CN114091338B - 一种电力负荷分解模型的建立方法及装置 - Google Patents

一种电力负荷分解模型的建立方法及装置 Download PDF

Info

Publication number
CN114091338B
CN114091338B CN202111398505.4A CN202111398505A CN114091338B CN 114091338 B CN114091338 B CN 114091338B CN 202111398505 A CN202111398505 A CN 202111398505A CN 114091338 B CN114091338 B CN 114091338B
Authority
CN
China
Prior art keywords
load
state
active power
representing
characteristic function
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
CN202111398505.4A
Other languages
English (en)
Other versions
CN114091338A (zh
Inventor
朱一松
刘兴胜
王进
张泽
翁蓓蓓
鞠玲
赵剑锋
毛妍纯
董坤
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.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111398505.4A priority Critical patent/CN114091338B/zh
Publication of CN114091338A publication Critical patent/CN114091338A/zh
Application granted granted Critical
Publication of CN114091338B publication Critical patent/CN114091338B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力负荷分解模型的建立方法及装置，方法包括：采集用户用电数据：将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型；利用状态特征和状态转移特征来描述负荷模型，克服了目前隐马尔可夫及其拓展模型中对负荷序列以及观测序列的不合理假设，提高负荷元件分解的准确性。

Description

一种电力负荷分解模型的建立方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种电力负荷分解模型的建立方法及装置。
背景技术
随着智能电网及人工智能物联网技术的高速发展，家庭能源消耗分析和基于用电情况的用户行为理解逐渐成为一个热点技术发展方向，目前，学术界提出了非侵入式负载检测(Non-intrusive Load Monitoring，NILM)的技术概念，通过在主干路输电线上部署单一传感器并测量总的电流、电压数据来推测单个用电器的工作状态。现有技术中关于非侵入式电力负荷分解方法，主要基于非监督学习算法的隐马尔科夫模型及其扩展模型，它是针对离散序列，基于滑动窗技术提取相关特征，而后进行概率建模，并使用维特比算法实现负荷模型求解。但是该方法，存在以下问题：
1、隐马尔可夫模型的齐次马尔可夫性假设，即假设隐藏的马尔可夫链在任意时刻t的状态只依赖于某前一时刻的状态，与其他时刻的状态及观测无关。但实际中，当前时刻的状态不仅依赖于前一时刻的状态，且与其他时刻有关。
2、隐马尔可夫模型的观测独立性假设，即假设任意时刻的观测只依赖于该时刻的马尔可夫链的状态，与其他观测与状态无关。但实际中，当前时刻的观测并非只依赖于当前时刻的状态，而与之前时刻的观测也有关。
因此，隐马尔可夫模型存在不足，不符合现实情况。
发明内容
本发明提供了一种电力负荷分解模型的建立方法及装置，能够克服目前隐马尔可夫及其拓展模型中对负荷序列以及观测序列的不合理假设，提高电力负荷分解的准确性。
一种电力负荷分解模型的建立方法，包括：
采集用户用电数据：
将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型。
进一步地，所述用户用电数据包括单个负荷元件的有功功率。
进一步地，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值，包括：
将多个单个负荷元件的有功功率作为训练样本，并随机生成k个初始聚类中心点；
计算每个训练样本与所述初始聚类中心点的欧式距离，并将距离所述初始聚类中心点最近的预设数量个训练样本划分到对应的运行状态聚类中；
重新计算每个聚类的聚类中心点，并重新划分运行状态聚类，直到聚类中心点收敛或者聚类次数达到预设次数，获得的最终聚类的聚类中心点为负荷相同工作状态下对应的有功功率的平均值。
进一步地，负荷的状态特征函数包括负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tK1以及负荷当前运行状态特征函数s1,s2,…,sK2；
所述模型的参数包括权值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，包括：
将通过聚类获得的负荷相同工作状态下对应的有功功率的平均值作为状态序列S，将单个负荷元件的有功功率作为有功功率序列P；
将所述状态序列S和所述有功功率序列P作为训练集，获得联合经验分布
Figure BDA0003370923090000031
将所述联合经验分布
Figure BDA0003370923090000032
负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tK1以及负荷当前运行状态特征函数s1,s2,…,sK2作为输入：
取权值ωk初始值为0，对每一k∈{1,2,…,K}：
当k＝1,2,…,K1时，令δK是方程
Figure BDA0003370923090000033
的解，K1表示状态转移特征的个数，T为时间序列总个数，p为有功功率，s为隐藏状态值，t表示时刻，
Figure BDA0003370923090000034
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，tk(st-1,st,p,t)表示负荷相邻运行状态之间的状态转移特征函数，
Figure BDA0003370923090000035
表示负荷相邻运行状态之间的状态转移特征函数关于联合经验分布的数学期望；
当k＝K1+l,l＝1,2,…,K2时，令δk是方程
Figure BDA0003370923090000036
的解，K2表示当前运行状态特征的个数，T为时间序列总个数，sl(st,p,t)表示定义在结点上的运行状态特征函数，l为结点个数，
Figure BDA0003370923090000037
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，
Figure BDA0003370923090000038
表示结点上的当前运行状态特征函关于联合经验分布的数学期望；；
其中，T(p,s)由下式进行计算：
Figure BDA0003370923090000041
其中，K表示状态转移特征和当前运行状态特征个数的总和，n为训练集内数据个数，fk(s,p)表示特征函数的全局表达形式，m表示训练集内数据各个时刻的数据点，p为有功功率，sm-1表示前一时刻的隐藏状态值，sm表示当前时刻的隐藏状态值；
根据计算的δK值，更新权值ωk：ωk←ωk+δK，直到权值ωk收敛。
进一步地，所述线性条件随机场模型P(s|p)通过以下形式表示：
Figure BDA0003370923090000042
Figure BDA0003370923090000043
式中，fk(s，p)表示状态特征函数的全局表达形式，ωk表示权值，K表示状态转移特征和当前运行状态特征个数的总和，Z(p)为规范化因子。
进一步地，获得线性条件随机场模型作为电力负荷分解模型之后，还包括：
结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列；
根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价。
进一步地，结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列，包括：
初始化，通过公式δ1(j)＝ω·F1(s0＝start,s1＝j,p),j＝1,2,…,m，求取t＝1时刻的非规范化概率，其中，δ1(j)为t＝1时刻的非规范化概率，p为有功功率，F1(s0＝start,s1＝j,p)表示在时刻t＝1的局部特征变量，j为标记变量，m为标记总量，ω为权值向量，ω＝(ω1,ω2,…,ωk)T；
通过递推公式
Figure BDA0003370923090000051
Figure BDA0003370923090000052
求解t＝i时刻非规范化概率最大值，其中，δi(q)为t＝i时刻非规范化概率最大值，q为标记变量，δi-1(j)表示t＝i-1时刻的非规范化概率；
通过递推公式
Figure BDA0003370923090000053
Figure BDA0003370923090000054
记录非规范化概率最大值的路径ψi(q)；
t＝n时终止，获得非规范化概率最大值
Figure BDA0003370923090000055
非规范化概率最大值的路径的终点为
Figure BDA0003370923090000056
返回非规范化概率最大值的路径
Figure BDA0003370923090000057
2,…,1，求得最大概率的负荷元件运行状态序列为
Figure BDA0003370923090000058
进一步地，根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价，包括：
分析预测得到的负荷元件状态序列与真实值之间的差值，利用平均绝对误差和均方根误差，对负荷分解结果的准确性进行评价。
进一步地，绝对误差和均方根误差的计算公式如下：
Figure BDA0003370923090000059
Figure BDA00033709230900000510
其中，maez表示负荷z的平均绝对误差，rmsez表示负荷z的均方根误差，
Figure BDA00033709230900000511
表示负荷z在t时刻的预测值，
Figure BDA00033709230900000512
表示负荷z在t时刻的真实值，n为训练集内数据个数。
一种电力负荷分解模型的建立装置，包括：
采集模块，用于采集用户用电数据：
聚类模块，用于将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
训练模块，用于根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型。
本发明提供的电力负荷分解模型的建立方法及装置，至少包括如下有益效果：
基于用户用电数据和电力负荷元件运行状态物理特征，借助于线性条件随机场，生成负荷元件状态特征方程和转移特征方程，最终实现负荷元件分解模型的建立，有效地提升了负荷建模的效率，利用状态特征和状态转移特征来描述负荷模型，克服了目前隐马尔可夫及其拓展模型中对负荷序列以及观测序列的不合理假设，提高负荷元件分解的准确性。
附图说明
图1为本发明提供的电力负荷分解模型的建立方法一种实施例的流程图。
图2为本发明提供的电力负荷分解模型的建立装置一种实施例的示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，在一些实施例中，提供一种电力负荷分解模型的建立方法，包括：
S1、采集用户用电数据：
S2、将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
S3、根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型。
其中，步骤S1中，采集的所述用户用电数据包括单个负荷元件的有功功率。
其中，单个负荷元件的有功功率作为训练数据，可以通过设置在单个负荷元件的电路上的传感器采集得到，也可作为后续的测试数据，对模型进行评价。
进一步地，步骤S2中，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值，包括：
S21、将多个单个负荷元件的有功功率作为训练样本，并随机生成k个初始聚类中心点；
S22、计算每个训练样本与所述初始聚类中心点的欧式距离，并将距离所述初始聚类中心点最近的预设数量个训练样本划分到对应的运行状态聚类中；
S23、重新计算每个聚类的聚类中心点，并重新划分运行状态聚类，直到聚类中心点收敛或者聚类次数达到预设次数，获得的最终聚类的聚类中心点为负荷相同工作状态下对应的有功功率的平均值。
具体地，步骤S21中，训练样本为{q1,q2,…,qn}，其中每个qi∈Rn，qi为单个负荷元件的有功功率，初始k个聚类中心点可随机产生，u1,u2,…,uk∈Rn。
步骤S22中，欧式距离通过以下公式进行计算：
Figure BDA0003370923090000071
步骤S23中，通过以下公式重新计算每个聚类的聚类中心点：
Figure BDA0003370923090000081
其中，
Figure BDA0003370923090000082
表示类别j中所有样本的特征和，
Figure BDA0003370923090000083
表示类别j中的样本的个数。
进一步地，步骤S3中，负荷的状态特征函数包括负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tK1以及负荷当前运行状态特征函数s1,s2,…,sK2；
状态转移特征函数和运行状态函数是根据实际给定的，状态转移特征函数tk(st-1＝100,st＝0,p,t)就表示当前时刻t输出功率为0，前一时刻输出功率为100w的一个函数，负荷当前运行状态特征函数表示负荷某一时刻的功率。
所述模型的参数包括权值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，包括：
将通过聚类获得的负荷相同工作状态下对应的有功功率的平均值作为状态序列S，将单个负荷元件的有功功率作为有功功率序列P；
将所述状态序列S和所述有功功率序列P作为训练集，获得联合经验分布
Figure BDA0003370923090000084
将所述联合经验分布
Figure BDA0003370923090000085
负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tK1以及负荷当前运行状态特征函数s1,s2,…,sK2作为输入：
取权值ωk初始值为0，对每一k∈{1,2,…,K}：
当k＝1,2,…,K1时，令δK是方程
Figure BDA0003370923090000086
的解，K1表示状态转移特征的个数，T为时间序列总个数，p为有功功率，s为隐藏状态值，t表示时刻，
Figure BDA0003370923090000087
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，tk(st-1,st,p,t)表示负荷相邻运行状态之间的状态转移特征函数，
Figure BDA0003370923090000091
表示负荷相邻运行状态之间的状态转移特征函数关于联合经验分布的数学期望；
当k＝K1+l,l＝1,2,…,K2时，令δk是方程
Figure BDA0003370923090000092
的解，K2表示当前运行状态特征的个数，T为时间序列总个数，sl(st,p,t)表示定义在结点上的状态特征函数，l为结点个数，
Figure BDA0003370923090000093
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，
Figure BDA0003370923090000094
表示结点上的当前运行状态特征函关于联合经验分布的数学期望；
其中，T(p,s)由下式给出：
Figure BDA0003370923090000095
其中，K表示状态转移特征和当前运行状态特征个数的总和，n为训练集内数据个数，fk(s,p)表示特征函数的全局表达形式，m表示训练集内数据各个时刻的数据点，p为有功功率，sm-1表示前一时刻的隐藏状态值，sm表示当前时刻的隐藏状态值；
根据计算的δK值，更新模型参数ωk：ωk←ωk+δK，直到模型参数ωk收敛。
进一步地，所述线性条件随机场设为P(S|P)，则在负荷观测有功功率P取值为p的条件下，负荷运行状态值S取值为s的条件概率的参数化形式如下所示：
Figure BDA0003370923090000101
Figure BDA0003370923090000102
其中，tk(st-1,st,p,t)表示表示负荷相邻运行状态之间的状态转移特征函数；sl(st,p,t)表示定义在结点上的运行状态特征函数，λk，μl为可学习的参数，Z(p)为规范化因子，T表示时间序列总长度，K表示具有直接联系的边的总个数，l表示结点总个数。
将状态转移特征函数、当前运行状态特征函数以及权值用统一符号表示，设有K1个状态转移特征，K2个当前运行状态特征，K＝K1+K2：
Figure BDA0003370923090000103
然后，对状态转移特征与当前运行状态特征在各个时刻t求和，记作：
Figure BDA0003370923090000104
用ωk表示特征fk(s,p)的权值，
Figure BDA0003370923090000105
将状态转移特征函数、当前运行状态特征函数以及权值用统一符号表示，可将参数化形式转化为简化形式表示：
Figure BDA0003370923090000106
Figure BDA0003370923090000111
式中，fk(s,p)表示特征函数的全局表达形式，ωk表示统一权值，K表示状态转移特征和当前运行状态特征个数的总和，Z(p)为规范化因子。
若以ω表示权值向量，即
ω＝(ω1,ω2,…,ωk)T； (11)
以F(s,p)表示全局特征向量，即
F(s,p)＝(f1(s,p),f2(s,p),…,fK(s,p))T； (12)
则线性条件随机场可以写成向量ω与F(s,p)的内积的形式：
Figure BDA0003370923090000112
Figure BDA0003370923090000113
进一步地，获得线性条件随机场模型作为电力负荷分解模型之后，还包括：
S4、结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列；
S5、根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价。
其中，步骤S4中，结合用户用电总量时间序列采样值和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列，包括：
初始化，通过公式δ1(j)＝ω·F1(s0＝start,s1＝j,p),j＝1,2,…,m，求取t＝1时刻的非规范化概率，其中，δ1(j)为t＝1时刻的非规范化概率，p为有功功率，F1(s0＝start,s1＝j,p)表示在时刻t＝1的局部特征变量，j为标记变量，m为标记总量，ω为权值向量，ω＝(ω1,ω2,…,ωk)T；
通过递推公式
Figure BDA0003370923090000121
Figure BDA0003370923090000122
求解t＝i时刻非规范化概率最大值，其中，δi(q)为t＝i时刻非规范化概率最大值，q为标记变量，δi-1(j)表示t＝i-1时刻的非规范化概率；
通过递推公式
Figure BDA0003370923090000123
Figure BDA0003370923090000124
记录非规范化概率最大值的路径ψi(q)；
t＝n时终止，获得非规范化概率最大值
Figure BDA0003370923090000125
非规范化概率最大值的路径的终点为
Figure BDA0003370923090000126
返回非规范化概率最大值的路径
Figure BDA0003370923090000127
Figure BDA0003370923090000128
求得最大概率的负荷元件运行状态序列为
Figure BDA0003370923090000129
进一步地，步骤S5中，根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价，包括：
分析预测得到的负荷元件状态序列与真实值之间的差值，利用平均绝对误差和均方根误差，对负荷分解的结果准确度进行评价。
其中，绝对误差和均方根误差的计算公式如下：
Figure BDA00033709230900001210
Figure BDA00033709230900001211
其中，maez表示负荷z的平均绝对误差，rmsez表示负荷z的均方根误差，
Figure BDA00033709230900001212
表示负荷z在t时刻的预测值，
Figure BDA00033709230900001213
表示负荷z在t时刻的真实值，n为训练集内数据个数。
误差表示分解值与精确值之间的距离，因此这两个数值越小，表明模型分解的准确度越高。
参考图2，在一些实施例中，提供一种电力负荷分解模型的建立装置，包括：
采集模块201，用于采集用户用电数据：
聚类模块202，用于将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
训练模块203，用于根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型。
具体地，采集模块201采集的用户用电数据包括单个负荷元件的有功功率。
进一步地，聚类模块202还用于将多个单个负荷元件的有功功率作为训练样本，并随机生成k个初始聚类中心点；
计算每个训练样本与所述初始聚类中心点的欧式距离，并将距离所述初始聚类中心点最近的预设数量个训练样本划分到对应的运行状态聚类中；
重新计算每个聚类的聚类中心点，并重新划分运行状态聚类，直到聚类中心点收敛或者聚类次数达到预设次数，获得的最终聚类的聚类中心点为负荷相同工作状态下对应的有功功率的平均值。
进一步地，负荷的特征函数包括负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tK1以及负荷当前运行状态特征函数s1,s2,…,sK2；
训练模块203还用于：
将通过聚类获得的负荷相同工作状态下对应的有功功率的平均值作为状态序列S，将单个负荷元件的有功功率作为有功功率序列P；
将所述状态序列S和所述有功功率序列P作为训练集，获得联合经验分布
Figure BDA0003370923090000131
将所述联合经验分布
Figure BDA0003370923090000132
负荷相邻运行状态之间的状态转移特征函数t1,t2,…,tk1以及负荷当前运行状态特征函数s1,s2,…,sK2作为输入：
取权值ωk初始值为0，对每一k∈{1,2,…,K}：
当k＝1,2,…,K1时，令δK是方程
Figure BDA0003370923090000141
的解，K1表示状态转移特征的个数，T为时间序列总个数，p为有功功率，s为隐藏状态值，t表示时刻，
Figure BDA0003370923090000142
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，tk(t-1,st,p,t)表示负荷相邻运行状态之间的状态转移特征函数，
Figure BDA0003370923090000143
表示负荷相邻运行状态之间的状态转移特征函数关于联合经验分布的数学期望；
当k＝K1+l,l＝1,2,…,K2时，令δk是方程
Figure BDA0003370923090000144
的解，K2表示当前运行状态特征的个数，T为时间序列总个数，sl(st,p,t)表示定义在结点上的运行状态特征函数，l为结点个数，
Figure BDA0003370923090000145
表示有功功率的经验概率分布，P(s|p)表示线性条件随机场模型，
Figure BDA0003370923090000146
表示结点上的当前运行状态特征函关于联合经验分布的数学期望；
其中，T(p,s)由下式进行计算：
Figure BDA0003370923090000147
其中，K表示状态转移特征和当前运行状态特征个数的总和，n为训练集内数据个数，fk(s,p)表示特征函数的全局表达形式，m表示训练集内数据各个时刻的数据点，p为有功功率，sm-1表示前一时刻的隐藏状态值，sm表示当前时刻的隐藏状态值；
根据计算的δK值，更新权值ωk：ωk←ωk+δK，直到权值ωk收敛。
所述线性条件随机场模型P(s|p)通过以下形式表示：
Figure BDA0003370923090000151
Figure BDA0003370923090000152
式中，fk(s,p)表示特征函数的全局表达形式，ωk表示权值，K表示状态转移特征和当前运行状态特征个数的总和，Z(p)为规范化因子。
进一步地，所述装置还包括评价模块204，用于结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列；根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价。
其中，结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列，包括：
初始化，通过公式δ1(j)＝ω·F1(s0＝start,s1＝j,p),j＝1,2,…,m，求取t＝1时刻的非规范化概率，其中，δ1(j)为t＝1时刻的非规范化概率，p为有功功率，F1(s0＝start,s1＝j,p)表示在时刻t＝1的局部特征变量，j为标记变量，m为标记总量，ω为权值向量，ω＝(ω1,ω2,…,ωk)T；
通过递推公式
Figure BDA0003370923090000153
Figure BDA0003370923090000154
求解t＝i时刻非规范化概率最大值，其中，δi(l)为t＝i时刻非规范化概率最大值，q为标记变量，δi-1(j)表示t＝i-1时刻的非规范化概率；
通过递推公式
Figure BDA0003370923090000161
Figure BDA0003370923090000162
记录非规范化概率最大值的路径ψi(q)；
t＝n时终止，获得非规范化概率最大值
Figure BDA0003370923090000163
非规范化概率最大值的路径的终点为
Figure BDA0003370923090000164
返回非规范化概率最大值的路径
Figure BDA0003370923090000165
Figure BDA0003370923090000166
求得最大概率的负荷元件运行状态序列为
Figure BDA0003370923090000167
进一步地，评价模块204还用于：分析预测得到的负荷元件状态序列与真实值之间的差值，利用平均绝对误差和均方根误差，对负荷分解结果的准确性进行评价。
绝对误差和均方根误差的计算公式如下：
Figure BDA0003370923090000168
Figure BDA0003370923090000169
其中，maez表示负荷z的平均绝对误差，rmsez表示负荷z的均方根误差，
Figure BDA00033709230900001610
表示负荷z在t时刻的预测值，
Figure BDA00033709230900001611
表示负荷z在t时刻的真实值，n为训练集内数据个数。
本实施例提供的电力负荷分解模型的建立方法及装置，基于用户用电数据和电力负荷元件运行状态物理特征，借助于线性条件随机场，生成负荷元件状态特征方程和转移特征方程，最终实现负荷元件分解模型的建立，有效地提升了负荷建模的效率，利用状态特征和状态转移特征来描述负荷模型，克服了目前隐马尔可夫及其拓展模型中对负荷序列以及观测序列的不合理假设，提高负荷元件分解的准确性。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种电力负荷分解模型的建立方法，其特征在于，包括：
采集用户用电数据：
将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型；
所述用户用电数据包括单个负荷元件的有功功率；
负荷的特征函数包括负荷相邻运行状态之间的状态转移特征函数
Figure QLYQS_1
以及负荷当前运行状态特征函数
Figure QLYQS_2
；
所述模型的参数包括权值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，包括：
将通过聚类获得的负荷相同工作状态下对应的有功功率的平均值作为状态序列S，将单个负荷元件的有功功率作为有功功率序列P；
将所述状态序列S和所述有功功率序列P作为训练集，获得联合经验分布
Figure QLYQS_3
；
将所述联合经验分布
Figure QLYQS_4
、负荷相邻运行状态之间的状态转移特征函数
Figure QLYQS_5
以及负荷当前运行状态特征函数
Figure QLYQS_6
作为输入：
取权值
Figure QLYQS_7
初始值为0，对每一
Figure QLYQS_8
：
当
Figure QLYQS_10
时，令
Figure QLYQS_12
是方程
Figure QLYQS_14
的解，
Figure QLYQS_11
表示状态转移特征的个数，T为时间序列总个数，p为有功功率，s为隐藏状态值，t表示时刻，
Figure QLYQS_13
表示有功功率的经验概率分布，
Figure QLYQS_15
表示线性条件随机场模型，
Figure QLYQS_16
表示负荷相邻运行状态之间的状态转移特征函数，
Figure QLYQS_9
表示负荷相邻运行状态之间的状态转移特征函数关于联合经验分布的数学期望；
当
Figure QLYQS_18
时，令
Figure QLYQS_20
是方程
Figure QLYQS_22
的解，
Figure QLYQS_19
表示当前运行状态特征的个数，T为时间序列总个数，
Figure QLYQS_21
表示定义在结点上的运行状态特征函数，l为结点个数，
Figure QLYQS_23
表示有功功率的经验概率分布，
Figure QLYQS_24
表示线性条件随机场模型，
Figure QLYQS_17
表示结点上的当前运行状态特征函关于联合经验分布的数学期望；
其中，
Figure QLYQS_25
由下式进行计算：
Figure QLYQS_26
；
其中，K表示状态转移特征和当前运行状态特征个数的总和，n为训练集内数据个数，
Figure QLYQS_27
表示特征函数的全局表达形式，m表示训练集内数据各个时刻的数据点，p为有功功率，
Figure QLYQS_28
表示前一时刻的隐藏状态值，
Figure QLYQS_29
表示当前时刻的隐藏状态值；
根据计算的
Figure QLYQS_30
值，更新权值
Figure QLYQS_31
，直到权值
Figure QLYQS_32
收敛。
2.根据权利要求1所述的方法，其特征在于，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值，包括：
将多个单个负荷元件的有功功率作为训练样本，并随机生成k个初始聚类中心点；
计算每个训练样本与所述初始聚类中心点的欧式距离，并将距离所述初始聚类中心点最近的预设数量个训练样本划分到对应的运行状态聚类中；
重新计算每个聚类的聚类中心点，并重新划分运行状态聚类，直到聚类中心点收敛或者聚类次数达到预设次数，获得的最终聚类的聚类中心点为负荷相同工作状态下对应的有功功率的平均值。
3.根据权利要求1所述的方法，其特征在于，所述线性条件随机场模型
Figure QLYQS_33
通过以下形式表示：
Figure QLYQS_34
；
Figure QLYQS_35
；
式中，
Figure QLYQS_36
表示特征函数的全局表达形式，
Figure QLYQS_37
表示权值，K表示状态转移特征和当前运行状态特征个数的总和，
Figure QLYQS_38
为规范化因子。
4.根据权利要求3所述的方法，其特征在于，获得线性条件随机场模型作为电力负荷分解模型之后，还包括：
结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列；
根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价。
5.根据权利要求4所述的方法，其特征在于，结合用户用电数据和线性条件随机场模型，借助维比特算法，形成最大概率的负荷元件运行状态序列，包括：
初始化，通过公式
Figure QLYQS_39
，求取t=1时刻的非规范化概率，其中，
Figure QLYQS_40
为t=1时刻的非规范化概率，p为有功功率，
Figure QLYQS_41
表示在时刻t=1的局部特征变量，j为标记变量，m为标记总量，
Figure QLYQS_42
为权值向量，
Figure QLYQS_43
：
通过递推公式
Figure QLYQS_44
，求解t=i时刻非规范化概率最大值，其中，
Figure QLYQS_45
为t=i时刻非规范化概率最大值，q为标记变量，
Figure QLYQS_46
表示t=i-1时刻的非规范化概率；
通过递推公式
Figure QLYQS_47
，记录非规范化概率最大值的路径
Figure QLYQS_48
；
t=n时终止，获得非规范化概率最大值
Figure QLYQS_49
，非规范化概率最大值的路径的终点为
Figure QLYQS_50
；
返回非规范化概率最大值的路径
Figure QLYQS_51
，求得最大概率的负荷元件运行状态序列为
Figure QLYQS_52
。
6.根据权利要求4所述的方法，其特征在于，根据所述最大概率的负荷元件运行状态序列对所述线性条件随机场模型进行评价，包括：
分析预测得到的负荷元件状态序列与真实值之间的差值，利用平均绝对误差和均方根误差，对负荷分解结果的准确性进行评价。
7.根据权利要求6所述的方法，其特征在于，绝对误差和均方根误差的计算公式如下：
Figure QLYQS_53
；
Figure QLYQS_54
；
其中，
Figure QLYQS_55
表示负荷z的平均绝对误差，
Figure QLYQS_56
表示负荷z的均方根误差，
Figure QLYQS_57
表示负荷z在t时刻的预测值，
Figure QLYQS_58
表示负荷z在t时刻的真实值，n为训练集内数据个数。
8.一种电力负荷分解模型的建立装置，包括：
采集模块，用于采集用户用电数据：
聚类模块，用于将所述用户用电数据作为训练集，对所述用户用电数据进行K均值聚类算法处理，获得负荷相同运行状态下对应的有功功率的平均值；
训练模块，用于根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，获得线性条件随机场模型作为电力负荷分解模型；
所述用户用电数据包括单个负荷元件的有功功率；
负荷的特征函数包括负荷相邻运行状态之间的状态转移特征函数
Figure QLYQS_59
以及负荷当前运行状态特征函数
Figure QLYQS_60
；
所述模型的参数包括权值；
根据所述负荷相同工作状态下对应的有功功率的平均值，基于改进的迭代尺度法，根据负荷的特征函数训练得到模型的参数，包括：
将通过聚类获得的负荷相同工作状态下对应的有功功率的平均值作为状态序列S，将单个负荷元件的有功功率作为有功功率序列P；
将所述状态序列S和所述有功功率序列P作为训练集，获得联合经验分布
Figure QLYQS_61
；
将所述联合经验分布
Figure QLYQS_62
、负荷相邻运行状态之间的状态转移特征函数
Figure QLYQS_63
以及负荷当前运行状态特征函数
Figure QLYQS_64
作为输入：
取权值
Figure QLYQS_65
初始值为0，对每一
Figure QLYQS_66
：
当
Figure QLYQS_68
时，令
Figure QLYQS_70
是方程
Figure QLYQS_72
的解，
Figure QLYQS_69
表示状态转移特征的个数，T为时间序列总个数，p为有功功率，s为隐藏状态值，t表示时刻，
Figure QLYQS_71
表示有功功率的经验概率分布，
Figure QLYQS_73
表示线性条件随机场模型，
Figure QLYQS_74
表示负荷相邻运行状态之间的状态转移特征函数，
Figure QLYQS_67
表示负荷相邻运行状态之间的状态转移特征函数关于联合经验分布的数学期望；
当
Figure QLYQS_75
时，令
Figure QLYQS_79
是方程
Figure QLYQS_80
的解，
Figure QLYQS_76
表示当前运行状态特征的个数，T为时间序列总个数，
Figure QLYQS_78
表示定义在结点上的运行状态特征函数，l为结点个数，
Figure QLYQS_81
示有功功率的经验概率分布，
Figure QLYQS_82
表示线性条件随机场模型，
Figure QLYQS_77
表示结点上的当前运行状态特征函关于联合经验分布的数学期望；
其中，
Figure QLYQS_83
由下式进行计算：
Figure QLYQS_84
；
其中，K表示状态转移特征和当前运行状态特征个数的总和，n为训练集内数据个数，
Figure QLYQS_85
表示特征函数的全局表达形式，m表示训练集内数据各个时刻的数据点，p为有功功率，
Figure QLYQS_86
表示前一时刻的隐藏状态值，
Figure QLYQS_87
表示当前时刻的隐藏状态值；
根据计算的
Figure QLYQS_88
值，更新权值
Figure QLYQS_89
，直到权值
Figure QLYQS_90
收敛。
CN202111398505.4A 2021-11-24 2021-11-24 一种电力负荷分解模型的建立方法及装置 Active CN114091338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111398505.4A CN114091338B (zh) 2021-11-24 2021-11-24 一种电力负荷分解模型的建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111398505.4A CN114091338B (zh) 2021-11-24 2021-11-24 一种电力负荷分解模型的建立方法及装置

Publications (2)

Publication Number Publication Date
CN114091338A CN114091338A (zh) 2022-02-25
CN114091338B true CN114091338B (zh) 2023-06-02

Family

ID=80303706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111398505.4A Active CN114091338B (zh) 2021-11-24 2021-11-24 一种电力负荷分解模型的建立方法及装置

Country Status (1)

Country Link
CN (1) CN114091338B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660507B (zh) * 2022-12-08 2023-02-28 北京国网电力技术有限公司 一种地区电力的负荷智能检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390369A (zh) * 2017-12-31 2018-08-10 天津求实智源科技有限公司 电力负荷总功率实时分解方法与系统
CN111428816A (zh) * 2020-04-17 2020-07-17 贵州电网有限责任公司 一种非侵入式负荷分解方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578288B (zh) * 2017-09-08 2020-09-18 东南大学 一种考虑用户用电模式差异的非侵入式负荷分解方法
US11264799B2 (en) * 2018-11-07 2022-03-01 State Grid of China, State Grid Jiangsu Electric Power Co Ltd Submodular load clustering with robust principal component analysis
CN110580502A (zh) * 2019-08-20 2019-12-17 上海纺织节能环保中心 基于高斯混合的因子隐马尔可夫负荷分解方法
CN112884077A (zh) * 2021-03-26 2021-06-01 国网辽宁省电力有限公司经济技术研究院 基于形状的动态时间归整聚类的园区短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390369A (zh) * 2017-12-31 2018-08-10 天津求实智源科技有限公司 电力负荷总功率实时分解方法与系统
CN111428816A (zh) * 2020-04-17 2020-07-17 贵州电网有限责任公司 一种非侵入式负荷分解方法

Also Published As

Publication number Publication date
CN114091338A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Yang et al. Semisupervised multilabel deep learning based nonintrusive load monitoring in smart grids
Wang et al. A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
Song et al. Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power
CN106503867A (zh) 一种遗传算法最小二乘风电功率预测方法
CN105760952A (zh) 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN109212347B (zh) 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法
CN113762716B (zh) 基于深度学习和注意力的台区运行状态评估方法及系统
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN114091338B (zh) 一种电力负荷分解模型的建立方法及装置
CN110852442A (zh) 一种行为辨识及模型训练的方法和装置
CN109948242A (zh) 基于特征哈希的网络表示学习方法
CN114943367A (zh) 基于bp神经网络模型的非侵入式负荷识别方法
CN115759445A (zh) 一种基于机器学习和云模型的分类洪水随机预报方法
CN115100466A (zh) 一种非侵入式负荷监测方法、装置及介质
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN113989544A (zh) 一种基于深度图卷积网络的群体发现方法
CN113408808A (zh) 训练方法、数据生成方法、装置、电子设备以及存储介质
Zhang et al. Digital twin empowered PV power prediction
CN112767190A (zh) 一种基于多层堆叠式神经网络的台区相序识别方法及装置
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
CN116316629A (zh) 一种考虑拓扑特征学习的数据驱动最优潮流计算方法
Li et al. A localized NARX Neural Network model for Short-term load forecasting based upon Self-Organizing Mapping
CN115860281B (zh) 基于跨实体注意力的能源系统多实体负载预测方法和装置

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