一种非侵入式电力负荷分解的辨识决策方法及系统的制作方法
【技术领域】
[0001] 本发明设及一种非侵入式电力负荷分解的辨识决策方法及系统，属于电力负荷分 解技术领域。
【背景技术】
[0002] 电力负荷分解可W采用侵入式和非侵入式的装置。侵入式的装置要求在用户家庭 每一个电器设备线路上安装传感器，W检测设备的工作状态和相关用电信息。不仅成本高， 而且安装麻烦，还给用户带来不便。非侵入式的电力负荷分解装置，成本低，安装方便易于 被用户接受。但是，现存的一些电力负荷分解方法，都是通过单一方法进行负荷分解，可能 受偶然因素的影响，精度有限。因此，提高非侵入式电力负荷分解方法来进行电器设备识别 是迫切任务。特别是电网公司通过负荷分解了解负荷侧信息进行调峰谷，制定用电计划，精 度偏低的电力负荷分解方法已不能满足实际系统的要求。所W，实际的使用需求也同样迫 切要求高精度的电力负荷分解方法的出现。单一辨识方法局限性大，很容易受某一因素影 响而降低识别精度，运样会造成对负荷侧的设备判断失误，从而影响之后的调峰谷等用电 调度，不仅影响用户侧的用电体验，也不利于节能降耗。
【发明内容】
[0003] 本发明的目的是提供一种非侵入式电力负荷分解的辨识决策方法及系统，W提高 电力负荷分解的辨识度。
[0004] 本发明为解决上述技术问题提供了一种非侵入式电力负荷分解的辨识决策方法， 该方法的步骤如下： 阳0化]1)采用非侵入式设备采用负荷侧的用电信息，并从中提取出电力负荷特征；
[0006] 2)采用至少两种负荷分解算法对提取出的电力负荷特征进行分解，且每种算法都 进行设备的辨识；
[0007] 3)采用辨识据测算法对得到电力负荷分解的辨识结果进行决策。
[0008] 所述步骤2)采用S种负荷分解算法，分别为神经网络、K-means和化iveBayes。
[0009] 所述步骤2)中采用=种不同的负荷分解算法得到各设备辨识时，还需计算出设 备的距离山 阳 010] d=||(F-化+Pi))||2
[0011] 其中i，j为设备编号，F为各设备组合工作状态实际测得的功率，Pi和P,为设备 单独工作时的功率。
[0012] 所述步骤3)的中辨识决策算法是根据步骤2)各算法得到的距离值建立目标函 数，计算各设备处于开状态的可能性，并根据设定阔值进行判断，当处于开状态的可能性大 于设定阔值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：
[0014]fi= (d.j+dkV((3-l)*(di+d2+d3))，i= 1，2, 3,i声j声k 阳〇1引di、dz和d3分别表示神经网络，K-means，化iveBayes;种方法下辨识出来的距 离，为第i种方法的隶属度，可理解为距离权重，S1表示设备的开关状态i= 1，2,…N，N 为设备的个数，Si等于0表示设备处于关状态，S1等于1表示该设备处于开状态。
[0016] 所述的设定阔值为0. 7。
[0017] 本发明还提供了一种非侵入式电力负荷分解的辨识决策系统，该辨识决策系统采 用=层架构，分别为采集分析层、负荷辨识层和辨识决策层，
[0018] 所述采集分析层用于采用非侵入式设备采集负荷侧的用电信息，并进行电力负荷 特征提取，并将获取的电力负荷特征传送给负荷辨识层；
[0019] 所述负荷辨识层采用至少两种负荷分解算法对接收到的电力负荷特征进行分解， 且每种算法都进行设备的辨识；
[0020] 所述辨识决策层根据收到至少两种辨识结果通过辨识决策算法确定最终的辨识 结果。 W21 ] 所述的负荷辨识层采用S种负荷分解算法，分别为神经网络、K-means和NaiveBayeSo
[0022] 所述的负荷辨识层采用=种不同的负荷分解算法得到各设备辨识时，还需计算出 设备的距离山 阳 02引 d=||(F-化+Pi))||2
[0024] 其中i，j为设备编号，F为各设备组合工作状态实际测得的功率，Pi和P,为设备 单独工作时的功率。
[0025] 所述辨识决策层中的辨识决策算法是根据负荷辨识层各算法得到的距离值建立 目标函数，计算各设备处于开状态的可能性，并根据设定阔值进行判断，当处于开状态的可 能性大于设定阔值时，可判定设备为开状态，否则判断为闭状态，所建立的目标函数y为：
[0026] V=X i=\ 阳027] fi= (d.j+dkV((3-l)*(di+d2+d3))，i= 1，2, 3,i声j声k
[0028] di、dz和d3分别表示神经网络，K-means，化iveBayesS种方法下辨识出来的距 离，为第i种方法的隶属度，可理解为距离权重，S1表示设备的开关状态i= 1，2,…N，N 为设备的个数，Si等于0表示设备处于关状态，S1等于1表示该设备处于开状态。
[0029] 所述的设定阔值为0.7。
[0030] 本发明的有益效果是：本发明首先采用非侵入式设备采用负荷侧的用电信息，并 从中提取出电力负荷特征；采用至少两种负荷分解算法对提取出的电力负荷特征进行分 解，且每种算法都进行设备的辨识；采用辨识据测算法对得到电力负荷分解的辨识结果进 行决策。本发明同时采用不同的方法对家用电器设备进行辨识，通过辨识决策算法对=种 辨识结果进行决策，提高了辨识的准确度，并通过实际样例测试决策算法的效果。
【附图说明】
[0031] 图1是本发明实施例中非侵入式电力负荷分解的辨识决策方法的原理示意图；
[0032] 图2是本发明实施例中计算机、热水壶W及计算机和热水壶组合开状态的谐波信 号分解图；
[0033] 图3是本发明实施例中决策算法框图；
[0034] 图4是本发明实施例的决策算法样例测试结果示意图。
【具体实施方式】
[0035] 下面结合附图对本发明的【具体实施方式】做进一步的说明。
[0036] 本发明的一种非侵入式电力负荷分解的辨识决策方法的实施例
[0037] 本发明的非侵入式电力负荷分解的辨识决策方法同时采用不同的方法对家用电 器设备进行辨识，通过辨识决策算法对=种辨识结果进行决策，提高了辨识的准确度，并通 过实际样例测试决策算法的效果。该方法的具体实施过程如下：
[0038] 步骤1:使用非侵入式的方法采集电器设备的用电信息；其具体实现包括W下子 步骤：
[0039]步骤1. 1 :构建非侵入式电力负荷分解各个硬件模块，然后构成非侵入式电力负 荷分解装置，该负荷分解装置是在电能表之后，配电箱之前，即进入用户家庭之前安装非侵 入式的电力负荷分解装置；
[0040] 步骤1. 2 :安装好相应的电力负荷分解装置，通过开启和关闭用户家庭电器设备 来采集用户家庭相应的电器设备的用电信息，并建立相应的数据库；
[0041] 步骤1. 3 :对数据库进行初步分析，提取电器设备的特征信息。
[0042] 步骤2 :采用至少两种不同的方法进行电力负荷的分解，辨识出相应的设备；本实 施例W神经网络，K-means和化iveBayesS种方法为例进行说明，其具体实现包括W下子 步骤：
[0043] 步骤2. 1 :编写神经网络、K-means和化iveBayesS种辨识算法；
[0044] 步骤2. 2 :结合步骤1中建立的各个电器设备的用电信息数据库，采用神经网络方 法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的特征，作为训练的样本，然 后进行设备的辨识； W45] 步骤2. 3 :结合步骤1中建立的各个电器设备的用电信息数据库，采用K-means方 法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的特征，进行聚类分析，经过 多次迭代，收敛到我们想要的结果，然后进行设备的辨识；
[0046] 步骤2. 4:结合步骤1中建立的各个电器设备的用电信息数据库，采用化ive Bayes方法对电器设备进行谐波分析和功率匹配，得出每一种电器设备的独立特征，然后进 行分析，实现对各设备的辨识。
[0047] 步骤3 :利用辨识决策算法对S种电力负荷分解的辨识结果进行决策，然后通过 实物样例测试，验证非侵入式电力负荷分解辨识决策的准确度和实际可行性。
[0048] 单一辨识方法局限性大，很容易受某一因素影响而降低识别精度，运样会造成对 负荷侧的设备判断失误，从而影响之后的调峰谷等用电调度，不仅影响用户侧的用电体验， 也不利于节能降耗。因此，本发明通过辨识决策算法将=种辨识方法进行综合决策，W得到 得到更精确的辨识结果，从而提高辨识精度。
[0049] 分析谐波特征，归结起来就是研究待辨识谐波和已检测特征谐波之间的距离，距 离越小表示特征越接近，从而辨识出来的越准确。
[0050] 具体来说，就是采集到设备开状态时的电流和电压信息，然后计算出相应的功率。 经过傅里叶变换得到相应频谱分析，然后求出距离。如下式所示： 阳 05Ud=||(F-化+Pj))||2 (1)
[0052] 式（I)中d为距离，i，j为设备编号，F为组合工作状态实际测得的功率，Pi和P, 为设备单独工作时的功率，其中F可W直接测得，Pi和P,为设备一个周期内的平均功率，为 已知条件。因为一些小功率设备，算法容易辨识出问题，由于各个算法辨识得到的用电设备 状态可能会存在差异，组合的功率与实测的功率不一样，即F存在差异。因