CN113447740A - 一种非侵入式负荷事件全局优化匹配方法及系统 - Google Patents
一种非侵入式负荷事件全局优化匹配方法及系统 Download PDFInfo
- Publication number
- CN113447740A CN113447740A CN202110687957.8A CN202110687957A CN113447740A CN 113447740 A CN113447740 A CN 113447740A CN 202110687957 A CN202110687957 A CN 202110687957A CN 113447740 A CN113447740 A CN 113447740A
- Authority
- CN
- China
- Prior art keywords
- load
- event
- load event
- events
- balance
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Abstract
本发明公开了一种非侵入式负荷事件全局优化匹配方法,首先,结合工程实际条件,将负荷运行全时段划分为不同等级和不同复杂度的平衡窗口,按层级由高到低、复杂度由低到高的原则递进式逐一处理,不仅提高了负荷事件匹配的效率,而且排除了不属于当前平衡区域的其他负荷事件可能带来的干扰;然后,逐一对每个平衡窗口内的负荷事件进行匹配及结果标记和特征提取,对窗内待匹配的负荷事件,首先根据电器完整工作循环的功率变化特性,利用深度优先搜索算法生成可能与之对应的候选负荷事件序列集合,然后,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,提高了负荷事件匹配的准确性和效率。
Description
技术领域
本发明属于高级量测体系领域,涉及一种用于非侵入式电力负荷监测的负荷事件匹配方法。
背景技术
非侵入式电力负荷监测(Non-Intrusive Load Monitoring,NILM)是一种低成本高效益的负荷用电细节监测技术[1],其仅需在电力负荷的供电入口处安装一台传感器,便可通过分析总量数据来获取用户内部每个(主要)电器的用电信息。目前,一类主流的NILM方法是基于负荷事件检测的方法,其以电器工作状态转换过程相关的负荷特征为负荷印记[2]。根据实现过程是否需要人工设置负荷印记样本的标注信息,又可细分为有监督和无监督两种方案。无监督方案相比于有监督方案,直接对没有标记的原始量测数据进行建模分析,具有更强的实用性和可扩展性。
负荷事件检测是指从总功率曲线中搜索出表示电器运行状态变化的曲线片段,事件发生前后的有功功率差量可简称为事件功率[3],如图1所示。按照事件功率的正负,可将负荷事件分为正事件和负事件。负荷事件匹配是从检测到所有负荷事件中,找到与电器工作循环相对应的负荷事件序列。这里,电器工作循环是指电器启动-运行-待机/停机的完整工作过程。基于负荷事件匹配结果,可建立孤立负荷事件之间的关联,丰富负荷事件识别可用的特征,例如工作循环持续时间、工作状态转换次数等等,进而提升NILM性能[4-5]。负荷事件匹配得到的负荷事件序列,可挖掘出对应电器工作循环的状态模型,它是陌生场景下构建负荷印记模板库和实现无监督NILM的基础。现有研究主要针对两状态负荷事件序列匹配[6-7],由于利用时间相近原则,现有方法存在局部搜索的局限,对多状态负荷事件序列的匹配效果和效率不佳,在多电器混叠场景易于发生误匹配[8-9]。
[参考文献]
[1]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网技术,2013,7(4):1-5.
[2]刘博.非侵入式电力负荷监测与分解技术[D].天津大学,2013.
[3]Lu M,Li Z.A Hybrid Event Detection Approach for Non-Intrusive LoadMonitoring[J].IEEE Transactions on Smart Grid,2019,PP(99):528-540.
[4]Giri S,Berges,Mario.An error correction framework for sequencesresulting from known state-transition models in Non-Intrusive Load Monitoring[J].Advanced Engineering Informatics,2017,32(APR.):152-162.
[5]Makonin S,Popowich F.Nonintrusive load monitoring(NILM)performanceevaluation[J].Energy Efficiency,2015,8(4):809-814.
[6]Liu H,Zou Q,Zhang Z.Energy Disaggregation of AppliancesConsumptions Using HAM Approach[J].IEEE Access,2019,7(DEC.):185977-185990.
[7]魏恩伟,李伟华,张之涵,郑杰.基于改进匈牙利算法的非侵入式负荷匹配方法[J].电测与仪表,2019,055(022):58-64.
[8]Mark V,Akshay S,Maria G.Model-Free Iterative Temporal ApplianceDiscovery for Unsupervised Electricity Disaggregation[C].Proceedings of the32th AAAI Conference on Artificial Intelligence(AAAI),2018.
[9]Baranski M,Voss J.Detecting patterns of appliances from total loaddata using a dynamic programming approach[C].Fourth IEEE InternationalConference on Data Mining (ICDM'04),2004.
[10]Mao X Y,et al.A Breadth-First Search Algorithm for MiningGeneralized Frequent Itemsets Based on Set Enumeration Tree[J].2008,62-67.
[11]Makonin S,Popowich F.Nonintrusive load monitoring(NILM)performance evaluation[J].Energy Efficiency,2015,8(4):809-814.
[12]王靖然,余贻鑫,曾沅.离散猴群算法及其在输电网扩展规划中的应用[J].天津大学学报(自然科学与工程技术版),2010(09):798-803.
发明内容
针对上述问题,结合工程实际条件,本发明建立了一种非侵入式负荷事件全局优化匹配方法及其实现该方法的系统,可一定程度上克服现有方法中时间相近原则和局部搜索所造成的局限,能够实现目标时段内负荷事件的全局优化匹配。
为了解决上述技术问题,本发明提出的一种非侵入式负荷事件全局优化匹配方法,包括以下步骤:
步骤一:平衡窗口搜索及排序:将负荷运行全时段划分为多个前后负荷状态相同的平衡窗口,并根据该平衡窗口所处功率水平的高低划分层级,同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,从而完成了按层级由高到低、复杂度由低到高的原则将平衡窗口进行了排序;
步骤二、逐一对每个平衡窗口内的负荷事件进行匹配及结果标记和特征提取,包括:
步骤2-1:候选负荷事件序列集合生成:对于当前平衡窗口内待匹配的负荷事件,利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,电器完整工作循环是指电器启动-运行-待机或停机的完整工作过程,此过程,根据约束条件进行可行性剪枝,以缩小组合优化问题的解空间;
步骤2-2:判断候选负荷事件序列集合内的负荷事件是否唯一的参与到负荷事件序列中,若是,则候选负荷事件序列集合内的序列为最优的负荷事件序列结果,执行步骤2-4;否则执行步骤2-3;
步骤2-3:负荷事件序列组合优化;根据多个电器的负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,确定最优的负荷事件序列结果;
步骤2-4:结果标记与特征提取;根据得到的最优负荷事件序列结果,将当前平衡窗口内已匹配事件进行标记,并提取出负荷事件序列所对应的某电器完整工作循环的相关特征;
步骤三:判断是否完成对所有平衡窗口的负荷事件匹配,若完成则结束,否则返回步骤2-1进行下一平衡窗口内待匹配负荷事件的匹配。
进一步讲,本发明所述的非侵入式负荷事件全局优化匹配方法,其中:
步骤一的具体过程如下:
步骤1-1:从负荷运行全时段内最后一个负荷事件开始向前逐一遍历每个负荷事件,一旦遇到负事件,便将其标记为本次平衡窗口搜索的终止事件;
步骤1-2:从终止事件开始向前逐一搜索,直至搜索到事前负荷工作状态与终止事件的事后负荷工作状态相同的正事件,记为本次平衡窗口搜索的起始事件;起始事件的开始时刻至终止事件的结束时刻的负荷运行时段便是本次搜索到的平衡窗口,若没有搜索到与终止事件相对应的起始事件,则从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件,选定新的终止事件;从本次平衡窗口搜索到的起始事件的前一个负荷事件开始继续向前遍历负荷事件,重复步骤1-2,直至完成对目标时段内第二个负荷事件的平衡窗口搜索操作;
在上述步骤1-2的任意一次平衡窗口检测过程中,如果遇到的任一正事件或负事件的事前或事后有功总功率小于搜索终止事件的事后有功总功率的情况,则中止这一次平衡窗口搜索操作,并从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件;将上述检测到的平衡窗口标记为1级平衡窗口,并对检测到每个1级平衡窗口内的负荷事件,重复上述过程,检测到的平衡窗口标记为2级平衡窗口,依此类推,直至完成各级平衡窗口搜索;
步骤1-3:同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,按层级由高到低、复杂度由低到高的原则对搜索到的多个平衡窗口进行排序。
对于步骤2-1,按照步骤一得到的平衡窗口排序依次对窗口内的负荷事件进行处理,针对某个平衡窗口内未标记的负荷事件,按时间顺序排列,利用深度优先搜索算法生成候选负荷事件序列;要求候选负荷事件序列的始末事件必定是正事件和负事件;具体过程是:
将窗口内的正事件分别作为顶点对应负荷事件序列的第一个事件执行下述树状搜索过程,以当前顶点作为父节点,列举该正事件发生后的所有事件,分别作为子节点对应负荷事件序列的第二个事件形成不同的搜索路径,而后迭代地将这些子节点分别作为父节点,按照事件的发生顺序将后续的事件依次加入以扩展搜索路径;
在此过程中,若新增的事件为负事件则检验当前路径对应的事件序列是否满足零环和约束、功率非负约束、总功率约束:若违反功率非负约束或总功率约束,则该搜索路径中不再产生候选负荷事件序列,对其进行剪枝;否则,若同时满足零环和约束,则将其视为一个候选负荷事件序列,并继续向后搜索直至最后一个事件;至此,此次搜索过程结束,对窗口内每一个正事件重复上述搜索过程;最后,完成上述所有搜索过程得到候选负荷事件序列集合,当某候选负荷事件序列可由其他候选负荷事件序列组合而成,则该候选负荷事件序列被筛除,得到最终的候选负荷事件序列集合;
a)所述零环和约束表示在任意始末工作状态相同的完整工作循环中,电器产生的所有负荷事件的有功功率之和等于零;在工程实际中,考虑到背景负荷功率波动,以某个候选负荷事件序列为例,零环和约束条件的具体形式如式(1)所示:
式(1)中,ΔPl表示候选负荷事件序列中第l个负荷事件的事件功率,L表示候选负荷事件序列中负荷事件的数目,γP∈(0,1)表示零环和约束阈值比例系数,|·|表示取绝对值,max{·}表示取最大值;值得说明的是本发明认为稳态过程功率值近似不变,电器一个完整工作循环的功率曲线则可近似为方波[11],但上述阈值比例系数的引入可应对启、停事件功率有一定差异的场景;
b)所述的功率非负约束表示电器运行过程中任意时刻的有功功率都不会出现负值,功率非负约束的具体形式如式(2)所示:
c)所述的总功率约束表示电器运行过程中任意时刻的有功功率值小于等于对应时刻负荷有功总功率值;在实际工程中,总功率约束的具体形式如式(3)所示:
式(3)中,表示第i个候选负荷事件序列的有功功率时间序列在t时刻的功率估计值;Ps(t)表示t时刻量测到的负荷有功总功率值;t1和t2分别表示候选负荷事件序列内第一个负荷事件的开始时刻和最后一个负荷事件的结束时刻。
对于步骤2-3,根据得到的候选负荷事件序列集合,形成维度为K×Z阶的0/1矩阵A,如式(4)所示;
式(4)中,矩阵A任意第i行元素的取值结果对应第i个候选负荷事件序列;K表示候选负荷事件序列数目;Z表示平衡窗口内未标记的负荷事件数目;aij取值为1或0,分别表示第i个候选负荷事件序列内是否含有第j个未标记的负荷事件;
根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,建立如式(5)所示的目标函数;
式(5)和式(6)中,表示第i个候选负荷事件序列有功功率估计值构成的时间序列;Ps'表示除去背景负荷功率及窗口内已匹配的负荷事件序列对应的功率估值的总功率时间序列;βi为待求量,取值为1时表示第i个候选负荷事件序列属于最优匹配结果;约束(6)确保任意负荷事件只能由一个电器产生;利用遗传算法、离散粒子群算法和离散猴群算法中的一种算法对式(5)和式(6)进行求解。
对于步骤2-4,所述的提取出负荷事件序列所对应的某电器完整工作循环的相关特征具体包括但不限于耗电量、运行时长、发生时间。
同时,本发明中还提供了一种实现上述非侵入式负荷事件全局优化匹配方法的系统,该系统主要包括数据获取模块,平衡窗口搜索模块,候选负荷事件序列集合生成模块,负荷事件序列组合优化模块,负荷事件序列特征提取模块,对外交互功能模块和数据信息存储模块。
与现有技术相比,本发明的有益效果是:
本发明提出了一种非侵入式负荷事件全局优化匹配方法,将负荷运行全时段划分为不同的等级的平衡窗口,对于所处时间段存在嵌套关系的不同平衡窗口,根据其所处功率水平高低划分层级,同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,按层级由高到低、复杂度由低到高的原则递进式逐一处理,不仅提高了负荷事件匹配的效率,而且排除了不属于当前平衡区域的其他负荷事件可能带来的干扰。根据单个电器自身运行规律和其功率与负荷有功总功率数据间的关系,构造负荷事件匹配应满足的约束条件,并据此利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,此过程,根据约束条件进行可行性剪枝,缩小了组合优化问题的解空间。根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,使得匹配结果准确率更高。综上,本发明提出的负荷事件匹配方法避免了时间相近原则和局部搜索所造成的局限,提高了负荷事件匹配的准确性和效率,进而有利于实现电器准确建模,全面提升NILM效果。
附图说明
图1是本发明中所涉及的负荷事件示意图;
图2是本发明的一种非侵入式负荷事件全局优化匹配方法的系统示意图;
图3是本发明的一种非侵入式负荷事件全局优化匹配方法流程图;
图4是本发明的目标时段用户有功总功率曲线及平衡窗口示意图;
图5是本发明的平衡窗口层级划分示意图;
图6是本发明的候选负荷事件序列搜索树示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,应当理解,优选的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于所述的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下,所获得的其他实施例,都属于本发明的保护范围。
本发明的设计思路是:为了提升现有负荷事件匹配的效率和准确率,本发明结合工程实际条件,提出一种非侵入式负荷事件全局优化匹配方法,将负荷运行全时段划分为不同等级和不同复杂度的平衡窗口,按层级由高到低、复杂度由低到高的原则递进式逐一处理,不仅提高了负荷事件匹配的效率,而且排除了不属于当前平衡区域的其他负荷事件可能带来的干扰;对窗内待匹配的负荷事件,首先根据电器完整工作循环的功率变化特性,利用深度优先搜索算法生成可能与之对应的候选负荷事件序列集合,然后,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,提高了负荷事件匹配的准确性和效率。
本实施例中设计了实现本发明非侵入式负荷事件全局优化匹配方法的系统,如图2所示,该系统包括:数据获取与对外交互模块(由数据获取模块和对外交互功能模块构成),平衡窗口搜索模块,候选负荷事件序列集合生成模块,负荷事件序列组合优化模块,负荷事件序列特征提取模块和数据信息存储模块。
所述数据获取模块:一般是电力公司计量数据,来源于智能电能表,该数据获取模块用于获取目标用户用电总量数据(用户负荷供电入口处的有功和无功总功率)及检测到的表示电器状态变化(开启、关闭、换挡)的负荷事件,具体包括但不限于如下特征,事件的开始和结束时刻(时间特征)、有功及无功功率差量(暂态功率特征)等。
所述平衡窗口搜索模块:用于将负荷运行全时段划分为不同的平衡窗口,这里平衡窗口是指其前后负荷状态相同的负荷运行时间窗口,平衡窗口具体如下特点:①该时段前后的负荷工作状态是相同的,负荷工作状态包含其内部各电器的工作状态;②该时段内任意时刻的有功总功率大于该时段初始时刻前的有功总功率。这里负荷工作状态可用负荷的有功总功率或无功总功率表示。
所述候选负荷事件序列集合生成模块:针对平衡窗口内待匹配的负荷事件,用于生成可能表示某电器完整工作循环的候选负荷事件序列集合,每个序列由负荷事件按其发生时间先后顺序排列而成。此过程,根据单个电器自身运行规律和其功率与负荷有功总功率数据间的关系,构造负荷事件匹配应满足的约束条件;并据此利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,利用约束条件进行可行性剪枝。
所述负荷事件序列组合优化模块:根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,用于从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,确定最优负荷事件序列。
所述负荷事件序列特征提取模块:用于根据最优负荷事件序列,提取出序列对应某电器完整工作循环的耗电量、运行时长、发生时间等特征。
所述对外交互功能模块,用于负荷事件全局匹配系统与外界进行必要的数据信息交互,包括但不限于监测与分析结果的展示与输出,调控命令的输入与输出。
所述数据信息存储模块:用来存储系统的各种数据信息,如用户用电功率数据、负荷事件的开始和结束时刻、有功无功功率变化差量数据以及各模块的运行数据、匹配结果、最优负荷事件序列特征等信息。
基于以上系统,如图3所示,本实施例的非侵入式负荷事件全局优化匹配方法,应用于前面所述的系统中,包括以下步骤。
步骤一:平衡窗口搜索及排序。将负荷运行全时段划分为多个前后负荷状态相同的平衡窗口,并根据其所处功率水平高低划分层级,同级平衡窗口之间以其所含负荷事件数目多少区分复杂度。最终将平衡窗口按层级由高到低、复杂度由低到高的原则进行排序,逐一对每个平衡窗口内的负荷事件进行匹配。具体过程如下:
步骤1-1:从负荷运行全时段内最后一个负荷事件开始向前逐一遍历每个负荷事件,一旦遇到负事件,便将其标记为本次平衡窗口搜索的终止事件;
步骤1-2:从终止事件开始向前逐一搜索,直至搜索到事前负荷工作状态与终止事件的事后负荷工作状态相同的正事件,记为本次平衡窗口搜索的起始事件;起始事件的开始时刻至终止事件的结束时刻的负荷运行时段便是本次搜索到的平衡窗口,若没有搜索到与终止事件相对应的起始事件,则从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件,选定新的终止事件;从本次平衡窗口搜索到的起始事件的前一个负荷事件开始继续向前遍历负荷事件,重复步骤1-2,直至完成对目标时段内第二个负荷事件的平衡窗口搜索操作;
在上述步骤1-2的任意一次平衡窗口检测过程中,如果遇到的任一正事件或负事件的事前或事后有功总功率小于搜索终止事件的事后有功总功率的情况,则中止这一次平衡窗口搜索操作,并从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件;将上述检测到的平衡窗口标记为1级平衡窗口,并对检测到每个1级平衡窗口内的负荷事件,重复上述过程,检测到的平衡窗口标记为2级平衡窗口,依此类推,直至完成各级平衡窗口搜索;
步骤1-3:同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,按层级由高到低、复杂度由低到高的原则对搜索到的多个平衡窗口进行排序。
本实施例如图4所示,为某用户目标时段的有功总功率曲线,红色曲线表示的是负荷事件,其中正事件为e1、e2、e3、e7、e8、e12、e13,负事件为e4、e5、e6、e9、e10、e11、e14、e15。从目标时段内最后一个负荷事件开始搜索,搜索到的1级平衡窗口为:平衡窗口1{e12,e13,e14,e15}和平衡窗口2{e1,e2,e3,e4,e5,e6,e7,e8,e9,e10,e11};基于平衡窗口1检测到的2级平衡窗口为平衡窗口3{e13,e14},基于平衡窗口2检测到2级平衡窗口为平衡窗口4{e7,e8,e9,e10}和平衡窗口5{e2,e3,e4,e5,e6},具体如图5所示。将对目标时段内检测到平衡窗口按照层级由高到低、复杂度由低到高的原则进行排序,依次对平衡窗口3、平衡窗口4、平衡窗口5、平衡窗口1、平衡窗口2内的未匹配的负荷事件进行匹配,执行下一步。
步骤二、逐一对每个平衡窗口内的负荷事件进行匹配及结果标记和特征提取,包括:
步骤2-1:对平衡窗口内未匹配的负荷事件进行候选负荷事件序列集合生成。
对于当前平衡窗口内待匹配的负荷事件,利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,电器完整工作循环是指电器启动-运行-待机或停机的完整工作过程,此过程,根据约束条件进行可行性剪枝,以缩小组合优化问题的解空间。
对于步骤2-1,按照步骤一得到的平衡窗口排序依次对窗口内的负荷事件进行处理,针对某个平衡窗口内未标记的负荷事件,按时间顺序排列,利用深度优先搜索算法生成候选负荷事件序列,这里本发明借鉴文献[10]的方法。要求候选负荷事件序列的始末事件必定是正事件和负事件;具体过程是:
将窗口内的正事件分别作为顶点对应序列的第一个事件执行下述树状搜索过程,以当前顶点作为父节点,列举该正事件发生后的所有事件,分别作为子节点对应序列的第二个事件形成不同的搜索路径,而后迭代地将这些子节点分别作为父节点,按照事件的发生顺序将后续的事件依次加入以扩展搜索路径。
在此过程中,若新增的事件为负事件则检验当前路径对应的事件序列是否满足零环和约束、功率非负约束、总功率约束:若违反功率非负约束或总功率约束,则该搜索路径中不再产生候选负荷事件序列,对其进行剪枝;否则,若同时满足零环和约束,则将其视为一个候选负荷事件序列,并继续向后搜索直至最后一个事件;至此,此次搜索过程结束,对窗口内每一个正事件重复上述搜索过程;最后,完成上述所有搜索过程得到候选负荷事件序列集合,当某候选负荷事件序列可由其他候选负荷事件序列组合而成,则该候选负荷事件序列被筛除,得到最终的候选负荷事件序列集合。
其中:
a)所述零环和约束表示在任意始末工作状态相同的完整工作循环中,电器产生的所有负荷事件的有功功率之和等于零;在工程实际中,考虑到背景负荷功率波动,以某个候选负荷事件序列为例,零环和约束条件的具体形式如式(1)所示:
式(1)中,ΔPl表示候选负荷事件序列中第l个负荷事件的事件功率,L表示候选负荷事件序列中负荷事件的数目,γP∈(0,1)表示零环和约束阈值比例系数,|·|表示取绝对值,max{·}表示取最大值;值得说明的是本发明认为稳态过程功率值近似不变,电器一个完整工作循环的功率曲线则可近似为方波[11],但上述阈值比例系数的引入可应对启、停事件功率有一定差异的场景。
b)所述的功率非负约束表示电器运行过程中任意时刻的有功功率都不会出现负值,功率非负约束的具体形式如式(2)所示:
c)所述的总功率约束表示电器运行过程中任意时刻的有功功率值小于等于对应时刻负荷有功总功率值;在实际工程中,总功率约束的具体形式如式(3)所示:
式(3)中,表示第i个候选负荷事件序列的有功功率时间序列在t时刻的功率估计值;Ps(t)表示t时刻量测到的负荷有功总功率值;t1和t2分别表示候选负荷事件序列内第一个负荷事件的开始时刻和最后一个负荷事件的结束时刻。
本实施例中,约束条件中γP设置为0.15。以平衡窗口4为例,窗内未匹配的事件按时间顺序排列为e7、e8、e9、e10,本发明利用文献[10]中深度优先搜索算法生成候选负荷事件序列,其中候选负荷事件序列搜索树如图6所示。e7、e8为正事件,将其作为顶点分别进行候选负荷事件序列生成,由于{e7、e10}内事件功率分别为1066W和-1870W,该序列内事件功率之和绝对值为1066-1870=804,且0.15×-1870=280.5。由于804>280.5因此该序列违反了零环和约束。同理,{e7,e8,e9}、{e7,e8,e10}、{e7,e9,e10}、{e8,e9}、{e8,e9,e10}违反零环和约束。{e7,e9}内含有两个事件L=2,其中e9事件功率为-997W,且v为1(L-1=1),有满足功率非负约束。本发明认为稳态过程功率值近似不变,借鉴文献[11]可将电器一个完整工作循环的功率曲线近似为方波,得到该序列任意时刻的有功功率值小于对应时刻负荷有功总功率值,满足总功率约束。而且,该序列1066-997<0.15×1066,满足零环和约束。同理,{e7,e8,e9,e10}、{e8,e10}满足总功率约束、功率非负约束、零环和约束。由于{e7,e8,e9,e10}可由集合中的序列{e8,e10}和{e7,e9}组成,根据启发式规则将其筛除。最终生成的候选负荷事件序列为{e7,e9}、{e8,e10}。执行下一步。
步骤2-2:判断候选负荷事件序列集合内的负荷事件是否唯一的参与到负荷事件序列中,若是,则候选负荷事件序列集合内的序列可视为最优的负荷事件序列结果,执行步骤2-4;否则执行下一步。
本实施例中,以平衡窗口4为例,窗口内未匹配的负荷事件e7、e8、e9、e10唯一的参与候选负荷事件序列{e7,e9}、{e8,e10}到中,因此将其视为最优负荷事件序列执行步骤五。以平衡窗口5为例,窗口内的候选负荷事件序列集合含有的序列依次为{e2,e4}、{e2,e5}、{e3,e4,e6}、{e3,e5,e6},显然窗内未匹配的事件的参与到多个候选负荷事件序列中去,执行步骤2-3。
步骤2-3:负荷事件序列组合优化。根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,确定最优的负荷事件序列结果。执行下一步。
对于步骤2-3,根据步骤2-1得到的候选负荷事件序列集合,可形成维度为K×Z阶的0/1矩阵A,如式(4)所示。
其中,矩阵A任意第i行元素的取值结果对应第i个候选负荷事件序列;K表示候选负荷事件序列数目;Z表示平衡窗口内未标记的负荷事件数目;aij取值为1或0,分别表示第i个候选负荷事件序列内是否含有第j个未标记的负荷事件。
根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,建立如式(5)所示的目标函数。
其中,表示第i个候选负荷事件序列有功功率估计值构成的时间序列;Ps'表示除去背景负荷功率及窗口内已匹配的负荷事件序列对应的功率估值的总功率时间序列;βi为待求量,取值为1时表示第i个候选负荷事件序列属于最优匹配结果;约束(6)确保任意负荷事件只能由一个电器产生。
式(5)-(6)所建立的最优化问题是一个典型整数规划问题,可利用任意适合的优化求解方法求解,例如遗传算法、离散粒子群算法、离散猴群算法等。
本实施例中,以平衡窗口5为例,针对序列1{e2,e4}、序列2{e2,e5}、序列3{e3,e4,e6}、序列4{e3,e5,e6},对于序列1-4和未匹配负荷事件e2、e3、e4、e5、e6,可形成维度为4×5阶的0/1矩阵A。
结合式(5)和式(6),对于这一典型的整数规划问题,这里以离散猴群算法[12]为例进行求解,种群大小设为10,迭代次数为30,爬过程的步长as=1、aL=1,次数NC,L=7,NC,S=4,眺望视野b=1,区间为[-1,1]。求解得到最优解β=[0,1,1,0],对应地,矩阵A中2、3行的候选负荷事件序列{e2,e5}和{e3,e4,e6}为最优负荷事件序列。
步骤2-4:结果标记与特征提取。根据得到的最优负荷事件序列结果,将当前平衡窗口内已匹配事件进行标记,并提取出负荷事件序列所对应得某电器完整工作循环的相关特征。
本实施例中,以平衡窗口5为例,根据求解结果将事件将e2、e3、e4、e5、e6标记,提取序列{e2,e5}的特征:耗电量1.008千瓦时、运行时长61.05min,序列{e3,e4,e6}的特征:耗电量0.292千瓦时、运行时长38.95min。执行下一步。
步骤三:判断是否完成对所有平衡窗口的负荷事件匹配,若完成则结束,否则依次进行下一平衡窗口内待匹配负荷事件的匹配,返回执行步骤2-1。本发明提取出负荷事件序列所对应得某电器完整工作循环的相关特征具体包括但不限于,耗电量、运行时长、发生时间等。以图4为例,按照平衡窗口3、平衡窗口4、平衡窗口5、平衡窗口1、平衡窗口2的顺序对平衡窗口内的待匹配负荷事件进行匹配,直至平衡窗口2,则完成了对所有平衡窗口的匹配,结束程序。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (8)
1.一种非侵入式负荷事件全局优化匹配方法,其特征在于,包括以下步骤:
步骤一:平衡窗口搜索及排序:将负荷运行全时段划分为多个前后负荷状态相同的平衡窗口,并根据该平衡窗口所处功率水平的高低划分层级,同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,从而完成了按层级由高到低、复杂度由低到高的原则将平衡窗口进行了排序;
步骤二、逐一对每个平衡窗口内的负荷事件进行匹配及结果标记和特征提取,包括:
步骤2-1:候选负荷事件序列集合生成:对于当前平衡窗口内待匹配的负荷事件,利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,电器完整工作循环是指电器启动-运行-待机或停机的完整工作过程,此过程,根据约束条件进行可行性剪枝,以缩小组合优化问题的解空间;
步骤2-2:判断候选负荷事件序列集合内的负荷事件是否唯一的参与到负荷事件序列中,若是,则候选负荷事件序列集合内的序列为最优的负荷事件序列结果,执行步骤2-4;否则执行步骤2-3;
步骤2-3:负荷事件序列组合优化;根据多个电器的负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,确定最优的负荷事件序列结果;
步骤2-4:结果标记与特征提取;根据得到的最优负荷事件序列结果,将当前平衡窗口内已匹配事件进行标记,并提取出负荷事件序列所对应的某电器完整工作循环的相关特征;
步骤三:判断是否完成对所有平衡窗口的负荷事件匹配,若完成则结束,否则返回步骤2-1进行下一平衡窗口内待匹配负荷事件的匹配。
2.根据权利要求1所述的非侵入式负荷事件全局优化匹配方法,其特征在于,步骤一的具体过程如下:
步骤1-1:从负荷运行全时段内最后一个负荷事件开始向前逐一遍历每个负荷事件,一旦遇到负事件,便将其标记为本次平衡窗口搜索的终止事件;
步骤1-2:从终止事件开始向前逐一搜索,直至搜索到事前负荷工作状态与终止事件的事后负荷工作状态相同的正事件,记为本次平衡窗口搜索的起始事件;起始事件的开始时刻至终止事件的结束时刻的负荷运行时段便是本次搜索到的平衡窗口,若没有搜索到与终止事件相对应的起始事件,则从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件,选定新的终止事件;从本次平衡窗口搜索到的起始事件的前一个负荷事件开始继续向前遍历负荷事件,重复步骤1-2,直至完成对目标时段内第二个负荷事件的平衡窗口搜索操作;
在上述步骤1-2的任意一次平衡窗口检测过程中,如果遇到的任一正事件或负事件的事前或事后有功总功率小于搜索终止事件的事后有功总功率的情况,则中止这一次平衡窗口搜索操作,并从本次平衡窗口检测的终止事件的前一个负荷事件开始继续向前遍历负荷事件;将上述检测到的平衡窗口标记为1级平衡窗口,并对检测到每个1级平衡窗口内的负荷事件,重复上述过程,检测到的平衡窗口标记为2级平衡窗口,依此类推,直至完成各级平衡窗口搜索;
步骤1-3:同级平衡窗口之间以其所含负荷事件数目多少区分复杂度,按层级由高到低、复杂度由低到高的原则对搜索到的多个平衡窗口进行排序。
3.根据权利要求1所述的非侵入式负荷事件全局优化匹配方法,其特征在于,对于步骤2-1,按照步骤一得到的平衡窗口排序依次对窗口内的负荷事件进行处理,针对某个平衡窗口内未标记的负荷事件,按时间顺序排列,利用深度优先搜索算法生成候选负荷事件序列;要求候选负荷事件序列的始末事件必定是正事件和负事件;具体过程是:
将窗口内的正事件分别作为顶点对应负荷事件序列的第一个事件执行下述树状搜索过程,以当前顶点作为父节点,列举该正事件发生后的所有事件,分别作为子节点对应负荷事件序列的第二个事件形成不同的搜索路径,而后迭代地将这些子节点分别作为父节点,按照事件的发生顺序将后续的事件依次加入以扩展搜索路径;
在此过程中,若新增的事件为负事件则检验当前路径对应的事件序列是否满足零环和约束、功率非负约束、总功率约束:若违反功率非负约束或总功率约束,则该搜索路径中不再产生候选负荷事件序列,对其进行剪枝;否则,若同时满足零环和约束,则将其视为一个候选负荷事件序列,并继续向后搜索直至最后一个事件;至此,此次搜索过程结束,对窗口内每一个正事件重复上述搜索过程;最后,完成上述所有搜索过程得到候选负荷事件序列集合,当某候选负荷事件序列可由其他候选负荷事件序列组合而成,则该候选负荷事件序列被筛除,得到最终的候选负荷事件序列集合;
其中,
a)所述零环和约束表示在任意始末工作状态相同的完整工作循环中,电器产生的所有负荷事件的有功功率之和等于零;在工程实际中,考虑到背景负荷功率波动,以某个候选负荷事件序列为例,零环和约束条件的具体形式如式(1)所示:
式(1)中,ΔPl表示候选负荷事件序列中第l个负荷事件的事件功率,L表示候选负荷事件序列中负荷事件的数目,γP∈(0,1)表示零环和约束阈值比例系数,|·|表示取绝对值,max{·}表示取最大值;值得说明的是本发明认为稳态过程功率值近似不变,电器一个完整工作循环的功率曲线则可近似为方波[11],但上述阈值比例系数的引入可应对启、停事件功率有一定差异的场景;
b)所述的功率非负约束表示电器运行过程中任意时刻的有功功率都不会出现负值,功率非负约束的具体形式如式(2)所示:
c)所述的总功率约束表示电器运行过程中任意时刻的有功功率值小于等于对应时刻负荷有功总功率值;在实际工程中,总功率约束的具体形式如式(3)所示:
4.根据权利要求1所述的非侵入式负荷事件全局优化匹配方法,其特征在于,对于步骤2-3,根据得到的候选负荷事件序列集合,形成维度为K×Z阶的0/1矩阵A,如式(4)所示;
式(4)中,矩阵A任意第i行元素的取值结果对应第i个候选负荷事件序列;K表示候选负荷事件序列数目;Z表示平衡窗口内未标记的负荷事件数目;aij取值为1或0,分别表示第i个候选负荷事件序列内是否含有第j个未标记的负荷事件;
根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,建立如式(5)所示的目标函数;
式(5)和式(6)中,表示第i个候选负荷事件序列有功功率估计值构成的时间序列;P’s表示除去背景负荷功率及窗口内已匹配的负荷事件序列对应的功率估值的总功率时间序列;βi为待求量,取值为1时表示第i个候选负荷事件序列属于最优匹配结果;约束(6)确保任意负荷事件只能由一个电器产生;
利用遗传算法、离散粒子群算法和离散猴群算法中的一种算法对式(5)和式(6)进行求解。
5.根据权利要求1所述的非侵入式负荷事件全局优化匹配方法,其特征在于,对于步骤2-4,所述的提取出负荷事件序列所对应的某电器完整工作循环的相关特征具体包括(但不限于)耗电量、运行时长、发生时间。
6.一种实现权利要求1-5任一所述的非侵入式负荷事件全局优化匹配方法的系统,其特征在于,该系统包括:数据获取模块,平衡窗口搜索模块,候选负荷事件序列集合生成模块,负荷事件序列组合优化模块,负荷事件序列特征提取模块,对外交互功能模块和数据信息存储模块;
所述数据获取模块用于获取目标用户用电总量数据及检测到的表示电器状态变化的负荷事件;
所述平衡窗口搜索模块用于将负荷运行全时段划分为不同的平衡窗口,所述平衡窗口是指其前后负荷状态相同的负荷运行时间窗口;
所述候选负荷事件序列集合生成模块针对所述平衡窗口内待匹配的负荷事件,用于生成可能表示某电器完整工作循环的候选负荷事件序列集合,每个序列由负荷事件按其发生时间先后顺序排列而成;此过程,根据单个电器自身运行规律和其功率与负荷有功总功率数据间的关系,构造负荷事件匹配应满足的约束条件;并据此利用深度优先搜索算法生成所有可能与电器完整工作循环相对应的候选负荷事件序列集合,利用约束条件进行可行性剪枝;
所述负荷事件序列组合优化模块根据多个电器负荷事件序列所对应的叠加功率与负荷有功总功率数据间的约束关系,用于从候选负荷事件序列集合中选定满足负荷总功率最优拟合的负荷事件序列子集,确定最优负荷事件序列;
所述负荷事件序列特征提取模块用于根据最优负荷事件序列,提取出序列对应某电器完整工作循环的耗电量、运行时长、发生时间特征;
所述对外交互功能模块用于负荷事件全局匹配系统与外界进行必要的数据信息交互,包括但不限于监测与分析结果的展示与输出,调控命令的输入与输出;
所述数据信息存储模块用来存储系统的各种数据信息。
7.根据权利要求6所述的实现非侵入式负荷事件全局优化匹配方法的系统,其特征在于,所述平衡窗口搜索模块划分的平衡窗口具有以下特点:①该时段前后的负荷工作状态是相同的,负荷工作状态包含其内部各电器的工作状态;②该时段内任意时刻的有功总功率大于该时段初始时刻前的有功总功率;所述的负荷工作状态用负荷的有功总功率或无功总功率表示。
8.根据权利要求6所述的实现非侵入式负荷事件全局优化匹配方法的系统,其特征在于,所述数据信息存储模块存储的数据信息包括用户用电功率数据、负荷事件的开始和结束时刻、有功无功功率变化差量数据以及各模块的运行数据、匹配结果、最优负荷事件序列特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687957.8A CN113447740A (zh) | 2021-06-21 | 2021-06-21 | 一种非侵入式负荷事件全局优化匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687957.8A CN113447740A (zh) | 2021-06-21 | 2021-06-21 | 一种非侵入式负荷事件全局优化匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113447740A true CN113447740A (zh) | 2021-09-28 |
Family
ID=77812062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687957.8A Pending CN113447740A (zh) | 2021-06-21 | 2021-06-21 | 一种非侵入式负荷事件全局优化匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447740A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
CN115333102A (zh) * | 2022-10-13 | 2022-11-11 | 天津大学 | 电力负荷功率模式多时间尺度自适应检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207398A1 (en) * | 2013-01-23 | 2014-07-24 | Samsung Electronics Co., Ltd | Transient Normalization for Appliance Classification, Disaggregation, and Power Estimation in Non-Intrusive Load Monitoring |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN109861211A (zh) * | 2019-02-01 | 2019-06-07 | 国网能源研究院有限公司 | 一种基于数据驱动的配电网动态重构方法 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 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以及智能电表 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN112101110A (zh) * | 2020-08-13 | 2020-12-18 | 西安理工大学 | 一种电力系统用户侧非侵入式负荷识别的方法 |
-
2021
- 2021-06-21 CN CN202110687957.8A patent/CN113447740A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207398A1 (en) * | 2013-01-23 | 2014-07-24 | Samsung Electronics Co., Ltd | Transient Normalization for Appliance Classification, Disaggregation, and Power Estimation in Non-Intrusive Load Monitoring |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN109861211A (zh) * | 2019-02-01 | 2019-06-07 | 国网能源研究院有限公司 | 一种基于数据驱动的配电网动态重构方法 |
CN109870600A (zh) * | 2019-04-04 | 2019-06-11 | 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以及智能电表 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN112101110A (zh) * | 2020-08-13 | 2020-12-18 | 西安理工大学 | 一种电力系统用户侧非侵入式负荷识别的方法 |
Non-Patent Citations (1)
Title |
---|
杨劲男等: "多电器混叠场景NILM 负荷事件优化匹配方法", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
CN115333102A (zh) * | 2022-10-13 | 2022-11-11 | 天津大学 | 电力负荷功率模式多时间尺度自适应检测方法 |
CN115333102B (zh) * | 2022-10-13 | 2022-12-23 | 天津大学 | 电力负荷功率模式多时间尺度自适应检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Boosting slime mould algorithm for parameter identification of photovoltaic models | |
CN113447740A (zh) | 一种非侵入式负荷事件全局优化匹配方法及系统 | |
CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
CN105182245A (zh) | 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法 | |
CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
CN113064093A (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
Liu et al. | An unsupervised electrical appliance modeling framework for non-intrusive load monitoring | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
Liu et al. | The balanced window-based load event optimal matching for NILM | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
Liu et al. | Learning task-aware energy disaggregation: a federated approach | |
Li et al. | State of charge estimation of lithium-ion batteries based on PSO-TCN-Attention neural network | |
CN107276093A (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
Liu et al. | Surrogate-assisted many-objective optimization of building energy management | |
CN110109811B (zh) | 一种面向gpu计算性能问题的溯源方法 | |
Morison et al. | Identification of voltage control areas and reactive power reserve; an advancement in on-line voltage security assessment | |
CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
CN112183823B (zh) | 一种基于规则树的电能计量装置选型方法和系统 | |
CN106228277B (zh) | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 | |
CN115856633A (zh) | 基于图神经网络的锂离子电池容量估计方法 | |
CN114580534A (zh) | 一种工业数据异常检测方法、装置、电子设备和存储介质 | |
CN113408622A (zh) | 计及特征量信息表达差异的非侵入式负荷辨识方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210928 |