CN117477536A - 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质 - Google Patents

一种考虑光伏的居民非侵入式负荷分解方法、系统及介质 Download PDF

Info

Publication number
CN117477536A
CN117477536A CN202311377212.7A CN202311377212A CN117477536A CN 117477536 A CN117477536 A CN 117477536A CN 202311377212 A CN202311377212 A CN 202311377212A CN 117477536 A CN117477536 A CN 117477536A
Authority
CN
China
Prior art keywords
load
photovoltaic
power
period
loads
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
Application number
CN202311377212.7A
Other languages
English (en)
Inventor
刘丽娜
王韬
李锐超
刘兵
武昕
符玲
申杰
李方硕
屈鸣
罗银康
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.)
Marketing Service Center Of State Grid Sichuan Electric Power Co
Southwest Jiaotong University
North China Electric Power University
Original Assignee
Marketing Service Center Of State Grid Sichuan Electric Power Co
Southwest Jiaotong University
North China Electric Power University
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 Marketing Service Center Of State Grid Sichuan Electric Power Co, Southwest Jiaotong University, North China Electric Power University filed Critical Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority to CN202311377212.7A priority Critical patent/CN117477536A/zh
Publication of CN117477536A publication Critical patent/CN117477536A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型；根据待分解净负荷功率的时间按照相应时段的隐马尔科夫模型进行负荷分解；本发明通过智能电表的低频净负荷功率数据实现包括光伏在内的负荷分解，通过用户一般负荷设备级功率数据和光伏历史出力数据，实时对户用光伏系统进行监测，光伏出力预测；不仅实现光伏出力数据与总功率的分离，还获取一般负荷的设备级功率数据，为用户提供更加全面精细化的用电数据。

Description

一种考虑光伏的居民非侵入式负荷分解方法、系统及介质
技术领域
本发明涉及负荷分解技术领域，具体涉及一种考虑光伏的居民非侵入式负荷分解方法、系统及介质。
背景技术
随着大力发展分布式光伏产业的推进，光伏产业进入了新的发展阶段，光伏投产量逐年增加，2021年新增装机容量5488万千瓦，其中分布式光伏2928万千瓦，占比高达53.35％，但是大量的户用分布式光伏系统(<10kWp，Wp：太阳能电池的峰值功率)并不单独安装光伏出力计量表，这就使得电力公司和用户只能从电表获取净负荷功率，无法得到户用光伏系统的实际发电量与一般负荷用电量，大大增加了光伏出力评估与用户负荷分析的难度。
近年来，研究人员基于“数据分解”的思想，设法实现光伏出力与总功率的分解，从而使户用光伏功率预测、用户用电行为分析等一系列高级应用成为可能。非侵入式负荷监测(No-Intrusive Load Monitoring，NILM)是获得用户设备级用电数据的常用方法，该方法不需要深入到用户家庭内部，基本不会侵犯用户的隐私。但是由于光伏出力存在的极大不确定性，对非侵入式负荷功率分解带来了极大挑战，目前针对装有户用光伏家庭的非侵入式负荷分解方法多是将光伏出力数据与用户总体功率数据进行分离，缺少对其它负荷的进一步分解。因此，需要一种非侵入式负荷分解方法，不仅可以实现光伏出力数据与总功率的分离，还可以获取一般负荷设备级数据，为用户提供更加全面精细化的用电数据。
发明内容
本发明所要解决的技术问题是：目前针对装有光伏设备的用户，在进行非侵入式负荷分解时，主要将光伏出力数据与用户总体功率数据进行分离，难以实现其它负荷的进一步分解；本发明目的在于提供一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，通过智能电表的低频净负荷功率数据实现包括光伏在内的负荷分解，通过用户一般负荷设备级功率数据和光伏出力数据，实时对户用光伏系统进行监测，光伏出力预测；为用户提供更加全面精细化的用电数据。
本发明通过下述技术方案实现：
本方案提供一种考虑光伏的用户非侵入式负荷分解方法，包括：
步骤一，获取用户的光伏历史出力数据；
步骤二，采集用户各负荷的功率数据，并基于功率数据构建各负荷的有功功率模板；
步骤三，将用户各负荷的有功功率模板拼接成一个整体得到所有负荷的组合状态；
步骤四，考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
步骤五，基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用历史光伏功率数据与采集到的一般负荷功率数据训练；
步骤六，根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型结合维特比算法进行负荷分解。
本方案工作原理：目前针对装有光伏设备的用户，在进行非侵入式负荷分解时，主要将光伏出力数据与用户总体功率数据进行分离，难以实现其它负荷的进一步分解；本发明目的在于提供一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，通过智能电表的低频净负荷功率数据实现包括光伏在内的负荷分解，通过用户一般负荷设备级功率数据和光伏出力数据，实时对户用光伏系统进行监测，光伏出力预测；为用户提供更加全面精细化的用电数据。
进一步优化方案为，光伏历史出力数据的获取方法包括：
S11，获取用户光伏设备的安装角度、太阳辐照强度、环境温度和安装容量，并估算t时刻的光伏出力：
其中，代表t时刻光伏出力估计值；Ccap为光伏系统模型的预设等效安装容量；是光伏设备在t时刻接受的太阳辐照强度，η为太阳能板的温度系数，/>为t时刻太阳能板的温度；对于材质、安装角度相同且处于同一区域的光伏板，其光伏出力的差异主要是由装机容量决定的。
S12，获取安装光伏计量表用户或能量代理站点的光伏出力数据并进行拟合，得到待分解用户的拟合光伏出力数据：
其中，为待分解用户的拟合光伏出力数据；/>为与待分解用户处于同一区域安装光伏计量表用户或能量代理站点的光伏出力数据；α为装机容量比例系数，其中：/>为待分解用户光伏装机容量，/>为安装光伏计量表用户或能量代理站点的光伏装机容量；
S13，以拟合光伏出力数据作为待分解用户的光伏出力数据。
进一步优化方案为，自适应K-means聚类算法确定各负荷聚类数目，且初始聚类中心的选取是随机的，导致聚类结果不稳定，容易陷入局部最优解。所以本专利提出自适应K-means聚类算法确定最佳聚类数目，步骤二包括以下子步骤：
确定各负荷K-means聚类算法的聚类数目：以1为步长，对各负荷预设不同的聚类数目进行迭代，在每轮迭代中获取聚类损失指标，得到K-损失指标曲线图，K-损失指标曲线的拐点处对应的K值即为该负荷的聚类数目；
各负荷的聚类数目向量S与各负荷的有功功率模板Pi表示为：
S＝(s1,s2,…,si,…,sN)
i∈{1,2,…,N}
其中，si表示负荷i的状态数目，N表示负荷个数，若负荷i的聚类数目si＝2，则表示该负荷有2种运行状态；Pi中的元素表示负荷i每种状态对应的功率。
进一步优化方案为，步骤三包括以下子步骤：
S31，将用户的所有负荷组合为一个整体，作为最多具有种状态的负荷；si表示负荷i的状态数目；
S32，引入二进制编码表示各负荷的负荷状态：
对于具有si种状态的负荷，其二进制码具有si位，其负荷状态表示为：
i∈{1,2,…,N}
式中，所有的元素中只有一位为1，其它位为0；比如该负荷处于第2运行状态时x2＝1其它位为0；
对于由各个负荷的二进制码拼接组成N个负荷的组合状态，其位数为所有负荷的组合状态表示为：
则组合有功功率模板由各个负荷的有功功率模板拼接得到，表示为：
当前时刻的总有功功率表示为：
式中，Pnoise为噪声，PPV为光伏功率。
进一步优化方案为，用户每天的功率数据多个时段的划分方法包括：
将一天划分成11个时段：由于凌晨时处于活跃状态的负荷较少，1点～5点作为1个时段，5点～19点鉴于其功率连续变化且可能存在较大功率波动，故以每2小时为1个时段；19点～次日1点为用电高峰期以每2小时为1个时段。
进一步优化方案为，各时段的隐马尔科夫模型表示为：
其中，分别为Ti时段内的初始概率矩阵、状态概率转移矩阵和观测矩阵。
进一步优化方案为，将户用光伏考虑为功率为负的背景负荷，得到各时段的初始概率矩阵、状态概率转移矩阵和观测矩阵：
将采集到的单个负荷功率数据与拟合得到的历史光伏出力数据作为训练集，并将训练数据集划分成各时段的数据子集，统计的各时段一般负荷组合状态种类数为：
然后对各时段出现的组合状态进行编码操作：对于在时段Ti中有种组合状态，根据S32将每种组合状态分别表示为/>分别编码为/>
假设某时间段的净负荷功率(光伏与一般负荷功率之和)为：
式中，Mi代表时段i中净负荷功率序列的长度；
将净负荷功率转化为观测值：
式中，表示Ti时段内的功率最小值；
各时段的状态转移概率矩阵为：
式中：状态转移矩阵为/>阶矩阵，/>为Ti时段内组合状态j转移到组合状态k的概率；/>表示第Ti时段内由组合状态j转移到组合状态k的频次；
各时段的观测矩阵为：
式中：状态转移矩阵为/>阶矩阵，其行号代表组合状态，/>表示在Ti时段内观测值的取值范围，为方便计算可由式/>得到，/>分别表示在Ti时段内净负荷功率的最大值与最小值；/>表示组合状态为j时观测值为o的概率；为组合状态为j时观测功率为o出现的频次。
进一步优化方案为，步骤六包括以下子步骤：
待分解的净负荷功率序列为(y1,y2,…,yL)，L为该序列的长度；根据当前待分解净负荷功率序列的时间信息选择相应时段的HMM模型参数，并利用步骤五将该净负荷功率序列换算为观测值序列(o1,o2,…,oL)，基于维特比算法进行功率分解：
S61，初始化两个辅助变量δ、ψ；
ψ1(j)＝0，
S62，递推，t＝2,3,…,L；
式中，表示在时段Ti内t-1时刻处于组合状态k且t时刻处于组合状态j的概率；表示在时段Ti内，当t时刻观测值为ot时，组合状态为j的概率；
S63，终止
S64，最优路径回溯，对于t＝L-1,L-2,…,1，
rt＝ψt+1(rt+1)
此时计算出的最优路径R＝(r1,r2,…,rL)，其元素值表示每个时刻的组合状态：若r2＝5，表示时刻2所有负荷处于第5种组合状态，根据步骤五提到的编码操作可推出当前时刻各负荷的组合状态为最终可由/>与步骤三获得的组合有功功率模板计算得时刻2一般负荷功率Pt＝2为：
式中，代表/>的转置，则当前时刻的光伏功率为：
式中表示t＝2时的净负荷功率，∑Pt＝2t＝2时一般负荷的功率之和。
本方案还提供一种考虑光伏的居民非侵入式负荷分解系统，用于实现上述的考虑光伏的居民非侵入式负荷分解方法，包括：
第一采集模块，用于获取用户的光伏出力数据；
第二采集模块，用于采集用户各负荷的功率数据，并基于功率数据构建各负荷的有功功率模板；
拼接模块，用于将用户各负荷的有功功率模板拼接成一个整体得到所有负荷的组合状态；
统计模块，用于考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
模型建立模块，用于基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用光伏出力数据训练；
计算模块，用于根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型进行负荷分解。
本方案还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如上述的一种考虑光伏的居民非侵入式负荷分解方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，通过智能电表的低频净负荷功率数据实现包括光伏在内的负荷分解，通过用户一般负荷设备级功率数据和光伏出力数据，实时对户用光伏系统进行监测，光伏出力预测；为用户提供更加全面精细化的用电数据。
本发明提供的一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，以能量代理方式获取光伏训练数据；并对于传统K-means聚类算法的改进，包括利用“K-损失指标”曲线获取最佳聚类数目；基于分段处理方式，按照一般家庭用电习惯与光伏存在时间，将一天的24小时分为11段，并将光伏考虑为背景负荷，分时段训练HMM模型参数；只需在训练阶段以能量代理的方式获取用户的光伏训练数据，该方法所需时间短、准确率高，不仅可以实现光伏出力数据与总功率的分离，还可以获取一般负荷的设备级功率数据。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为考虑光伏的居民非侵入式负荷分解方法流程示意图；
图2为自适应K-means聚类算法流程示意图；
图3为干衣机最佳聚类数目选取结果示意图；
图4为光伏实际功率分解结果示意图；
图5为热泵实际功率分解结果示意图；
图6为光伏仿真功率分解结果示意图；
图7为热泵仿真功率分解结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
由于光伏出力存在的极大不确定性，对非侵入式负荷功率分解带来了极大挑战，目前针对装有户用光伏家庭的非侵入式负荷分解方法多是将光伏出力数据与用户总体功率数据进行分离，缺少对其它负荷的进一步分解。因此，需要一种非侵入式负荷分解方法，不仅可以实现光伏出力数据与总功率的分离，还可以获取一般负荷设备级数据，为用户提供更加全面精细化的用电数据。鉴于此本发明提供以下实施例解决上述技术问题：
实施例1
本实施例提供一种考虑光伏的居民非侵入式负荷分解方法，如图1所示，包括步骤：
S1，基于能量代理方式获取用户的光伏历史出力数据，用于隐马尔科夫模型的训练；
光伏数据的获取步骤具体为：
当用户新增光伏时，由于绝大部分用户并不会安装专门的光伏计量电表，所以训练阶段的光伏数据采用能量代理方式间接获得。
光伏的出力情况主要取决于安装角度、太阳辐照强度、环境温度以及安装容量，t时刻的光伏出力估计值可由下式估计：
其中，代表t时刻光伏出力估计值；Ccap为假设的光伏系统模型的等效安装容量；是光伏设备在t时刻接受的太阳辐照强度，η为太阳能板的温度系数，/>为t时刻太阳能板的温度。其中太阳能板的温度与光伏材料、环境温度、太阳辐照强度等有关。由以上分析可知，对于材质、安装角度相同且处于同一区域的光伏板，其光伏出力的差异主要是由装机容量决定的。故利用安装光伏计量表用户或能量代理站点的光伏出力数据，拟合形成训练阶段的光伏历史出力数据：
其中，为待分解用户光伏出力拟合数据；/>为安装光伏计量表用户或能量代理站点的光伏出力数据；α为装机容量比例系数，其中：/>为待分解用户光伏装机容量，为安装光伏计量表用户或能量代理站点的光伏装机容量。
S2，采集用户各个负荷的功率数据，基于自适应K-means聚类算法确定各负荷聚类情况，得到各负荷的功率数据，基于功率数据以构建各个负荷有功功率模板；
基于采集到的有功功率数据，步骤S2中对数据的聚类包括：
由于K-means聚类算法需要预先设定聚类数目，且初始聚类中心的选取是随机的，导致聚类结果不稳定，容易陷入局部最优解。所以本实施例基于自适应K-means聚类算法确定最佳聚类数目，具体为：
以1为步长，对负荷预设不同的聚类数目进行迭代，在每轮迭代中获取聚类损失指标，得到“K-损失指标”曲线图，拐点处对应的K值即为该负荷最佳聚类数目。各负荷聚类数目向量S与负荷有功功率模板Pi如下式所示：
S＝(s1,s2,…,sN)
其中，si表示负荷i的状态数目，N表示负荷个数。
如图2所示，聚类算法具体包括以下步骤：
(1)从数据中随机选取K个点作为聚类中心；
(2)计算各数据到聚类中心的距离；
(3)将每个数据聚类到离其最近的聚类中心，形成聚类簇；
(4)计算每个聚类簇均值，用均值代替原聚类中心；
(5)若聚类中心改变，重复步骤(2)～(4)，若聚类中心未改变进入步骤(6)；
(6)计算本次聚类的损失指标；
(7)重复5次步骤(1)～(6)，计算聚类损失指标平均值；
(8)预设聚类中心数目加1，重复步骤(1)～(7)；
(9)得到“K-损失指标曲线”，确定最佳聚类数目。
根据上述聚类算法获取干衣机最佳聚类数目的结果如图3所示。
S3，将用户各负荷的有功功率模板(不含光伏)拼接成一个整体，得到用户所有负荷的组合状态；
步骤S3的主要内容包括：
为保留负荷之间的相关性，将用户的所有负荷组合为一个整体，相当于一个最多具有种状态的负荷。引入二进制编码对每个负荷状态进行表示，对于具有si种状态的负荷其二进制码具有si位，如下式所示：
式中，各元素只有一位为1，其它位为0，比如该负荷处于第2运行状态时x2＝1其它位为0。N个负荷的组合状态可由各个负荷的二进制码拼接组成，其位数为组合状态可以表示为：
同理，组合有功功率模板可由各个负荷的有功功率模板拼接而成，如下式所示：
则当前时刻的总有功功率可表示为：
式中，Pnoise为噪声，PPV为光伏功率。
S4，考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
步骤S4的主要内容包括：
结合光伏出力特点与其它负荷的分时段运行情况，对每天的功率数据进行分段：(1点～5点)、(5点～7点)、(7点～9点)、(9点～11点)、(11点～13点)、(13点～15点)、(15点～17点)、(17点～19点)、(19点～21点)、(21点～23点)、(23点～1点)，共11段。由于凌晨时处于活跃状态的负荷较少，将1～5点作为第1段；5点～19点为光伏出力时段，鉴于其功率连续变化且可能存在较大功率波动，故以2小时为1段进行划分；19点～次日1点为用电高峰期，也以2小时为一段进行划分。
S5，基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用光伏出力数据训练；
各时段的隐马尔科夫模型可用下式表示：
其中，分别为Ti时段内的初始概率矩阵、状态概率转移矩阵和观测矩阵。将训练数据集分成各个时段的数据子集，统计的各时段组合状态种类数记为：
本实施例将户用光伏考虑为功率为负的背景负荷，对HMM参数进行分时段学习：
1)各时段的初始状态概率矩阵为：
式中：初始状态概率矩阵 为Ti时段内组合状态j出现的概率；为Ti时段内组合状态j出现的频次。
2)各时段的状态转移概率矩阵为：
式中：状态转移矩阵为/>阶矩阵，/>为Ti时段内组合状态j转移到组合状态k的概率；/>表示第Ti时段内由组合状态j转移到组合状态k的频次。
3)各时段的观测矩阵为：
式中：状态转移矩阵为/>阶矩阵，其行号代表组合状态，/>表示在Ti时段内观测值的取值范围，为方便计算可由式/>得到；/>表示组合状态为j时观测功率为o的概率；/>为组合状态为j时观测功率为o出现的频次。
由HMM模型3个参数矩阵的建立过程来看，光伏的加入并没有影响用户的负荷使用习惯，即各时段组合状态的初始概率与各组合状态之间的转移概率没有改变，其主要影响的是观测矩阵的构建过程，即光伏的加入会使组合状态为j时对应的观测功率o会发生改变。
S6，根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型进行负荷分解。
步骤S6的负荷分解过程具体为：
根据当前待分解功率序列的时间信息选择相应时段的HMM模型参数，利用当前总功率序列，采用维特比算法进行功率分解：
1)初始化两个辅助变量δ、ψ。
2)递推，t＝2,3,…,L，L为待分解有功功率序列的长度。
3)终止
4)最优路径回溯，对于t＝L-1,L-2,…,1，
rt＝ψt+1(rt+1)
此时计算得的最优路径R＝(r1,r2,…,rL)，即为当前时段内每时刻总有功功率对应的组合状态。
HMM模型属于模式识别方法，其计算结果很大程度上取决于学习阶段的数据，所以在学习阶段确定观测矩阵时就考虑了光伏出力的影响。通过分析用户一般负荷使用习惯，基于HMM模型与维特比算法利用步骤S6得到的组合状态和步骤3确定的组合有功功率模板，解码得到各个负荷的功率值，并与已知的净负荷功率做差，获得在该净负荷下的光伏出力数据。
本实施例在训练阶段：以能量代理方式获取光伏训练数据、自适应K-means方法获取负荷功率模板、构建组合状态与组合功率模板、依据用户负荷使用习惯与光伏出力时段分时段建立HMM模型；在分解阶段：根据输入功率数据的时间信息选择相应时段HMM模型、维特比算法求解一般负荷的组合状态、输出一般负荷与光伏功率。
实施例2
本实施例提供一种考虑光伏的居民非侵入式负荷分解系统，用于实现实施例1的考虑光伏的居民非侵入式负荷分解方法，包括：
第一采集模块，用于获取用户的光伏出力数据；
第二采集模块，用于采集用户各负荷的功率数据，并基于功率数据构建各负荷的有功功率模板；
拼接模块，用于将用户各负荷的有功功率模板拼接成一个整体得到所有负荷的组合状态；
统计模块，用于考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
模型建立模块，用于基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用光伏出力数据训练；
计算模块，用于根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型进行负荷分解。
实施例3
本实施例还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如实施例1的一种考虑光伏的居民非侵入式负荷分解方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种考虑光伏的居民非侵入式负荷分解方法、系统及介质，通过智能电表的低频净负荷功率数据实现包括光伏在内的负荷分解，通过用户一般负荷设备级功率数据和光伏出力数据，实时对户用光伏系统进行监测，光伏出力预测；为用户提供更加全面精细化的用电数据。
实施例4
本实施例基于本方进行负荷分解：AMPds数据集来自加拿大温哥华地区某户居民各个负荷两年的电压电流及功率数据，采集频率为一分钟一次，且每组数据都进行了时间标注。PecanStreet数据集来自全球居民自愿采集的真实数据，部分家庭有光伏出力数据，本专利选取PecanStreet数据中来自纽约某户家庭最大功率为5kW的光伏数据，采集频率为一分钟一次。选择AMPds数据集中的八种常用负荷：地下室，干衣机，洗碗机，暖通空调，冰箱，热泵，壁炉，电视机和该纽约用户的光伏数据进行合并，模拟含有户用光伏的家庭，对本发明进行测试。取用30天的数据来进行S1～S5的训练步骤，再用2天的数据来进行S5～S8的分解测试。图4-图7为光伏与部分一般负荷分解结果，图4为光伏实际功率分解结果示意图；图5为热泵实际功率分解结果示意图；图6为光伏仿真功率分解结果示意图；图7为热泵仿真功率分解结果示意图。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种考虑光伏的用户非侵入式负荷分解方法，其特征在于，包括：
步骤一，获取用户的光伏历史出力数据；
步骤二，采集用户各负荷的功率数据，并基于功率数据构建各负荷的有功功率模板；
步骤三，将用户各负荷的有功功率模板拼接成一个整体得到所有负荷的组合状态；
步骤四，考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
步骤五，基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用历史光伏功率数据与采集到的一般负荷功率数据训练；
步骤六，根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型结合维特比算法进行负荷分解。
2.根据权利要求1所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，光伏历史出力数据的获取方法包括：
S11，获取用户光伏设备的安装角度、太阳辐照强度、环境温度和安装容量，并估算t时刻的光伏出力：
其中，代表t时刻光伏出力估计值；Ccap为光伏系统模型的预设等效安装容量；/>是光伏设备在t时刻接受的太阳辐照强度，η为太阳能板的温度系数，/>为t时刻太阳能板的温度；
S12，获取安装光伏计量表用户或能量代理站点的光伏出力数据，拟合出待分解用户的光伏历史出力数据：
其中，为待分解用户的拟合光伏出力数据；/>为与待分解用户处于同一区域安装光伏计量表用户或能量代理站点的光伏出力数据；α为装机容量比例系数，其中：/>为待分解用户光伏装机容量，/>为安装光伏计量表用户或能量代理站点的光伏装机容量。
3.根据权利要求1所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，步骤二包括以下子步骤：
自适应K-means聚类算法确定各负荷聚类数目：以1为步长，对各负荷预设不同的聚类数目进行迭代，在每轮迭代中获取聚类损失指标，得到K-损失指标曲线图，K-损失指标曲线的拐点处对应的K值即为该负荷的聚类数目；
各负荷的聚类数目向量S与各负荷的有功功率模板Pi表示为：
S＝(s1,s2,…,si,…,sN)
其中，si表示负荷i的状态数目，N表示负荷个数，若负荷i的聚类数目si＝2，则表示该负荷有2种运行状态；Pi中的元素表示负荷i每种状态对应的功率。
4.根据权利要求3所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，步骤三包括以下子步骤：
S31，将用户的所有负荷组合成一个整体，作为最多具有种状态的负荷；si表示负荷i的状态数目；
S32，引入二进制编码表示各负荷的负荷状态：
对于具有si种状态的负荷，其二进制码具有si位，其负荷状态表示为：
式中，所有的元素中只有一位为1，其它位为0；
将各个负荷的二进制码拼接组成N个负荷的组合状态，其位数为所有负荷的组合状态表示为：
则组合有功功率模板由各个负荷的有功功率模板拼接得到，表示为：
当前时刻的总有功功率表示为：
式中，Pnoise为噪声，PPV为光伏功率。
5.根据权利要求2所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，步骤四中多个时段的划分方法包括：
将一天划分成11个时段：1点～5点作为1个时段，5点～19点以每2小时为1个时段；19点～次日1点以每2小时为1个时段。
6.根据权利要求5所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，Ti时段的隐马尔科夫模型表示为：
其中，分别为Ti时段内的初始概率矩阵、状态概率转移矩阵和观测矩阵。
7.根据权利要求6所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，将用户的光伏出力数据考虑为功率为负的背景负荷，得到各时段的初始概率矩阵、状态概率转移矩阵和观测矩阵：
将采集到的单个负荷功率数据与拟合得到的历史光伏出力数据作为训练集，并将训练数据集划分成各时段的数据子集，统计的各时段一般负荷组合状态种类数为：
然后对各时段出现的组合状态进行编码操作：对于在时段Ti中有种组合状态，根据S32将每种组合状态分别表示为/>分别编码为/>
假设某时间段的净负荷功率(光伏与一般负荷功率之和)为：
式中，Mi代表时段i中净负荷功率序列的长度；
将净负荷功率转化为观测值：
式中，表示Ti时段内的功率最小值；
各时段的状态转移概率矩阵为：
式中：状态转移矩阵为/>阶矩阵，/>为Ti时段内组合状态j转移到组合状态k的概率；/>表示第Ti时段内由组合状态j转移到组合状态k的频次；
各时段的观测矩阵为：
式中：状态转移矩阵为/>阶矩阵，其行号代表组合状态，/>表示在Ti时段内观测值的取值范围，为方便计算可由式/>得到，/>分别表示在Ti时段内净负荷功率的最大值与最小值；/>表示组合状态为j时观测值为o的概率；/>为组合状态为j时观测功率为o出现的频次。
8.根据权利要求7所述的一种考虑光伏的居民非侵入式负荷分解方法，其特征在于，
步骤六包括以下子步骤：
待分解的净负荷功率序列为(y1,y2,…,yL)，L为该序列的长度；根据当前待分解净负荷功率序列的时间信息选择相应时段的HMM模型参数，并利用步骤五将该净负荷功率序列换算为观测值序列(o1,o2,…,oL)，基于维特比算法进行功率分解：
S61，初始化两个辅助变量δ、ψ；
S62，递推，t＝2,3,…,L；
式中，表示在时段Ti内t-1时刻处于组合状态k且t时刻处于组合状态j的概率；/>表示在时段Ti内，当t时刻观测值为ot时，组合状态为j的概率；
S63，终止
S64，最优路径回溯，对于t＝L-1,L-2,…,1，
rt＝ψt+1(rt+1)
此时计算出的最优路径R＝(r1,r2,…,rL)，其元素值表示每个时刻的组合状态：若r2＝5，表示时刻2所有负荷处于第5种组合状态，根据步骤五提到的编码操作可推出当前时刻各负荷的组合状态为最终可由/>与步骤三获得的组合有功功率模板计算得时刻2一般负荷功率Pt＝2为：
式中，代表/>的转置，则当前时刻的光伏功率为：
式中表示t＝2时的净负荷功率，∑Pt＝2t＝2时一般负荷的功率之和。
9.一种考虑光伏的居民非侵入式负荷分解系统，其特征在于，用于实现如权利要求1-8中任意一项所述的考虑光伏的居民非侵入式负荷分解方法，包括：
第一采集模块，用于获取用户的光伏历史出力数据；
第二采集模块，用于采集用户各负荷的功率数据，并基于功率数据构建各负荷的有功功率模板；
拼接模块，用于将用户各负荷的有功功率模板拼接成一个整体得到所有负荷的组合组合状态；
统计模块，用于考虑负荷和光伏在一天中不同时段的运行特性，将用户每天各负荷的功率数据划分成多个时段，统计各时段所有负荷的组合状态；
模型建立模块，用于基于各时段所有负荷的组合状态和净负荷功率，分时段建立出隐马尔科夫模型，所述隐马尔科夫模型用拟合得到的历史光伏功率数据与采集到的一般负荷功率数据训练；
计算模块，用于根据待分解净负荷功率的时间，选择相应时段的隐马尔科夫模型结合维特比算法进行负荷分解。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如权利要求1-8中任意一项所述的一种考虑光伏的居民非侵入式负荷分解方法。
CN202311377212.7A 2023-10-20 2023-10-20 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质 Pending CN117477536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311377212.7A CN117477536A (zh) 2023-10-20 2023-10-20 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311377212.7A CN117477536A (zh) 2023-10-20 2023-10-20 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质

Publications (1)

Publication Number Publication Date
CN117477536A true CN117477536A (zh) 2024-01-30

Family

ID=89632332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311377212.7A Pending CN117477536A (zh) 2023-10-20 2023-10-20 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质

Country Status (1)

Country Link
CN (1) CN117477536A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996838A (zh) * 2024-04-02 2024-05-07 国网辽宁省电力有限公司信息通信分公司 一种基于非侵入负荷监测的分布式光伏识别装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996838A (zh) * 2024-04-02 2024-05-07 国网辽宁省电力有限公司信息通信分公司 一种基于非侵入负荷监测的分布式光伏识别装置
CN117996838B (zh) * 2024-04-02 2024-06-28 国网辽宁省电力有限公司信息通信分公司 一种基于非侵入负荷监测的分布式光伏识别装置

Similar Documents

Publication Publication Date Title
Han et al. A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm
CN111353653B (zh) 一种光伏出力短期区间预测方法
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
Hua et al. Extracting rare failure events in composite system reliability evaluation via subset simulation
CN109376951B (zh) 一种光伏概率预测方法
Chen et al. NeuCast: Seasonal Neural Forecast of Power Grid Time Series.
CN117477536A (zh) 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN109449923B (zh) 一种有源配电系统运行灵活性的量化分析方法及相关产品
CN110378504A (zh) 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法
Dong et al. Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN112418504B (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Shabbir et al. Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM)
Yang et al. A non-intrusive carbon emission accounting method for industrial corporations from the perspective of modern power systems
CN116227756B (zh) 一种城市时空数据预测因果模型的评价方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN103473476B (zh) 基于区域内数座测风塔测风数据的风能资源推算方法
You et al. New PSO‐SVM Short‐Term Wind Power Forecasting Algorithm Based on the CEEMDAN Model
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
Singh et al. Grey Wolf Optimization Based CNN-LSTM Network for the Prediction of Energy Consumption in Smart Home Environment
CN112327046B (zh) 基于模糊聚类和支持向量回归的非侵入式负荷监测方法
CN111612289B (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
Oprea et al. Electricity load profile calculation using self-organizing maps
CN114282431A (zh) 一种基于改进sca和qrgru的径流区间预测方法及系统

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