发明内容
本发明的目的是提供一种基于RBF神经网络的非侵入式电力负荷分解方法,解决了现有非侵入式电力负荷分解方法不能在复杂多负荷同时工作环境中工作或运行时辨识分解的准确性与快速性差的问题。
本发明所采用的技术方案是,一种基于RBF神经网络的非侵入式电力负荷分解方法,包括以下步骤:
步骤1,建立单负荷组运行模型数据库
利用电力数据采集装置对每个电力负荷采集其的稳态电压、电流波形数据,采用RBF神经网络以电压数据为输入,电流数据为输出训练神经网络单负荷特征模型,训练达到精度后根据训练所得模型得到神经网络输入输出数据前向表达式,作为该电力负荷组的特征模型;再将所有单负荷组运行模型组成模型数据库。
步骤2,实际运行时,采集稳态电压、电流波形数据,先进行数据预处理,然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下,各种负荷的模拟输出电流波形;
步骤3,使用遗传算法找出最佳的负荷组合
使用遗传算法对步骤2得到的各种负荷的模拟输出电流波形进行组合寻优,与实际的电流波形进行匹配,得到适应度最高的负荷组合,该组合即为分解辨识得到的电力负荷组合的结果。
进一步地,上述步骤3包括以下子步骤:
Step1编码:采用M位长度的二进制数对每种负荷的数量进行编码,每一个负荷的编码看做一个基因,对于负载种类为N的系统,每个染色体的编码长度为MN,每一个染色体代表的负荷组合为一个个体,每种负荷可以辨识的最大数量为2M-1个;
Step2初始化:采用随机法生成N0个个体作为初始群体;
Step3计算适应度:根据适应度函数式计算第k代种群每个个体的适应值记具有最高适应值的个体为以适应度作为群体进化时的方向依据;
Step4选择复制:由父种群根据每个个体的相对适应度,根据轮盘赌法计算每个个体的再生概率与次数,下一代群体中产生新的个体;轮盘赌法选出子种群其中被选中的概率为:
Step5交叉:交叉操作,从子种群中随机选出两个个体,这两个个体的染色体之间以交叉概率Pc决定是否进行交叉,随机选取的待交换基因,产生两个新个体,重复这一过程直至所有个体均进行过交叉;
Step6变异操作:先根据变异概率Pm选择一个个体染色体的一个基因,然后对该段基因随机选择某一位进行翻转,产生一个新的个体,对所有个体重复这一过程使其全部变为新的个体;然后并入Step2中所述最高适应值的个体最终形成新一代群体
若遗传代数满足终止条件,则停止运算,输出适应值最高的个体作为辨识分解的结果;否则令k=k+1转到Step3继续向下执行,直至满足终止条件。
进一步地,步骤1所述采集到的稳态电压、电流波形数据先依次经过低通滤波、标幺化、归一化预处理,再采用RBF神经网络进行训练。
进一步地,步骤1所述电力数据采集装置可以采集几个电力负荷组成的电力负荷组的稳态电压、电流波形数据,所述电力负荷组为经常同时工作的负荷组合,或者各种负荷待机时微弱电流与其他系统消耗电流组成的系统背景电流组合。
进一步地,步骤1所述RBF神经网络建立单负荷模型时,输入层神经元数量为5个以上,隐层神经元数量为5到100个,输出层的神经元数量为1个。
已有的非侵入式监测方法,在不同的用电场景中,选择负荷特征差异极大,部分特征采集难度高,需要硬件支持,并且得到的监测识别结果也仅在指定负荷的环境中效果比较好。已经提出的负荷特征在不同程度上都存在着信息丢失的情况,以使用最多的有功功率、无功功率这一对特征来说,电网入口的电压,我们可以近似认为是稳定不变的,那么电力负荷的特征与其电流密切相关,有功功率、无功功率仅可以表示负荷的功率大小与负载电流和电压的相位差,其他负荷特征信息则完全丢失。这对于负荷种类繁多或功率相近的场合来说该特征不能有效的区分负荷。
而本发明的有益效果是,相比于已有的非侵入式监测方法,本发明采用非侵入式方式采集用户负荷侧的总用电信息,通过特征的选择、提取、辨识,辨识出单个负荷或单个负荷组的运行状态,以用户电网入口的完整电流波形作为监测系统的负荷特征,采用神经网络模型学习并保存单负荷组的电流波形特征,保证到足够的特征用以识别区分不同电力负荷,提高了辨识的准确度、稳定性,扩展了检测方法的应用场景;通过建立神经网络推导负荷组输入-输出数学模型,大大提高了计算速度。解决了现有技术在多负荷同时工作场景中不能工作或负荷分解辨识准确率低、辨识速度慢的问题。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明,但本发明并不限于这些实施方式。
本发明基于RBF神经网络的非侵入式电力负荷分解方法,具体按照以下步骤实施:
步骤1,建立单负荷组运行模型数据库
利用电力数据采集装置对每个电力负荷或几个电力负荷组成的电力负荷组采集其的稳态电压、电流波形数据,经过低通滤波、标幺化、归一化等预处理后,采用RBF神经网络以电压数据为输入,电流数据为输出训练神经网络单负荷特征模型,训练达到精度后根据训练所得模型得到神经网络输入输出数据前向表达式,作为该电力负荷组的特征模型。
其中低通滤波器的目的在于去除高频白噪声信号,提高建立模型的精度;标幺化采用负荷的电流值相对于电压值进行标幺化,减小电网电压波动对于负荷模型与负荷辨识的影响;数据归一化可以加快模型建立的速度,可以采用标准归一化。
一般情况下每一个工作的家用电器或工业用电器等用电设备的每一种工作状态都可以看做一个电力负荷模型。对于一些经常同时工作的负荷组合或各种负荷待机时微弱电流与其他系统消耗电流组成的系统背景电流,可以将其看做一个整体,作为一个负荷模型进行处理。
RBF神经网络采用隐层单元作为“基”把输入矢量映射到特征空间(一般为高维空间),当径向基函数的中心点确定后,映射关系也就确定。隐含层空间到输出空间的映射是线性的,可以以任意精度逼近任一连续函数。因为每个电力负荷的元器件集成程度越来越高且内部结构不同,所以各负荷的模型函数各不相同,比较复杂。通过传统建模方法很难得到负荷模型,因此,利用RBF神经网络可以以任意精度逼近任一连续函数的特点,根据单个负荷的输入电压与输出电流对负荷进行建模。
RBF神经网络的输入层采用当前时刻及前几时刻的负荷电压值作为输入向量,根据实验结果一般选5个以上采样时刻可以得到理想的辨识结果;隐层神经元应设计为5到100个,神经元越多,模型的精确度越高,但是过多的神经元数量会导致训练速度大幅下降,隐层激活函数使用高斯函数;输出层的神经元设计为1个,以下一时刻负荷的输出电流作为输出向量,输出层的激活函数选择线性函数,提高神经网络模型的输出能力。
采用上述方法,重复训练目标监测系统内的所有电力负荷组的特征模型组成单负荷组运行模型数据库。
步骤2,实际运行时,采集稳态电压、电流波形数据,先进行数据预处理,然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下,各种负荷的模拟输出电流波形。
步骤3,使用遗传算法找出最佳的负荷组合
使用遗传算法对步骤2得到的各种负荷的模拟输出电流波形进行组合寻优,与实际的电流波形进行匹配,得到适应度最高的负荷组合,该组合即为分解辨识得到的电力负荷组合的结果。
其中,步骤3的遗传算法具体包含以下子步骤:
Step1编码:采用M位长度的二进制数对每种负荷的数量进行编码,每一个负荷的编码看做一个基因,对于负载种类为N的系统,每个染色体的编码长度为MN,每一个染色体代表的负荷组合为一个个体,表示优化问题的一个解。每种负荷可以辨识的最大数量为2M-1个,并且随着系统规模的增大可以很方便的扩大最大辨识分解的数量。
Step2初始化:采用随机法生成N0个个体作为初始群体,该群体代表优化问题的一些可能解的集合。
Step3计算适应度:根据适应度函数式计算第k代种群每个个体的适应值记具有最高适应值的个体为以适应度作为群体进化时的方向依据。一般来说适应度越高,解的素质越好。
Step4选择复制:由父种群根据每个个体的相对适应度,根据轮盘赌法计算每个个体的再生概率与次数,下一代群体中产生新的个体。轮盘赌法选出子种群其中被选中的概率为:
Step5交叉:交叉操作,从子种群中随机选出两个个体,这两个个体的染色体之间以交叉概率Pc(一般在0.9-0.97之间取值)决定是否进行交叉,随机选取的待交换基因,产生两个新个体,重复这一过程直至所有个体均进行过交叉。
Step6变异操作:先根据变异概率Pm(一般在0.001-0.1之间取值)选择一个个体染色体的一个基因,然后对该段基因随机选择某一位进行翻转(该位的编码从0变为1,或从1变为0),产生一个新的个体,对所有个体重复这一过程使其全部变为新的个体。然后并入Step2中最高适应值的个体最终形成新一代群体
若遗传代数满足终止条件,则停止运算,输出适应值最高的个体作为辨识分解的结果;否则令k=k+1转到Step3继续向下执行,直至满足终止条件。
上述Step3计算适应度中采用的适应度函数是由实际的监测目标总电流波形与各个单负荷组特征模型下模拟的电流波形数据的组合的特征:相关系数、均方根误差、相关熵,作为适应度函数的主要参数。
本发明适应度函数为:
其中,y为实际的监测目标总电流波形采样数据,为单负荷组特征模型下模拟的电流波形数据的线性组合;corr(·)为两变量相关系数;Vδ(·)两变量相关的相关熵;err(·)为两变量的均方根误差;a、b、c均为常系数。
实际电流与模拟电流波形的均方根误差用来量化地衡量两变量之间的偏差。
为y与的协方差,Var[y]为y的方差,为的方差。
相关系数是度量两个变量间的相关程度的量,相关系数越大,则说明两变量之间的相关程度越高,在本发明中,若实际电流波形与模拟电流波形的相关系数越大则说明,模拟电流波形越可能与实际电流波形是相同的负荷组合。
为y与的协方差,Var[y]为y的方差,为的方差。
从信息理论学习(Information Theoretic Learning,ITL)的角度来讲,相关熵是用来衡量给定的特征向量之间的相似性。我们引入相关熵用来衡量两电流波形的相关程度,从。若给定任意两个电流波形X,Y,则他们的相关熵可以定义为:
Vδ(X,Y)=E[κδ(X-Y)] (1)
其中κσ(·)为核函数,满足Mercer定理;E[·]为期望。
本发明以高斯函数作为核函数,同时两个电流波形样本为有限个,记为则相关熵可以表示为
其中κσ(·)为高斯核函数(σ是核大小,此为核函数很重要的一个参数):
故公式(1)可以改写为:
相关熵是非负并且是有界的;只有当X=Y时,相关熵达到最大值
综上,本发明的适应度函数从定性、定量多方面比较了实际电流与模拟电流的相似程度,可以准确地为负荷分解提供量化依据。
步骤4,输出并存储分解辨识结果。
已有的非侵入式监测方法,在不同的用电场景中,选择负荷特征差异极大,部分特征采集难度高,需要硬件支持,并且得到的监测识别结果也仅在指定负荷的环境中效果比较好。已经提出的负荷特征在不同程度上都存在着信息丢失的情况,以使用最多的有功功率、无功功率这一对特征来说,电网入口的电压,可以近似认为是稳定不变的,那么电力负荷的特征与其电流密切相关,有功功率、无功功率仅可以表示负荷的功率大小与负载电流和电压的相位差,其他负荷特征信息则完全丢失。这对于负荷种类繁多或功率相近的场合来说该特征不能有效的区分负荷。
而本发明的有益效果是,相比于已有的非侵入式监测方法,本发明采用非侵入式方式采集用户负荷侧的总用电信息,通过特征的选择、提取、辨识,辨识出单个负荷或单个负荷组的运行状态,以用户电网入口的完整电流波形作为监测系统的负荷特征,采用神经网络模型学习并保存单负荷组的电流波形特征,保证到足够的特征用以识别区分不同电力负荷,提高了辨识的准确度、稳定性,扩展了检测方法的应用场景;通过建立神经网络推导负荷组输入-输出数学模型,大大提高了计算速度。解决了现有技术在多负荷同时工作场景中不能工作或负荷分解辨识准确率低、辨识速度慢的问题。
本发明以典型阻性负荷热水壶、电磁炉,阻容性负荷电脑及其显示器(简称电脑),阻感性负荷电吹风四种负荷不同类别为例,进行负荷分解,其结构框图如图1所示、总体方法流程图如图2所示,热水壶、电脑、电磁炉、电吹风四种负荷作为待辨识电力负荷。首先,采集每个负荷单独工作时的稳态电压波形与稳态电流波形,建立各个负荷的单负荷电流特征模型,组成单负荷模型数据库。当进行负荷分解辨识时,首先对霍尔数据采集单元采集到的进行预处理,然后本发明的负荷分解方法进行负荷分解辨识,最后将负荷分解的结果进行记录保存并可以提供给用户等进行进入的数据分析、调度。
具体按照以如图步骤实施:
步骤1,建立单负荷组运行模型数据库
如图3所示是RBF神经网络学习单负荷组电流特征模型流程图。数据采集装置分别采集热水壶、电脑、电磁炉、电吹风及无电器运行时(后续称为空载)的稳态电压、电流波形数据,经过低通滤波、标幺化、归一化等预处理后,采用RBF神经网络以当前时刻及前6时刻的负荷电压数据作为输入向量,下一时刻的电流数据为输出向量,隐层神经元设计为30个,隐层激活函数使用高斯函数,训练神经网络单负荷特征模型,训练50次或达到精度1e-8,后根据训练所得模型得到神经网络输入输出数据前向表达式,作为该电力负荷组的特征模型。训练得到的RBF神经网络模型在实际稳态电压波形下的电流输出波形与实际稳态电波形流的对比图如图4a-图4e所示,分别为电脑、热水壶、电磁炉、电吹风、空载时RBF神经网络训练模型电流波形与实际电流波形对比图,可以看出训练所得的模型能够很好地保留实际负荷的电流特征波形。
重复训练得到热水壶、电脑、电磁炉、电吹风及空载的单负荷组运行模型数据库共同组成模型数据库。
步骤2,实际运行时,采集稳态电压、电流波形数据先进行数据预处理然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下,各种负荷的模拟输出电流波形。
步骤3,使用遗传算法找出最佳的负荷组合
如图5所示为遗传算法流程图。使用遗传算法对步骤2得到的4种负荷的模拟输出电流波形进行组合寻优,与实际的电流波形进行匹配。
采用5位长度的二进制数对每种负荷的数量进行编码,对于本次实验共有四种待分解辨识的负荷,故每个染色体总的编码长度20,每种负荷最大辨识数量为31。初始种群数量为10,交叉概率Pc=0.9,变异概率Pm=0.1。采用遗传根据种群中各个个体的适应度函数值,决定下一代种群的进化方向,经过多代遗传后,最终种群收敛于适应度值最大的个体,该个体便作为辨识分解的输出结果。算法部分辨识结果的模拟输出电流波形与实际输出电流波形的对比图如图6所示:其中图6a待识别负荷为电脑,图6b待识别负荷为热水壶,图6c待识别负荷为组合为电脑和电磁炉,图6d待识别负荷为电吹风和热水壶,图6e待识别负荷为电脑、热水壶和电磁炉,图6f待识别负荷为热水壶、电磁炉和电吹风,图6g待识别负荷为电脑、热水壶、电磁炉和电吹风。从以上结果可以看出在最多有四种负荷的非侵入式监测系统中,本发明方法对单个负荷工作与多个负荷同时工作的状态都有比较好的辨识分解效果。具体各种组合的辨识分级准确度结果见表1:
表1电器负荷组合分解准确度结果
由表1可知,本发明方法对以电脑、热水壶、电磁炉和电吹风四种待辨识分解目标组成的非侵入式监测系统可以进行准确地负荷分解,分解的正确率高,说明本发明方法对于解决多负荷同时工作场景中不能工作或负荷分解辨识准确率低、辨识速度慢的问题具有很好的效果。