CN109193630B - 一种柔性负荷可调区间预测方法及装置 - Google Patents

Abstract

本发明涉及一种柔性负荷可调区间预测方法及装置，该方法是基于非侵入式负荷分解技术和用户用能行为分析提出的。用非电量信息预测出柔性负荷在统计学意义上的可调区间，再考虑柔性负荷只有在开启时才具有可调能力的实际情况，利用非侵入式的方法辨识柔性负荷的实际启停状态，结合统计意义上的可调区间，可以预测出具有实际意义的柔性负荷可调区间。有如下优点：1.柔性负荷预测区间更新速度快，可以帮助调度部门做到分钟级的控制；2.对于柔性负荷的监测不需要额外安装检测设备，在保护用户隐私的同时也做到了节约人力物力财力；3.运算速度快，可以实现在线应用。

Description

一种柔性负荷可调区间预测方法及装置

技术领域

本发明涉及一种柔性负荷可调区间预测方法及装置，该方法是基于非侵入式负荷分解技术和用户用能行为分析提出的。

背景技术

新能源的大规模接入和电力信息化的全面发展给电力行业的发展提供了新的思路和挑战。目前新能源的大规模接入电网会带来许多问题，如带来功率波动，影响电网的稳定性。以风电为例，2013年吉林和甘肃弃风率高达20％，风电并网与消纳一直是制约风电发展的世界性难题，在我国，风电并网与消纳问题尤其突出。根据新能源的发电情况实时的在用户侧进行优化调度可以缓解新能源并网带来的功率波动，而大数据的挖掘可以应用于这个过程之中：通过大数据预测出用户侧柔性负荷的可调范围，以此为依据，对主网的运行进行调控。目前我国对于电力大数据的利用程度有限，电力大数据的应用场景大多数是对故障发生进行预测和在营销方面提供指导策略，而大数据在用户需求侧响应方面的研究尚少。考虑到用户隐私等原因，非侵入式负荷监测是监测用户状态的最佳方法，基于此类大数据的用能行为分析可以提高用户侧控制的精度，鉴于此，本发明开展非侵入式负荷辨识研究，深入分析用户用能行为，深度挖掘用户侧的可调性柔性负荷可调区间，从而为电网的调度提供理论依据。

发明内容

本发明主要解决现有技术存在的问题，提出了一种结合非侵入式负荷分解和关联规则挖掘的柔性负荷可调区间预测模型。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

用非电量信息预测出柔性负荷在统计学意义上的可调区间，再考虑柔性负荷只有在开启时才具有可调能力的实际情况，利用非侵入式的方法辨识柔性负荷的启停状态，结合统计意义上的可调区间，预测出具有实际意义的柔性负荷可调区间。流程图如图1所示。

一种柔性负荷可调区间预测方法，其特征在于，包括以下步骤：

步骤1，进行非侵入式负荷状态辨识，具体是通过智能电表监测有功功率变化，当有功功率的增量处于事先调研得到的柔性负荷开启时的有功功率变化区间内，就认为该时刻负荷开启，当有功功率的减量处于柔性负荷关闭时的有功功率变化区间内就认为该时刻负荷关闭；

步骤2，进行关联规则分析，具体是利用Apriori关联规则挖掘算法得到时间序列和柔性负荷启停的定量关系，利用步骤1的非侵入式负荷辨识出的柔性负荷启停序列和事件序列进行Apriori关联规则，得到事件之间的相关度和置信度；

步骤3，进行区间预测，具体是基于改进条件密度函数预测柔性负荷的可调区间，将Apriori算法的输出结果应用于条件分布函数及其期望之中，可以得到统计意义上的负荷未来的功率区间，结合空调的实际开启情况才能得到真正具有现实意义的可调区间预测模型，将空调的实际开启情况与统计意义的功率区间结合起来便可以得到柔性负荷的可调区间预测结果；本发明可以给居民柔性负荷的调控提供更加精确的判断依据。

在上述的一种柔性负荷可调区间预测方法，所述的步骤1中，辨识负荷状态的具体操作方法如下：

步骤1.1，在入户安设测量装置；该测量装置可以采集入户端的总功率，总电压，总电流电气量；本发明所用到的数据来源是UCI(University of California Irvine)提供的数据库，其测量装置为智能电表；

步骤1.2，确定和测量负荷特征；不同种类的用电设备具有不同的用电特征，如设备启动和关闭时的电压波动，工作时的谐波特征，称为负荷特征；这些负荷特征需要预先测量，作为先验知识；本发明选用用电设备开启和关闭时的有功波动作为负荷特征；

步骤1.3，辨识启停；检测入户端的智能电表有功功率变化，当有功功率增加并且增量等于提前调研得到的用电器启动时的有功功率时，认为该用电器开启，同样的，有功功率减少并且减量与用电器关闭时的有功变化量相同时，认为该用电器关闭。

在上述的一种柔性负荷可调区间预测方法，所述步骤2中，关联规则分析的具体操作方法如下：

步骤2.1，说明一些基本概念：项集，n项集，支持度，置信度，最小支持度，频繁项集；

步骤2.2，进行连接步与剪枝步，得到所有的K项频繁集，在K项频繁集中，满足预先设定最小置信度的那部分项集就是具有强关联规则的项集；

步骤2.3，利用UCI的数据进行时间序列与空调启停的关联规则分析；将采样频率设定为1分钟，首先对时间进行离散化处理，把全天1440分钟处理为离散的24个时间段，再利用步骤1辨识得到的空调启停序列，对空调的启停与时间点进行关联规则分析。

在上述的一种柔性负荷可调区间预测方法，步骤3中，进行区间预测的方法具体为：

步骤3.1，改进条件期望；将用户用能行为变化和时间当作两个随机变量，在给定时间一个具体数值时，利用步骤2得到的概率可以求得用户用能行为的变化的条件期望；

步骤3.2，预测单个家庭的柔性负荷可调区间；将时间序列作为用户负荷的影响因素；对时间序列和用户负荷进行Apriori关联规则分析，采样频率设定为5min，得到统计意义上的柔性负荷可调区间预测模型；进行非侵入式家用负荷分解，采样频率设定为1min；得到了统计意义上的柔性负荷可调区间预测模型以后，在模型中加入负荷启停的辨识结果，得到具有实际意义的柔性负荷可调区间；

步骤3.3，采用和单个家庭相同的处理办法，得到多个家庭的可调容量预测区间，并将预测结果累加起来，得到多个家庭可调区间预测的结果。

在上述的一种柔性负荷可调区间预测方法，非侵入式家用负荷分解和Apriori关联规则分析的数据来源于装设在入户端的智能电表采集的有功功率数据。

一种使用柔性负荷可调区间预测方法的装置，包括：其特征在于，包括：

步骤1，非侵入式负荷状态辨识步骤：通过智能电表监测有功功率变化，当有功功率的增量处于事先调研得到的柔性负荷开启时的有功功率变化区间内，就认为该时刻负荷开启，当有功功率的减量处于柔性负荷关闭时的有功功率变化区间内就认为该时刻负荷关闭；

步骤2，关联规则分析步骤：利用Apriori关联规则挖掘算法得到时间序列和柔性负荷启停的定量关系；利用步骤1所述的非侵入式负荷辨识出的柔性负荷启停序列和事件序列进行Apriori关联规则，得到事件之间的相关度和置信度；

步骤3，区间预测步骤：基于改进条件密度函数预测柔性负荷的可调区间，将Apriori算法的输出结果应用于条件分布函数及其期望之中，可以得到统计意义上的负荷未来的功率区间，结合空调的实际开启情况才能得到真正具有现实意义的可调区间预测模型，将空调的实际开启情况与统计意义的功率区间结合起来便可以得到柔性负荷的可调区间预测结果；本发明可以给居民柔性负荷的调控提供更加精确的判断依据。

因此，本发明具有以下优点：1.柔性负荷预测区间更新速度快，可以帮助调度部门做到分钟级的控制；2.对于柔性负荷的监测不需要额外安装检测设备，在保护用户隐私的同时也做到了节约人力物力财力；3.运算速度快，可以实现在线应用。

附图说明

图1是本发明的一种工作流程图。

图2是本发明得到的非侵入式负荷监测示意图，检测设备安装在入户端，通过对汇总的电量数据进行分解，可以得到具体用电器的工作状态信息。

图3是本发明对空调启停状态进行非侵入式辨识的结果图。

图4是本发明进行空调负荷启停与时间序列的关联规则分析结果图。

图5是本发明进行单个家庭柔性负荷在统计意义上的可调区间预测的结果。

图6是本发明进行单个家庭可调性柔性负荷可调区间预测结果。

图7是本发明进行多个家庭可调性柔性负荷可调区间预测结果。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

一种柔性负荷可调区间预测方法，包括以下步骤：

步骤1，对柔性负荷的启停状态进行辨识，在居民负荷中，柔性负荷的主要成分是空调，因此以空调为典型柔性负荷代表，辨识家庭中空调负荷的启停状态，具体操作方法如下：

步骤1.1，在入户安设测量装置。该测量装置可以采集入户端的总功率，总电压，总电流等电气量，如图2所示。本发明利用的是UCI(University of California Irvine)提供的数据库，该数据库提供了法国某家庭于2006年至2010年的用电信息。该家庭装设有四个智能电表，1,2号电表分别记录厨房和洗衣房的用电信息，3号电表记录空调和热水器的用电信息，4号电表安装在入户端，记录该家庭总的用电信息。每个电表都记录了安装节点处一分钟内的平均有功功率与无功功率，平均电压与电流。考虑到普通家庭在一分钟内同时开启或关闭用电器的概率较小，而智能电表的采样频率为1分钟，所以利用智能电表对普通家庭进行非侵入式负荷辨识是可行的。

步骤1.2，确定和测量负荷特征。不同种类的用电设备具有不同的用电特征，如启动和关闭时的电压波动，工作时的谐波特征等等，称为负荷特征，这些负荷特征需要预先测量，作为先验知识。本发明选用用电设备开启和关闭时的有功波动作为负荷特征。3号电表测量的是空调与热水器的电量数据，由于二者功率相差较大，通过分析3号电表的数据可以确定空调的功率为1000W，启停导致的功率区间设置为[900,1100]

步骤1.3，辨识启停。检测入户端的智能电表有功功率变化，当有功功率增加并且增量等于步骤1.2调研得到的用电器启动时的有功功率时，认为该用电器开启，同样的，有功功率减少并且减量与用电器关闭时的有功变化量相同时，认为该用电器关闭，如式1所示：

C是用来表示用电器启停的0,1变量，1表示设备开启，0表示设备关闭，P为测量得到的智能电表在一分钟内的有功功率变化值，[S₁,S₂]分别为预先测量得到的设备开启和关闭时的有功功率变化。空调启停状态辨识结果如图3所示。

步骤2，挖掘时间序列和负荷功率之间的定量关系，所用方法是关联规则分析，即分析事件集合之间的相关性和依赖性，通常用形如A→B的形式来表示，表示事件A在一定程度上与事件B的发生相关。具体操作方法如下：

步骤2.1，首先对一些基本概念进行说明。项的集合称作项集，包含n个项的项集称为n项集，支持度指的是项集A、B同时发生的概率，置信度指的是在项集A发生的条件下项集B发生的概率，最小支持度是人为设定的支持度阈值，大于最小支持度的项集被称为频繁项集。

步骤2.2，首先在有的1项集C₁(候选集)中选择出所有大于最小支持度的项集L₁；L₁互相之间组合产生2项候选集C₂同样选择C₂中的所有频繁项集得到2项频繁集的集合L₂，这一步筛去了不是频繁项集的多余项集。再将L₂与L₁组合生成三项候选集C₃，筛选C₃得到三项频繁集L₃。L_K-1与L₁连接产生C_K的过程称为连枝步，在候选项C_K的过程中筛去非频繁集，留下频繁集的过程称为剪枝步。连接步与剪枝步交替迭代进行，最后便可以得到所有的K项频繁集，在K项频繁集中那些满足了预定的最小置信度的项集就是具有强关联规则的项集。

步骤2.3，利用UCI的数据进行时间序列与空调启停的关联规则分析。将采样频率设定为1分钟，首先对时间进行离散化处理，把全天1440分钟处理为离散的24个时间段，再利用步骤1辨识得到的空调启停序列，对空调的启停与时间点进行关联规则分析。分析结果如图4所示。

步骤3，结合条件密度函数与步骤2的关联规则挖掘，对可调性柔性负荷的可调区间进行预测。利用关联规则可以得到空调功率可调区间，然而该可调区间只是基于统计学意义上的，并不具有实际意义，由于空调只有在开启时才具有可调能力，所以需要再结合空调的实际开启情况才能得到真正具有现实意义的可调区间预测模型。具体操作方法如下：

步骤3.1，改进条件期望。假设X和Y是离散型随机变量，则X的条件期望在给定Y＝y的条件下是y的在Y值域的函数，其函数表达式如下

其中，x是处于X的值域。

将用户用能行为的变化当作随机变量X，时间的变化当作随机变量Y，在给定Y一个具体数值时，可以求得用户用能行为的变化X的条件期望如式3-5所示：

其中，P_T为所有居民用户柔性负荷在T时刻的可调区间，C_n表示第n户家庭的柔性负荷的实际启停状态，它是一个0,1变量，可以由第二章非侵入式负荷分解辨识得到。S_i表示负荷的第i种状态，也就是居民用能行为可能变化的范围，S_i∈X，

为第n个家庭在T时刻的预测可调范围值，β是一个缩放系数，

是置信度，表示在T时刻第m种影响因素发生的条件下，第i种状态发生的可能性大小(置信度)，即：

K_i为加权系数。

步骤3.2，单个家庭柔性负荷可调区间预测。选取UCI提供的一户法国家庭在2008年6月和7月的用电数据，将时间序列作为用户负荷的影响因素。在进行Apriori关联规则分析时，将采样频率设定为5min。在进行非侵入式家用负荷分解时，采样频率设定为1min。选用该法国家庭在2008年6月份的数据进行训练，利用Apriori关联规则得到的统计意义上的柔性负荷预测结果如图5所示。得到了统计意义上的柔性负荷可调区间预测模型以后，再考虑用电器实际的开关状态，用步骤1辨识空调的实际开关状态，在空调开启的有效时间内柔性负荷空调才能参与容量调节，最终的单个家庭可调容量预测结果如图6所示。

步骤3.3，多个家庭聚合的柔性负荷可调区间预测。实际情况中需求侧响应的研究对象不止一户家庭，而是多户家庭的集合，需要将同一类家庭的所有用户聚合起来。利用该法国家庭在五个工作日的数据来代表五个同一类型的家庭，采用和单个家庭相同的处理办法，将五个家庭的可调容量预测结果累加起来，得到可调区间预测的结果如图7所示。

本发明对统计学中的传统条件期望进行变化，提出了基于数据关联规则的可调柔性负荷可调区间预测模型，该模型结合了Apriori算法得到的项集的支持度与置信度，将置信度的概念引入条件分布中，为数据挖掘技术在数理统计中应用，从而进行柔性负荷可调能力评估提供了理论基础。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种柔性负荷可调区间预测方法，其特征在于，包括以下步骤：

步骤1，进行非侵入式负荷状态辨识，具体是通过智能电表监测有功功率变化，当有功功率的增量处于事先调研得到的柔性负荷开启时的有功功率变化区间内，就认为该时刻负荷开启，当有功功率的减量处于柔性负荷关闭时的有功功率变化区间内就认为该时刻负荷关闭；

步骤2，进行关联规则分析，具体是利用Apriori关联规则挖掘算法得到时间序列和柔性负荷启停的定量关系，利用步骤1的非侵入式负荷辨识出的柔性负荷启停序列和事件序列进行Apriori关联规则，得到事件之间的相关度和置信度；

步骤3，进行区间预测，具体是基于改进条件密度函数预测柔性负荷的可调区间，将Apriori算法的输出结果应用于条件分布函数及其期望之中，可以得到统计意义上的负荷未来的功率区间，结合空调的实际开启情况才能得到真正具有现实意义的可调区间预测模型，将空调的实际开启情况与统计意义的功率区间结合起来便可以得到柔性负荷的可调区间预测结果；本发明可以给居民柔性负荷的调控提供更加精确的判断依据；

所述的步骤1中，辨识负荷状态的具体操作方法如下：

步骤1.1，在入户安设测量装置；该测量装置可以采集入户端的总功率，总电压，总电流电气量；所用到的数据来源是加利福尼亚大学提供的数据库，其测量装置为智能电表；

步骤1.2，确定和测量负荷特征；不同种类的用电设备具有不同的用电特征，设备启动和关闭时的电压波动，工作时的谐波特征，称为负荷特征；这些负荷特征需要预先测量，作为先验知识；本发明选用用电设备开启和关闭时的有功波动作为负荷特征；

步骤1.3，辨识启停；检测入户端的智能电表有功功率变化，当有功功率增加并且增量等于提前调研得到的用电器启动时的有功功率时，认为该用电器开启，同样的，有功功率减少并且减量与用电器关闭时的有功变化量相同时，认为该用电器关闭。

2.根据权利要求1所述的一种柔性负荷可调区间预测方法，其特征在于，所述步骤2中，关联规则分析的具体操作方法如下：

步骤2.1，首先对一些基本概念进行说明，项的集合称作项集，包含n个项的项集称为n项集，支持度指的是项集A、B同时发生的概率，置信度指的是在项集A发生的条件下项集B发生的概率，最小支持度是人为设定的支持度阈值，大于最小支持度的项集被称为频繁项集；

步骤2.2，首先在有的1项候选集C₁中选择出所有大于最小支持度的项集L₁；L₁互相之间组合产生2项候选集C₂，同样选择C₂中的所有频繁项集得到2项频繁集的集合L₂，这一步筛去了不是频繁项集的多余项集，再将L₂与L₁组合生成3项候选集C₃，筛选C₃得到3项频繁集L₃，L_K-1与L₁连接产生C_K的过程称为连枝步，在候选项C_K的过程中筛去非频繁集，留下频繁集的过程称为剪枝步，连接步与剪枝步交替迭代进行，最后便可以得到所有的K项频繁集，在K项频繁集中那些满足了预定的最小置信度的项集就是具有强关联规则的项集；

步骤2.3，利用加利福尼亚大学的数据进行时间序列与空调启停的关联规则分析；将采样频率设定为1分钟，首先对时间进行离散化处理，把全天1440分钟处理为离散的24个时间段，再利用步骤1辨识得到的空调启停序列，对空调的启停与时间点进行关联规则分析。

3.根据权利要求1所述的一种柔性负荷可调区间预测方法，其特征在于，步骤3中，进行区间预测的方法具体为：

步骤3.1，改进条件期望，定义X和Y是离散型随机变量，则X的条件期望在给定Y＝y的条件下是y的在Y值域的函数，将用户用能行为的变化当作随机变量X，时间的变化当作随机变量Y，在给定Y一个具体数值时，能够求得用户用能行为的变化X的条件期望；

步骤3.2，预测单个家庭的柔性负荷可调区间；将时间序列作为用户负荷的影响因素；对时间序列和用户负荷进行Apriori关联规则分析，采样频率设定为5min，得到统计意义上的柔性负荷可调区间预测模型；进行非侵入式家用负荷分解，采样频率设定为1min；得到了统计意义上的柔性负荷可调区间预测模型以后，在模型中加入负荷启停的辨识结果，得到具有实际意义的柔性负荷可调区间；

步骤3.3，采用和单个家庭相同的处理办法，得到多个家庭的可调容量预测区间，并将预测结果累加起来，得到多个家庭可调区间预测的结果。

4.根据权利要求1所述的一种柔性负荷可调区间预测方法，其特征在于，非侵入式家用负荷分解和Apriori关联规则分析的数据来源于装设在入户端的智能电表采集的有功功率数据。

5.一种使用权利要求1所述的柔性负荷可调区间预测方法的装置，包括：其特征在于，包括：

步骤1，非侵入式负荷状态辨识步骤：通过智能电表监测有功功率变化，当有功功率的增量处于事先调研得到的柔性负荷开启时的有功功率变化区间内，就认为该时刻负荷开启，当有功功率的减量处于柔性负荷关闭时的有功功率变化区间内就认为该时刻负荷关闭；

步骤2，关联规则分析步骤：利用Apriori关联规则挖掘算法得到时间序列和柔性负荷启停的定量关系；利用步骤1所述的非侵入式负荷辨识出的柔性负荷启停序列和事件序列进行Apriori关联规则，得到事件之间的相关度和置信度；

步骤3，区间预测步骤：基于改进条件密度函数预测柔性负荷的可调区间，将Apriori算法的输出结果应用于条件分布函数及其期望之中，可以得到统计意义上的负荷未来的功率区间，结合空调的实际开启情况才能得到真正具有现实意义的可调区间预测模型，将空调的实际开启情况与统计意义的功率区间结合起来便可以得到柔性负荷的可调区间预测结果；本发明可以给居民柔性负荷的调控提供更加精确的判断依据。

Images