CN110674451A - 事件过程多设备同时投切决策的混合整数规划计算方法 - Google Patents

Abstract

本发明提供一种事件过程多设备同时投切决策的混合整数规划计算方法，将事件过程从开始到进入稳态的这一暂态过程提取出来，通过对有功功率负荷特征建立功率向量，引入二维0‑1变量建立混合整数规划计算方法(MILP)，将负荷设备功率组合与实测值进行比较，使用Cplex优化得出该事件的负荷模型。

Description

事件过程多设备同时投切决策的混合整数规划计算方法

技术领域

本发明涉及负荷识别技术领域，尤其是一种事件过程多设备同时投切决策的混合整数规划计算方法。

背景技术

负荷识别是NILD的关键技术之一，常见的负荷识别方法有数学优化和模式识别。数学优化即是把负荷识别问题转为0-1规划问题，该方法计算效率是一大难题，且负荷特征库需要完备；模式识别通过有监督学习和无监督学习两种方式实现，此种方法需要提前学习负荷特征，应用受限。其中设备状态的投切，有些可以在2秒内完成(如吹风机、烤箱等)，而有些设备(如变频空调)需要5分钟以上的时间才能完成投切动作。现有负荷识别的文献中对长事件过程中多设备同时投切的识别没有较好的解决办法，识别准确度受限。

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种事件过程多设备同时投切决策的混合整数规划计算方法，将事件过程从开始到进入稳态的这一暂态过程提取出来，通过对有功功率负荷特征建立功率向量，引入二维0-1变量建立混合整数规划计算方法(MILP)，将负荷设备功率组合与实测值进行比较，使用Cplex优化得出该事件的负荷模型。

本发明解决其技术问题所采用的技术方案是：事件过程多设备同时投切决策的混合整数规划计算方法，混合整数规划计算公式为：

设用户的电力入口处测得的负荷特征由P(t)给出，对于每个时间t，负荷分解问题可以表示为式(1-1)；在本发明中，NILM负荷识别方法是将P(t)分解为若干个功率状态；i∈{1，2，...，n}，n是所有用电设备功率状态总数；

每个用电设备都有相应的功率状态，开关型(ON-OFF)负载用一个功率状态来表示；有限状态型负载由多个功率状态来表示，此种类型负载的功率特征随时间变化；最终，NILM负荷识别问题可以转化为经典的组合优化(CO)问题(式1-2)；其中x_i(t)是表示功率状态i的状态的0-1变量，1表示功率状态i在t时刻运行，相应的0表示该状态不运行；

式(1-2)目的是找到测量值P(t)的最佳功率状态组合，当有其他负荷特征时(如无功功率或电流谐波等)，式(1-2)可以表示为矢量形式；式(1-3)包含有功功率P(t)和无功功率Q(t)，带入到CO模型中：

式(1-2)中的问题可以重新描述为MILP问题，如式(1-4)-式(1-6)所示，式(1-4)-式(1-6)可以使用线性求解器求解：

式1-4中的δ_P(t)在时间t测量的功率与组合功率的差值。

本发明和现有技术相比，其优点在于：将事件过程从开始到进入稳态的这一暂态过程提取出来，通过对有功功率负荷特征建立功率向量，引入二维0-1变量建立混合整数规划计算方法(MILP)，将负荷设备功率组合与实测值进行比较，使用Cplex优化得出该事件的负荷模型。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明混合整数规划计算方法示意图；

图2为本发明总功率变化曲线图；

图3为本发明四种状态启动功率特征曲线；

图4为本发明四种状态实际功率曲线变化图。

具体实施方式

下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。

设用户的电力入口处测得的负荷特征(如功率或谐波等)由P(t)给出，对于每个时间t，负荷分解问题可以表示为式(1-1)。在本发明中，NILM负荷识别方法是将P(t)分解为若干个功率状态。i∈{1，2，...，n}，n是所有用电设备功率状态总数。

每个用电设备都有相应的功率状态，开关型(ON-OFF)负载(如烧水壶、烤面包机等)可以用一个功率状态来表示；有限状态型负载(如洗衣机、吹风机等)可以由多个功率状态来表示，此种类型负载的功率特征随时间变化。最终，NILM负荷识别问题可以转化为经典的组合优化(CO)问题(式1-2)。其中x_i(t)是表示功率状态i的状态的0-1变量，1表示功率状态i在t时刻运行，相应的0表示该状态不运行。

式(1-2)目的是找到测量值P(t)的最佳功率状态组合，当有其他负荷特征时(如无功功率或电流谐波等)，式(1-2)可以表示为矢量形式。式(1-3)包含有功功率P(t)和无功功率Q(t)，带入到CO模型中：

式(1-2)中的问题可以重新描述为MILP问题，如式(1-4)-式(1-6)所示，式(1-4)-式(1-6)可以使用线性求解器求解。

式1-4中的δ_P(t)在时间t测量的功率与组合功率的差值，除了变为线性公式之外，式(1-2)和式(1-4)-(1-6)的另一区别是把时间集T包含在目标函数中。把时间集T包含在目标函数中的目的是为了提高算法的准确度，但相应的计算复杂度也变大，因为0-1变量x_i(t)的数量取决于时间集T的长度。

因为对于任何一个设备，状态转换过程中的负荷特征(有功功率、谐波等)能够代表该设备的这一状态。因此，将设备状态投切过程的有功功率建立功率向量作为该状态的特征量，以此去进行负荷识别。

某一状态i启动与关闭的功率特征向量可分别表示为式(1-7)、式(1-8)：

其中

所有设备共有n个非OFF状态，记为状态集Q，i∈{1，2，...，n}；第i个状态从启动到稳态所需的时间记为t1_i，从切除到稳态所需的时间记为t2_i；事件窗内，第i个状态可能的投入时刻集合记为S1_i，切除时刻集合记为S2_i；P_i为第i个非OFF状态的稳态值；通过第三章双边累计和事件检测方法检测到的任意一个事件开始时刻记为T_start，事件进入稳态的时刻记为T_stable，整个事件窗记为时间集

在本发明中，需要解决的是事件过程多设备同时投切的识别问题，从事件开始到事件进入稳态这一过程中，投切的用电设备状态数量未知，投切用电设备状态的时间也未知，在此情况下，求出该事件过程是由哪个或哪些用电设备状态的投切的结果。可平移负荷是用户互动负荷的一种，其供电时间可按计划变动，但因为受到生产工艺或生活习惯流程的限制，需要对其进行整体平移。

而与可平移负荷不同的是，可平移负荷的运行功率向量因为受实际情况的限制，其长度是确定的，只需在时间序列上做平移组合。但是本发明中负荷状态的功率向量在长事件过程中，因为受到投切时间不同的影响，功率向量也会相应的变化。因此，将负荷状态投切的功率向量与投切时间相关联，将经典CO算法中表示负荷状态的0-1变量x_i(t)修改为二维0-1变量

y1_i，τ1表示状态集Q中第i个状态，在时刻τ1是否开启，为投入状态0-1变量，y1_i，τ1＝1表示第i个状态从时刻τ1开始投入，y1_i，τ1＝0表示第i个状态在τ1时刻没有投入；y2_i，τ2表示第i个状态，在时间τ2是否切除，为切除状态0-1变量，y2_i，τ2＝1表示第i个状态从τ2时刻开始切除，y1_i，τ2＝0表示第i个状态在τ2时刻没有切除。

因此，对于投入状态，与投入0-1变量y1_i，τ1相关联的第i个非OFF状态在事件窗内的功率向量P1_i，τ1可用式(1-9)所示的功率向量表示：

对于切除状态，与切除0-1变量y2_i，τ2相关联的第i个非OFF状态在事件窗内的功率向量P2_i，τ2可用式(1-10)所示的功率向量表示：

P_i启，1、P_i关，1分别位于时间τ1、τ2，P_i启，2、P_i关，2分别位于τ1+1、τ2+1，以此类推；P_i为第i个非OFF状态的稳态值。

P1_i，τ1、P2_i，τ2为行向量，其第t个元素的物理含义为：当状态i从τ时刻开始投切，其在第t时刻的功率值。基于与0-1变量相关联的功率分布向量对状态i的投切进行建模，状态i在事件窗

内在时刻t的功率可用式(1-11)表示：

式中：(·)_t表示向量(·)的第t个元素。

对于状态i可能的投切时刻S1_i、S2_i，有如下限制：在事件窗

结束之前，状态i应完成投切事件进入稳态。状态i投入时刻S1_i、状态i切除时刻S2_i的可能集合用式(1-12)、(1-13)表示：

S1_i＝[T_start，T_stable-t1_i+1] (1-12)。

S2_i＝[T_start，T_stable-t2_i+1] (1-13)。

当第i个状态的投切事件不在该状态投切时间集合里时，该状态的投切0-1变量为零，如式(1-14)、式(1-15)所示：

在事件窗

内某个状态投入这一事件只能有一次，并且有可能不投入，该状态切除事件同理；且设某一状态在事件窗

内投入与切除事件只能选择其一或都不发生，如式(1-16)所示：

当有事件发生时，所有状态至少有一个发生投切动作，如式(1-17)所示：

通过以上的分析与约束条件的建立，混合整数规划符合识别模型可构建为：

该混合整数规划计算方法可用图1表示，通过各个状态与投切0-1变量相关联的投切事件功率向量在事件窗

内平移，使事件窗内各个时刻平移组合结果与事件窗内实测功率向量最匹配，即为最优功率状态组合，将总功率分解到具体的各个用电设备上。

完整的混合整数规划计算方法的负荷识别方法由上节给出，该算法可以由任何编程语言实现，MILP问题可以使用经典的凸优化技术有效的解决。本发明使用Python调用CPLEX求解器来实现该算法，将约束转为数学表达式，表达出解空间，利用程序求解出最优组合。

Web-Sphere-ILOGCPLEX是IBM公司的一个优化引擎[30]，可以用来求解线性规划(LP)、二次方程规划(QP)、带约束的二次规划(QCQP)、二阶锥规划(SOCP)等四类基本问题，以及相应的混合整数规划(MILP)问题；CPLEX灵活性高，与很多编程语言都兼容，与C++、Java、MATLAB、Python等都有接口；CPLEX同时拥有自已的优化编程语言(OPL)，语言简单，方便用户使用；使用CPLEX可将复杂的实际问题转化为数学规划(Mathematic-Programming)问题，求解速度快，可以解决有成千上万个约束和变量的问题。

本发明选用一个长度为18s的启动事件窗对算法进行验证，该场景下一共有四种状态，通过负荷特征提取得到的事件窗的功率向量特征为P，P＝(0，2，4，8，13，18，20，22，24，26，29，30，31，32，33，33，33，33，33)；负荷特征库中这四种状态启动功率特征向量分别为P1、P2、P3、P4，P1＝(0，2，4，6，8，10，12，14，16，18，20)、P2＝(0，2，5，8)、P3＝(0，4，8，12，16，20，24)、P4＝(0，2，3，4，5)；P、P1-P4的功率曲线如图2和图3；图4展示了在该场景下每个状态实际运行功率曲线。

将总功率特征向量代入混合整数规划计算方法中运行，得出各个设备启动0-1变量的数值如表1所示，可见状态1在0s时投入，状态2在2s时投入，状态3在该事件窗内没有投入，状态4在9s时投入。由此可见，混合整数规划计算方法得出的状态启动时刻与图4所示的实际情况一致。

表1：四种状态投入时刻0-1变量表

负荷的有功功率具有可加性，因此本发明选用有功功率作为负荷特征。执行双边累积和的事件检测方法之后，提取出从事件开始到事件进入稳态的负荷特征。本发明研究了基于MILP的NILD算法原理，通过一个小算例验证此模型的识别可行性。

混合整数线性约束用于有效地表示每个设备的负荷特征，使用两个二维0-1变量建立事件过程中不同负载投切事件的功率向量，基于事件窗的思路使得所提出的NILM负荷识别算法可实现、准确度高，通过与0-1变量相关联的负荷投切事件的功率向量在事件窗内平移，添加一系列约束条件，使得状态功率组合与实测值最接近，实现事件过程多设备同时投切情况下的负荷分解。并且此模型可以仅使用低采样频率的有功功率测量值进行分解，对采样频率的要求不高。此外，如果可用，可以将其他负荷特征添加到模型中，例如无功功率或电流各次谐波，使算法准确性和识别率提高。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：混合整数规划计算公式为：

设用户的电力入口处测得的负荷特征由P(t)给出，对于每个时间t，负荷分解问题可以表示为式(1-1)；NILM负荷识别方法是将P(t)分解为若干个功率状态；i∈{1，2，...，n}，n是所有用电设备功率状态总数；

每个用电设备都有相应的功率状态，开关型(ON-OFF)负载用一个功率状态来表示；有限状态型负载由多个功率状态来表示，此种类型负载的功率特征随时间变化；最终，NILM负荷识别问题可以转化为经典的组合优化(CO)问题(式1-2)；其中x_i(t)是表示功率状态i的状态的0-1变量，1表示功率状态i在t时刻运行，相应的0表示该状态不运行；

式(1-2)目的是找到测量值P(t)的最佳功率状态组合，当有其他负荷特征时(如无功功率或电流谐波等)，式(1-2)可以表示为矢量形式；式(1-3)包含有功功率P(t)和无功功率Q(t)，带入到CO模型中：

式(1-2)中的问题可以重新描述为MILP问题，如式(1-4)-式(1-6)所示，式(1-4)-式(1-6)可以使用线性求解器求解：

式1-4中的δ_P(t)在时间t测量的功率与组合功率的差值。

2.根据权利要求1所述的事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：将设备状态投切过程的有功功率建立功率向量作为该状态的特征量，以此去进行负荷识别；设某一状态i启动与关闭的功率特征向量可分别表示为式(1-7)、式(1-8)：

其中

所有设备共有n个非OFF状态，记为状态集Q，i∈{1，2，...，n}；第i个状态从启动到稳态所需的时间记为t1_i，从切除到稳态所需的时间记为t2_i；事件窗内，第i个状态可能的投入时刻集合记为S1_i，切除时刻集合记为S2_i；P_i为第i个非OFF状态的稳态值；通过第三章双边累计和事件检测方法检测到的任意一个事件开始时刻记为T_start，事件进入稳态的时刻记为T_stable，整个事件窗记为时间集

3.根据权利要求1所述的事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：将负荷状态投切的功率向量与投切时间相关联，将经典CO算法中表示负荷状态的0-1变量x_i(t)修改为二维0-1变量y1_i，τ1、

y1_i，τ1表示状态集Q中第i个状态，在时刻τ1是否开启，为投入状态0-1变量，y1_i，τ1＝1表示第i个状态从时刻τ1开始投入，y1_i，τ1＝0表示第i个状态在τ1时刻没有投入；y2_i，τ2表示第i个状态，在时间τ2是否切除，为切除状态0-1变量，y2_i，τ2＝1表示第i个状态从τ2时刻开始切除，y1_i，τ2＝0表示第i个状态在τ2时刻没有切除。

4.根据权利要求3所述的事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：

对于投入状态，与投入0-1变量y1_i，τ1相关联的第i个非OFF状态在事件窗内的功率向量P1_i，τ1可用式(1-9)所示的功率向量表示：

对于切除状态，与切除0-1变量y2_i，τ2相关联的第i个非OFF状态在事件窗内的功率向量P2_i，τ2可用式(1-10)所示的功率向量表示：

P_i启，1、P_i关，1分别位于时间τ1、τ2，P_i启，2、P_i关，2分别位于τ1+1、τ2+1，以此类推；P_i为第i个非OFF状态的稳态值；

P1_i，τ1、P2_i，τ2为行向量，其第t个元素的物理含义为：当状态i从τ时刻开始投切，其在第t时刻的功率值；基于与0-1变量相关联的功率分布向量对状态i的投切进行建模，状态i在事件窗

内在时刻t的功率可用式(1-11)表示：

式中：(·)_t表示向量(·)的第t个元素。

5.根据权利要求4所述的事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：对于状态i可能的投切时刻S1_i、S2_i，有如下限制：

在事件窗结束之前，状态i应完成投切事件进入稳态；状态i投入时刻S1_i、状态i切除时刻S2_i的可能集合用式(1-12)、(1-13)表示：

S1_i＝[T_start，T_stable-t1_i+1](1-12)；

S2_i＝[T_start，T_stable-t2_i+1](1-13)；

当第i个状态的投切事件不在该状态投切时间集合里时，该状态的投切0-1变量为零，如式(1-14)、(1-15)所示：

在事件窗

内某个状态投入这一事件只能有一次，并且有可能不投入，该状态切除事件同理；且设某一状态在事件窗内投入与切除事件只能选择其一或都不发生，如式(1-16)所示：

当有事件发生时，所有状态至少有一个发生投切动作，如式(1-17)所示：

6.根据权利要求1-5所述的事件过程多设备同时投切决策的混合整数规划计算方法，其特征在于：混合整数规划计算方法通过各个状态与投切0-1变量相关联的投切事件功率向量在事件窗内平移，使事件窗内各个时刻平移组合结果与事件窗内实测功率向量最匹配，即为最优功率状态组合，将总功率分解到具体的各个用电设备上。

Images