一种基于核密度估计的非侵入式电力负荷辨识方法与流程

本发明涉及一种家庭电网管理技术，具体地说是一种基于核密度估计的非侵入式电力负荷辨识方法。
背景技术：
：家庭能源管理系统的研究最早起源于20世纪70年代，美国和部分欧洲国家为了提高居民侧的用电效率，实现“节能减排”开始了该领域的研究工作。近年来，随着传感技术、信息通信技术、控制技术的发展，特别是智能电网的兴起，家庭能源管理系统的任务也逐渐增加。作为智能电网在居民侧的延伸，如图1所示，家庭能源管理系统除了满足提高用电效率、节能减排的要求外，还要为居民侧需求响应的实施、分布式可再生能源的接入、大规模电动汽车的安全接入提供支持，智能电网环境下的家庭能源管理系统的研究也因此成为智能电网领域研究的一个热点。要想实现对家庭电网的有效管理，首先应当能够对家庭用电进行有效的监测。用电检测结果能够指导家庭合理安排用电以错开用电高峰、为电力系统升级、相关公司企业研发提供数据参考。当前主流检测方式主要包括侵入式检测方式及非侵入式检测两种。侵入式检测即对每一个用电负荷都添加一个传感器，其投入较大，而且容易影响用电器的正常运转，而且涉及隐私问题等使得用户心理上也难以接受。相对于侵入式检测，非侵入式检测通过一个家庭用电总表对家庭整体的用电情况进行数据分析、得出用电器用电情况，大大便捷了用户的使用。非入侵式负荷识别是基于负荷特征分析基础之上的，负荷特征给出了关于独立电器的运行状态。通过相应负荷检测算法实现对负荷识别的分析。当前非侵入式检测的分解精度较低，且多为高频高精度采样分析方法，成本较高，难以推广到家庭的实际中去。技术实现要素：针对现有技术中采用非侵入式检测实现对家庭电网的有效管理存在检测的分解精度低、成本高、难以推广等不足，本发明要解决的技术问题是提供一种尽可能降低电力监测系统对电表的硬件要求、降低电表成本、便用户使用的基于核密度估计的非侵入式电力负荷辨识方法。为解决上述技术问题，本发明采用的技术方案是：本发明一种基于核密度估计的非侵入式电力负荷辨识方法，包括以下步骤：1)选取常用家庭用电负荷作为研究对象，采集其功耗数据，并进行子状态划分，提取功率分布；2)根据功率分布，生成家庭工作状态总集，计算各状态下的模拟功耗数据；3)用核密度估计得到各状态模拟数据的概率分布参考模型；4)在上述参考模型中，对于给定输入目标数据，辨识家庭工作状态转移点，划分出各个家庭工作状态数据段；5)对于各个工作状态数据段，搜索同其概率分布最接近的家庭工作状态，同参考模型中的概率分布进行比较，完成辨识任务。子状态划分为：确定单次处理数据长度；确定数据波动度小于5％的各个区段；判断平缓区段覆盖主要功率范围是否超过阈值限制；如果超出阈值限制，则合并同一负荷相似子状态区段，完成一次子状态划分。如果没有超出阈值限制，放宽平缓阈值限制，转至确定数据波动度小于5％的各个区段步骤。子状态划分采用电负荷子状态划分技术，将家庭工作状态定义为一个包含各个家庭用电负荷工作状态的多维向量：x＝{x1,x2,...xm}其中m为家庭中常见用电器的总数，各个元素xi表示第i件用电负荷的工作状态，为整数；工作状态数为0表示停止工作；以家庭工作状态向量为基础，得到所有家庭工作状态的组合总集s：s＝{x1,x2,...xn}n为家庭工作状态的总数。衡量数据波动程度的指标如下：在本发明中x被称为波动度，较好的一组数据的波动度一般不大于5％，对于频繁连续切换且单独持续时间小于数据采样周期的20～50倍的工作状态进行合并，合并情况下的工作状态不受该波动因素的限制。用核密度估计得到各状态模拟数据的概率分布参考模型包括以下步骤：通过核密度估计的方法提取各子状态功耗的概率分布，核密度估计对于给定数据组通过下式进行：其中x为自变量，f为估计出来的概率密度函数；h为带宽，按照下式得到其中，n为核密度估计后产生的离散概率分布数组的点数；各子状态按概率分布进行随机抽样，合成各个家庭工作状态组合的功耗分布信息，以各用电负荷不同工作状态的分布数据为基础，根据有功功率的线性可加性，直接做和得到总功率的模拟数据：其中m为总的用电负荷个数，p(xi)表示负荷x在第i个工作状态下的有功功率，当p(xi)为一有功功率数组时，根据上述公式得到某一家庭工作状态下的有功功率的模拟数据；再通过核密度估计方法得出各个家庭工作状态组合的概率分布，并做为参考模块储存起来。辨识家庭工作状态转移点，划分出各个家庭工作状态数据段步骤为：首先根据子状态划分结果，选定系统单次处理的数据长度；随后对输入数据从前往后，通过中位数滤波的方法逐点计算相邻点差值大；如果差值大于阈值，则该点为转移点；否则该点不是转移点。从功耗数据中分辨出各个用电负荷发生工作状态变化转移点后，对每个固定家庭工作状态的数据段提取概率分布，并同数据库中已有的数据进行比较，得出最佳的分解结果。同参考模型中的概率分布进行比较包括以下步骤：比较两组概率分布在相同功率点的概率密度之差：其中n为每组概率分布的数据点的个数，f为概率密度函数，pi表示核密度估计得出的离散概率分布中的第i个功率点；fobs(pi)表示一段待匹配目标数据的概率分布，fhome-state(pi)表示待匹配的家庭工作状态的功耗数据概率分布；通过线性插值方法估计出参考模型概率分布在观测概率分布漏缺点相应的插值结果；各个观测段的数据完成匹配之后，即得出完整的功率分解结果。本发明具有以下有益效果及优点：1.本发明以核密度估计为基础，采用非侵入式分解方法对家庭用电数据进行分析，得出不同时刻家庭主要用电负荷的工作情况，能够有效地提取用电负荷功耗的主要数据特征，突出主要的数据分布特征，弱化随机功耗数据及异常波动的影响，因而在非侵入式辨识方面能够实现很好地分解效果，而且因其能够排除异常波动的特性，对数据精度及环境稳定性的要求较低，十分适用于当前家庭电网变化复杂的工作环境。2.本发明可以在各普通家庭中应用，实施简单便捷，而且成本低廉，易于推广。附图说明图1为智能电网背景下的家庭能源管理系统图示；图2为本发明的算法流程图；图3为本发明用电负荷中子状态划分的流程图；图4为生成参考模型流程图；图5为家庭工作状态转移点的判断算法流程图；图6是本发明中位数滤波的效果对比图。具体实施方式下面结合说明书附图对本发明作进一步阐述。如图2所示，本发明一种基于核密度估计的非侵入式电力负荷辨识方法，包括以下步骤：1)选取常用家庭用电负荷作为研究对象，采集其功耗数据，并进行子状态划分，提取功率分布；2)根据功率分布，生成家庭工作状态总集，计算各状态下的模拟功耗数据；3)用核密度估计得到各状态模拟数据的概率分布参考模型；4)在上述参考模型中，对于给定输入目标数据，辨识家庭工作状态转移点，划分出各个家庭工作状态数据段；5)对于各个工作状态数据段，搜索同其概率分布最接近的家庭工作状态，同参考模型中的概率分布进行比较，完成辨识任务。如图3所示，子状态划分为：确定单次处理数据长度；确定数据波动度小于5％的各个区段；判断平缓区段覆盖主要功率范围是否超过阈值限制；如果超出阈值限制，则合并同一负荷相似子状态区段，完成一次子状态划分；如果没有超出阈值限制，放宽平缓阈值限制，转至确定数据波动度小于5％的各个区段步骤。用电负荷的子状态即用电负荷的不同可能工作模式。参考模型描述了家庭中各主要用电负荷的功耗波动规律，并以总功率数组的形式存储。本发明首先针对不同负荷及其在不同工作模式下的功率消耗，分别提取其用电规律的概率分布特征，随后根据各个可能出现的家庭工作状态，相应地提前估计其功耗的概率特征，并储存作为整个算法的参考模型。这里，家庭工作状态定义为一个包含各个家庭用电负荷工作状态的多维向量：x＝{x1,x2,...xm}其中m为家庭中常见用电器的总数，通常包括但不仅限于冰箱、电视机等用电器，可以根据家庭实际再扩展家庭单独具有的大功率用电负荷；各个元素xi表示第i件用电负荷的工作状态，为整数；工作状态数为0表示停止工作。以家庭工作状态向量为基础，可以相应的得到所有的可能家庭工作状态的组合总集s：s＝{x1,x2,...xn}为了较好地从数据中提取分离出用电负荷的子工作状态，本发明对子工作状态提出了以下几点要求：1)每个子工作状态内，数据应保持相对较小的波动幅度，即每个工作状态都有着平稳的功耗数据；2)子工作状态的出现次数较多，使得各个子工作状态的累加能够覆盖该负荷的所有工作情况；3)子工作状态的单次持续时间不应当太短，持续时间很短的工作状态切换会被合并到其他工作状态里。本发明采用了数据组方差与均值的比值波动率x来衡量功率数据波动程度大小：一般而言，x应当不大于5％以保证效果。对于合并情况下的数据波动不对x进行限制。此外，当按照某一设定波动率阈值x下得到的子状态不能基本覆盖该负荷的功率数据时，应当适当提升阈值再重复子状态划分操作，以满足上述基本要求。在得到了各个负荷及其不同工作状态的数据信息之后，可以通过核密度估计的方法来提取其功耗的概率分布。通过核密度估计的方法提取各子状态功耗的概率分布，核密度估计对于给定数据组通过下式进行：核密度估计对于给定数据组通过下式进行：其中x为自变量，n为所有的参与这个函数运算的数据个数，f表示估计出来的概率密度函数，h表示带宽，是核密度估计中的重要参数。偏大的h将使得概率分布向外扩展，偏小的h则使估计出的分布过于尖锐，使得数据的偶然性波动因素过于凸出。本发明给出了一个带宽h选取的经验公式：其中，n为核密度估计后产生的离散概率分布数组的点数，n通常选取为100个点。如图4所示，各子状态按概率分布进行随机抽样，合成各个家庭工作状态组合的功耗分布信息，以各用电负荷不同工作状态的分布数据为基础，根据有功功率的线性可加性，可以通过直接作和得到总功率的模拟数据：其中m为总的用电负荷个数，p(xi)表示负荷x在第i个工作状态下的有功功率。当p(xi)为一有功功率数组时，根据式(6)即可得到某一家庭工作状态下的有功功率的模拟数据，再通过核密度估计方法得出各个家庭工作状态组合的概率分布，并做为参考模块储存起来，以便于分解算法的搜索。如图5所示，辨识家庭工作状态转移点，划分出各个家庭工作状态数据段步骤为：首先根据子状态划分结果，选定系统单次处理的数据长度；随后对输入数据从前往后，通过中位数滤波的方法逐点计算相邻点差值大；如果差值大于阈值，则该点为转移点；否则该点不是转移点。从功耗数据中分辨出各个用电负荷发生工作状态变化转移点后，对每个固定家庭工作状态的数据段提取概率分布，并同数据库中已有的数据进行比较，得出最佳的分解结果。同参考模型中的概率分布进行比较包括以下步骤：比较两组概率分布在相同功率点的概率密度之差：其中n为每组概率分布的数据点的个数，f为概率密度函数，pi表示核密度估计得出的离散概率分布中的第i个功率点；fobs(pi)表示一段待匹配目标数据的概率分布，fhome-state(pi)表示待匹配的家庭工作状态的功耗数据概率分布；通过线性插值方法估计出参考模型概率分布在观测概率分布漏缺点相应的插值结果；各个观测段的数据完成匹配之后，即得出完整的功率分解结果。为了有效实施分解算法，需要首先从功耗数据中分辨出各个用电负荷发生工作状态变化的节点，随后才可以对每个固定家庭工作状态的数据段提取概率分布，并同数据库中已有的数据进行比较，得出最佳的分解结果。本发明根据负荷工作状态转移时的功率变化大小判断是否发生工作状态的转移，为了简化辨识过程，提出了中位数滤波的辨识方法。首先选定一个单次处理数据的数据长度(如果采样频率为1hz，约30个数据点左右即可，这对算法影响不大)，随后计算该组数据的中位数作为该组数据中心数据点的处理结果。以此类推，即可得到所有数据点的处理结果。中位数滤波的实质在于去除或弱化功率数据点的波动，使得相邻工作状态的波动更加明显。实验数据表明，在相同家庭工作状态下，其数组的中位数有着很好的稳定性，在低计算成本的要求下，是一个相当合适的统计量。完成中位数滤波后，即可比较相邻点的数值差的大小来推断是否发生了负荷的工作状态转移。这个数值差大小的选取有着较为宽泛的选取范围，但宜小不宜大。当阈值较小时，算法充其量不过将同一工作状态一分为二，然而阈值较大使得不同工作状态被划分成了一个工作状态，那么之后的比较识别便无从得出正确的结果了。此外，阈值也不应当过小，一般而言，可以取40-120w的范围，不会对算法的运行产生较大影响。适当的阈值选取能够提高算法的分解精度。完成家庭工作状态转移的辨识后，则可以逐个匹配待分解数据同参考模型中已有各个功耗组合概率分布的相似程度，选取最相似的作为该段数据的工作状态分解结果。该比较是通过概率分布的比较实现的。由于核密度估计得出的概率分布往往都是离散数据，因此可以比较两组概率分布在相同功率点的概率密度之差：其中n为每组概率分布的数据点的个数，f为概率密度函数，pi表示核密度估计得出的离散概率分布中的第i个功率点。很多时候，由于带宽h的选取等因素，使得观测的概率概率分布以及参考模型的概率分布只有功率近似接近但没有完全重合的功率点，这时可以通过简单的线性插值方法估计出参考模型概率分布在观测概率分布漏缺点相应的插值结果。各个观测段的数据完成匹配之后，即得出完整的功率分解结果。本实施例以下几件家庭常见用电负荷为例，对本发明方法做进一步说明。1预处理阶段实现非侵入式负荷辨识首先需要建立参考模型。这里暂且选择如下几件家庭常见用电负荷纳入辨识系统：序号名称工作平均功率1电视机60w2笔记本60w3冰箱150w4电热水壶1500w5洗衣机400w6洗碗机1000w7面包机600w8电热水器1500w9空调1100w选定考虑范围内的家用电器后，需要收集家用电器的工作数据。这些数据可以在电表添加到用户之前普遍采集各个型号的用电负荷用电数据，也可以针对性的采集逐个家庭的用电负荷的工作数据。显然针对性采集用户数据会使得算法实现更高的精度，然而其操作流程也更繁琐。实际中可以视情况而定，在此将按照提前采集好的数据情况描述本发明算法。收集完上述用电负荷的工作数据后，接下来需要划分各个用电负荷进行工作子状态。对于单一工作状态的用电负荷(比如电水壶，打开后只有加热这一固定工作状态，则无需再进行子状态划分)这一步骤可以省略。子状态的划分可以参照说明书附图中的图3。假设前文采集功耗数据为1hz，这里可以选取700个点为一组，从采集数据的第一个点开始，计算每个点向后700个点的数据的波动率x：所有波动率小于5％的点都会被提取出来并将其后700个点视为一个子工作状态；随后检查各个子工作状态的功率范围是否基本覆盖了该用电负荷原始数据的功率范围，如果没有覆盖则放宽x的上限再进行处理，如果已经覆盖则合并具有类似均值与方差的子工作状态。最终得出所有用电负荷进行子状态划分的结果。为了保证计算量不至于过大，子状态划分不会超过7个，超过后会按照均值优先的原则进行合并。完成所有用电负荷的子状态划分后，会按照定义的家庭工作状态生成家庭工作状态总集：x＝{x1,x2,...xm}s＝{x1,x2,...xn}当m件用电负荷各自有m1，m2，...，mm个子工作状态时，家庭工作状态总集s中的元素个数为：各个家庭工作状态中的模拟功率点按照附图5方法生成。首先根据前述子状态划分结果，得到各个用电负荷的各个子工作状态及其功耗数据，各个子状态有着划分出来的不同长度的数据段。为了将其统一起来，本发明首先通过核密度估计方法，提取其概率分布，再按照概率分布大小进行特定点数的随机抽样，得到具有统一长度(设为num各点)的各个用电负荷不同工作状态的功耗数据。此后，即可利用有功功率的线性可叠加性质，得到各家庭工作状态的模拟功耗数据点：2负荷辨识算法负荷辨识算法的实质是一种搜索匹配算法，当有一段未知单家庭工作状态的功耗数据时，它会从参考模型中搜索最接近的一个家庭工作状态作为模型分解结果，因此他要求将输入系统中的目标功耗数据事先划分为若干段对应单一家庭工作状态的数据段，而这一工作将通过中位数滤波辨识方法来完成。图5介绍了家庭工作状态转移点的辨识方法。对于给定输入的目标数据，首先选定系统单次处理的数据长度。同样对于1hz的采样数据而言，这里选用了700个点的数据长度(远小于输入数据列长度，适当即可，数据长度不会对算法效果产生大的影响)。随后对输入数据从前往后，逐点计算该点之后的700个点的中位数，并作为该点后700/2个点的处理结果。按照这样的方法，可以得到除去起始点350个点以及末尾350个点之外的其他点的中位数滤波结果，这时首尾的350个点可以不作处理，因为这相对于整个目标数据影响很小。图6给出了中位数滤波算法的运行效果对比图，可以看出，它很好地降低了数据的波动性，便于辨识转移点。经过上述中位数滤波后的点可以会逐点比较差值的绝对值，当差值大于设定阈值时，即认为该点会产生家庭工作状态转移，阈值有着较为宽泛的设定范围，宜小不宜大。当确定好家庭工作状态转移点后，即确定好了各段具有单一家庭工作状态的数据段。对于每段数据，算法会首先通过核密度估计方法得到其概率分布，并同参考模型中的各个家庭工作状态的概率分布相比较，选取最接近的作为该段数据段的家庭工作状态。两个概率分布的相似性将通过下式衡量：其中n为每组概率分布的数据点的个数，f为概率密度函数，pi表示核密度估计得出的离散概率分布中的第i个功率点。很多时候，由于带宽h的选取等因素，使得观测的概率概率分布以及参考模型的概率分布只有功率近似接近但没有完全重合的功率点，这时可以通过简单的线性插值方法估计出参考模型概率分布在观测概率分布漏缺点相应的插值结果。当前第1页12