CN114548171A - 一种基于盲信号分离的配电台区电动汽车负荷识别方法 - Google Patents

Abstract

本发明提供了一种基于盲信号分离的配电台区电动汽车负荷识别方法，属于配电网管控技术领域。解决了配电台区因拓扑不明，信息缺失导致无法识别充电设备接入的问题。其技术方案为：包括以下步骤：1)建立电动汽车负荷模型；2)盲信号分离模型；3)构建隶属距离和隶属度函数。本发明的有益效果为：本发明通过建立电动汽车负荷模型与盲信号分离模型，将电动汽车这种非线性负荷通过分离与非线性映射的方式进行处理，将非线性信号转换为线性信号，分离出来的结果更加准确，且速度更快，采用的盲信号分离的分离结果精度较高。

Description

一种基于盲信号分离的配电台区电动汽车负荷识别方法

技术领域

本发明涉及配电网管控技术领域，尤其涉及一种基于盲信号分离的配电台区电动汽车负荷识别方法。

背景技术

近年来，能源消耗与环境问题日益严峻，与传统燃油车相比，电动汽车因其清洁环保，环境友好的特点得到了迅速发展。但与此同时，大量汽车充电桩的安装、电动汽车充电负荷的无序接入，以及电动汽车充电功率较大的特点，对电网的安全稳定运行也存在着一定的威胁。为确保电网安全稳定运行与用户灵活智能用电，负荷感知技术变成了关键。

关于负荷感知技术，目前采用较多的方法是非侵入式负荷监测、相关性矩阵以及人工智能算法等。非侵入式负荷监测与分解技术因其成本低、易操作等优点得到广泛发展。有相关文献选取负荷导纳作为识别特征量，提出基于导纳矩阵和遗传算法的负荷识别方法。

近年来，随着人工智能技术的发展，基于卷积神经网络等深度学习的负荷识别方法也层出不穷。盲信号分离技术指的是从多个观测到的混合信号中分析出没有观测的原始信号，广泛应用在许多方面，但是目前，利用盲信号分离技术进行负荷识别与感知的研究较少，有进一步的研究价值。

发明内容

本发明的目的在于提供一种基于盲信号分离的配电台区电动汽车负荷识别方法，解决了配电台区因拓扑不明，信息缺失导致无法识别充电设备接入的问题，本发明将盲信号分离技术运用在电力系统负荷识别技术中，并通过隶属距离和隶属度函数的构建识别出了电动汽车负荷，最后通过仿真验证了方法的可行性。

本发明的发明思想为：本发明是基于电动汽车充电功率、充电时间的概率分布以及电动汽车荷电状态因素构建了电动汽车负荷模型；针对电动汽车此类非线性负荷，在采取盲信号分离时，采用非线性处理以及线性分离矩阵的方法，将非线性问题转为线性问题，从而降低难度；考虑电动汽车实际的充电负荷情况，构建电动汽车负荷的隶属距离函数，并映射成隶属度函数，设定隶属度的阈值，若某设备计算出的隶属度大于阈值，则认为该设备为电动汽车。

本发明是通过如下措施实现的：一种基于盲信号分离的配电台区电动汽车负荷识别方法，包括以下步骤：

1)建立电动汽车负荷模型

电动汽车充电过程一般分为涓流充电、恒流充电与恒压充电三个阶段，第一阶段涓流充电在整个充电过程中所占的时间比例较小，充电电量也比另外两个阶段小很多，因此可以忽略不计；第二阶段恒流充电时，电压会缓缓增高，变化不大，因此可认为第二阶段为恒功率充电；第三阶段在整个充电过程中，充电电量较小，但持续的时间较长，功率P与时间以及电池当前电量满足以下关系：

式中：Q是当前电量；P₀是第二阶段的充电功率；T₁是第一阶段与第二阶段的节点；T₂是第二阶段与第三阶段的节点；T₃是充电结束时间；t为当前时间；

为在充电功率为P时对时间的积分，即充电电量。

根据居民出行数据分析用户出行习惯，电动汽车用户一天中最后一次返回小区的时间主要分布在16:00-22:00，整体近似为正态分布，假设该时刻即为电动汽车开始充电的时刻，那么充电时刻也近似满足正态分布。

式中：μ为数学期望，这里取18.23；σ为方差，这里取3.45；t为当前时间。

电池的荷电状态(SOC)指的是电池当前容量Q与额定容量Q_N比值，如下式所示：

式中：Q是指当前电量；Q_N是指额定电量。

由于电动汽车电池寿命有限以及充电时长的限制，用户在SOC大于70％的时候很少会进行充电，低于30％时选择充电的用户最多。

2)盲信号分离模型

对于电动汽车此类非线性负荷，采用分离与非线性映射的算法构建相关模型进行处理。

首先，定义的互信息量为：

式中：y₁和y₂是定义的两个信息量；P(y₁)是y₁的概率密度；P(y₂)是y₂的概率密度；P(y₁,y₂)是y₁和y₂的联合概率密度。

结合熵的定义，得出对比函数为：

其中，y₁和y₂是定义的两个信息量；H(y_i)(i＝1,2)是边缘熵。

然后，对信号进行非线性处理，由非线性校正函数消除原来非线性混合时的非线性畸变的影响，得到近似线性的混合信号。定义参数化可逆非线性映射g(θ,x)，将代价函数作为独立性测度进行学习优化，定义的迭代公式为：

其中，k为迭代次数；t为当前时间；η(t)为效率，取0.8；I(Y)为对比函数。

最后，进行线性分离，分离出经非线性处理后的近似线性的混合信号，通过线性处理的分离矩阵W使输出信号尽量独立，根据相应对比函数和准则对W的迭代公式中的参数进行估计，从而得到能分离混叠信号的W，定义W的迭代公式为：

其中，t为当前时间；η(t)为效率，取0.8；I(Y)为对比函数。

3)构建隶属距离与隶属度函数

定义充电汽车充电功率与分离出来的各信号之间的隶属距离，如下式所示：

式中：D为隶属距离；P_max是设备充电最大功率；P_min是设备充电最小功率；P为当前充电功率。

分析隶属距离与隶属度之间的映射关系，构建隶属度函数，隶属度介于0-1之间，隶属度的值越大说明是电动汽车的概率越高，隶属度函数如下式所示：

式中：A为隶属度；D为隶属距离；k为迭代次数；ΔP＝P_max-P_min，a隶属距离的下界限，b为隶属距离的上界限。

进一步地，考虑到很多居民用户回家后即对电动汽车进行充电，于是将用户出行习惯等效为电动汽车的充电习惯。

进一步地，对于电动汽车此类非线性负荷，在采取盲信号分离时，先用非线性映射的方式，将信号处理为近似线性的混合信号，最后采取线性分离的方法实现盲信号的分离。

进一步地，考虑到电动汽车实际充电功率的波动，在构建隶属距离和隶属度函数，电动汽车功率采用了(-0.15，+0.35)的裕度。

与现有技术相比，本发明的有益效果为：

1、本发明提出的基于盲信号分离技术的电动汽车负荷识别方法，利用信号波形的异同分离出电动汽车负荷，结果更加清晰直观。

2、本发明通过建立电动汽车负荷模型与盲信号分离模型，将电动汽车这种非线性负荷通过分离与非线性映射的方式进行处理，将非线性信号转换为线性信号，分离出来的结果更加准确，且速度更快。

3、本发明提供的基于盲信号分离的配电台区电动汽车负荷识别方法能够很好的识别出电动汽车负荷，相比其他传统方法，此方法具有显著的创新性，将复杂的非线性信号识别映射为线性信号识别，速度更快且识别精度更高。

4、本发明采用的盲信号分离的分离结果精度较高，具有工程价值。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明中电动汽车充电功率曲线示意图。

图2为本发明中用户充电时间概率曲线图。

图3为本发明中电动汽车SOC与充电概率关系图。

图4为本发明中盲信号分离数学模型图。

图5为本发明实施例中台区拓扑示意图。

图6为本发明实施例中设备运行的模拟波形图。

图7为本发明实施例中各模拟波形图的波形叠加图。

图8为本发明实施例中电动汽车负荷的分离结果曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例

参见图1至图8，本发明实施例中，以图5所示拓扑为例，多个LTU与TTU相连，每个LTU下连接各种负载，LTU将获得分支节点的电气值，电动汽车并网后，充电开始时间、充电功率等信息会及时上传到LTU，LTU会将每个负载的信息打包上传到TTU，基于这些大数据，在TTU中开发边缘计算APP并实现相应的功能。

本实施例是基于盲信号分离的配电台区电动汽车负荷识别方法，采用MATLAB为仿真平台进行仿真实验，具体步骤为：

步骤一、考虑到不同电力设备的功率和波形的不同特性，基于MATLAB对正弦波、矩形波和三角波信号进行了仿真，为了更贴近真实地模拟现实，每个波形都加入了噪声，从而更接近真实的波形效果，模拟波形图如图6所示；

步骤二、从波形中随机选取多个波形进行叠加组合，波形可视为实际配电网中各负载波形的叠加图像，模拟配电网下海量设备接入电网的效果。在现场操作中，TTU从每个LTU得到的波形数据类似于模拟叠加效果，大量设备的波形数据叠加后，很难直接找到规律，从中获取有用的信息，叠加波形图如图7所示；

根据电动汽车负荷特征，构建电动汽车充电时的功率波形图，相关表达式如下式所示。

式中：Q是当前电量；P₀是第二阶段的充电功率，本实施例中取7.00kW；T₁是第一阶段与第二阶段的节点，本实施例对应横坐标为20；T₂是第二阶段与第三阶段的节点，本实施例中对应横坐标为100；T₃是充电结束时间，本实施例中对应横坐标为120。

在构建完电动汽车负荷波形之后，与其他波形叠加，得到模拟的总负荷叠加波形图，后续对叠加波形图进行处理，找出叠加波形图中电动汽车的波形。

步骤三、从叠加波形中分离出各原始波形，为了仿真更具有说服力，在模拟信号以及仿真次数上进行了多次尝试，并通过电动汽车负荷隶属距离与隶属度函数的构建，成功找到电动汽车负荷的曲线，分离结果如图8所示。

在对叠加波形进行处理时，首先对非线性的叠加波形进行线性处理，由非线性校正函数消除原来非线性混合时的非线性畸变的影响，得到近似线性的混合信号。

然后，对处理后的波形进行分离，分离出经非线性处理后的近似线性的混合信号，通过线性处理的分离矩阵W使输出信号尽量独立，根据相应对比函数和准则对W的迭代公式中的参数进行估计，从而得到能分离混叠信号的W。迭代过程如式(7)：

最后，根据隶属距离和隶属度函数对分离出的波形进行判断，如下式所示。

式中：P为当前充电功率。

本实施例中计算得出隶属度为0.94，设定阈值为0.8，隶属度大于0.8可认为结果是电动汽车负荷，从计算结果中可认为分离出的信号即为电动汽车负荷信号。

从本实施例中可以看出，基于盲信号分离的配电台区电动汽车负荷识别方法能够很好的识别出电动汽车负荷，相比其他传统方法，此方法具有显著的创新性，将复杂的非线性信号识别映射为线性信号识别，速度更快且识别精度更高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于盲信号分离的配电台区电动汽车负荷识别方法，其特征在于，包括以下步骤：

1)建立电动汽车负荷模型

综合考虑电动汽车充电功率、充电时间、用户充电习惯以及电动汽车荷电状态(SOC)因素，构建电动汽车负荷模型，对于电动汽车充电功率，分为涓流充电、恒流充电与恒压充电三个阶段，充电电量和功率如下式所示：

式中：Q是当前电量；P₀是第二阶段的充电功率；T₁是第一阶段与第二阶段的节点；T₂是第二阶段与第三阶段的节点；T₃是充电结束时间；t为当前时间；

为在充电功率为P时对时间的积分，即充电电量；

将用户出行习惯等效为充电习惯，可知其类似于正态分布：

式中：μ为数学期望；σ为方差；t为当前时间；

电池的荷电状态(SOC)指的是电池当前容量Q与额定容量Q_N比值，如下式所示：

式中：Q是指当前电量；Q_N是指额定电量；

2)盲信号分离模型

对于电动汽车此类非线性负荷，采用分离与非线性映射的算法构建相关模型进行处理，

首先，定义的互信息量为：

式中：y₁和y₂是定义的两个信息量；P(y₁)是y₁的概率密度；P(y₂)是y₂的概率密度；P(y₁,y₂)是y₁和y₂的联合概率密度；

结合熵的定义，得出对比函数为：

其中，y₁和y₂是定义的两个信息量；H(y_i)(i＝1,2)是边缘熵；

然后，对信号进行非线性处理，由非线性校正函数消除原来非线性混合时的非线性畸变的影响，得到近似线性的混合信号；定义参数化可逆非线性映射g(θ,x)，将代价函数作为独立性测度进行学习优化，定义的迭代公式为：

其中，k为迭代次数；t为当前时间；η(t)为效率；I(Y)为对比函数；

最后，进行线性分离，分离出经非线性处理后的近似线性的混合信号，通过线性处理的分离矩阵W使输出信号尽量独立，根据相应对比函数和准则对W的迭代公式中的参数进行估计，从而得到能分离混叠信号的W，定义W的迭代公式为：

其中，t为当前时间；η(t)为效率；I(Y)为对比函数；W(t)^T为W(t)的转置；

3)构建隶属距离和隶属度函数

定义充电汽车充电功率与分离出来的各信号之间的隶属距离，如下式所示：

式中：D为隶属距离；P_max是设备充电最大功率；P_min是设备充电最小功率；P为当前充电功率；

分析隶属距离与隶属度之间的映射关系，构建隶属度函数，隶属度介于0-1之间，隶属度的值越大说明是电动汽车的概率越高，隶属度函数如下式所示：

式中：A为隶属度；D为隶属距离；k为迭代次数，a隶属距离的下界限，b为隶属距离的上界限。

2.根据权利要求1所述的基于盲信号分离的配电台区电动汽车负荷识别方法，其特征在于，考虑到居民用户回家后即对电动汽车进行充电，将用户出行习惯等效为电动汽车的充电习惯。

3.根据权利要求1所述的基于盲信号分离的配电台区电动汽车负荷识别方法，其特征在于，对于电动汽车此类非线性负荷，在采取盲信号分离时，先用非线性映射的方式，将信号处理为近似线性的混合信号，最后采取线性分离的方法实现盲信号的分离。

4.根据权利要求1所述的基于盲信号分离的配电台区电动汽车负荷识别方法，其特征在于，考虑到电动汽车实际充电功率的波动，在构建隶属距离和隶属度函数，电动汽车功率采用(-0.15，+0.35)的裕度。

Images