CN111948446A - 一种自适应的负荷识别方法以及智能电能表 - Google Patents

Abstract

本发明公开了一种自适应的负荷识别方法以及智能电能表，包括以下步骤：1、构建负荷特征库：计量模块实时采样对电气设备的电流、电压波形数据，将有功功率P、无功功率Q、基波功率因数λ以及电压‑电流三次谐波含有率差VIHR，作为待分类样本特征；2、负荷的分解：选取训练样本集，在训练样本集中通过聚类分析构建负荷状态模板，计算概率因子，选出功率权重因子，构建负荷分解模型；3、待分类负荷的识别：引入概率因子作为辅助特征，利用遗传算法对目标函数进行负荷分解，得到分解结果；4、状态修整、输出。本发明通过使用基波功率因数和电压‑电流三次谐波含有率差特征来表征负荷，使各负荷特征分布相对分散，提高小功率电气设备的识别率。

Description

一种自适应的负荷识别方法以及智能电能表

技术领域

本发明涉及智能电能表领域，具体涉及一种自适应的负荷识别方法和智能电能表。

背景技术

智能电网技术是当前各国用电发展的焦点。区别于传统电网，智能电网具备更全面的电网细节信息，更有效的电网动态分析、诊断和优化，以及更精准的电网运营与管理。智能电能表是位于电网侧和用户侧中间的枢纽，有利于深入了解居民用电需求与用电趋势，并与其它能源网相结合，实现更有效的能源互补体系。电能表的扩展模块中设置非介入式负荷感知模块，利用电器特征构建、模式识别技术，分析出电网末端用户的用电状况，有助于供电部门适时掌握用户家用电器的用电实况、提前预测末端电网用电等提供数据支撑，将用户用电数据细化至每个电器。目前,非侵入式负荷辨识大多基于数据挖掘技术，预先采集各类电器负荷数据进行处理，建立特征库，并针对已采集数据的电器建立辨识模型。

中国专利201910271994.3公开了一种具有自学习能力的非侵入式负荷辨识方法以及智能电表，智能电表计量芯提供电压电流采样数据；负荷辨识芯截取瞬态变化及其周边稳态数据并进行负荷特征计算、负荷辨识以及负荷特征库更新修正；管理模块与用户互动确认不确定的辨识结果，并统计电器运行数据。上述方案虽然达到了非侵入式负荷辨识的效果，对功率相近的电气设备有较高的识别率，但是由于大功率电气设备会掩盖小功率电气设备，影响对小功率电气设备识别，导致小功率电气设备的识别准确率较低，甚至无法识别电风扇以及变频空调。

发明内容

本申请人针对上述现有负荷识别方法中存在的小功率电气设备的识别准确率低的缺点，提供一种结构合理的自适应的负荷识别方法以及智能电能表，从而提高小功率电气设备的识别准确率。

本发明所采用的技术方案如下：

一种自适应的负荷识别方法，包括以下步骤：

步骤一、构建负荷特征库：计量模块实时采样对电气设备的电流、电压波形数据，并进行数据预处理，滤除异常数据，将数据发送至控制模块；控制模块的数据处理单元对数据进行处理，得到电气设备的有功功率P、无功功率Q、基波功率因数λ以及电压-电流三次谐波含有率差VIHR，作为电气设备的待分类样本特征；

步骤二、负荷的分解：选取训练样本集，在训练样本集中通过聚类分析构建负荷状态模板，计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型的目标函数；

步骤三、待分类负荷的识别：引入概率因子作为辅助特征，利用遗传算法对目标函数进行遗传、变异、优化迭代，实现待分类样本特征的负荷分解，得到分解结果；

步骤四、状态修整、输出：根据步骤二中的负荷状态模板分析、查找异常序列，将分解结果对应异常序列进行状态修正，输出负荷状态序列；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块。

优选的，在步骤二中，采用mean-shift算法对训练样本集中的负荷特征数据进行聚类分区。

优选的，在步骤二中，负荷状态模板的构建方法为：假设负荷总数为C，聚类分析得到第i个负荷的状态总数为N_i，第i个负荷的x状态的聚类中心为[p_i(x),q_i(x)，λ_i(x)，VIHR_i(x)](其中，i∈[1，……，C]，x∈[1，……，N_i]),p_i(x)为有功功率代表值，q_i(x)为无功功率代表值，λ_i(x)为基波功率因数代表值，VIHR_i(x)为电流-电压三次谐波含有率差代表值；生成各个时刻点的负荷状态模板矩阵W。

优选的，在步骤二中，概率因子的计算方法如下；

步骤1、根据负荷状态模板矩阵中W，第i个负荷的状态序列为W_i＝[w_i ¹,…,w_i ^t,…,w_i ^L]；

步骤2、对状态序列W_i中各采样点负荷状态的出现频率进行统计，生成第i个负荷的概率因子序列如下：

S_i＝[F(i,1),…,F(i,x),…,F(i,N_i)]，其中F(i,x)＝Tⁱ _x/L×100％，F(i,x)为第i个负荷的x状态的概率因子，Tⁱ _x是第i个负荷的x状态在L分钟内出现的累积分钟数。

优选的，在步骤二中，目标函数如下：

式中：F(i,x_i(t))是概率因子，P(t)是t时刻总负荷的有功功率实际值；Q(t)是t时刻总负荷的无功功率实际值，x_i(t)是t时刻第i个负荷的状态，η是功率权重因子；在设定各负荷的状态相互独立的状态下：

是t时刻各负荷的组合概率。

进一步的，当η的取值范围为0.50～0.70。

优选的，状态修正的方法为：若相邻的三个采样点出现x_i(t-1)＝x_i(t+1)且x_i(t)≠x_i(t-1)的情况,则令x_i(t)＝x_i(t-1)

一种使用上述的自适应的负荷识别方法的智能电能表，包括：

计量模块，所述计量模块包括电流采集单元和电压采集单元，实时采样电压、电流数据，进行数据预处理和清洗后，发送至控制模块；

控制模块，所述控制模块包括数据处理单元和特征库，数据处理单元根据接收的数据计算出有功功率P、无功功率Q、基波功率因数λ、电压-电流三次谐波含有率差VIHR，作为待分类样本特征；在特征库中建立样本集，T＝{(P₁，Q₁，λ₁，VIHR₁),……,(P_n，Q_n，λ_n，VIHR_n)}，n表示负荷个数；选取训练样本集，通过聚类分析构建负荷状态模板；计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型；

非介入式负荷感知模块，所述非介入式负荷感知模块对待分类样本特征通过遗传算法进行遗传、变异、优化迭代，实现待分类的用电设备的负荷分解，得到待分类的分解结果；对应待分类的分解结果进行状态修正，输出负荷状态序列进行，并进行识别；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块；

管理模块，所述管理模块接收上报的待分类的负荷样本特征，并添加至特征库中的临时数据库中，记录待分类的用电设备的发生时间；对新增或负荷特征发生变化的设备，与用户互动；更新特征库。

本发明的有益效果如下：

本发明通过使用基波功率因数和电压-电流三次谐波含有率差特征来表征负荷，使各负荷特征分布相对分散，提高对于小功率电气设备的识别准确率。

附图说明

图1为本发明的智能电能表的结构示意图。

图2为本发明的流程图。

图中，1、计量模块；11、电流采集单元；12、电压采集单元；2、控制模块；21、数据处理单元；22、特征库；3、非介入式负荷感知模块；4、管理模块。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明提供的一种自适应的智能电能表，包括：

计量模块1，包括电流采集单元11和电压采集单元12，实时采样电压、电流数据，进行数据预处理和清洗后，发送至控制模块2；

控制模块2，包括数据处理单元21和特征库22，数据处理单元21根据接收的数据计算出有功功率P、无功功率Q、基波功率因数λ、电压-电流三次谐波含有率差VIHR，作为待分类样本特征；在特征库22中建立样本集，T＝{(P₁，Q₁，λ₁，VIHR₁),……,(P_n，Q_n，λ_n，VIHR_n)}，n表示负荷个数；选取训练样本集，通过聚类分析构建负荷状态模板；计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型；

非介入式负荷感知模块3，对待分类样本特征通过遗传算法进行遗传、变异、优化迭代，实现待分类的用电设备的负荷分解，得到待分类的分解结果；对应待分类的分解结果进行状态修正，输出负荷状态序列进行，并进行识别；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块；

管理模块4，接收上报的待分类的负荷样本特征，并添加至特征库中的临时数据库中，记录待分类的用电设备的发生时间；对新增或负荷特征发生变化的设备，与用户互动；更新特征库。

本发明还提供的一种自适应的负荷识别方法，包括以下步骤：

步骤一、构建负荷特征库：计量模块实时采样对电气设备的电流、电压波形数据，并进行数据预处理，滤除异常数据，将数据发送至控制模块；控制模块的数据处理单元对数据进行处理，得到电气设备的有功功率P、无功功率Q、基波功率因数λ以及电流-电压三次谐波含有率差VIHR，作为电气设备的待分类样本特征；

步骤二、负荷的分解：选取训练样本集，在训练样本集中通过聚类分析构建负荷状态模板，计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型的目标函数；

步骤三、待分类负荷的识别：引入概率因子作为辅助特征，利用遗传算法对目标函数进行遗传、变异、优化迭代，实现待分类样本特征的负荷分解，得到分解结果；

步骤四、状态修整、输出：根据步骤二中的负荷状态模板分析异常序列，将分解结果对应异常序列进行状态修正，输出负荷状态序列；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块。

基波功率因数的公式为：

上式中，P为基波有功功率；Q为基波无功功率；λ由于是基波功率因数，不包含功率谐波信息。电流波形畸变不会对基波功率因数造成影响，因此基波功率因数更能直接反映电流和电压之间的相位关系。

电流-电压三次谐波含有率差的公式为：VIHR＝|HRI-HRU|。

上式中，HRI和HRU为电流和电压三次谐波含有率，VIHR可以消除电压波形的畸变对电流波形的影响。

在步骤二中，采用mean-shift算法对训练样本集的负荷特征数据进行聚类分区。负荷状态模板的构建方法为：假设负荷总数为C，聚类分析得到第i个负荷的状态总数为N_i，第i个负荷的x状态的聚类中心为[p_i(x),q_i(x)，λ_i(x)，VIHR_i(x)](其中，i∈[1，……，C]，x∈[1，……，N_i]),在此状态下，有功功率代表值为p_i(x)，无功功率代表值为q_i(x)，基波功率因数代表值为λ_i(x)，电流-电压三次谐波含有率差代表值为VIHR_i(x)；生成各个时刻点的负荷状态模板矩阵W如下：

上式中，i∈[1，……，C]，x∈[1，……，L]，L为训练样本集中的总时长，w_i ^t指在t时刻第i个负荷的状态编号。

在步骤二中，概率因子的计算方法如下；

步骤1、根据负荷状态模板矩阵中W，第i个负荷的状态序列为W_i＝[w_i ¹,…,w_i ^t,…,w_i ^L]；

步骤2、对状态序列W_i中各采样点负荷状态的出现频率进行统计，生成第i个负荷的概率因子序列如下：

S_i＝[F(i,1),…,F(i,x),…,F(i,N_i)]，其中F(i,x)＝Tⁱ _x/L×100％，F(i,x)为第i个负荷的x状态的概率因子，Tⁱ _x是第i个负荷的x状态在L分钟内出现的累积分钟数。

在步骤二中，目标函数如下：

式中：F(i,x_i(t))是概率因子，P(t)是t时刻总负荷的有功功率实际值；Q(t)是t时刻总负荷的无功功率实际值，x_i(t)是t时刻第i个负荷的状态，η是功率权重因子；在设定各负荷的状态相互独立的状态下：

是t时刻各负荷的组合概率。当η的取值范围为0.50～0.70时，分解效果好，优选为0.60～0.65。目标函数既考虑了传统功率特征，同时综合考虑了小功率用电设备的运行规律，将负荷概率因子和电流-电压三次谐波含有率差融入分级模型中，可以去除电压波形的畸变对电流波形造成的影响，提高了负荷功率分解的准确性，从而可以提高负荷的识别准确率。

步骤三中，引入概率因子作为辅助特征，预先设置遗传算法的参数，输入总负荷功率信号，产生初始种群，利用遗传算法对目标函数进行遗传、变异、优化迭代，选择目标函数的最优子代，直到完成50次的迭代次数，得到分类样本特征的的分解结果。

在步骤四中，状态修正的方法为：若相邻的三个采样点出现x_i(t-1)＝x_i(t+1)且x_i(t)≠x_i(t-1)的情况,则令x_i(t)＝x_i(t-1)。此修正方法不影响其它采样点的负荷分解，可以提升负荷分解的准确性和合理性。

电气类型	传统遗传算法识别率(％)	本发明识别率(％)
			电风扇	69.3	93.3
微波炉	90.1	97.6
			电热水壶	54.2	89.5
变频空调	48.7	93.3
			电灯	80.8	100
总准确率	68.7	94.7

表1五种电气设备识别准确率对比

由表1可知，本发明比传统的遗传算法相比有较高的电气设备识别准确率，能够较好的识别多个小功率的电气设备。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种自适应的负荷识别方法，其特征在于：包括以下步骤：

步骤一、构建负荷特征库：计量模块实时采样对电气设备的电流、电压波形数据，并进行数据预处理，滤除异常数据，将数据发送至控制模块；控制模块的数据处理单元对数据进行处理，得到电气设备的有功功率P、无功功率Q、基波功率因数λ以及电压-电流三次谐波含有率差VIHR，作为电气设备的待分类样本特征；

步骤二、负荷的分解：选取训练样本集，在训练样本集中通过聚类分析构建负荷状态模板，计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型的目标函数；

步骤三、待分类负荷的识别：引入概率因子作为辅助特征，利用遗传算法对目标函数进行遗传、变异、优化迭代，实现待分类样本特征的负荷分解，得到分解结果；

步骤四、状态修整、输出：根据步骤二中的负荷状态模板分析、查找异常序列，将分解结果对应异常序列进行状态修正，输出负荷状态序列；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块。

2.按照权利要求1所述的自适应的负荷识别方法，其特征在于：在步骤二中，采用mean-shift算法对训练样本集中的负荷特征数据进行聚类分区。

3.按照权利要求1所述的自适应的负荷识别方法，其特征在于：在步骤二中，负荷状态模板的构建方法为：假设负荷总数为C，聚类分析得到第i个负荷的状态总数为N_i，第i个负荷的x状态的聚类中心为[p_i(x),q_i(x)，λ_i(x)，VIHR_i(x)](其中，i∈[1，……，C]，x∈[1，……，N_i]),p_i(x)为有功功率代表值，q_i(x)为无功功率代表值，λ_i(x)为基波功率因数代表值，VIHR_i(x)为电流-电压三次谐波含有率差代表值；生成各个时刻点的负荷状态模板矩阵W。

4.按照权利要求1所述的自适应的负荷识别方法，其特征在于：在步骤二中，概率因子的计算方法如下；

步骤1、根据负荷状态模板矩阵中W，第i个负荷的状态序列为W_i＝[w_i ¹,…,w_i ^t,…,w_i ^L]；

步骤2、对状态序列W_i中各采样点负荷状态的出现频率进行统计，生成第i个负荷的概率因子序列如下：

S_i＝[F(i,1),…,F(i,x),…,F(i,N_i)]，其中F(i,x)＝Tⁱ _x/L×100％，F(i,x)为第i个负荷的x状态的概率因子，Tⁱ _x是第i个负荷的x状态在L分钟内出现的累积分钟数。

5.按照权利要求1所述的自适应的负荷识别方法，其特征在于：在步骤二中，目标函数如下：

式中：F(i,x_i(t))是概率因子，P(t)是t时刻总负荷的有功功率实际值；Q(t)是t时刻总负荷的无功功率实际值，x_i(t)是t时刻第i个负荷的状态，η是功率权重因子；在设定各负荷的状态相互独立的状态下：

是t时刻各负荷的组合概率。

6.按照权利要求5所述的自适应的负荷识别方法，其特征在于：当η的取值范围为0.50～0.70。

7.按照权利要求1所述的自适应的负荷识别方法，其特征在于：状态修正的方法为：若相邻的三个采样点出现x_i(t-1)＝x_i(t+1)且x_i(t)≠x_i(t-1)的情况,则令x_i(t)＝x_i(t-1)

8.一种按照权利要求1所述的自适应的负荷识别方法的智能电能表，其特征在于：包括：

计量模块，所述计量模块包括电流采集单元和电压采集单元，实时采样电压、电流数据，进行数据预处理和清洗后，发送至控制模块；

控制模块，所述控制模块包括数据处理单元和特征库，数据处理单元根据接收的数据计算出有功功率P、无功功率Q、基波功率因数λ、电压-电流三次谐波含有率差VIHR，作为待分类样本特征；在特征库中建立样本集，T＝{(P₁，Q₁，λ₁，VIHR₁),……,(P_n，Q_n，λ_n，VIHR_n)}，n表示负荷个数；选取训练样本集，通过聚类分析构建负荷状态模板；计算概率因子加以辅助分解；根据训练样本集中的特征数据，通过对负荷分解性能的评估，选出功率权重因子，构建负荷分解模型；

非介入式负荷感知模块，所述非介入式负荷感知模块对待分类样本特征通过遗传算法进行遗传、变异、优化迭代，实现待分类的用电设备的负荷分解，得到待分类的分解结果；对应待分类的分解结果进行状态修正，输出负荷状态序列进行，并进行识别；如果待分类的负荷状态序列与特征库中的负荷匹配，则记录待分类的用电设备发生时间；否则，将待分类样本特征上报管理模块；

管理模块，所述管理模块接收上报的待分类的负荷样本特征，并添加至特征库中的临时数据库中，记录待分类的用电设备的发生时间；对新增或负荷特征发生变化的设备，与用户互动；更新特征库。

Images