CN105529700A - 一种非侵入式在线负荷分解装置 - Google Patents

Abstract

本发明涉及一种非侵入式在线负荷分解装置，属于电力系统负荷分解技术领域。本发明负荷分解装置包括数据采集模块、负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，数据采集模块输出端与负荷分解模块连接，负荷分解模块通过交互接口模块用于与电力公司的数据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。本发明有助于电力公司进一步了解用户负荷的构成，加强负荷侧管理；同时，有助于将功率监测深入、细化到负荷内部各主要用电设备类，为电力系统仿真分析、系统规划提供更准确的数据。

Description

一种非侵入式在线负荷分解装置

技术领域

本发明涉及一种非侵入式在线负荷分解装置，属于电力系统负荷分解技术领域。

背景技术

对电力系统而言，电力能耗监测工作是开展节能工作的基础。然而，传统的负荷监测一般需要在每一个被监测用电设备外安装传感器等硬件设备，不但需要大量的资金投入，在安装和维护阶段仍需花费大量金钱和时间，而且这些采用“侵入式”技术的设计方式，在安装、维护时，需对供电用户进行短暂停电，容易造成用户不满或者引起其他经济损失，往往难以满足系统优化、节能、故障检测分析等的需要。

发明内容

本发明的目的是提供一种非侵入式在线负荷分解装置，以加强对负荷侧的管理。

本发明解决上述技术问题提供了一种非侵入式在线负荷分解装置，该负荷分解装置包括数据采集模块、负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，所述的数据采集模块输出端与负荷分解模块连接，所述的负荷分解模块通过交互接口模块用于与电力公司的数据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。

所述的负荷分解模块采用基于PSO最优搜索的非侵入式电力负荷分解算法，该算法的步骤如下：

1)利用数据采集模块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

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)根据各用电设备功率信息的叠加性，建立优化目标函数，即：

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；

4)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。

所述步骤4)利用粒子群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：

参数其中σ₁和σ₂均为标准差，可根据样本数据库进行设置。

所述的负荷分解模块采用IntelN2480双核CPU，主频2.16GHz，该负荷分解模块配USB接口和RS232接口，用于连接数据采集模块和通讯模块。

所述的负荷分解模块通过USB接口连接数据采集模块，从220V母线上采集实时的电压和电流数据，或者连接通讯模块，通过以太网或者RS232总线从智能空开上取得实时的用电数据。

本发明的有益效果是:本发明负荷分解装置包括数据采集模块、负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，数据采集模块输出端与负荷分解模块连接，负荷分解模块通过交互接口模块用于与电力公司的数据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。本发明有助于电力公司进一步了解用户负荷的构成，加强负荷侧管理；同时，有助于将功率监测深入、细化到负荷内部各主要用电设备类，为电力系统仿真分析、系统规划提供更准确的数据。

此外，本发明中的负荷分解模块采用基于PSO最优搜索的非侵入式电力负荷分解算法，算法能够在线实时得到电力负荷的投切情况，具有较高的精度和较好的稳定性，且计算速度快。

附图说明

图1是本发明非侵入式在线负荷分解装置的结构示意图；

图2是数据采集模块的结构示意图；

图3是负荷分解模块的硬件框图；

图4是显示模块与负荷分解核心模块的通讯架构示意图；

图5是交互接口与电力公司通讯示意图；

图6是负荷分解模块所采用的PSO负荷分解算法的流程图。

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。

本发明的非侵入式在线负荷分解装置包括数据采集模块、负荷分解模块、通讯模块、显示模块、交互接口模块，各模块的结构如图1所示，各模块采用模块化的封装，数据采集模块从户内220V母线上采集实时电压和电流信息，并通过A/D转换器将采集到的信息转换为数字信号，通过USB通讯线缆传送到符合分解酶，由负荷分解模块进行实时的计算分析，实现负荷的在线分解。其中数据采集模块包括电压、电流变送板和数据采集板，电压、电流变送板用于设置在用户电力入口处的220V母线上，电压、电流变送板将采集到的220V电压和电流信号转换成-5V-5V的弱电信号，并传输给数据采集板，数据采集板通过其内置的A/D转换器将接收到的弱电信号转换成二进制代码，通过USB通讯芯片将得到的实时数据传送到负荷分解模块，具体的结构如图2所示。

负荷分解模块是整个非侵入式在线负荷分解装置的核心模块，是负荷分解算法运行与实施的模块，负荷分解模块基于高性能的嵌入式系统开发，具有较强的数据处理能力、通讯接口能力和数据存储能力，该模块的硬件结构如图3所示。本实施例中负荷分解模块的CPU采用IntelN2480双核CPU，主频2.16GHZ，具有很强的计算能力，能够实时分析采集来的电压和电流波形，为各种复杂负荷分解算法提供强大的计算支持。模块装备有2GDDR3L低功耗RAM，为了能够存储更多的负荷分解数据库信息，还配有32GFlashRAM，这些强大的硬件资源，为符合分解算法的运行提供了强有力的支持。负荷分解模块还配有多个USB接口和一个RS232接口，通过这些接口，可以和数据采集模块、通讯模块或者是显示模块相连。有了这些通讯接口的支持，使得系统的配置变得更加灵活。比如数据的来源可以是多种多样的，既可以使用USB接口连接数据采集模块，直接从220V母线上采集实时的电压和电流数据，也可以连接通讯模块，通过以太网或者RS232总线从智能空开上取得实时的用电数据。

通讯模块，一方面可以与实时用电数据源相连接，获得用户的用电数据，另一方面可以和显示装置相连，如平板电脑显示装置和智能手机显示装置等，将实时的负荷分解数据反馈给用电用户。同样，这些通讯接口还可以通过互联网，将用电信息上传到电力公司的数据中心，为电力公司的用电调度提供数据支持。

负荷分解装置的显示模块与负荷分解模块连接通过网络接口，配置灵活多样，可以是多种显示设备，如智能手机和平板电脑等。显示设备与负荷分解模块的主程序之间通过TCP协议相连，在负荷分解模块中进行的计算结果，实时通过WIFI传送到用户的显示设备上，具体的通讯架构如图4所示。

交互接口模块承担着与电力公司数据中心的通讯任务，负荷分解装置可以与电力公司的数据中心通过Internet连接起来，进行实时的数据交换活动。如图5所示，主要有以下几个作用：

A.电力公司可以随时获得用户的用电信息，不但包含总的用电信息，而且还获得了用户各个主要用电器的用电信息，这些信息可以为电力公司的负荷预测和调度进行一定的指导作用。

B.通过对用户用电信息的分析，电力公司可以为用户的用电行为提供一些指导和增值服务，比如通过网站或者APP随时向用户推送自己的用电信息，让用户对自己的用电行为了如指掌，在此基础上，还可以分析用户的用电行为，通过大数据为用户的用电行为进行指导，提出节电建议。

C.统一维护用电器特征数据库，通过网络，电力公司可以随时推送最新更新的用电信息数据库，更新负荷分解模块的本地数据库，从而对最新型号的用电器提高识别精度。

其中负荷分解模块可采用HMM、KNNs、融合决策方法、专家决策方法和最优化方法等来实现对所采集电力数据进行负荷分解，本实施例中负荷分解模块采用基于PSO的最优搜索的非侵入式电力负荷分解方法进行负荷分解，该方法的具体实施过程如下：

1.利用数据采集模块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。

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

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

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

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

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4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，本实施例将先前提到的两个目标函数式(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

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)，本发明以乘积的方式作为PSO的适应度函数

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。

Claims (5)

1.一种非侵入式在线负荷分解装置，其特征在于，该负荷分解装置包括数据采集模块、负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，所述的数据采集模块输出端与负荷分解模块连接，所述的负荷分解模块通过交互接口模块用于与电力公司的数据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。

2.根据权利要求1所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模块采用基于PSO最优搜索的非侵入式电力负荷分解算法，该算法的步骤如下：

1)利用数据采集模块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

$\begin{array}{c}\underset{a_i}{\min }{d}_1=\underset{k=1}{\overset{K}{\Σ}}\left|\right|I_{mk}-\underset{i=1}{\overset{N}{\Σ}}{a}_i{I}_{ik}\left|\right|\\ s.t.a_i\∈\left\{0,1\right\}\end{array}$

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)根据各用电设备功率信息的叠加性，建立优化目标函数，即：

$\begin{array}{c}\underset{a_i}{\min }{d}_2=\left|\right|P-\underset{i=1}{\overset{N}{\Σ}}{a}_i{P}_i\left|\right|\\ s.t.a_i\∈\left\{0,1\right\}\end{array}$

其中P为测得的当权功率，Pi为电力设备i工作时的功率；

4)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。

3.根据权利要求2所述的非侵入式在线负荷分解装置，其特征在于，所述步骤4)利用粒子群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。

4.根据权利要求3所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模块采用IntelN2480双核CPU，主频2.16GHz，该负荷分解模块配USB接口和RS232接口，用于连接数据采集模块和通讯模块。

5.根据权利要求4所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模块通过USB接口连接数据采集模块，从220V母线上采集实时的电压和电流数据，或者连接通讯模块，通过以太网或者RS232总线从智能空开上取得实时的用电数据。