CN110555787B - 基于改进粒子群算法的非入侵式负荷识别方法 - Google Patents

基于改进粒子群算法的非入侵式负荷识别方法 Download PDF

Info

Publication number
CN110555787B
CN110555787B CN201910856379.9A CN201910856379A CN110555787B CN 110555787 B CN110555787 B CN 110555787B CN 201910856379 A CN201910856379 A CN 201910856379A CN 110555787 B CN110555787 B CN 110555787B
Authority
CN
China
Prior art keywords
power
state
electric equipment
particle swarm
steady
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910856379.9A
Other languages
English (en)
Other versions
CN110555787A (zh
Inventor
郭奕
伏淇
黄永茂
卿朝进
张岷涛
江婉
周婷
肖舒予
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201910856379.9A priority Critical patent/CN110555787B/zh
Publication of CN110555787A publication Critical patent/CN110555787A/zh
Application granted granted Critical
Publication of CN110555787B publication Critical patent/CN110555787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进粒子群算法的非入侵式负荷识别方法，包括以下步骤：采集用电设备独立运行的电气数据，获取用电设备稳态运行时的有功功率Pi、无功功率Qi和失真功率Di，建立负荷特征库；采集用电设备的数据，进行数据的缺失值处理，并采用快速傅里叶变换计算平均有功功率Pj、平均无功功率Qj和平均失真功率Dj；通过设置处理过后的用电设备数据的阈值获取用电设备的状态变化情况；根据用电设备的状态变化情况，进行用电设备的特征提取；根据提取的用电设备的特征和负荷特征库，通过改进的粒子群算法进行负荷识别。本发明使用改进粒子群算法和适应度函数，来提高负荷识别的准确率同时降低算法的时间消耗。

Description

基于改进粒子群算法的非入侵式负荷识别方法
技术领域
本发明属于智能电网领域，具体涉及基于改进粒子群算法的非入侵式负荷识别方法。
背景技术
智能电网是未来能源管理的重要方向，它有利于更加安全和更加清洁的电力能源消耗。而高级计量基础设施的部署被视为智能电网的基石，高级计量基础设施通过智能电表收集、储存、分析用户的用电情况，并将详细能源消耗情况给用户和电力公司，实现电网和用户之间的双向信息流。研究用户用电的详情有助于电力公司优化供电服务。同时，详细的家庭各设备的用电情况也能帮助用户调整自己的用电行为，达到节约用电的目的。当时识别的精准程度和及时性很高的时候也有助于实现现在所提倡的智能家居。负荷检测是AMI的重要的组成部分，主要分为ILM与NILM。ILM需要在家庭中安装大量的传感器，而NILM只需要在电力入户端安装采集分析甚至还能与智能电表集成在一起。相比较而言，NILM准确率较低，但是成本低、用户的接收程度高。因此，NILM具有非常好的研究前景。目前，NILM的精度还不够高同时需要如果使用机器学习或者是深度学习的方法去检测存在着成本高，需要大量的训练样本，导致耗时耗力。
发明内容
针对现有技术中的上述不足，本发明提供的基于改进粒子群算法的非入侵式负荷识别方法解决了现有技术成本高和耗时耗力的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于改进粒子群算法的非入侵式负荷识别方法，包括以下步骤：
S1、采集用电设备独立运行的电气数据，获取用电设备稳态运行时的有功功率Pi、无功功率Qi和失真功率Di，建立负荷特征库；
S2、采集用电设备的数据，进行数据的缺失值处理，并根据用电设备的数据，采用快速傅里叶变换计算平均有功功率Pj、平均无功功率Qj和平均失真功率Dj；
S3、通过设置处理过后的用电设备数据的阈值获取用电设备的状态变化情况；
S4、根据用电设备的状态变化情况，通过平均有功功率Pj、平均无功功率Qj和平均失真功率Dj进行用电设备的特征提取；
S5、根据提取的用电设备的特征和负荷特征库，通过改进的粒子群算法进行负荷识别。
进一步地，所述步骤S2中用电设备的数据包括电压、电流和周波。
进一步地，所述步骤S2中缺失值处理方法具体为：当缺失值个数大于3时，将数据分为两个数据集；当缺失值个数小于3时，缺失值按缺失值前后的数值等比填入。
进一步地，所述步骤S3包括以下分步骤：
S3.1、选择用电设备的数据，设定一个阈值；
S3.2、当选定的数据变化量大于设定的阈值时，则用电设备产生状态变化，进行状态变化情况记录。
进一步地，所述步骤S4包括以下分步骤：
S4.1、根据状态变化情况，将时间长度为T的序列分为若干子序列，子序列的时间长度大于3秒，则视为稳态段，将稳态段合集表示为[T1，T2,…,TN]；
S4.2、进行特征提取，获取第n个稳态段的有功功率Pn：
Figure BDA0002198409430000031
获取第n个稳态段的无功功率Qn：
Figure BDA0002198409430000032
获取第n个稳态段的失真功率Dn：
Figure BDA0002198409430000033
其中，n＝1,2,...,N，N为稳态段总个数，j＝1,2,...,n，Pj为第j段稳态的平均有功功率，Qj为第j段稳态的平均无功功率，Dj为第j段稳态的平均失真功率。
进一步地，所述步骤S5包括以下分步骤：
S5.1、根据用电设备的特征和负荷特征库，通过有功功率过滤器精简解空间，进行第n个稳态段的粒子群初始化；
S5.2、通过有功功率Pn、无功功率Qn和失真功率Dn获取不同设备状态在第n个稳态段的适应度函数；
S5.3、根据适应度函数计算得到第n个稳态段设备状态的个体最优解和群体最优解；
S5.4、根据个体最优解和群体最优解，对粒子的速度和位置进行更新；
S5.5、判断群体最优解是否满足要求，若是则输出群体最优解和最优解序列，否则重复步骤S5.3-步骤S5.4；
S5.6、判断第n个稳态段是否为最后一个稳态段，若是则结束负荷识别过程，否则令n＝n+1，并对此时的第n个稳态段进行粒子群初始化，并重复步骤S5.1-步骤S5.6。
进一步地，所述步骤S5.1中通过有功功率过滤器精简解空间的具体方法为：将第n个稳态段的平均功率Pn与负荷特征库中设备功率Pi做比较，当Pn<Pi时，设备状态为关闭状态，则过滤掉此稳态段。
进一步地，所述个体最优解表示单个粒子N次迭代中适应度最小的设备状态向量，所述群体最优解表示迭代完成后适应度最小设备状态向量，所述粒子表示一次假设，所述粒子群由M个粒子组成，所述粒子位置表示设备状态向量，所述最优解序列表示10个适应度最小的群体最优解。
进一步地，所述步骤S5.2中的适应度函数F(C,Pn,Dn,Qn)表示为：
Figure BDA0002198409430000041
d表示约束设备状态变化的参数，其计算公式为：
Figure BDA0002198409430000042
e表示有功功率差参数，其计算公式为：
Figure BDA0002198409430000043
其中，
Figure BDA0002198409430000044
和
Figure BDA0002198409430000045
分别表示由设备状态向量确定的预测的有功功率、无功功率和失真功率，Pn、Qn和Dn分别表示实际的有功功率、无功功率和失真功率，a为有功功率
Figure BDA0002198409430000046
的系数，b为有功功率
Figure BDA0002198409430000047
的系数，c为有功功率
Figure BDA0002198409430000048
的系数，a、b和c均由熵值法确定，m表示设备的总数，
Figure BDA0002198409430000049
表示设备状态变化的数量，s为用电负荷的最大正常波动率，P′是全部设备投入运行时最大的有功功率波动差值，P″表示最小的启动负荷。
进一步地，所述步骤S5.4中对粒子的速度和位置进行更新公式如下：
ViD＝wVid+C1*r1*(Pid-Xid)+C2*r2*(Pgd-Xid)
XiD＝Xid+Vid
其中，ViD表示更新后的粒子速度，XiD表示更新后的粒子位置，w表示惯性权重，C1和C2均表示学习因子，Pid表示个体最优解，Pgd表示群体最优解，Vid表示更新前的粒子速度，Xid表示更新前的粒子位置，r1和r2均表示区间(0,1)上的随机数。
本发明的有益效果为：
(1)本发明使用改进粒子群算法，提高了负荷识别的准确率，同时降低了负荷识别成本和时间消耗。
(2)本发明对适应度函数做出改进，提出d和e两个约束值约束适应度值，提高改进粒子群算法的识别准确率。
(3)本发明可以根据已有的单个用电设备独立运行的电气数据提取出用电设备的有功功率、无功功率和失真功率。
附图说明
图1为本发明提出的基于改进粒子群算法的非入侵式负荷识别方法流程图。
图2为本发明提出的基于改进粒子群算法的非入侵式负荷识别方法示意图。
图3为本发明提出的电吹风的状态变化图。
图4为本发明提出的改进的粒子群算法示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示，一种基于改进粒子群算法的非入侵式负荷识别方法，包括以下步骤：
S1、采集用电设备独立运行的电气数据，获取用电设备稳态运行时的有功功率Pi、无功功率Qi和失真功率Di，建立负荷特征库；
S2、采集用电设备的数据，进行数据的缺失值处理，并根据用电设备的数据，采用快速傅里叶变换计算平均有功功率Pj、平均无功功率Qj和平均失真功率Dj；
S3、通过设置处理过后的用电设备数据的阈值获取用电设备的状态变化情况；
S4、根据用电设备的状态变化情况，通过平均有功功率Pj、平均无功功率Qj和平均失真功率Dj进行用电设备的特征提取；
S5、根据提取的用电设备的特征和负荷特征库，通过改进的粒子群算法进行负荷识别。
步骤S2中用电设备的数据包括电压、电流和周波。
在本实施例中，使用了以下8种常用的家庭电器设备：风扇、微波炉、热水壶、白炽灯、节能灯、空调、电吹风和电视机。根据周波数据对无功功率Qi划分容感性，轨迹积分量lpa为：
Figure BDA0002198409430000061
其中，u表示为周波所采样的总点数，u∈[1,...,NT-1]，NT表示为周波所采样的总点数，在本实施例中一个周期波形采样128个点，即NT＝128，Vu表示第u个周波点的瞬时电压值，Iu表示第u个周波点的瞬时电流值，若lpa为正，说明循环的方向是顺时针的，然后是电流超前电压相位，表示无功为容性。若lpa为负，表示回路的方向是逆时针的，然后电流相位滞后于电压相位表示无功为感性。
步骤S2中缺失值处理方法具体为：当缺失值个数大于3时，将数据分为两个数据集；当缺失值个数小于3时，缺失值按缺失值前后的数值等比填入。
步骤S3包括以下分步骤：
S3.1、选择用电设备的数据，设定一个阈值；
S3.2、当选定的数据变化量大于设定的阈值时，则用电设备产生状态变化，进行状态变化情况记录。
步骤S4包括以下分步骤：
S4.1、根据状态变化情况，将时间长度为T的序列分为若干子序列，子序列的时间长度大于3秒，则视为稳态段，将稳态段合集表示为[T1，T2,…,TN]；
S4.2、进行特征提取，获取第n个稳态段的有功功率Pn：
Figure BDA0002198409430000071
获取第n个稳态段的无功功率Qn：
Figure BDA0002198409430000072
获取第n个稳态段的失真功率Dn：
Figure BDA0002198409430000073
其中，n＝1,2,...,N，N为稳态段总个数，j＝1,2,...,n，Pj为第j段稳态的平均有功功率，Qj为第j段稳态的平均无功功率，Dj为第j段稳态的平均失真功率。
在本实施例中，设定一个负荷波动的阈值为4.5w，当负荷波动小于4.5w且持续时间大于3秒，则判定为一个稳态段，如图3所示，对电吹风的稳态进行判定，上方折线为功率变化线，下方直线表示稳态段，可以发现，电吹风经历了4个稳态段，从功率变化线可以看出电吹风实际使用情况为关闭-1档热风-1档冷风-关闭。
如图4所示，所述步骤S5包括以下分步骤：
S5.1、根据用电设备的特征和负荷特征库，通过有功功率过滤器精简解空间，进行第n个稳态段的粒子群初始化；
S5.2、通过有功功率Pn、无功功率Qn和失真功率Dn获取不同设备状态在第n个稳态段的适应度函数；
S5.3、根据适应度函数计算得到第n个稳态段设备状态的个体最优解和群体最优解；
S5.4、根据个体最优解和群体最优解，对粒子的速度和位置进行更新；
S5.5、判断群体最优解是否满足要求，若是则输出群体最优解和最优解序列，否则重复步骤S5.3-步骤S5.4；
S5.6、判断第n个稳态段是否为最后一个稳态段，若是则结束负荷识别过程，否则令n＝n+1，并对此时的第n个稳态段进行粒子群初始化，并重复步骤S5.1-步骤S5.6。
在本实施例中，所述步骤S5.5中群体是否满足要求具体为迭代次数是否达到设定的粒子迭代次数，每重复一次步骤S5.3-步骤S5.4则完成一次迭代。
在本实施例中，采用8种设备进行分析，所以每个粒子为8维的实数向量，将初始化状态设定为{1,5,12,14,16,18,23,29}和{4,11,13,15,17,22,28,31}，粒子数量设定为40，每个粒子迭代次数设定为20。将第n个稳态段的最优解序列均随机改变一个设备状态，然后作为第n+1个稳态段的粒子初始化位置。
第n段最优解序列Ln表示为：
Ln＝[V1,V2,......,V10]
精简解空间RS表示为：
Figure BDA0002198409430000091
第i个随机改变一个设备状态的新群体最优解
Figure BDA0002198409430000092
表示为：
Figure BDA0002198409430000093
第n+1个稳态段的粒子初始化位置V表示为：
Figure BDA0002198409430000094
其中，新群体最优解
Figure BDA0002198409430000095
通过群体最优解Vi随机改变一个设备状态得到，i＝1,2,...,10，hm表示设备m的上界，lm表示设备m的下界，Sij表示随机改变的一个设备状态，其为区间[hj,lj]内一个随机整数，j表示[1,m]中随机的一个整数。
步骤S5.1中通过有功功率过滤器精简解空间的具体方法为：将第n个稳态段的平均功率Pn与负荷特征库中设备功率Pi做比较，当Pn<Pi时，设备状态为关闭状态，则过滤掉此稳态段。
个体最优解表示单个粒子N次迭代中适应度最小的设备状态向量，所述群体最优解表示迭代完成后适应度最小设备状态向量，所述粒子表示一次假设，所述粒子群由M个粒子组成，所述粒子位置表示设备状态向量，所述最优解序列表示10个适应度最小的群体最优解。
步骤S5.2中适应度函数F(C,Pn,Dn,Qn)表示为：
Figure BDA0002198409430000101
d表示约束设备状态变化的参数，其计算公式为：
Figure BDA0002198409430000102
e表示有功功率差参数，其计算公式为：
Figure BDA0002198409430000103
其中，
Figure BDA0002198409430000104
和
Figure BDA0002198409430000105
分别表示由设备状态向量确定的预测的有功功率、无功功率和失真功率，Pn、Qn和Dn分别表示实际的有功功率、无功功率和失真功率，a为有功功率
Figure BDA0002198409430000106
的系数，b为有功功率
Figure BDA0002198409430000107
的系数，c为有功功率
Figure BDA0002198409430000108
的系数，a、b和c均由熵值法确定，m表示设备的总数，
Figure BDA0002198409430000109
表示设备状态变化的数量，s为用电负荷的最大正常波动率，P′是全部设备投入运行时最大的有功功率波动差值，P″表示最小的启动负荷。
步骤S5.4中对粒子的速度和位置进行更新公式如下：
ViD＝wVid+C1*r1*(Pid-Xid)+C2*r2*(Pgd-Xid)
XiD＝Xid+Vid
其中，ViD表示更新后的粒子速度，XiD表示更新后的粒子位置，w表示惯性权重，C1和C2均表示学习因子，Pid表示个体最优解，Pgd表示群体最优解，Vid表示更新前的粒子速度，Xid表示更新前的粒子位置，r1和r2均表示区间(0,1)上的随机数。
在本实施例中，惯性权重w＝0.5，学习因子C1＝C2＝2，用电负荷的最大正常波动率s＝0.1，全部设备投入运行时最大的有功功率波动差值P′＝40w，最小的启动负荷P″＝10w。
在本实施例中，改进的粒子群算法与传统粒子群算法对比结果如表1所示。
表1
Figure BDA0002198409430000111
从对比结果可以看出改进后的粒子群算法选取较少的粒子就能达到较高的准确率，减少了算法时间，同时提高了负荷分解的准确率。
本发明使用改进粒子群算法，提高了负荷识别的准确率，同时降低了负荷识别成本和时间消耗。本发明对适应度函数做出改进，提出d和e两个约束值约束适应度值，提高改进粒子群算法的识别准确率。本发明可以根据已有的单个用电设备独立运行的电气数据提取出用电设备的有功功率、无功功率和失真功率。

Claims (9)

1.一种基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，包括以下步骤：
S1、采集用电设备独立运行的电气数据，获取用电设备稳态运行时的有功功率Pi、无功功率Qi和失真功率Di，建立负荷特征库；
S2、采集用电设备的数据，进行数据的缺失值处理，并根据用电设备的数据，采用快速傅里叶变换计算平均有功功率Pj、平均无功功率Qj和平均失真功率Dj；
S3、通过设置处理过后的用电设备数据的阈值获取用电设备的状态变化情况；
S4、根据用电设备的状态变化情况，通过平均有功功率Pj、平均无功功率Qj和平均失真功率Dj进行用电设备的特征提取；
S5、根据提取的用电设备的特征和负荷特征库，通过改进的粒子群算法进行负荷识别；
所述步骤S5中，改进的粒子群算法中的适应度函数F(C,Pn,Dn,Qn)表示为：
Figure FDA0003551797670000011
d表示约束设备状态变化的参数，其计算公式为：
Figure FDA0003551797670000012
e表示有功功率差参数，其计算公式为：
Figure FDA0003551797670000021
其中，
Figure FDA0003551797670000022
和
Figure FDA0003551797670000023
分别表示由设备状态向量确定的预测的有功功率、无功功率和失真功率，Pn、Qn和Dn分别表示实际的有功功率、无功功率和失真功率，a为有功功率
Figure FDA0003551797670000024
的系数，b为有功功率
Figure FDA0003551797670000025
的系数，c为有功功率
Figure FDA0003551797670000026
的系数，a、b和c均由熵值法确定，m表示设备的总数，
Figure FDA0003551797670000027
表示设备状态变化的数量，s为用电负荷的最大正常波动率，P′是全部设备投入运行时最大的有功功率波动差值，P″表示最小的启动负荷。
2.根据权利要求1所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S2中用电设备的数据包括电压、电流和周波。
3.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S2中缺失值处理方法具体为：当缺失值个数大于3时，将数据分为两个数据集；当缺失值个数小于3时，缺失值按缺失值前后的数值等比填入。
4.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S3包括以下分步骤：
S3.1、选择用电设备的数据，设定一个阈值；
S3.2、当选定的数据变化量大于设定的阈值时，则用电设备产生状态变化，进行状态变化情况记录。
5.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S4包括以下分步骤：
S4.1、根据状态变化情况，将时间长度为T的序列分为若干子序列，子序列的时间长度大于3秒，则视为稳态段，将稳态段合集表示为[T1，T2,…,TN]；
S4.2、进行特征提取，获取第n个稳态段的有功功率Pn：
Figure FDA0003551797670000031
获取第n个稳态段的无功功率Qn：
Figure FDA0003551797670000032
获取第n个稳态段的失真功率Dn：
Figure FDA0003551797670000033
其中，n＝1,2,...,N，N为稳态段总个数，j＝1,2,...,n，Pj为第j段稳态的平均有功功率，Qj为第j段稳态的平均无功功率，Dj为第j段稳态的平均失真功率。
6.根据权利要求5所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5包括以下分步骤：
S5.1、根据用电设备的特征和负荷特征库，通过有功功率过滤器精简解空间，进行第n个稳态段的粒子群初始化；
S5.2、通过有功功率Pn、无功功率Qn和失真功率Dn获取不同设备状态在第n个稳态段的适应度函数；
S5.3、根据适应度函数计算得到第n个稳态段设备状态的个体最优解和群体最优解；
S5.4、根据个体最优解和群体最优解，对粒子的速度和位置进行更新；
S5.5、判断群体最优解是否满足要求，若是则输出群体最优解和最优解序列，否则重复步骤S5.3-步骤S5.4；
S5.6、判断第n个稳态段是否为最后一个稳态段，若是则结束负荷识别过程，否则令n＝n+1，并对此时的第n个稳态段进行粒子群初始化，并重复步骤S5.1-步骤S5.6。
7.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5.1中通过有功功率过滤器精简解空间的具体方法为：将第n个稳态段的平均功率Pn与负荷特征库中设备功率Pi做比较，当Pn<Pi时，设备状态为关闭状态，则过滤掉此稳态段。
8.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述个体最优解表示单个粒子N次迭代中适应度最小的设备状态向量，所述群体最优解表示迭代完成后适应度最小设备状态向量，所述粒子表示一次假设，所述粒子群由M个粒子组成，所述粒子位置表示设备状态向量，所述最优解序列表示10个适应度最小的群体最优解。
9.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5.4中对粒子的速度和位置进行更新公式如下：
ViD＝wVid+C1*r1*(Pid-Xid)+C2*r2*(Pgd-Xid)
XiD＝Xid+Vid
其中，ViD表示更新后的粒子速度，XiD表示更新后的粒子位置，w表示惯性权重，C1和C2均表示学习因子，Pid表示个体最优解，Pgd表示群体最优解，Vid表示更新前的粒子速度，Xid表示更新前的粒子位置，r1和r2均表示区间(0,1)上的随机数。
CN201910856379.9A 2019-09-11 2019-09-11 基于改进粒子群算法的非入侵式负荷识别方法 Active CN110555787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910856379.9A CN110555787B (zh) 2019-09-11 2019-09-11 基于改进粒子群算法的非入侵式负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910856379.9A CN110555787B (zh) 2019-09-11 2019-09-11 基于改进粒子群算法的非入侵式负荷识别方法

Publications (2)

Publication Number Publication Date
CN110555787A CN110555787A (zh) 2019-12-10
CN110555787B true CN110555787B (zh) 2022-07-01

Family

ID=68739937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910856379.9A Active CN110555787B (zh) 2019-09-11 2019-09-11 基于改进粒子群算法的非入侵式负荷识别方法

Country Status (1)

Country Link
CN (1) CN110555787B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815152B (zh) * 2020-07-06 2023-02-28 安徽建筑大学 基于用电行为规律和电器电流最小状态的细粒度用电负荷建模方法
CN111898694B (zh) * 2020-08-07 2021-09-17 广东电网有限责任公司计量中心 一种基于随机树分类的非入侵式负荷识别方法及装置
CN112816816A (zh) * 2020-12-31 2021-05-18 无锡小净共享网络科技有限公司 恶性负载的识别方法、装置、设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105529700B (zh) * 2015-12-07 2019-02-12 河南许继仪表有限公司 一种非侵入式在线负荷分解装置
TWI633313B (zh) * 2017-11-09 2018-08-21 財團法人工業技術研究院 電力測量方法及電力測量系統
CN109447393A (zh) * 2018-09-13 2019-03-08 西安理工大学 一种电力系统经济负荷分配的改进的粒子群算法
CN109870600B (zh) * 2019-04-04 2021-07-02 江苏林洋能源股份有限公司 一种具有自学习能力的非侵入式负荷辨识方法及智能电表

Also Published As

Publication number Publication date
CN110555787A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555787B (zh) 基于改进粒子群算法的非入侵式负荷识别方法
CN111564842B (zh) 一种非侵入式用电负荷监测中长期能耗统计估算的方法
Ahmadi et al. Load decomposition at smart meters level using eigenloads approach
CN109633301B (zh) 基于量子遗传优化的非侵入式电器负荷识别方法
CN108152630B (zh) 一种基于混合判据的非侵入式ih电饭煲运行辨识方法
CN106646026A (zh) 一种非侵入式家电负荷识别方法
CN110488112A (zh) 非侵入式负荷识别及其基于识别结果实现的分类计量方法
CN113361831B (zh) 基于优先级分配的非侵入式负荷辨识电量分解方法及系统
CN109697548A (zh) 用电分析服务器及其用电分析方法
CN109449919A (zh) 一种非侵入式用电负荷分析方法及装置
Wu et al. A load identification algorithm of frequency domain filtering under current underdetermined separation
CN111652761B (zh) 一种基于证据理论的多源特征融合窃电行为检测方法
Brusokas et al. HeatFlex: Machine learning based data-driven flexibility prediction for individual heat pumps
CN109377052B (zh) 一种电力负荷匹配方法、装置、设备及可读存储介质
CN113806899B (zh) 一种配电网拓扑关系的识别方法、装置及移动终端
CN115859190A (zh) 一种基于因果关系的非侵入式家庭电气分类方法
CN109918612A (zh) 一种基于稀疏学习的台区拓扑结构校验方法
Huang et al. An online non-intrusive load monitoring method based on Hidden Markov model
CN112948742A (zh) 一种基于平均负荷和总需量畸变率的非入户负荷识别方法
CN112560908A (zh) 一种云端协同的负荷辨识系统及方法
HU et al. Non-intrusive load monitoring method based on SAGA-FCM algorithm
CN112345824B (zh) 一种基于分段线性近似算法的变频空调非侵入式辨识方法
CN107390020B (zh) 基于功率及电流特性的电吹风非侵入辨识方法
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表
Jiao et al. A new construction method for load signature database of load identification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant