CN108920868A - 基于智能电表数据的负荷辨识模型参数修正方法 - Google Patents

Abstract

一种基于智能电表数据的负荷辨识模型参数修正方法，其特点是，通过智能电表对用户的用电数据采集，相比于侵入式的数据采集装置，很大程度上节省了硬件成本，对用电数据进行预处理，分析时间序列上的用电负荷特性；结合数据采集装置获取的单一负荷的周期运行曲线，通过主成分分析获得运行周期上的特征点和特征向量，以少量的数据量表征原始数据，并形成模板库；最后利用RBF神经网络判断数据点和数据中心的欧式距离，依据设定条件进行匹配，辨识负荷曲线中负荷的种类，最后修正传统负荷模型的参数。本发明通过计算机对动态负荷的实时监测，考虑到其中的负荷比例构成，使得传统的负荷模型的参数得以修正，可对电网未来供电提供一定的参考。

Description

基于智能电表数据的负荷辨识模型参数修正方法

技术领域

本发明属于电力系统负荷建模领域，涉及一种基于智能电表数据的负荷辨识模型参数修正方法。

背景技术

当前用电设备类型越来越多，负荷构成成分复杂，多种能源接入用户终端，对配网的稳定性造成很大的影响。一些新负荷的应用，如电动汽车充电时间、充电地点不确定，造成不同地区的负荷成分随机性变化。通过建立负荷模型，对用电参数进行辨识，能够对电网运行控制及未来规划提供参考，但是传统的负荷模型是基于静态参数建立的，无法适应动态变化的电力系统的要求，需要对模型的参数修正。

智能电表数据与负荷的动态变化情况密切相关，可通过网络传输可得到海量用电数据，用于建立负荷模型。基于智能电表数据的多层次负荷模型参数辨识，对不同时段、不同负荷类型数据进行统计，从大数据的角度研究辨识方法，得到负荷成分及特征，辨识参数，修正传统负荷模型。

发明内容

本发明的目的就是提供一种能减少硬件设备投入，提高计算效率的基于智能电表数据的负荷辨识模型参数修正方法。

本发明的基于智能电表数据的负荷辨识模型参数修正方法，包括以下步骤：

步骤1：调研统计区域内主要负荷的参数，包括额定功率、阻抗等值，通过统计法或总体测变法建立负荷模型，此时的负荷参数精确度较低，需利用后续步骤修正该负荷模型参数；

步骤2：利用智能电表能够记录电流和功率等信号的功能，将采集的数据绘制负荷曲线，其中包括负荷的总用电量、负荷均值、以及偏离均值的百分比，通过线性变换将观测信号投影到新的子空间后变成白化向量，求取特征向量的协方差，使得维度较高的数据混合矩阵经过上述变换后计算量减小，初步确定不同条件下的负荷实际情况；

步骤3：智能电表采集数据的频率一般不能改变，为了准确辨识参数，故选用采样频率f≥500HZ的数据采集装置，采集电器的一个运行周期的数据，包括启动、稳定、停止三个阶段的数据，用主成分分析获得该运行周期的特征点和特征向量，将采集的特征数据归一化处理之后，并依据不同的负荷形成相应的模板库，用于后续的模式识别；

步骤4：智能电表数据包含了多个负荷的数据，在具有相同方差的随机变量中，高斯分布的随机变量具有最大的微分熵，在高斯分布达到最大时完成独立成分的分离，相应的获得随机变量的微分熵；负熵的最大近似值能够在约束条件下通过判断最优值获得，首先得到雅克比矩阵，通过线性变换将雅克比矩阵变成对角阵，得到近似的牛顿迭代公式，将迭代公式进行简化后计算；在限定条件下选取随机的权值量作为中心以及非线性变换函数进行迭代运算，若选取的点不能够收敛，则应重新选取非线性函数或中心，直到将混合负荷数据分解；

步骤5：步骤3已经采集各种负荷功率和电流数据，并将这些特定负荷的数据分为不同的种类，在步骤4将智能电表的数据进行分解，得到多种功率和电流曲线，将这些数据经过归一化之后，利用RBF神经网络进行识别分类，最后将识别的归一化数据逆变换至原数据，求出对应的负荷比例，对比原始数据判断辨识的精度；

步骤6：智能电表记录的是混合负荷中电流和功率的用电量，步骤5已将混合的负荷的相应比例求出，结合智能电表的数据可得到所求负荷的电流和功率，通过电路之间的参数计算，得到该负荷的功率因素和各个参数值，和步骤1中传统负荷模型的参数对比，判断偏离实际值的百分比，由于数据变化具有波动性，需将初始的负荷参数逐步进行调整，直到达到修正负荷参数的目的。

本发明的基于智能电表数据的负荷辨识模型参数修正方法，具有如下优点：

1、相比于侵入式负荷监测，通过智能电表获取数据能够减少硬件设备的投入；

2、采用的独立成分分析方法，依据数据采集装置获得的特定负荷数据，对原有的混合曲线进行分解，可提高计算效率。

附图说明

图1为本发明系统整体的数据采集示意图；

图2为本发明单一负荷的数据采集示意图；

图3为本发明负荷参数辨识模型修正方法的流程图。

具体实施方式

一种基于智能电表数据的负荷辨识模型参数修正方法，包括步骤为：

步骤1，通过调研统计区域内主要负荷的参数，包括额定功率、额定电压、阻抗等值，通过统计法或者总体测变法建立初始的负荷模型，

ψ_o＝f(U_o,I_o,P_o)

U_o、I_o、P_o是初始的模型参数，对应的电阻、转子阻抗等参数也均为初始值，此时建立模型的参数的精度较低，将该步骤获得的模型作为基础模型，利用后续步骤得出的参数修正模型。

步骤2，预处理智能电表采集负荷数据：

用户的用电存在一定的周期性，图1的示意图利用智能电表能够记录电流和功率的功能，对采集的数据进行年、季节、月、日、小时负荷分析，初步得出各个时间序列上的功率和电流特性。对大致分类的数据首先经过小波变换去除噪声干扰，将不同时间序列数据白化处理减少数据的计算量。然后将混合的源信号S(t)的观测信号C(t)经过线性变换矩阵B得到白化向量H(t)，其中：

其中P和Λ分别代表协方差矩阵的特征向量矩阵和特征值矩阵，此时协方差E{HH^T}＝I，C(t)＝AS(t)，那么有H(t)＝BAS(t)；

数据经过白化之后可以将观测信号的数目降到与源信号数目维数相同，可使计算量大大减少。

步骤3，获得单一负荷的特征：

因智能电表采集数据的频率调整存在一定的困难，图2的示意图中，选用专门的数据采集装置采集电器的一个运行周期数据，采样频率f≥500HZ，包括启动时、稳定时、关断时的功率和电流数据χ(P,I)，在数据采集之后用主成分分析获得该运行周期的特征点和特征向量，并将采集的特征点数据归一化处理之后，按照采样时不同的负荷特性，组合形成相应的模板库，用于步骤5的模式识别。

步骤4，分离混合的负荷曲线：

混合的负荷曲线包含多种负荷，快速独立点算法基于负熵最大化形式，通过大量的样本数据参与运算，将原混有多种负荷值的曲线分离之后辨识，根据中心极限定理，若随机变量由许多相互独立的随机元素组成，只需要具有有限的均值和方差，在高斯性度量达到最大的时候，即可完成独立成分的分离，下式中是负熵，是随机变量的微分熵：

相同方差的随机变量中高斯分布的随机变量具有最大的微分熵，当具有高斯分布时，所以可以作为随机变量非高斯性的测度。采用负熵定义求解需得到的概率密度分布函数，由于实际情况的限制，一般采用下面的近似公式，其中E[]为均值计算，而f是非线性函数：

B^TC的负熵的最大近似值能通过对E{f(B^TC)}进行优化取得,得到下面的近似牛顿迭代公式：

上式中B*是B的新值的近似值,为了简化计算，B*替代B用于计算。选择一个初始权矢量B，取非线性函数f，经过上述计算，若B不收敛，则应重新选取非线性函数，若计算的步骤未达到设定值，则需继续计算。

步骤5，模式识别，求出相应的负荷比例：

由于步骤3过程采集的是各种负荷功率和电流数据，将这些数据分为不同的种类。在步骤4过程中，已经将智能电表的数据进行分解，分析出功率和电流曲线，将步骤3和步骤4的数据经过归一化之后，利用RBF神经网络辨识；

在RBF神经网络中，依据隐含层节点和中心向量之间欧式距离||x(t)-c_j(t)||判断所属的种类，得到输出y，

w是输出的权值，n是输出的节点数，在神经网络将输出分类之后，由于对应的数据是经过归一化处理之后的数值，需要将这些值转换至原始数据，最后求出识别精度以及相应的负荷比例η，

步骤6，计算求出负荷中的参数：

由于智能电表记录的是混合负荷中电流和功率的用电量，步骤5已将混合的负荷的相应比例求出，在得到电流、功率和电压值的函数关系ψ＝f(U,I,P)后，求得负荷的功率因素和各个参数值。依据求出的结果来校正原有负荷模型的参数，于是：

ψ＝ψ_o+μΔψ，

其中μ是纠正系数，取值范围为(0,1)，通过不断地取值纠正，直到误差百分比ε≤0.3％，最终达到修正负荷辨识模型参数的目的。

在本实施例中，应用上面的电力系统负荷辨识方法的装置包括：待测电气设备、用于监测负荷电流、功率数据的智能电表、测量单一电器数据的高频测量设备、用于数据传输的信号发出和接收装置、处理数据的计算机。

Claims (1)

1.一种基于智能电表数据的负荷辨识模型参数修正方法，其特征在于：它包括以下步骤：

步骤1，通过调研统计区域内负荷的参数，包括额定功率、额定电压、阻抗，用统计法或总体测变法建立初始的负荷模型，

ψ_o＝f(U_o,I_o,P_o)，

U_o、I_o、P_o是初始的模型参数，对应的电阻、转子阻抗均为初始值；

步骤2，预处理智能电表采集负荷数据：

利用智能电表对采集的数据进行年、季节、月、日、小时负荷分析，得出各个时间序列上的功率和电流特性，首先经过小波变换去除噪声干扰，将不同时间序列数据白化处理减少数据的计算量，然后将混合的源信号S(t)的观测信号C(t)经过线性变换矩阵B得到白化向量H(t)，其中：

P和Λ分别代表协方差矩阵的特征向量矩阵和特征值矩阵，此时协方差E{HH^T}＝I，C(t)＝AS(t)，那么有H(t)＝BAS(t)；

步骤3，获得单一负荷的特征：

选用数据采集装置采集电器的一个运行周期数据，采样频率f≥500HZ，包括启动时、稳定时、关断时的功率和电流数据χ(P,I)，在数据采集之后用主成分分析获得该运行周期的特征点和特征向量，并将采集的特征点数据归一化处理之后，按照采样时不同的负荷特性，组合形成相应的模板库；

步骤4，分离混合的负荷曲线：

根据中心极限定理，若随机变量由许多相互独立的随机元素组成，只需要具有有限的均值和方差，在高斯性度量达到最大的时候，即可完成独立成分的分离，下式中是负熵,是随机变量的微分熵：

相同方差的随机变量中高斯分布的随机变量具有最大的微分熵，当具有高斯分布时， 作为随机变量非高斯性的测度，采用负熵定义求解需得到的概率密度分布函数，采用下面的近似公式，其中E取均值，而f是非线性函数：

B^TC的负熵的最大近似值能通过对E{f(B^TC)}进行优化取得,得到下面的近似牛顿迭代公式：

上式中B^*是B的新值的近似值,选择一个初始权矢量B，取非线性函数f，经过上述计算，若B不收敛，则应重新选取非线性函数，若计算的步骤未达到设定值，则需继续计算；

步骤5，模式识别，求出相应的负荷比例：

由于步骤3过程采集的是各种负荷功率和电流数据，将这些数据分为不同的种类，在步骤4过程中，已经将智能电表的数据进行分解，分析出功率和电流曲线，将步骤3和步骤4的数据经过归一化之后，利用RBF神经网络辨识，

在RBF神经网络中，依据隐含层节点和中心向量之间欧式距离||x(t)-c_j(t)||判断所属的种类，得到输出y，

w是输出的权值，n是输出的节点数，在神经网络将输出分类之后，由于对应的数据是经过归一化处理之后的数值，需要将这些值转换至原始数据，最后求出识别精度以及相应的负荷比例η，求得负荷的功率因素和各个参数值，依据求出的结果来校正原有负荷模型的参数，于是：

ψ＝ψ_o+μΔψ,

其中μ是纠正系数，取值范围为(0,1)，通过不断地取值纠正，直到误差百分比ε≤0.1％。