CN105429135A - 一种非侵入式电力负荷分解的辨识决策方法及系统 - Google Patents

Abstract

本发明涉及一种非侵入式电力负荷分解的辨识决策方法及系统，属于电力负荷分解技术领域。本发明首先采用非侵入式设备采用负荷侧的用电信息，并从中提取出电力负荷特征；采用至少两种负荷分解算法对提取出的电力负荷特征进行分解，且每种算法都进行设备的辨识；采用辨识据测算法对得到电力负荷分解的辨识结果进行决策。本发明同时采用不同的方法对家用电器设备进行辨识，通过辨识决策算法对三种辨识结果进行决策，提高了辨识的准确度，并通过实际样例测试决策算法的效果。

Description

一种非侵入式电力负荷分解的辨识决策方法及系统

技术领域

本发明涉及一种非侵入式电力负荷分解的辨识决策方法及系统，属于电力负荷分解技术领域。

背景技术

电力负荷分解可以采用侵入式和非侵入式的装置。侵入式的装置要求在用户家庭每一个电器设备线路上安装传感器，以检测设备的工作状态和相关用电信息。不仅成本高，而且安装麻烦，还给用户带来不便。非侵入式的电力负荷分解装置，成本低，安装方便易于被用户接受。但是，现存的一些电力负荷分解方法，都是通过单一方法进行负荷分解，可能受偶然因素的影响，精度有限。因此，提高非侵入式电力负荷分解方法来进行电器设备识别是迫切任务。特别是电网公司通过负荷分解了解负荷侧信息进行调峰谷，制定用电计划，精度偏低的电力负荷分解方法已不能满足实际系统的要求。所以，实际的使用需求也同样迫切要求高精度的电力负荷分解方法的出现。单一辨识方法局限性大，很容易受某一因素影响而降低识别精度，这样会造成对负荷侧的设备判断失误，从而影响之后的调峰谷等用电调度，不仅影响用户侧的用电体验，也不利于节能降耗。

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的辨识决策方法及系统，以提高电力负荷分解的辨识度。

本发明为解决上述技术问题提供了一种非侵入式电力负荷分解的辨识决策方法，该方法的步骤如下：

1)采用非侵入式设备采用负荷侧的用电信息，并从中提取出电力负荷特征；

2)采用至少两种负荷分解算法对提取出的电力负荷特征进行分解，且每种算法都进行设备的辨识；

3)采用辨识据测算法对得到电力负荷分解的辨识结果进行决策。

所述步骤2)采用三种负荷分解算法，分别为神经网络、K-means和NaiveBayes。

所述步骤2)中采用三种不同的负荷分解算法得到各设备辨识时，还需计算出设备的距离d，

d＝||(F-(P_i+P_j))||²

其中i,j为设备编号，F为各设备组合工作状态实际测得的功率，P_i和P_j为设备单独工作时的功率。

所述步骤3)的中辨识决策算法是根据步骤2)各算法得到的距离值建立目标函数，计算各设备处于开状态的可能性，并根据设定阈值进行判断，当处于开状态的可能性大于设定阈值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：

$y=\underset{i=1}{\overset{3}{\Σ}}(f_i*s_i)$

f_i＝(d_j+d_k)/((3-1)*(d₁+d₂+d₃)),i＝1,2,3,i≠j≠k

d₁、d₂和d₃分别表示神经网络，K-means，NaiveBayes三种方法下辨识出来的距离，f_i为第i种方法的隶属度，可理解为距离权重，s_i表示设备的开关状态i＝1,2,…N，N为设备的个数，s_i等于0表示设备处于关状态，s_i等于1表示该设备处于开状态。

所述的设定阈值为0.7。

本发明还提供了一种非侵入式电力负荷分解的辨识决策系统，该辨识决策系统采用三层架构，分别为采集分析层、负荷辨识层和辨识决策层，

所述采集分析层用于采用非侵入式设备采集负荷侧的用电信息，并进行电力负荷特征提取，并将获取的电力负荷特征传送给负荷辨识层；

所述负荷辨识层采用至少两种负荷分解算法对接收到的电力负荷特征进行分解，且每种算法都进行设备的辨识；

所述辨识决策层根据收到至少两种辨识结果通过辨识决策算法确定最终的辨识结果。

所述的负荷辨识层采用三种负荷分解算法，分别为神经网络、K-means和NaiveBayes。

所述的负荷辨识层采用三种不同的负荷分解算法得到各设备辨识时，还需计算出设备的距离d，

d＝||(F-(P_i+P_j))||²

其中i,j为设备编号，F为各设备组合工作状态实际测得的功率，P_i和P_j为设备单独工作时的功率。

所述辨识决策层中的辨识决策算法是根据负荷辨识层各算法得到的距离值建立目标函数，计算各设备处于开状态的可能性，并根据设定阈值进行判断，当处于开状态的可能性大于设定阈值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：

$y=\underset{i=1}{\overset{3}{\Σ}}(f_i*s_i)$

f_i＝(d_j+d_k)/((3-1)*(d₁+d₂+d₃)),i＝1,2,3,i≠j≠k

d₁、d₂和d₃分别表示神经网络，K-means，NaiveBayes三种方法下辨识出来的距离，f_i为第i种方法的隶属度，可理解为距离权重，s_i表示设备的开关状态i＝1,2,…N，N为设备的个数，s_i等于0表示设备处于关状态，s_i等于1表示该设备处于开状态。

所述的设定阈值为0.7。

本发明的有益效果是:本发明首先采用非侵入式设备采用负荷侧的用电信息，并从中提取出电力负荷特征；采用至少两种负荷分解算法对提取出的电力负荷特征进行分解，且每种算法都进行设备的辨识；采用辨识据测算法对得到电力负荷分解的辨识结果进行决策。本发明同时采用不同的方法对家用电器设备进行辨识，通过辨识决策算法对三种辨识结果进行决策，提高了辨识的准确度，并通过实际样例测试决策算法的效果。

附图说明

图1是本发明实施例中非侵入式电力负荷分解的辨识决策方法的原理示意图；

图2是本发明实施例中计算机、热水壶以及计算机和热水壶组合开状态的谐波信号分解图；

图3是本发明实施例中决策算法框图；

图4是本发明实施例的决策算法样例测试结果示意图。

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。

本发明的一种非侵入式电力负荷分解的辨识决策方法的实施例

本发明的非侵入式电力负荷分解的辨识决策方法同时采用不同的方法对家用电器设备进行辨识，通过辨识决策算法对三种辨识结果进行决策，提高了辨识的准确度，并通过实际样例测试决策算法的效果。该方法的具体实施过程如下：

步骤1：使用非侵入式的方法采集电器设备的用电信息；其具体实现包括以下子步骤：

步骤1.1：构建非侵入式电力负荷分解各个硬件模块，然后构成非侵入式电力负荷分解装置，该负荷分解装置是在电能表之后，配电箱之前，即进入用户家庭之前安装非侵入式的电力负荷分解装置；

步骤1.2：安装好相应的电力负荷分解装置，通过开启和关闭用户家庭电器设备来采集用户家庭相应的电器设备的用电信息，并建立相应的数据库；

步骤1.3：对数据库进行初步分析，提取电器设备的特征信息。

步骤2：采用至少两种不同的方法进行电力负荷的分解，辨识出相应的设备；本实施例以神经网络，K-means和NaiveBayes三种方法为例进行说明，其具体实现包括以下子步骤：

步骤2.1：编写神经网络、K-means和NaiveBayes三种辨识算法；

步骤2.2：结合步骤1中建立的各个电器设备的用电信息数据库，采用神经网络方法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的特征，作为训练的样本，然后进行设备的辨识；

步骤2.3：结合步骤1中建立的各个电器设备的用电信息数据库，采用K-means方法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的特征，进行聚类分析，经过多次迭代，收敛到我们想要的结果，然后进行设备的辨识；

步骤2.4：结合步骤1中建立的各个电器设备的用电信息数据库，采用NaiveBayes方法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的独立特征，然后进行分析，实现对各设备的辨识。

步骤3：利用辨识决策算法对三种电力负荷分解的辨识结果进行决策，然后通过实物样例测试，验证非侵入式电力负荷分解辨识决策的准确度和实际可行性。

单一辨识方法局限性大，很容易受某一因素影响而降低识别精度，这样会造成对负荷侧的设备判断失误，从而影响之后的调峰谷等用电调度，不仅影响用户侧的用电体验，也不利于节能降耗。因此，本发明通过辨识决策算法将三种辨识方法进行综合决策，以得到得到更精确的辨识结果，从而提高辨识精度。

分析谐波特征，归结起来就是研究待辨识谐波和已检测特征谐波之间的距离，距离越小表示特征越接近，从而辨识出来的越准确。

具体来说，就是采集到设备开状态时的电流和电压信息，然后计算出相应的功率。经过傅里叶变换得到相应频谱分析，然后求出距离。如下式所示：

d＝||(F-(P_i+P_j))||²(1)

式(1)中d为距离，i,j为设备编号，F为组合工作状态实际测得的功率，P_i和P_j为设备单独工作时的功率，其中F可以直接测得，P_i和P_j为设备一个周期内的平均功率，为已知条件。因为一些小功率设备，算法容易辨识出问题，由于各个算法辨识得到的用电设备状态可能会存在差异，组合的功率与实测的功率不一样，即F存在差异。因此，不同算法得到的距离不尽相同。

NaiveBayes方法下的距离求解实例如图2所示。通过对采集的数据进行负荷分解，然后进行变换可得功率谐波分量和幅值之间的关系。图中包含了计算机和小风扇独立的谐波分解信息以及计算机和小风扇组合开状态的谐波分解信息。

由上分析可知，对某一种设备而言，使用三种不同的方法来辨识，就会得到三个相应的距离，设为d_i，其中i＝1，2，3，分别表示神经网络，K-means，NaiveBayes三种方法下辨识出来的距离。

定义

f_i＝(d_j+d_k)/((3-1)*(d₁+d₂+d₃)),i＝1,2,3,i≠j≠k.(2)

式(2)中f_i为第i种方法的隶属度，可以简单理解为距离权重。

设备有开和关两种工作状态。为了便于识别，我们将设备的状态用二进制来表示。设备开的状态用1表示，设备关的状态则用0来表示。状态设为s_i，i＝1,2,3，则s_i等于0或者1。

令

$y=\underset{i=1}{\overset{3}{\Σ}}(f_i*s_i)---\left(3\right)$

式(3)中y为目标函数，表示处于开状态的可能性。设定阈值th，当y>th时，认定辨识结果有效。算法框图如图3所示。

为了测试辨识决策算法的精度，本发明利用搭建好的硬件平台对此各种家电进行了数据采集和辨识实验，分别对微波炉、电热器、小风扇、计算机和热水壶5种电器设备做了实验验证，并取得了很好的效果。对应于5种不同的设备，3种辨识算法的距离分别为d₁＝{2.018,1.125,0.049,0.110,3.078}，d₂＝{2.005,1.143,0.058,0.113,3.059}，d₃＝{2.024,1.138,0.057,0.112,3.071}。这里以计算机和热水壶处于开的状态为例进行说明，取阈值th为0.7。下面验证的是稍微复杂的组合状态，即不止一种设备处于工作的状态，而是同时有两种电器设备处于开的状态。经过数据采集和辨识，各种辨识算法的识别结果下的不同方法下测得的设备工作状态如下表1所示。

表1

算法分析过程如下：

很显然微波炉的辨识结果是0(即关的状态)，对电热器，d₁＝1.125，d₂＝1.143，d₃＝1.138，则代入式(2)，得f₁＝(1.143+1.138)/(2*(1.125+1.143+1.138))＝0.335，f₂＝(1.125+1.138)/(2*(1.125+1.143+1.138))＝0.332，f₃＝(1.125+1.143)/(2*(1.125+1.143+1.138))＝0.333，所以代入式(3)，得y_A＝1*f1+0*f2+0*f₃＝0.29<th＝0.7，因此检测结果为0(即关的状态)。同理，小风扇的y_M＝0.326<th＝0.7，所以检测结果也为0(即关的状态)。对于计算机，y_C＝1>th＝0.7，y_B＝1>th＝0.7。

辨识决策结果如图4所示。由图4可知，最终辨识出的是组合工作状态，即计算机和热水壶在工作，各自的功耗都可以实时显示。

如图4所示，发现辨识结果与实际的结果一致，从而验证了本发明非侵入式电力负荷分解的辨识决策方法的实际可行性。

本实施例是以微波炉、电热器、小风扇、计算机和热水壶五种常见家用电器设备为例，进行非侵入式的电力负荷分解，采用三种方法进行设备的辨识，通过最后的辨识决策方法，得到最佳的电器设备辨识结果。

本发明的一种非侵入式电力负荷分解的辨识决策系统的实施例

本实施例中的辨识决策系统如图1所示，采用三层架构，分别为采集分析层、负荷辨识层和辨识决策层。采集分析层用于采用非侵入式设备采集负荷侧的用电信息，并进行电力负荷特征提取，采集分析层将获取的电力负荷特征传送给负荷辨识层。负荷辨识层用于对接收到的电力负荷特征进行谐波和功率分析，采用至少两种算法进行电力负荷分解，对家用电气设备进行辨识，以得到至少两种辨识结果，并将得到的辨识结果传送给辨识决策层。辨识决策层根据收到至少两种辨识结果通过辨识决策算法确定最终的辨识结果。该辨识决策系统具体的辨识决策过程已在上个实施例中进行了详细说明，这里不再赘述。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种非侵入式电力负荷分解的辨识决策方法，其特征在于，该方法的步骤如下：

1)采用非侵入式设备采用负荷侧的用电信息，并从中提取出电力负荷特征；

2)采用至少两种负荷分解算法对提取出的电力负荷特征进行分解，且每种算法都进行设备的辨识；

3)采用辨识据测算法对得到电力负荷分解的辨识结果进行决策。

2.根据权利要求1所述的非侵入式电力负荷分解的辨识决策方法，其特征在于，所述步骤2)采用三种负荷分解算法，分别为神经网络、K-means和NaiveBayes。

3.根据权利要求2所述的非侵入式电力负荷分解的辨识决策方法，其特征在于，所述步骤2)中采用三种不同的负荷分解算法得到各设备辨识时，还需计算出设备的距离d，

d＝||(F-(P_i+P_j))||²

其中i,j为设备编号，F为各设备组合工作状态实际测得的功率，P_i和P_j为设备单独工作时的功率。

4.根据权利要求3所述的非侵入式电力负荷分解的辨识决策方法，其特征在于，所述步骤3)的中辨识决策算法是根据步骤2)各算法得到的距离值建立目标函数，计算各设备处于开状态的可能性，并根据设定阈值进行判断，当处于开状态的可能性大于设定阈值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：

$y=\underset{i=1}{\overset{3}{\&Sigma;}}(f_i*s_i)$

f_i＝(d_j+d_k)/((3-1)*(d₁+d₂+d₃)),i＝1,2,3,i≠j≠k

d₁、d₂和d₃分别表示神经网络，K-means，NaiveBayes三种方法下辨识出来的距离，f_i为第i种方法的隶属度，可理解为距离权重，s_i表示设备的开关状态i＝1,2,…N，N为设备的个数，s_i等于0表示设备处于关状态，s_i等于1表示该设备处于开状态。

5.根据权利要求4所述的非侵入式电力负荷分解的辨识决策方法，其特征在于，所述的设定阈值为0.7。

6.一种非侵入式电力负荷分解的辨识决策系统，其特征在于，该辨识决策系统采用三层架构，分别为采集分析层、负荷辨识层和辨识决策层，

所述采集分析层用于采用非侵入式设备采集负荷侧的用电信息，并进行电力负荷特征提取，并将获取的电力负荷特征传送给负荷辨识层；

所述负荷辨识层采用至少两种负荷分解算法对接收到的电力负荷特征进行分解，且每种算法都进行设备的辨识；

所述辨识决策层根据收到至少两种辨识结果通过辨识决策算法确定最终的辨识结果。

7.根据权利要求6所述的非侵入式电力负荷分解的辨识决策系统，其特征在于，所述的负荷辨识层采用三种负荷分解算法，分别为神经网络、K-means和NaiveBayes。

8.根据权利要求7所述的非侵入式电力负荷分解的辨识决策系统，其特征在于，所述的负荷辨识层采用三种不同的负荷分解算法得到各设备辨识时，还需计算出设备的距离d，

d＝||(F-(P_i+P_j))||²

其中i,j为设备编号，F为各设备组合工作状态实际测得的功率，P_i和P_j为设备单独工作时的功率。

9.根据权利要求8所述的非侵入式电力负荷分解的辨识决策系统，其特征在于，所述辨识决策层中的辨识决策算法是根据负荷辨识层各算法得到的距离值建立目标函数，计算各设备处于开状态的可能性，并根据设定阈值进行判断，当处于开状态的可能性大于设定阈值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：

$y=\underset{i=1}{\overset{3}{\&Sigma;}}(f_i*s_i)$

f_i＝(d_j+d_k)/((3-1)*(d₁+d₂+d₃)),i＝1,2,3,i≠j≠k

d₁、d₂和d₃分别表示神经网络，K-means，NaiveBayes三种方法下辨识出来的距离，f_i为第i种方法的隶属度，可理解为距离权重，s_i表示设备的开关状态i＝1,2,…N，N为设备的个数，s_i等于0表示设备处于关状态，s_i等于1表示该设备处于开状态。

10.根据权利要求9所述的非侵入式电力负荷分解的辨识决策系统，其特征在于，所述的设定阈值为0.7。