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 PDFInfo
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000007704 transition Effects 0.000 claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
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;
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
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,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,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
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,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,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:
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:
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;
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:
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:
步骤S23中,通过以下公式重新计算每个聚类的聚类中心点:
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;
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
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,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,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
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,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,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:
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:
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:
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:
用ωk表示特征fk(s,p)的权值,
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:
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:
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;
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:
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;
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
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,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,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
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,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,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:
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:
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;
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:
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;
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;
当时,令是方程的解,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,表示有功功率的经验概率分布,表示线性条件随机场模型,表示负荷相邻运行状态之间的状态转移特征函数,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;
当时,令是方程的解,表示当前运行状态特征的个数,T为时间序列总个数,表示定义在结点上的运行状态特征函数,l为结点个数,表示有功功率的经验概率分布,表示线性条件随机场模型,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,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,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,表示前一时刻的隐藏状态值,表示当前时刻的隐藏状态值;
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。
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:
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。
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;
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;
当时,令是方程的解,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,表示有功功率的经验概率分布,表示线性条件随机场模型,表示负荷相邻运行状态之间的状态转移特征函数,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;
当时,令是方程的解,表示当前运行状态特征的个数,T为时间序列总个数,表示定义在结点上的运行状态特征函数,l为结点个数,示有功功率的经验概率分布,表示线性条件随机场模型,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,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,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,表示前一时刻的隐藏状态值,表示当前时刻的隐藏状态值;
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)
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)
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)
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 |
-
2021
- 2021-11-24 CN CN202111398505.4A patent/CN114091338B/zh active Active
Patent Citations (2)
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 |