CN105404784A - 一种非侵入式电力负荷分解方法 - Google Patents

Abstract

本发明涉及一种非侵入式电力负荷分解方法，属于电力计量技术领域。本发明首先采集各用电设备投切时的瞬时电流，引入基函数对其进行分解，以得到各用电设备投切时的电流幅值；以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函数；利用最优化算法求解上述目标函数，所得结果即为电力负荷中各用电设备的投切情况。本发明能够在线实时得到电力负荷的投切情况，分解方法不仅具有较高的精度和较好的稳定性，且计算速度快，可应用于电力系统负荷监测、用电分析，负荷节能、负荷预测和负荷建模等多个技术领域，对全社会节能和电力系统规划及运行都有十分重要的意义。

Description

一种非侵入式电力负荷分解方法

技术领域

本发明涉及一种非侵入式电力负荷分解方法，属于电力计量技术领域。

背景技术

非侵入式电力负荷监测是一种比较前沿的监测用电设备工作情况的技术，该方法即指在用户电力入口端安装电压和电流传感器，实时采集电压、电流数据，用软件进行分析，得到负荷内部不同用电设备实时的功率消耗比例，根据上述信息来辨识家庭用电设备的投切情况。非侵入式负荷监测方法最早由Hart在20世纪80年代提出，其主要是监测在负荷入口处的稳态功率变化来实现负荷分解。非侵入式分解技术的概念提出后，国内外对其进行了广泛研究，大致可以分为以下几类：

第一类是基于电器负荷(功率、电压等)特性映射图的分类方法，该方法将电器稳态工作时的符合特性映射到坐标平面上，由于不同电器的负荷特性会聚类在平面的不同区域，通过聚类分析将负荷分类。

第二类是基于短时负荷信号特征的分类方法，该类方法中又可分为以下几种形式，一种是根据不同电器在开启时会产生不同的暂态脉冲，从而对投入使用的用电设备进行判别；另一种是利用小波分解方法，对短时间内的负荷特性进行分析，进而分解。

第三类是基于统计的负荷分解方法，该方法能较好的适用于电力负荷按行业分类的分解。

以上方法都在一定程度上实现了非侵入式负荷分解的功能，但都存在问题：第一类方法对于多个用电设备同时投入时会造成误判，且只能判断所使用的电器类别，不能负荷分解；第二类方法要求检测设备在短时间内采集大量数据，而现有的常规电力设备无法满足要求；第三泪方法是基于历史数据统计的分解方法，对于电网小用户而言，由于用户的用电行为具有很大的随机性，因此该方法在分解精度方面存在很大的问题。

发明内容

本发明的目的是提供一种非侵入式电力负荷分解方法，以提高非侵入式电力负荷分解的精度。

本发明为实现上述目的本发明提供了一种非侵入式电力负荷分解方法，该方法包括以下步骤：

1)采集各用电设备投切时的瞬时电流，引入基函数对其进行分解，以得到各用电设备投切时的电流幅值；

2)以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函数，即

$\underset{a_i}{\min }{d}_1=\underset{k=1}{\overset{K}{\Σ}}\left|\right|I_{mk}-\underset{i=1}{\overset{N}{\Σ}}{a}_i{I}_{ik}\left|\right|$

s.t.a_i∈{0，1}

其中I_ik为用电设备i的k次谐波的电流幅值，I_mk表示用户电力入口端k次谐波的电流幅值，a_i表示设备的投切，a_i＝1表示电力设备i投入，a_i＝0表示电力设备i关闭，N为用电设备的个数，K表示谐波次数；

3)利用最优化算法求解所建立的目标函数，得到的结果即为负荷分解的结果。

为提高负荷分解精度，根据各用电设备功率信息的叠加性，还建立了优化目标函数，即：

$\underset{a_i}{\min }{d}_2=\left|\right|P-\underset{i=1}{\overset{N}{\Σ}}{a}_i{P}_i\left|\right|$

s.t.a_i∈{0，1}

其中P为测得的当权功率，Pi为电力设备i工作时的功率。

所述目标函数和优化目标函数均采用PSO算法进行求解，以找到一组使目标函数和优化目标函数同时达到最佳值的a₁,a₂,…a_N，该结果即为所得电力负荷中各用电设备的投切情况。

所述在利用PSO算法求解目标函数和优化目标函数的过程中，所选择的适应度函数为：

$fitness=f_1\×f_2=\exp (-d_1^2/{\mathrm{\σ}}_1^2-d_2^2/{\mathrm{\σ}}_2^2)$

参数其中σ₁和σ₂均为标准差，可根据样本数据库进行设置。

所述各用电设备投切时的电流幅值为：

$I_{ik}=\sqrt{{\[\frac{1}{T}{\∫}_T{I}_{i}cos\left(k\mathrm{\ω}t\right)dt\]}^2+{\[\frac{1}{T}{\∫}_T{I}_{i}sin\left(k\mathrm{\ω}t\right)dt\]}^2}$

其中T为采样周期，为用电设备i的基波角频率，I_ik为用电设备i工作电流中第k次谐波幅值。

本发明的有益效果是:本发明首先采集各用电设备投切时的瞬时电流，通过引入基函数对其进行分解，以得到各用电设备投切时的电流幅值；以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函数；利用最优化算法求解上述目标函数，所得结果即为电力负荷中各用电设备的投切情况。为了进一步提高符合分解的精度，本发明还建立一个以用户电力入口处的功率值与各投入用电设备功率值之差的最小值为目标的优化目标函数，采用PSO算法对目标函数和优化目标函数进行求解，以找到一组使目标函数和优化目标函数同时达到最佳值，该结果即为所得电力负荷中各用电设备的投切情况。本发明能够在线实时得到电力负荷的投切情况，分解方法不仅具有较高的精度和较好的稳定性，且计算速度快，可应用于电力系统负荷监测、用电分析，负荷节能、负荷预测和负荷建模等多个技术领域，对全社会节能和电力系统规划及运行都有十分重要的意义。

附图说明

图1-a是本发明实施例中烧水壶处于工作模式时的电流波形图；

图1-b是本发明实施例中烧水壶处于工作模式时的谐波波形图；

图2是粒子群算法的流程图；

图3-a是本发明实验例中微波炉的电流波形图；

图3-b是本发明实验例中微波炉的谐波波形图；

图4-a是本发明实验例中电风扇的电流波形图；

图4-b是本发明实验例中电风扇的谐波波形图；

图5-a是本发明实验例中台式电脑的电流波形图；

图5-b是本发明实验例中台式电脑的谐波波形图；

图6-a是本发明实验例中烧水壶的电流波形图；

图6-b是本发明实验例中烧水壶的谐波波形图；

图7-a是本发明实验例中电热器的电流波形图；

图7-b是本发明实验例中电热器的谐波波形图；

图8-a是本发明实验例中入口处总电流的电流波形图；

图8-b是本发明实验例中入口处总电流的谐波波形图；

图9是本发明实验例中PSO迭代过程示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的说明。

本发明首先采集各用电设备投切时的瞬时电流，通过引入基函数对其进行分解，以得到各用电设备投切时的电流幅值；以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函数；利用最优化算法求解上述目标函数，所得结果即为电力负荷中各用电设备的投切情况。该方法的具体过程如下

1.采集各用电设备投切时的瞬时电流，引入基函数对其进行分解，以得到各用电设备投切时的电流幅值。

用电设备投切瞬时电流可表示为

I_a＝I_a1cos(ωt+θ_a1)+…+I_akcos(kωt+θ_ak)+…(1)

其中ω为基波角频率，I_ak为工作电流中第k次谐波分量幅值(k一般跟采样频率有关)；θ_ak为工作电流中第k次谐波分量的初相角。从式(1)中看出，由于A/D采样频率的约束，通常只取前K个谐波分量。例如对于烧水壶处于工作模式时，其谐波特性如图1-b所示。

为了便于分析，假定一个用户家庭有N个设备投切，则可以建立如下方程组

$\left\{\begin{array}{c}{I}_1=I_{11}cos(\mathrm{\ω}t+{\mathrm{\θ}}_{11})+...+I_{1k}cos(k\mathrm{\ω}t+{\mathrm{\θ}}_{1k})\\ I_2=I_{21}cos(\mathrm{\ω}t+{\mathrm{\θ}}_{21})+...+I_{2k}cos(k\mathrm{\ω}t+{\mathrm{\θ}}_{2k})\\ .\\ .\\ .\\ I_N=I_{N1}cos(\mathrm{\ω}t+{\mathrm{\θ}}_{N1})+...+I_{Nk}\cos (k\mathrm{\ω}t+{\mathrm{\θ}}_{Nk})\end{array}\right.---\left(2\right)$

由于谐波分量是信号在以cos(kωt),k＝1,2,…,K为基函数进行分解，当引入sin(kωt)基函数再次进行分解，其幅值和相位变可以准确的按如下方式求解得到

$I_{ik}=\sqrt{{\[\frac{1}{T}{\∫}_T{I}_{i}cos\left(k\mathrm{\ω}t\right)dt\]}^2+{\[\frac{1}{T}{\∫}_T{I}_{i}sin\left(k\mathrm{\ω}t\right)dt\]}^2}---\left(3\right)$

θ_ik＝atan(∫_TI_isin(kωt)dt/∫_TI_icos(kωt)dt)(4)

因此，当不同设备投切时，其幅值I_ik是可以叠加的，而相位角不具有叠加特性。

2.以入口处的各个谐波分量总电流幅值与各投入用电设备对应谐波电流幅值差的最小值为目标函数，电力负荷分解就可以转换为如下的目标函数

$\underset{a_i}{\min }{d}_1=\underset{k=1}{\overset{K}{\Σ}}\left|\right|I_{mk}-\underset{i=1}{\overset{N}{\Σ}}{a}_i{I}_{ik}\left|\right|---\left(5\right)$

s.t.a_i∈{0，1}

其中I_mk表示入口处的总电流的第k个谐波分量，||.||表示范数，a_i表示设备的投切(a_i＝1表示投入，a_i＝0表示关闭)，于是，负荷分解其本质上就是求解一组合理的a₁,…,a_N。

由于每个设备的功率信息也具有一定的叠加性，即认为总功率是每个设备投切状态时功率的累加和，因此可构建如下优化目标函数来进一步提高负荷分解精度

$\underset{a_i}{\min }{d}_2=\left|\right|P-\underset{i=1}{\overset{N}{\Σ}}{a}_i{P}_i\left|\right|---\left(6\right)$

s.t.a_i∈{0，1}

式中P_i为第i个设备工作时的功率，P为测得的当前功率。

3.利用粒子群算法求解所建立的目标函数和优化目标函数，得到的结果即为负荷分解的结果。

式(5)和式(6)中是整数最优化规划，本发明选用最优化算法进行求解，以便找到一组合理的a₁,…,a_N，使得式(5)和式(6)同时达到最佳值，从而可以得到电力负荷中各类主要用电设备的投切情况，即实现电力负荷在线分解。

粒子群算法是一种由Eberhart和Kennedy根据鸟群捕食的行为所开发的进化计算方法。通常，在将其应用于优化问题求解过程中，认为每个可行解作为一个粒子，所有的粒子都有一个被优化的函数决定的适应值(fitnessvalue)。同时，每个粒子还有一个速度决定它们飞翔的方向和距离，并追随当前的最优粒子值gbest和个体极值pbest进行迭代更新，最终在解空间中收敛于最优解，其整个算法的流程如图2所示。

在粒子群算法中，粒子的更新以及速度按照如下方式进行

v_id＝λv_id+κ₁r₁(pbest-x_id)+κ₂r₂(gbest-x_id)(7)

x_id＝x_id+v_id(8)

式中d为粒子的维数，λ为惯性因子；κ1和κ2为学习因子；r1和r2是介于[0,1]之间的随机值。

在PSO算法中以及诸如遗传算法等进化算法中，适应度函数是决定最终所取得最优解的关键因素之一。通常，它是度量群体中各个个体在优化计算中有可能达到或有助于找到最优解的优良程度。在实际应用中，适应度函数通常由最优化目标函数所替代，从而使得优化目标函数通过PSO算法的进化进行计算。

为了提高PSO求解最优解，本发明将先前提到的两个优化目标函数式(5)和式(6)合在一起，组成PSO算法的适应度函数，以此搜寻合理的a₁,…,a_N。

由于功率信号与谐波信息不具有相同的量纲及数量级，为了将两者融入到粒子群的适应度函数中，本发明引入一个以正态分布形式的隶属度函数，其表达式如下

$f\left(x\right)=\exp (-{\left(\frac{x-c}{\mathrm{\σ}}\right)}^2),\mathrm{\σ}>0---\left(9\right)$

其中参数σ标准差，常数c为观察得到的值，例如由式(6)中实际测量的功率。本实施例将式(5)和(6)中的距离d替代(x-c)，从而将两者不同数量级的数据以相同的方式进行混合，期望得到最大的隶属度(即最小的距离d₁和d₂)，因此本文进行适当调整以乘积的方式作为PSO的适应度函数

$fitness=f_1\×f_2=\exp (-d_1^2/{\mathrm{\σ}}_1^2-d_2^2/{\mathrm{\σ}}_2^2)---\left(10\right)$

式中标准差σ₁和σ₂根据样本数据库由人工进行设置，本实施例中设置σ₁＝1，σ₂＝10000。

下面以5种常用的用电设备进行实验来说明本发明基于PSO最优搜索的非侵入式电力负荷分解优化方法的有效性。所选用的5种用电设备分别为微波炉、电风扇(1档)、台式电脑，烧水壶和电热器，分别用用a₁,…,a₅标记。

首先采集各上述用电设备电流、电压波形并进行存储，然后提取15次谐波和其平均功率作为特征，其平均功率如表1所示，微波炉的电流波形如图3-a所示，微波炉的谐波波形如图3-b所示，电风扇的电流波形如图4-a所示，电风扇的谐波波形如图4-b所示，台式电脑的电流波形如图5-a所示，台式电脑的谐波波形如图5-b所示，烧水壶的电流波形如图6-a所示，烧水壶的谐波波形如图6-b所示，电热器的电流波形如图7-a所示，电热器的谐波波形如图7-b所示。在本实验中，以烧水壶、电风扇和台式电脑三种设备处于工作状态，微波炉和电热器未工作为例进行分解，测得入口处的总功率为1784.8W，入口处的总电流的波形如图8-a所示，谐波波形如图8-b所示，具体谐波信息如表2所示。

表1

表2

实验中，设置PSO算法中每一个粒子至由二进制值组成(a₁a₂a₃a₄a₅)，种群数为5个，惯性因子设置为0.8，学习率为0.5，最大迭代次数为50。最终通过迭代，结果输出为14(二进制01110)，即a₁＝0，a₂＝1，a₃＝1，a₄＝1，a₅＝0，所得结果与实际情况完全一样。该算法在迭代过程中的求解情况如图9所示，从中可以明确看出，所采用的PSO算法能够很快收敛于最佳值，验证了本发明基于PSO最优搜索的非侵入式电力负荷分解优化方法的有效性。

Claims (5)

1.一种非侵入式电力负荷分解方法，其特征在于，该方法包括以下步骤：

1)采集各用电设备投切时的瞬时电流，引入基函数对其进行分解，以得到各用电设备投切时的电流幅值；

2)以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函数，即

$\underset{a_i}{min}{d}_1=\underset{k=1}{\overset{K}{\Σ}}\left|\right|I_{mk}-\underset{i=1}{\overset{N}{\Σ}}{a}_i{I}_{ik}\left|\right|$

s.t.a_i∈{0,1}

其中I_ik为用电设备i的k次谐波的电流幅值，I_mk表示用户电力入口端k次谐波的电流幅值，a_i表示设备的投切，a_i＝1表示电力设备i投入，a_i＝0表示电力设备i关闭，N为用电设备的个数，K表示谐波次数；

3)利用最优化算法求解所建立的目标函数，得到的结果即为负荷分解的结果。

2.根据权利要求1所述的非侵入式电力负荷分解方法，其特征在于，为提高负荷分解精度，根据各用电设备功率信息的叠加性，建立优化目标函数，即：

$\underset{a_i}{min}{d}_2=\left|\right|P-\underset{i=1}{\overset{N}{\Σ}}{a}_i{P}_i\left|\right|$

s.t.a_i∈{0,1}

其中P为测得的当权功率，Pi为电力设备i工作时的功率。

3.根据权利要求2所述的非侵入式电力负荷分解方法，其特征在于，所述目标函数和优化目标函数均采用PSO算法进行求解，以找到一组使目标函数和优化目标函数同时达到最佳值的a₁,a₂,…a_N，该结果即为所得电力负荷中各用电设备的投切情况。

4.根据权利要求3所述的非侵入式电力负荷分解方法，其特征在于，所述在利用PSO算法求解目标函数和优化目标函数的过程中，所选择的适应度函数为：

$fitness=f_1\×f_2=\exp (-d_1^2/{\mathrm{\σ}}_1^2-d_2^2/{\mathrm{\σ}}_2^2)$

参数其中σ₁和σ₂均为标准差，可根据样本数据库进行设置。

5.根据权利要求1所述的非侵入式电力负荷分解方法，所述各用电设备投切时的电流幅值为：

$I_{ik}=\sqrt{\[\frac{1}{T}{{\∫}_T{I}_{i}cos\left(k\mathrm{\ω}t\right)dt\]}^2+\[\frac{1}{T}{{\∫}_T{I}_{i}sin\left(k\mathrm{\ω}t\right)dt\]}^2}$

其中T为采样周期，为用电设备i的基波角频率，I_ik为用电设备i工作电流中第k次谐波幅值。