中负荷分解模块采用基于PS0的最优 搜索的非侵入式电力负荷分解方法进行负荷分解，该方法的具体实施过程如下：
[0040] 1.利用数据采集模块采集各用电设备投切时的瞬时电流，引入基函数对其进行分 解，以得到各用电设备投切时的电流幅值。
[0041] 用电设备投切瞬时电流可表示为
[0042] Ia=Iaicos( ω t+9ai)+."+Iak cos(kt〇 t+9ak)+··· (1)
[0043] 其中ω为基波角频率，1*为工作电流中第k次谐波分量幅值(k一般跟采样频率有 关）；9ak为工作电流中第k次谐波分量的初相角。从式（1)中看出，由于A/D采样频率的约束， 通常只取前K个谐波分量。
[0044] 为了便于分析，假定一个用户家庭有N个设备投切，则可以建立如下方程组
[0045]
(2)
[0046] 由于谐波分量是信号在以cos(kc〇 t)，k=l，2,…，K为基函数进行分解，当引入sin (kcot)基函数再次进行分解，其幅值和相位变可以准确的按如下方式求解得到
[0047]
(3)
[0048] 0ik = atan( jTlisin(k ω t)dt/jTliC〇s(k ω t)dt) (4)
[0049] 因此，当不同设备投切时，其幅值Ilk是可以叠加的，而相位角不具有叠加特性。
[0050] 2.以入口处的各个谐波分量总电流幅值与各投入用电设备对应谐波电流幅值差 的最小值为目标函数，电力负荷分解就可以转换为如下的目标函数 陶]
(3)
[0052] s. t.ai^ {0,1}
[0053] 其中Imk表示入口处的总电流的第k个谐波分量，I I . I I表示范数，ai表示设备的投 切(ai = 1表示投入，ai = 0表示关闭），于是，负荷分解其本质上就是求解一组合理的ai，…， aN〇
[0054] 由于每个设备的功率信息也具有一定的叠加性，即认为总功率是每个设备投切状 态时功率的累加和，因此可构建如下优化目标函数来进一步提高负荷分解精度
[0055] (6)
[0056] s. t.ai^ {0,1}
[0057] 式中Pi为第i个设备工作时的功率，P为测得的当前功率。
[0058] 3.利用粒子群算法求解所建立的目标函数和优化目标函数，得到的结果即为负荷 分解的结果。
[0059]式(5)和式(6)中是整数最优化规划，本发明选用最优化算法进行求解，以便找到 一组合理的ai，…，aN，使得式(5)和式(6)同时达到最佳值，从而可以得到电力负荷中各类主 要用电设备的投切情况，即实现电力负荷在线分解。
[0000]粒子群算法是一种由Eberhart和Kennedy根据鸟群捕食的行为所开发的进化计算 方法。通常，在将其应用于优化问题求解过程中，认为每个可行解作为一个粒子，所有的粒 子都有一个被优化的函数决定的适应值(fitness value)。同时，每个粒子还有一个速度决 定它们飞翔的方向和距离，并追随当前的最优粒子值gbest和个体极值pbest进行迭代更 新，最终在解空间中收敛于最优解，其整个算法的流程如图4所示。
[0061 ]在粒子群算法中，粒子的更新以及速度按照如下方式进行
[0062] vid = Avid+K1ri(pbest-Xid)+K2r2(gbest_Xid) (7)
[0063] xid = xid+vid (8)
[0064] 式中d为粒子的维数，λ为惯性因子;κ?和κ2为学习因子;rl和r2是介于[0，1]之间 的随机值。
[0065] 在PS0算法中以及诸如遗传算法等进化算法中，适应度函数是决定最终所取得最 优解的关键因素之一。通常，它是度量群体中各个个体在优化计算中有可能达到或有助于 找到最优解的优良程度。在实际应用中，适应度函数通常由最优化目标函数所替代，从而使 得优化目标函数通过PS0算法的进化进行计算。
[0066] 为了提高PS0求解最优解，本实施例将先前提到的两个目标函数式(5)和式(6)合 在一起，组成PS0算法的适应度函数，以此搜寻合理的ai，···，aN。
[0067] 由于功率信号与谐波信息不具有相同的量纲及数量级，为了将两者融入到粒子群 的适应度函数中，本发明引入一个以正态分布形式的隶属度函数，其表达式如下 / 、 ( fx-cX)
[0068] /(x) = exp ---, σ > 0 (9) t ^ σ u
[0069] 其中参数〇标准差，常数c为观察得到的值，例如由式(6)中实际测量的功率。本实 施例将式(5)和(6)中的距离d替代(x-c)，从而将两者不同数量级的数据以相同的方式进行 混合，期望得到最大的隶属度（即最小的距离cU和d 2)，本发明以乘积的方式作为PS0的适应 度函数
[0070] fitness = f2~ ^^{-?ι/ο'ι _ β?2/^) (10)
[0071] 式中标准差σ#Ρσ2根据样本数据库由人工进行设置，本实施例中设置σ1 = 1，σ2 = 10000ο
【主权项】
1. 一种非侵入式在线负荷分解装置，其特征在于，该负荷分解装置包括数据采集模块、 负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，所述的数据采集模块 输出端与负荷分解模块连接，所述的负荷分解模块通过交互接口模块用于与电力公司的数 据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电 信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。2. 根据权利要求1所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模 块采用基于PSO最优搜索的非侵入式电力负荷分解算法，该算法的步骤如下： 1) 利用数据采集模块采集各用电设备投切时的瞬时电流，引入基函数对其进行分解， 以得到各用电设备投切时的电流幅值； 2) 以用户电力入口处的电流幅值与各投入用电设备电流幅值之差的最小值为目标函 数，即其中Ilk为用电设备i的k次谐波的电流幅值，Imk表示用户电力入口端k次谐波的电流幅 值，ai表不设备的投切，ai = 1表不电力设备i投入，ai = 0表不电力设备i关闭，N为用电设备 的个数，K表示谐波次数； 3) 根据各用电设备功率信息的叠加性，建立优化目标函数，即：其中P为测得的当权功率，Pi为电力设备i工作时的功率； 4) 利用粒子群算法求解所建立的目标函数和优化目标函数，得到的结果即为负荷分解 的结果。3. 根据权利要求2所述的非侵入式在线负荷分解装置，其特征在于，所述步骤4)利用粒 子群算法求解目标函数和优化目标函数的过程中，所选择的适应度函数为：参数其中σι和σ2均为标准差，可根据样本数据库进行设置。4. 根据权利要求3所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模 块采用Intel Ν2480双核CPU，主频2.16GHz，该负荷分解模块配USB接口和RS232接口，用于 连接数据采集模块和通讯模块。5. 根据权利要求4所述的非侵入式在线负荷分解装置，其特征在于，所述的负荷分解模 块通过USB接口连接数据采集模块，从220V母线上采集实时的电压和电流数据，或者连接通 讯模块，通过以太网或者RS232总线从智能空开上取得实时的用电数据。
【专利摘要】本发明涉及一种非侵入式在线负荷分解装置，属于电力系统负荷分解技术领域。本发明负荷分解装置包括数据采集模块、负荷分解模块、通讯模块和交互接口模块，各模块均采用模块化封装，数据采集模块输出端与负荷分解模块连接，负荷分解模块通过交互接口模块用于与电力公司的数据端通信，用于将用户的用电信息传输给电力公司，同时接收电力推送的最新更新的用电信息数据库，更新符合分解模块的本地数据库，提高对最新型号用电器的识别精度。本发明有助于电力公司进一步了解用户负荷的构成，加强负荷侧管理；同时，有助于将功率监测深入、细化到负荷内部各主要用电设备类，为电力系统仿真分析、系统规划提供更准确的数据。
【IPC分类】H02J13/00, G01R31/00, H02J3/00
【公开号】CN105529700
【申请号】CN201510892144
【发明人】黄明山, 李如意, 都正周, 陈淘, 刘永光, 周亚楠, 冯二浩, 歹志阳
【申请人】河南许继仪表有限公司, 许继集团有限公司, 国家电网公司, 国网辽宁省电力有限公司电力科学研究院
【公开日】2016年4月27日
【申请日】2015年12月7日