CN112633924A - 一种基于负荷分解的小区电能替代需求分析方法 - Google Patents
一种基于负荷分解的小区电能替代需求分析方法 Download PDFInfo
- Publication number
- CN112633924A CN112633924A CN202011520041.5A CN202011520041A CN112633924A CN 112633924 A CN112633924 A CN 112633924A CN 202011520041 A CN202011520041 A CN 202011520041A CN 112633924 A CN112633924 A CN 112633924A
- Authority
- CN
- China
- Prior art keywords
- electric
- electric energy
- event
- full
- power
- 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.)
- Granted
Links
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 22
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000003345 natural gas Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 239000008236 heating water Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000010025 steaming Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于负荷分解的小区电能替代需求分析方法。其目的在于提出一种基于负荷分解技术的比例模型，用于估计电能替代后小区总用电增量。主要步骤有：首先分析用户用能场景，提出可用于电能替代的电器；基于公开数据集建立这类电器的负荷分解模型，并在此基础上为小区部分用户安装电流采集器获取低频电能数据，构建非全电用户的实际用电量与替代电能增量的比例关系；然后根据比例关系和小区已知绝大多数用户的实际用电量，估计电能替代后总替代电能增量。本发明方法仅需采样少量小区用户的电能数据，成本低廉，且得到的比例关系能较好地估计由电能替代引发的区域用电增量，在推行电能替代中有很好的应用价值。
Description
技术领域
本发明涉及电能监测与分析领域，主要涉及一种基于负荷分解的小区电能替代需求分析方法。
背景技术
近年来，国内大力推行改善能源结构，增加清洁能源占比，减少居民化石能源使用。为配合国家战略需求，电力公司一直以来在能源消费端推行电能替代，即用清洁的电能替代煤炭、石油等传统化石能源。当前城市用户主要采用的化石能源为天然气，输气管道安装后改动余地小，日常使用对用户的规范操作要求较高，且不规范的使用下容易影响室内空气质量，因此“气改电”政策在许多城市正被积极推进。
当前，在电能替代相关领域开展的主要研究包括：或以电能替代方案为导向，如从实际用能设备出发，先对负荷进行分类，然后针对不同类负荷采取不同替代方案；或以电能替代目标为导向，如为激励用户参与电能替代，设计合理的分摊方法，将电能替代效益公平合理地分摊给电力用户；或以电能替代需求为导向，如对电能替代产生电能需求做单独负荷预测，从宏观方面探求电能替代电量的计算方法。
已有的电能替代相关研究没有充分考虑电能替代对电网造成的影响。具体来说，小区内用户实行“气改电”必将引起区域内总用电量增加，这可能会造成台区变压器过载，严重时甚至会造成停电事故，对于老旧小区的“气改电”工程尤其应充分考虑该情况。传统依靠工程经验的电能增量估计方法没有考虑不同区域用户用电模式的差异，无法达到较高的估计精度。
发明内容
为解决这一实际问题，本发明提出了一种基于负荷分解的小区电能替代需求分析方法，结合负荷分解技术对电能替代产生的替代电能增量进行估计，负荷分解技术能够只利用电力入口处电流电压信息，得出各电器的用电情况。
本发明采用的具体解决方案如下：
以城区家庭用户为例，首先分析了城区用户家居环境下常见的替代电器，针对这些电器基于公开数据集建立负荷分解模型；在利用负荷分解模型建立非全电用户用电量和替代电能增量之间的比例关系时，由于绝大多数小区只有每日用电数据，无法满足负荷分解的采样频率要求，本发明均匀选取了部分(可以是少量的)用户安装低频电流采集器，依采集的数据构建比例关系；然后根据该比例关系和已知非全电用户的实际用电量估计出小区的总替代电能增量。
本发明公开的具体步骤如下：
步骤1：分析用户用电场景，定义用于区分的电器、电量和用户类型，提取替代电器及其特征；
步骤2：从总用电数据中分解出特定用电器的用电情况，建立负荷分解模型；
步骤3：均匀选取部分全电用户和非全电用户安装低频电流采集设备，采集其低频电能数据，分别建立全电用户和非全电用户的电能替代需求模型，构建非全电用户的实际用电量与替代电能增量的比例关系；
步骤4：根据该比例关系和给定非全电用户的实际用电量估计出小区的总替代电能增量；
所述步骤1的具体方法：
步骤1.1：定义如下概念：将可以替代燃气设备的电器统称为“替代电器”，替代电器消耗的用电量称为“替代电量”，其他电器消耗的电量称为“不可替代电量”；将使用电能进行用水加热和烹饪蒸煮的电能用户称为“全电用户”，其他的统称为“非全电用户”，其将燃气设备更换为替代电器后导致的用电增量称为“替代电能增量”；
步骤1.2：根据替代电器的使用场景，定义使用时间t、使用概率q、运行时长T及运行功率P四类特征，其中使用时间t为电器开启时刻在当天所处的分钟数，1≤t≤1440；q为用电器使用的先验概率，0≤q≤1；运行时长T为电器每个运行阶段的持续时间。由于两类替代电器在运行期间的功率相对稳定，故将运行功率P设为电器运行的平均功率；
所述的步骤2的具体方法为：
步骤2.1：事件检测，即检测用电器的运行状态发生变化时，端电压、总电流等电能入口处相应的信息变化，采用累积和滤波器进行变点处理，首先，引入以下变量：
其中，x为待检测的序列数据，xk为k时刻x的取值，θk是根据k时刻前某段时间的实际测量值对xk做出的估计，β表征检测灵敏度，h表示检测阀值。
当序列数据发生明显的正向偏移，xk-(θk+β)＞0总是成立，
将不断累加，当
时，即检测到发生正事件，记录事件发生时间为tP；当序列数据发生明显的负向偏移时，由
检测出负事件；当没有正负事件发生时，
和
围绕0上下波动，不会超出阀值h。检测到事件发生后，将
和
置0。估计值θk的选取和事件检测类型相关，序列数据x为电力入口处总功率，单位为千瓦(kW)。正负事件分别对应各用电器的开启和关闭，在用电器运行状态未发生变化时，总功率将大致保持平稳，选取k时刻前Le个采样时刻x的平均值作为对xk的估计，即：
考虑厨房电器和电热水器的大功率特点，可放大检测灵敏度β的取值，只考虑由大功率用电器引发的事件，记为事件集合E，E由正事件集合EP和负事件集合EN组成；
步骤2.2：特征提取，获取不同用电器引发的事件差异，具体如下：
正常情况下，家用大功率电器开启后不会一直处于同一状态(开启或关闭)，且应考虑厨房电器和电热水器可能同时开启或关闭的情况。因此，对于正事件集合EP中某一正事件ePi，在时间LF内必定存在若干的负事件eNi,j与之对应，其中j＝1,2,…,J，且J为对应的负事件总数。关于事件对(ePi,eNi,j)，分别计算：
1.事件发生时间te：te＝tPi
2.事件持续时间Te：Te＝tNi,j-tPi
3.事件功率Pe：
其中tPi，tNi,j分别为正事件ePi和负事件eNi,j发生时刻；PP和PN分别为正负事件发生前后σ段时长的功率变化(σ为取值较小的整数，如：)；
在训练数据中，统计厨房电器与电热水器使用总时长占统计时长比值，作为负荷识别的先验概率Q。将事件检测和特征提取获得的事件特征te，Te，Pe，Q与步骤1所述替代电器特征t，T，P，q对应；
步骤2.3：负荷识别，从特征中还原出具体用电器的工作状态及运行功率，由于事件特征是连续取值的，故采用模糊决策树方法判断负荷的运行状态(开启或关闭)。具体如下：
分别为厨房电器和电热水器建立模糊决策树，每棵模糊决策树的输出为相应替代电器的运行状态。给定事件特征te，Te，Pe，Q，当分类结果为开启时，把该运行电器从tPi到tNi,j的运行功率估计记为Pe；当分类结果为关闭时，将该段时间内的运行功率估计记为0。
更具体地，建立事件特征数据集D，其中的每条数据对应一个事件，它包含4个特征：te、Te、Pe、Q，分别记为Al,(l＝1,2,3,4)；而每条数据对应的运行状态分为开启或关闭，记为模糊分类Cn,(n＝1,2)。引入常用的三角形隶属度函数μ(x)，采用聚类方法确定隶属度函数的参数，然后计算模糊决策树的每条数据相对于各类别的隶属度；同时为每个特征Al引入模糊集{Fl,1,Fl,2,…,Fl,m,…,Fl,Ml}，其中l表示第l个特征，Ml为每个特征对应的模糊集个数，从而通过特征Al将数据集D划分为Ml个模糊子集。引入模糊集和隶属度后，信息增益G(Al,D)可通过式(3)计算：
G(Al,D)＝I(D)-E(Al,D) (3)
其中：
其中，|D|为数据集中所有数据的隶属度之和；
表示分类为Cn的模糊数据子集，
为属于Cn类的所有数据隶属度之和；
表示第l个特征属于第m个模糊集的数据子集；
为隶属度与特征关于Fl,m隶属度取值的乘积之和。
选择最大化信息增益的特征Amax，依照其模糊集Fmax,m将数据集分为D1,D2,…,Dm,…,DMl，其中新数据集Dm每条数据的隶属度更新为原隶属度μ与特征关于Fmax,m隶属度取值的乘积。这样可以对每个新数据集Dm重复利用上述模糊决策树算法，从而实现对替代电器运行状态的识别；
所述的步骤3的具体方法为：
步骤3.1：将每一个全电用户、非全电用户“气改电”前、后的不可替代电量分别记为Ens、
(全电用户“气改电”前后的不可替代电量不变，为Ens)；替代电量分别记为Es、
实际用电量分别记为Eall、
那么替代电能增量Ei满足
步骤3.2：根据小区内用户的总用电量，均匀选择少量全电用户和非全电用户，安装电流采集器，构建全电用户数据集S和非全电用户数据集S1。采用步骤2的负荷分解方法，对这些用户，分解得出Eall、Ens、Es，
步骤3.3：假设全电用户和“气改电”后的非全电用户不可替代电量大致相等，则其替代电量也大致相等，即：
得到比例模型如下：
步骤3.4：将(Ens,Es)、
分别看作全电用户数据集S和非全电用户数据集S1的一个样本，以数据集的聚类中心计算γ。高斯混合模型的概率分布表达式为：
其中，αm是不同高斯模型的系数，αm≥0，φ(y|θm)是单个高斯分布的密度，θm表示该高斯分布的参数，包括期望μm和方差σm；m表示M个模型的编号。
步骤3.5：利用高斯混合模型对两个样本集分别聚为M类，得到M个聚类中心。假设(μnsm,μsm)和(μnsm,μsm)分别为全电用户和非全电用户的第m个聚类中心，且
那么根据式(10)得到此时的比例关系：
与现有技术相比，本发明的有益效果为：
本发明针对可能用于电能替代的厨房电器、电热水器提出了一种基于模糊决策树的负荷分解方法，结合部分少量用户电流监测数据，采用高斯混合模型方法建立电能替代需求模型，利用聚类中心对非全电用户替代电能增量进行估计。本发明提出的负荷分解技术在公开数据集上能够达到较高的识别准确率，据此利用实际数据建立的电能替代需求模型对小区替代电能增量能达到较高的估计精度。供电公司在对小区，特别是老旧小区进行全电改造时，若无法同时获取到小区用户的天然气、煤气用量，只需选择少量用户安装电流采集器，通过本发明提出的方法就能低成本且精确地估计全电改造可能引发的电能消耗增量，这对供电公司推行相关政策具有重要的指导意义。
附图说明
图1为基于负荷分解的小区电能替代需求分析方法的总体原理流程图。
图2为某日一整天厨房电器和电热水器的功率曲线图。
图3为电流采集设备的安装示意图。
图4为不同用户数量情况下通过实际用电量估计的替代电能增量的精度曲线图。
具体实施方式
下面结合附图对本发明方法的实施方式做详细说明。本发明的原理流程图如图1所示，其具体步骤包括：
步骤1：分析用户用电场景，定义如下概念：将可以替代燃气设备的电器统称为“替代电器”，替代电器消耗的用电量称为“替代电量”，其他电器消耗的电量称为“不可替代电量”；将使用电能进行用水加热和烹饪蒸煮的电能用户称为“全电用户”，其他的统称为“非全电用户”，其将燃气设备更换为替代电器后导致的用电增量称为“替代电能增量”；
根据替代电器的使用场景，定义使用时间t、使用概率q、运行时长T及运行功率P四类特征，其中使用时间t为电器开启时刻在当天所处的分钟数，1≤t≤1440；q为用电器使用的先验概率，0≤q≤1；运行时长T为电器每个运行阶段的持续时间。由于两类替代电器在运行期间的功率相对稳定，故将运行功率P设为电器运行的平均功率；
步骤2：从总用电数据中分解出特定用电器的用电情况，检测用电器的运行状态发生变化时，端电压、总电流等电能入口处的信息变化，采用累积和滤波器处理事件检测这一变点检测问题。
首先，引入以下变量：
其中，x为待检测的序列数据，xk为k时刻x的取值，θk是根据k时刻前某段时间的实际测量值对xk做出的估计，β表征检测灵敏度，h表示检测阀值。
当序列数据发生明显的正向偏移，xk-(θk+β)＞0总是成立，
将不断累加，当
时，即检测到发生正事件，记录事件发生时间为tP；当序列数据发生明显的负向偏移时，由
检测出负事件；当没有正负事件发生时，
和
围绕0上下波动，不会超出阀值h。检测到事件发生后，将
和
置0。估计值θk的选取和事件检测类型相关，序列数据x为电力入口处总功率，单位为千瓦(kW)。正负事件分别对应各用电器的开启和关闭，在用电器运行状态未发生变化时，总功率将大致保持平稳，选取k时刻前Le个采样时刻x的平均值作为对xk的估计，即：
本具体实施例中上述各参数的取值分别为：β＝0.3kW，h＝2.4kW，Le＝3。考虑厨房电器和电热水器的大功率特点，可放大检测灵敏度β的取值，只考虑由大功率用电器引发的事件，记为事件集合E，E由正事件集合EP和负事件集合EN组成。
正常情况下，家用大功率电器开启后不会一直处于同一状态(开启或关闭)，且应考虑厨房电器和电热水器可能同时开启或关闭的情况。因此，对于正事件集合EP中某一正事件ePi，在时间LF内必定存在若干的负事件eNi,j与之对应，其中j＝1,2,…,J，且J为对应的负事件总数。关于事件对(ePi,eNi,j)，分别计算：
1.事件发生时间te：te＝tPi
2.事件持续时间Te：Te＝tNi,j-tPi
3.事件功率Pe：
其中tPi，tNi,j分别为正事件ePi和负事件eNi,j发生时刻；PP和PN分别为正负事件发生前后σ段时长的功率变化(σ为取值较小的整数，本具体实施例取值为3)。
在训练数据中，统计厨房电器与电热水器使用总时长占统计时长比值，作为负荷识别的先验概率Q。这样通过事件检测和特征提取获得的事件特征te，Te，Pe，Q与步骤1所述替代电器特征t，T，P，q得以对应起来。
由于事件特征是连续取值的，本发明采用模糊决策树方法判断负荷的运行状态(开启或关闭)。分别为厨房电器和电热水器建立模糊决策树，每棵模糊决策树的输出为相应替代电器的运行状态。给定事件特征te，Te，Pe，Q，当分类结果为开启时，把该运行电器从tPi到tNi,j的运行功率估计记为Pe；当分类结果为关闭时，将该段时间内的运行功率估计记为0。
建立事件特征数据集D，其中的每条数据对应一个事件，它包含4个特征：te、Te、Pe、Q，分别记为Al,(l＝1,2,3,4)；而每条数据对应的运行状态分为开启或关闭，记为模糊分类Cn,(n＝1,2)。引入常用的三角形隶属度函数μ(x)，采用聚类方法确定隶属度函数的参数，然后计算模糊决策树的每条数据相对于各类别的隶属度；同时为每个特征Al引入模糊集{Fl,1,Fl,2,…,Fl,m,…,Fl,Ml}，其中l表示第l个特征，Ml为每个特征对应的模糊集个数，从而通过特征Al将数据集D划分为Ml个模糊子集。引入模糊集和隶属度后，信息增益G(Al,D)可通过式(3)计算：
G(Al,D)＝I(D)-E(Al,D) (3)
其中：
其中，|D|为数据集中所有数据的隶属度之和；
表示分类为Cn的模糊数据子集，
为属于Cn类的所有数据隶属度之和；
表示第l个特征属于第m个模糊集的数据子集；
为隶属度与特征关于Fl,m隶属度取值的乘积之和。
选择最大化信息增益的特征Amax，依照其模糊集Fmax,m将数据集分为D1,D2,…,Dm,…,DMl，其中新数据集Dm每条数据的隶属度更新为原隶属度μ与特征关于Fmax,m隶属度取值的乘积。这样可以对每个新数据集Dm重复利用上述模糊决策树算法，从而实现对替代电器运行状态的识别；
步骤3：将每一个全电用户、非全电用户“气改电”前、后的不可替代电量分别记为Ens、
(全电用户“气改电”前后的不可替代电量不变，为Ens)；替代电量分别记为Es、
实际用电量分别记为Eall、
那么替代电能增量Ei满足
根据小区内用户的总用电量，均匀选择少量全电用户和非全电用户，安装电流采集器，构建全电用户数据集S和非全电用户数据集S1。采用步骤2的负荷分解方法，对这些用户，分解得出Eall、Ens、Es，
本步骤的主要目标即根据上述从少量安装电流采集器用户处采集到的数据和大量已知未安装电能采集器的非全电用户的
估计得出替代电能增量Ei。假设全电用户和“气改电”后的非全电用户不可替代电量大致相等，则其替代电量也大致相等，即：
得到比例模型如下：
对于大样本数据集，基于一组数据(Ens,Es)、
得出的比例系数γ无法反映实际情况，可将(Ens,Es)、
分别看作全电用户数据集S和非全电用户数据集S1的一个样本，以数据集的聚类中心计算γ。高斯混合模型是求解聚类中心的常用方法之一，它的概率分布表达式为：
其中，αm是不同高斯模型的系数，αm≥0，φ(y|θm)是单个高斯分布的密度，θm表示该高斯分布的参数，包括期望μm和方差σm；m表示M个模型的编号。
利用高斯混合模型对两个样本集分别聚为M类，得到M个聚类中心。假设(μnsm,μsm)和(μnsm,μsm)分别为全电用户和非全电用户的第m个聚类中心，且
那么根据式(10)得到此时的比例关系：
步骤4：根据该比例关系和给定非全电用户的实际用电量估计出小区的总替代电能增量。
结合图2、图3和图4说明本发明的实例验证。
首先利用AMPds数据集验证本发明所公开的方法。AMPds数据集是面向家居环境负荷分解的公开数据集，它对加拿大某户家庭的19种用电器以1min的采样周期持续记录了2年时间。考虑到AMPds数据集中的部分用电器(如热泵)在我国并不常见，为构建符合我国居民用电习惯的典型用电环境，下面选择了洗衣机、冰箱、办公电器、电视、微波炉等五种国内常用电器；同时考虑到“气改电”的需求，再模拟出厨房电器、电热水器的功率曲线与上述五种常用电器构成完整的家庭用电环境。
模拟厨房电器的功率曲线时，主要依据在典型的家庭用电环境下，厨房电器集中在早中晚三个时间段运行，且每个时间段功率相对稳定的特点；在模拟电热水器的功率曲线时，主要根据电热水器为保持水温恒定，以固定功率周期运行的特点。图2为某日一整天厨房电器和电热水器的功率曲线图。其中，实线为电热水器，周期性运行；虚线表示厨房电器，分别在早中晚运行。将公开数据集划分为70％的训练数据和30％的测试数据，根据模糊决策树和电器特征生成替代电器的用电数据，同实际数据的对比结果如表1所示。
定义状态识别准确率为状态预测正确的分钟数所占比例，功率分解精度如式(13)所示：
其中xk为替代电器在第k分钟的实际运行功率，
为预测的运行功率，K为测试数据总时间长度。等式右边第二项为估计功率与实际功率在整个数据集上的相对误差比值(相对误差比值小于1)，用1减去相对误差比值作为功率分解精度。
表1给出了本具体实施例中关于电热水器和厨房电器两类用电器的状态识别准确率和功率分解精度。对于状态识别准确率，将本发明与基于同一采样频率(1/60Hz)的两种机器学习方法[见参考文献1、2]进行比较，其中参考文献[1]的最大后验概率估计方法关于两类用电器的状态识别准确率分别为84.7％和99.5％，参考文献[2]的差分进化方法则为98.6％和98.8％。结果表明，本发明中基于模糊决策树的方法在负荷分解方面表现更佳。
接下来验证本发明所提电能替代需求模型的有效性。
本具体实施例采集了某小区778个用户近2年的日用电数据和月用气数据，为得到电能替代需求模型所需实测数据，需在小区内选择部分用户安装电流采集器，选择用户数量越大，构建的需求模型精度越高，但同时成本也越高。本具体实施例将用户总用电量由高到低排序，均匀地选取其中的20户全电用户和20户非全电用户安装电流采集器，采集时间为3个月。为方便处理数据，选用的全电用户与非全电用户数量相同，但这并非必须的。图3为电流采集设备的安装示意图，每个电流采集设备的采样频率为1/60Hz，共9个通道，最多可同时检测9个用户总电流变化，本具体实施例仅使用了其中6个通道。检测到的电流数据单位为安培(A)。
依据步骤2所述方法进行负荷分解，通过高斯混合模型对全电用户和非全电用户得到10个聚类中心。对聚类中心线性插值处理使横坐标均匀分布到1-19的范围上，并计算每个聚类中心对应的比例γm，如表3所示。
本具体实施例通过“电”“气”能量等价关系对上述方法的有效性进行验证。替代电能增量可近似通过“气改电”前天然气用量Egas体现。具体的，假设每立方米天然气完全燃烧释放的热量为Qgas，每度电完全转换为热量为Qele，两者的能量转换效率分别为ηgas和ηele，那么可以得到：
根据电能定义Qele＝3.6×106J，根据相关国家标准可得：Qgas＝3.4×107J，ηgas＝84％，ηele＝90％，计算可得λ＝0.113，即每消耗一度电约等于消耗0.113立方米天然气。定义小区内非全电用户估计准确度如下：
利用实际用电量估计替代电能增量，根据式(15)计算准确度，如图4所示，横轴表示估计用户数量，纵轴表示估计准确度。
由图4可知，估计的用户数量越高估计误差越小，当估计用户数量较少时(156户以下)，不同用户间的用电差异导致估计精度提高较缓；在估计用户数量达到一定规模后(156-312户)，估计规模的增大中和了不同用户间的用电差异，因而估计精度迅速提高；当估计精度超过98％，依靠增大估计规模带来的精度提高速度已明显放缓，在达到390户时，估计准确度已经达到了98.9％。这说明，本发明的方法能准确有效地估计替代电能增量。
表1运行状态识别准确率和功率分解精度
表2与当前主流机器学习方法的表现比较
表3聚类中心
【参考文献】
1.Makonin S,Popowich F,Bartram L,Gill B,et al.AMPds:A public datasetfor load disaggregation and eco-feedback research[C]//IEEE Electrical Power&Energy Conference.IEEE,2013:1-6.
2.周晨轶,闫娇娇,刘晨阳.基于贝叶斯准则的非侵入式负荷监测方法[J].浙江电力,2018,37(05):7-11.
Claims (4)
1.一种基于负荷分解的小区电能替代需求分析方法，其特征在于包括以下步骤：
步骤1：分析用户用电场景，定义用于区分的电器、电量和用户类型，提取替代电器及其特征；
步骤2：从总用电数据中分解出特定用电器的用电情况，建立负荷分解模型；
步骤3：均匀选取部分全电用户和非全电用户安装低频电流采集设备，采集其低频电能数据，分别建立全电用户和非全电用户的电能替代需求模型，构建非全电用户的实际用电量与替代电能增量的比例关系；
步骤4：根据该比例关系和给定非全电用户的实际用电量估计出小区的总替代电能增量。
2.根据权利要求1中所述的基于负荷分解的小区电能替代需求分析方法，其特征在于,步骤1中按照能否替代燃气设备将电器进行区分，将能替代燃气设备的电器定义为替代电器，包括厨房电器和电热水器，替代电器的特征包括使用时间t、使用概率q、运行时长T及运行功率P；替代电器消耗的电量为替代电量，其他电器消耗的电量为不可替代电量，将燃气设备更换为替代电器后导致的用电增量为替代电能增量。
3.根据权利要求2中所述的基于负荷分解的小区电能替代需求分析方法，其特征在于，步骤2的具体方法为：
步骤2.1：事件检测，即检测用电器的运行状态发生变化时，电能入口处相应的信息变化，采用累积和滤波器进行变点处理，引入以下变量：
其中，x为待检测的序列数据，xk为k时刻x的取值，θk是根据k时刻前一段时间的实际测量值对xk做出的估计，β表征检测灵敏度，h表示检测阀值；
当序列数据发生正向偏移，xk-(θk+β)＞0总是成立，
将不断累加，当
时，即检测到发生正事件，记录事件发生时间为tP；当序列数据发生负向偏移时，由
检测出负事件；当没有正负事件发生时，
和
围绕0上下波动，不会超出阀值h；检测到事件发生后，将
和
置0；估计值θk的选取和事件检测类型相关，序列数据x为电力入口处总功率，单位为千瓦(kW)；正负事件分别对应各用电器的开启和关闭，在用电器运行状态未发生变化时，总功率将大致保持平稳，选取k时刻前Le个采样时刻x的平均值作为对xk的估计，即：
针对厨房电器和电热水器的大功率特点，可放大检测灵敏度β的取值，只考虑由大功率用电器引发的事件，记为事件集合E，E由正事件集合EP和负事件集合EN组成；
步骤2.2：特征提取，即提取不同用电器引发的事件差异，针对厨房电器和电热水器可能同时开启或关闭，且一般家用大功率电器不会一直处于同一开启或关闭状态的情况，按如下方法提取相应特征：
对于正事件集合EP中某一正事件ePi，在时间LF内必定存在若干的负事件eNi,j与之对应，其中j＝1,2,…,J，且J为对应的负事件总数；关于事件对(ePi,eNi,j)，分别计算：
(a)事件发生时间te：te＝tPi
(b)事件持续时间Te：Te＝tNi,j-tPi
(c)事件功率Pe：
其中，tPi，tNi,j分别为正事件ePi和负事件eNi,j发生时刻，PP和PN分别为正负事件发生前后σ段时长的功率变化，σ取整数；
在训练数据中，统计厨房电器与电热水器使用总时长占统计时长比值，作为负荷识别的先验概率Q；将事件检测和特征提取获得的事件特征te，Te，Pe，Q与步骤1所述替代电器特征t，T，P，q对应；
步骤2.3：负荷识别，即从特征中还原出具体用电器的工作状态及运行功率，采用模糊决策树方法判断负荷的运行状态：首先，分别为厨房电器和电热水器建立模糊决策树，每棵模糊决策树的输出为相应替代电器的运行状态；给定事件特征te，Te，Pe，Q，当分类结果为开启时，把该运行电器从tPi到tNi,j的运行功率估计记为Pe；当分类结果为关闭时，将该段时间内的运行功率估计记为0。
4.根据权利要求2中所述的基于负荷分解的小区电能替代需求分析方法，其特征在于,步骤3所述的电能替代需求模型通过以下步骤得到：
步骤3.1：将每一个全电用户、非全电用户“气改电”前、后的不可替代电量分别记为Ens、
替代电量分别记为Es、
实际用电量分别记为Eall、
则替代电能增量Ei满足
其中全电用户“气改电”前后的不可替代电量是不变的，为Ens；
步骤3.2：根据小区内用户的总用电量，均匀选择部分全电用户和非全电用户，安装电流采集器，构建全电用户数据集S和非全电用户数据集S1；对这些用户采用步骤2的负荷分解方法，分解得出Eall、Ens、Es，
步骤3.3：假设全电用户和“气改电”后的非全电用户不可替代电量大致相等，则其替代电量也大致相等，即：
得到比例模型如下：
步骤3.4：针对大数据集情况，将(Ens,Es)、
分别看作全电用户数据集S和非全电用户数据集S1的一个样本，以数据集的聚类中心计算γ；
步骤3.5：利用高斯混合模型对两个样本集分别聚为M类，得到M个聚类中心，假设(μnsm,μsm)和(μnsm,μsm)分别为全电用户和非全电用户的第m个聚类中心，且
则根据式(10)得到非全电用户的实际用电量与替代电能增量的比例关系模型：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011520041.5A CN112633924B (zh) | 2020-12-21 | 2020-12-21 | 一种基于负荷分解的小区电能替代需求分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011520041.5A CN112633924B (zh) | 2020-12-21 | 2020-12-21 | 一种基于负荷分解的小区电能替代需求分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633924A true CN112633924A (zh) | 2021-04-09 |
| CN112633924B CN112633924B (zh) | 2024-03-29 |
Family
ID=75320871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011520041.5A Active CN112633924B (zh) | 2020-12-21 | 2020-12-21 | 一种基于负荷分解的小区电能替代需求分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633924B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643153A (zh) * | 2021-08-13 | 2021-11-12 | 南京工程学院 | 一种以企业为主体的电能替代扩散分析方法 |
| CN114358568A (zh) * | 2021-12-29 | 2022-04-15 | 国网天津市电力公司 | 一种基于分项计量的电能替代效益评估方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
| CN114580657A (zh) * | 2022-02-24 | 2022-06-03 | 山东大学 | 一种基于关系深度强化学习的家庭能量管控方法及系统 |
| CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
| US20130110621A1 (en) * | 2011-02-04 | 2013-05-02 | Myenersave, Inc. | Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
-
2020
- 2020-12-21 CN CN202011520041.5A patent/CN112633924B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
| US20130110621A1 (en) * | 2011-02-04 | 2013-05-02 | Myenersave, Inc. | Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李方舟;霍健;: "基于负荷数据分析的用户侧用电感知与失电影响评估方法研究", 山东电力技术, no. 03 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643153A (zh) * | 2021-08-13 | 2021-11-12 | 南京工程学院 | 一种以企业为主体的电能替代扩散分析方法 |
| CN114358568A (zh) * | 2021-12-29 | 2022-04-15 | 国网天津市电力公司 | 一种基于分项计量的电能替代效益评估方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
| CN114580657A (zh) * | 2022-02-24 | 2022-06-03 | 山东大学 | 一种基于关系深度强化学习的家庭能量管控方法及系统 |
| CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
| CN116872780B (zh) * | 2023-09-08 | 2023-12-15 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633924B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633924A (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
| Li | Optimal sizing of grid-connected photovoltaic battery systems for residential houses in Australia | |
| Ponoćko et al. | Forecasting demand flexibility of aggregated residential load using smart meter data | |
| CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
| CN113297799B (zh) | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 | |
| Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
| CN114662563A (zh) | 一种基于梯度提升算法的工业用电非侵入负荷分解方法 | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
| CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
| Ramadan et al. | Towards energy‐efficient smart homes via precise nonintrusive load disaggregation based on hybrid ANN–PSO | |
| CN116266331A (zh) | 电网公司区域内的电力能源结构监测方法及装置 | |
| Kang et al. | A novel physical-feature-based approach for stochastic simulation of typical building electricity use profiles | |
| Li et al. | The impacts of temperature on residential electricity consumption in Anhui, China: does the electricity price matter? | |
| Faranda et al. | SCADA system for optimization of energy exchange with the BESS in a residential case | |
| Nadeem et al. | Short term load forecasting on PRECON dataset | |
| CN112113316B (zh) | 一种空调负荷提取的方法 | |
| Jafary et al. | Modeling the determinants of residential appliance electricity use single-family homes, homes with electric vehicles and apartments | |
| CN112016587A (zh) | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 | |
| LIANG et al. | Electric heating load forecasting model and method based on monte carlo method | |
| CN111948446A (zh) | 一种自适应的负荷识别方法以及智能电能表 | |
| Yan et al. | Applications of NILM in the optimization management of intelligent home energy management system | |
| Silva et al. | Characterization of energy demand and energy services using model-based and data-driven approaches | |
| Yan et al. | Cross-domain feature extraction-based household characteristics identification approach using smart meter data | |
| Zhang et al. | The Method for Extraction and Identification of Non-intrusive Household Appliances Load Features Based on WPT Algorithm | |
| CN110751388A (zh) | 一种配电网居民户均配变容量指标计算的方法及系统 |
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 |