至当前时刻权　利　要　求　书 1/3 页 2 CN 115146744 B 2的连续工作时长； 当产生电力负荷的中断后， 运行时长标记L清零； 当产生电力负荷的设备 重启后， 运行时长标记L重新计数。 3.如权利要求1所述的融合 时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤S2 中， 周期标记T用于表征当前节点的负荷曲线的最小循环周期， 周期标记T以小时为单位对 所述最小循环周期进 行取整得到； 当最小循环周期大于2 4h时， 周期标记T 取值为24； 当最小 循环周期小于1h时， 周期标记T取值 为1。 4.如权利要求1所述的融合 时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤S2 中， 所述日计时分段标记D用于表征 以24h计时， 当前时刻对应的时段， D分别取值1、 2 …… 24； 所述季度分段 标记S用于表征划分出的季度标记， S分别取值1、 2、 3和4。 5.如权利要求1所述的融合时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤 S31中， 启动有功 功率Pon和启动无功 功率Qon的计算公式分别如下： 上式中， P(i)表示在相应周期范围内各时刻对应的有功功率值； Q(i)表示在相应周期 范围内各时刻对应的无功 功率值。 6.如权利要求5所述的融合时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤 S32中， 平均有功 功率PT和平均无功 功率QT的计算公式分别如下： 7.如权利要求6所述的融合时间特征的电能表负荷实时辨识方法， 其特征在于： 步骤 S33中， 启动前后的有功相对比值Pi和无功相对比值 Qi的计算公式如下： 步骤S33中， 有功 功率方差值 Wi的计算公式如下： 8.如权利要求1所述的融合 时间特征的电能表负荷实时辨识方法， 其特征在于： 在节点 负荷类型识别阶段的步骤S7后， 还将已经识别出负荷类型 的实时特征属性集x添加到对应 的状态子集φj中， 作为对 采集到的所述节点状态数据库φ的补充。 9.一种融合时间特征的电能表负荷的识别系统， 其包括存储器、 处理器以及存储在所 述存储器上并可在所述处理器上运行 的计算机程序； 其特征在于： 所述处理器执行计算机 程序时实现如权利要求 1‑8中任意一项 所述的融合时间特征的电能表负荷实时辨识方法的 步骤， 进而根据各节点中安装的电能表采集到的实时电力信息， 识别出该节点对应的电力权　利　要　求　书 2/3 页 3 CN 115146744 B 3