CN110504679B - 一种基于km匹配算法的非侵入式负荷辨识方法 - Google Patents

Abstract

本发明公开了一种基于KM匹配算法的非侵入式负荷辨识方法，在获取到测得的电力系统中各用电设备的数据后，首先对于用电设备的投切过程中有功、无功的特征变化，采用Parzon窗进行概率密度估计，得到其负荷投入和切除的特征概率分布；再针对实际场景下负荷的投入和切除，分别计算有功、无功概率密度，建立最佳的匹配模型；然后通过KM算法进行求解，获取最佳的负荷事件匹配；进一步地，通过匹配得到负荷事件与数据库样本同等操作，实现负荷状态的辨识方法。该方法，在综合有功功率和无功功率变化来使用KM算法，来消除辨识误差，与其他方法相比，本发明在辨识有功功率或无功功率相近的设备时具有较好的辨识准确性。

Description

一种基于KM匹配算法的非侵入式负荷辨识方法

技术领域

本发明属于负荷监测领域，具体涉及一种基于KM匹配算法的非侵入式负荷辨识方法。

背景技术

负荷监测是当前的研究热点，目前负荷监测主要使用的技术有两种，分别为侵入式负荷监测和非侵入式负荷监测。非侵入式负荷监测仅在电表入口安装监测设备来监测负荷类型、用电明细等信息，是一种面向智能电表深化改革的必然趋势。但是，非侵入式负荷监测技术对算法的依赖性很大，而目前的大部分算法都存在辨识度不高、推广性不强等问题。KM算法作为二分图最佳匹配求解的优秀算法，在很多领域都有应用。因此，研究非侵入式负荷监测算法，尤其是将KM算法应用于非侵入式监测系统中很有必要。

发明内容

本发明的目的是提供一种基于KM匹配算法的非侵入式负荷辨识方法，以扩充前沿技术的受众范围，增强非侵入式算法的准确度、推广性等。

本发明所采用的技术方案是：

一种基于KM匹配算法的非侵入式负荷辨识方法，其特征在于，将KM算法应用于负荷匹配当中，所述KM算法是一种基于二分图理论，求完备匹配下的最大权匹配的算法，使得在一个赋权二分图G中存在的两个互不相交的顶点集X＝{X₁,X₂,…,X_n}，Y＝{Y₁,Y₂,…,Y_n}，X部中的每一个顶点都与Y部中的一个顶点匹配，或者Y部中的每一个顶点与X部中的一个顶点匹配；所述KM算法与负荷辨识相结合主要将有功功率和无功功率作为两个定点集应用,包括以下步骤：

步骤1：采集数据，构成数据样本，采集数据包括：原始的电压和电流；

步骤2：负荷事件检测，具体为：

假定在某个时刻点k，时间窗内L个数据样本{x_i}分为两类，为了避免电压、电流等波动的干扰，采用拟合逼近的方式进行负荷事件检测；规定在负荷事件检测窗内，以时刻点k为中间点将数据样本{x_i}分为两类，规定C₀类{x₁,x₂,…,x_k}(监测窗开始到时刻点k的数据样本集)和C₁类{x_k+1,x_k+2,…,x_L}(时刻点k后到检测窗结束的数据样本集)，其中L为窗口内样本长度，令

当满足目标函数

达到最小，便可得到负荷事件的变点；

步骤3：在步骤2中检测到变点之后，进行负荷特征提取；

步骤3.1：提取稳态P特征，有功功率定义为：

v(t)是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；

步骤3.2：提取稳态Q特征，无功功率定义为：

v(t)是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；

步骤3.3：提取开关事件的有功、无功曲线；将P、Q曲线结合构成P-Q特征图；

步骤4：负荷特征统计，具体为：

步骤4.1：对步骤2中检测的事件进行归类，规定负荷投入的负荷事件归为集合X，负荷切除的负荷事件归类为集合Y；

步骤4.2：假定有n个待辨识的电器设备A₁～A_n，根据步骤3提取的负荷特征，则对应的每个设备开启时的有功功率跳变集合为P_x＝{P_x1,P_x2,…,P_xn}，相对应的关闭事件的有功功率跳变集合为P_y＝{P_y1,P_y2,…P_yn}；开启时的无功功率跳变集合为Q_x＝{Q_x1,Q_x2,…Q_xn}，关闭时的无功功率跳变集合为Q_y＝{Q_y1,Q_y2,…Q_yn}；

步骤4.3：对步骤4.2中的各个用电电负荷开启特征P和Q采用核密度法中的Parzen窗法进行估计，通过样本可以直接得到概率密度p(x)；在使用Parzen窗法拟合曲线时，可以通过选择合适的窗宽，使数据样本对某一点的概率密度有着不同的影响；在点x处的核密度估计为

式中n为样本个数，h为窗宽，K()为核函数；

步骤4.4：选取核函数；为了使f_h(x)满足密度函数的要求，核函数K()还需满足一下3个条件∫K(u)du＝1，∫uK(u)du＝0，

通常核函数的选择会影响密度函数的形式，而窗宽的取值会影响到密度函数的光滑程度；基于此，选择高斯函数

作为核函数；

步骤4.5：选取窗宽；由高斯分布N(μ，σ)可知，其概率密度函数f(x)与样本标准差σ密切相关，因此最优窗宽近似为

步骤5：基于KM算法的负荷最佳匹配，具体为：

步骤5.1：预处理；将有功功率投切匹配过程和无功功率投切匹配过程分别转化为两个二分图G(X,Y,E)，H(X,Y,F)；设备开启和关闭事件分别为二分图的两部分顶点集X，Y；定义M(x_i,y_j)为负荷开启和关闭事件的一条匹配，并将X，Y所对应的负荷事件匹配概率作为匹配M_G(x_i,y_j)，M_H(x_i,y_j)的权重ω_G(x_i,y_j)，ω_H(x_i,y_j)；

步骤5.2：定义将n个设备的有功功率和无功功率匹配结果用统计学方法求得的匹配概率表示为二维矩阵的形式[f_ij]_n×n和[h_ij]_n×n，其中矩阵中某一行的各个数据代表某一设备关闭功率跳变值在其他各设备开启功率跳变值分布曲线下的概率密度；

采用步骤3中提取的特征并利用步骤4中选取的核函数和窗宽对各个设备启停功率跳变值分布进行统计得到概率密度；

步骤5.3：确定最佳匹配数学模型；采用下式的最佳负荷匹配数学模型进行约束：

其中，下标i，j的在计算过程中各个值只取一次，α，β为有功功率和无功功率矩阵对应的权值，且满足α+β＝1，此处取α＝β＝0.5；令等权相加得到的矩阵为[k_ij]_n×n，用此方法使得最终的负荷匹配不受干扰；将步骤5.2中得到的数据进行负荷最佳匹配计算。

本发明公开了一种电力负荷辨识方法，在获取到测得的电力系统中各用电设备的数据后，首先对于用电设备的投切过程中有功、无功的特征变化，采用Parzon窗进行概率密度估计，得到其负荷投入和切除的特征概率分布；再针对实际场景下负荷的投入和切除，分别计算有功、无功概率密度，建立最佳的匹配模型；然后通过KM算法进行求解，获取最佳的负荷事件匹配；进一步地，通过匹配得到负荷事件与数据库样本同等操作，实现负荷状态的辨识方法。该方法，在综合有功功率和无功功率变化来使用KM算法，来消除辨识误差，与其他方法相比，本发明在辨识有功功率或无功功率相近的设备时具有较好的辨识准确性。

附图说明

图1是KM算法整体架构图。

图2是设备开启有功-无功特征图。

图3是设备关闭有功-无功特征图。

图4是用电设备启停全程有功、无功功率变化图。

图5是设备开启时的有功功率分布曲线。

图6是设备开启时的无功功率分布曲线。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的核心是提供一种基于KM匹配算法的非侵入式负荷辨识方法，可以解决现有技术中如何提高电力负荷辨识的准确性问题。

为了使本技术领域的人员更好地理解本发明的方案，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。

图1为本发明实施例所提供的一种基于KM匹配算法的非侵入式负荷辨识方法流程图，如图1所示，该辨识方法包括以下步骤：

S101：获取预先测得的电力系统中各用电设备的原始数据。

具体就是获取电力系统中各用电设备的电压以及电流信号，然后计算提取出用电设备的有功功率和无功功率。图2和图3分别为各个用电设备启/停的有功-无功特征图，表1中记录了单个用电设备有功、无功信息。在测试中，采样间隔设置为2秒。

表1家庭负荷功率信息

S102：采用Parzon窗进行概率密度估计，得到负荷投入切除的特征概率分布。

具体包括以下步骤：

步骤一：负荷事件检测。

本发明实施例的有功无功图如图4所示。本实施例测试了一组电器启停的装，根据图4，负荷开启/关闭对应关系为：1-D，2-A，3-B，4-C，5-E。针对本发明专利中负荷事件检测方法，本实施例中事件检测窗口长度为10个采样点。本发明专利采用一种自适应加权平均的负荷事件检测算法，假定在某个时刻点k，将时间窗内N个数据样本{x_i}分为两类，为了避免电压、电流等波动的干扰，采用拟合逼近的方式进行负荷事件检测，其中拟合方式按窗口最小二乘拟合原则。

规定在负荷事件检测窗内，将数据样本分为两类，规定C₀类{x₁,x₂,…,x_k}和C₁类{x_k+1,x_k+2,…,x_L}，其中W为窗口内样本长度，令

当满足目标函数

达到最小，便可得到负荷事件的变点。表2中给出了负荷事件检测的变点时刻与变点前后的差分。

表2负荷投切变点前后差分

步骤二：负荷特征提取。

由本实施例中表2看出，采用变点时刻前后的数据进行差分与实际用电负荷的有功无功存在偏差，因此本发明采用每个设备投切时跳变出现前的阶段和出现后分别取一段稳态的功率数据的平均值，其两者的差值即为负荷投切的有功、无功数值作为负荷特征提取的结果，如表3所示，其中P_xi，Q_xi代表的是投入时刻的负荷特征变化；P_Yi，Q_Yi为切除后的负荷特征变化，i为设备序号。

表3负荷事件特征表

步骤三：负荷特征统计。

本发明在此实例之前，对实验中对各个用电设备的开启和关闭进行了大量实验，得到同一设备的多组开启跳变数据，并采用核密度函数绘制了概率分布，如图5和图6所示。

S103：根据实际场景投入切除建立最佳匹配模型。

本实施例中由S102的步骤三得到图5、图6之后获得有功和无功的匹配矩阵，如表4和表5所示。

表4：有功功率矩阵

	P<sub>X1</sub>	P<sub>X2</sub>	P<sub>X3</sub>	P<sub>X4</sub>	P<sub>X5</sub>
						P<sub>Y1</sub>	0	0.388	1	0.343	0
P<sub>Y2</sub>	0	0	0	0.607	0
						P<sub>Y3</sub>	0	0.612	0	0	0
P<sub>Y4</sub>	1	0	0	0.003	0.065
						P<sub>Y5</sub>	0	0	0	0.047	0.935

表5：无功功率矩阵

	Q<sub>X1</sub>	Q<sub>X2</sub>	Q<sub>X3</sub>	Q<sub>X4</sub>	Q<sub>X5</sub>
						Q<sub>Y1</sub>	0	0.315	0.858	0	0.421
Q<sub>Y2</sub>	0.377	0.128	0	0.922	0
						Q<sub>Y3</sub>	0	0.08	0.002	0	0.004
Q<sub>Y4</sub>	0.623	0.254	0	0.078	0
						Q<sub>Y5</sub>	0	0.223	0.14	0	0.575

本实例中采用

最佳负荷匹配数学模型进行约束。

表6给出了本实例中有功功率矩阵和无功功率矩阵等权相加得到K矩阵，其中每一行中的匹配值代表着用电设备投入和切除的相似关系，其值越大，代表投入的用电设备与关闭的用电设备属于同一个用电设备的可能性越大，最终用KM算法辨识得到结果矩阵，如表7所示。由此得到负荷事件匹配结果为M(1,3)，M(2,4)，M(3,2)，M(4,1)，M(5,5)，与实际投切情况一致。

表6：有功-无功等权K矩阵

0	0.352	0.929	0.172	0.211
					0.189	0.064	0	0.764	0
0	0.346	0.001	0	0.002
					0.811	0.127	0	0.041	0.032
0	0.111	0.07	0.023	0.755

表7：有功功率和矩阵匹配结果

0	0	1	0	0
					0	0	0	1	0
0	1	0	0	0
					1	0	0	0	0
0	0	0	0	1

S104：通过KM算法求解获得最佳负荷事件匹配数据库样本与实际测量样本操作。

在本实施例中，完成负荷事件匹配过后，需要确定具体进行投切操作的设备类型，即对负荷进行辨识。本实施例利用表1列出的用电设备数据库特征，并规定负荷特征P_Xi和Q_Xi在某个设备有功、无功的特征范围内，赋其二分图的边权为1，否则为0，初步得到负荷辨识矩阵。然后，通过KM算法，得到最佳的匹配如表8所示，其中A、B、C、D、E分别为电水壶，微波炉，电磁炉，空调，电饭煲，与实际情况相符，辨识结果准确。

表8：负荷辨识矩阵

	电磁炉	电水壶	电饭煲	空调	微波炉
						A	0	1	0	0	0
B	0	0	0	0	1
						C	1	0	0	0	0
D	0	0	0	1	0
						E	0	0	1	0	0

本发明的操作结果显示其能够有效进行识别，对功率特征相似的负荷设备可以有效区分。从而验证了本发明基于KM匹配算法的非侵入负荷辨识方法的实际可行性。

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 (1)

1.一种基于KM匹配算法的非侵入式负荷辨识方法，其特征在于，将KM算法应用于负荷匹配当中，所述KM算法是一种基于二分图理论，求完备匹配下的最大权匹配的算法，使得在一个赋权二分图G中存在的两个互不相交的顶点集X＝{X₁,X₂,…,X_n}，Y＝{Y₁,Y₂,…,Y_n}，X部中的每一个顶点都与Y部中的一个顶点匹配，或者Y部中的每一个顶点与X部中的一个顶点匹配；所述KM算法与负荷辨识相结合主要将有功功率和无功功率作为两个定点集应用,包括以下步骤：

步骤1：采集数据，构成数据样本，采集数据包括：原始的电压和电流；

步骤2：负荷事件检测，具体为：

定义在某个时刻点k，时间窗内L个数据样本{x_i}分为两类，为了避免电压、电流等波动的干扰，采用拟合逼近的方式进行负荷事件检测；规定在负荷事件检测窗内，以时刻点k为中间点将数据样本{x_i}分为两类，规定C₀类{x₁,x₂,…,x_k}是监测窗开始到时刻点k的数据样本集，C₁类{x_k+1,x_k+2,…,x_L}是时刻点k后到检测窗结束的数据样本集，其中L为窗口内样本长度，令

当满足目标函数

达到最小，便可得到负荷事件的变点；

步骤3：在步骤2中检测到变点之后，进行负荷特征提取；

步骤3.1：提取稳态P特征，有功功率定义为：

v(t)是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；

步骤3.2：提取稳态Q特征，无功功率定义为：

v(t)是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；

步骤3.3：提取开关事件的有功、无功曲线；将P、Q曲线结合构成P-Q特征图；

步骤4：负荷特征统计，具体为：

步骤4.1：对步骤2中检测的事件进行归类，规定负荷投入的负荷事件归为集合X，负荷切除的负荷事件归类为集合Y；

步骤4.2：定义有n个待辨识的电器设备A₁～A_n，根据步骤3提取的负荷特征，则对应的每个设备开启时的有功功率跳变集合为P_x＝{P_x1,P_x2,…,P_xn}，相对应的关闭事件的有功功率跳变集合为P_y＝{P_y1,P_y2,…P_yn}；开启时的无功功率跳变集合为Q_x＝{Q_x1,Q_x2,…Q_xn}，关闭时的无功功率跳变集合为Q_y＝{Q_y1,Q_y2,…Q_yn}；

步骤4.3：对步骤4.2中的各个用电电负荷开启特征P和Q采用核密度法中的Parzen窗法进行估计，通过样本可以直接得到概率密度p(x)；在使用Parzen窗法拟合曲线时，可以通过选择合适的窗宽，使数据样本对某一点的概率密度有着不同的影响；在点x处的核密度估计为

式中n为样本个数，h为窗宽，K()为核函数；

步骤4.4：选取核函数；为了使f_h(x)满足密度函数的要求，核函数K()还需满足一下3个条件∫K(u)du＝1，∫uK(u)du＝0，

通常核函数的选择会影响密度函数的形式，而窗宽的取值会影响到密度函数的光滑程度；基于此，选择高斯函数

作为核函数；

步骤4.5：选取窗宽；由高斯分布N(μ，σ)可知，其概率密度函数f(x)与样本标准差σ密切相关，因此最优窗宽近似为

步骤5：基于KM算法的负荷最佳匹配，具体为：

步骤5.1：预处理；将有功功率投切匹配过程和无功功率投切匹配过程分别转化为两个二分图G(X,Y,E)，H(X,Y,F)；设备开启和关闭事件分别为二分图的两部分顶点集X，Y；定义M(x_i,y_j)为负荷开启和关闭事件的一条匹配，并将X，Y所对应的负荷事件匹配概率作为匹配M_G(x_i,y_j)，M_H(x_i,y_j)的权重ω_G(x_i,y_j)，ω_H(x_i,y_j)；

步骤5.2：定义将n个设备的有功功率和无功功率匹配结果用统计学方法求得的匹配概率表示为二维矩阵的形式[f_ij]_n×n和[h_ij]_n×n，其中矩阵中某一行的各个数据代表某一设备关闭功率跳变值在其他各设备开启功率跳变值分布曲线下的概率密度；

采用步骤3中提取的特征并利用步骤4中选取的核函数和窗宽对各个设备启停功率跳变值分布进行统计得到概率密度；

步骤5.3：确定最佳匹配数学模型；采用下式的最佳负荷匹配数学模型进行约束：

其中，下标i，j的在计算过程中各个值只取一次，α，β为有功功率和无功功率矩阵对应的权值，且满足α+β＝1，此处取α＝β＝0.5；令等权相加得到的矩阵为[k_ij]_n×n，用此方法使得最终的负荷匹配不受干扰；将步骤5.2中得到的数据进行负荷最佳匹配计算。

Images