本技术公开了属于设备状态识别技术领域的基于层次化聚类与图像特征集的负荷状态识别方法。包括以下步骤:建立设备典型曲线库;基于DTW对确定逻辑型设备和随机逻辑型设备进行典型工况聚类;构建负荷特征集并进行设备状态识别。本发明能够提升识别总功率数据中的设备状态组合的精度,便于后续的负荷预测以及需求响应潜力的计算。
背景技术
新型电力系统下,多元用户侧的柔性负荷预测以及参与需求响应的基础是对负荷进行精确的建模。随着社会各行业电气化的提升,电力电子设备的大规模应用,用电设备的运行状态变得愈加复杂,且很难通过数学方法对其进行精确描述。
现有负荷典型曲线大多通过对用户一段时期日负荷曲线在选取某些特征后通过k-means等聚类方法获得。负荷特征选取一般包括暂态特征和稳态特征。暂态特征是用电设备开关或改变工作状态时改变的参数特征,稳态特征是设备运行时的功率等参数特征。对于稳态特征识别一般通过机器学习等,而暂态特征识别通过对暂态事件发生时的总功率数据进行特征提取。
常规的基于划分和基于密度的聚类方式存在误差传递问题。当类B介于类A与类C之间且A与C差异较大时,会错误地将三者合一;当样本分布差异不大且潜在类的个数较多时,误差将会产生传递。设备状态仅被定义为开关二者其一,对于有多个运行模式的设备无法准确表示。用电设备的运行状态愈加复杂,通过数学方法不足以对其进行精确描述。
因此,需要一种基于层次化聚类与图像特征集的负荷状态识别方法来对设备运行状态进行识别。
实现思路