一种考虑用户用电模式差异的非侵入式负荷分解方法与流程

本发明属于智能电网需求侧管理技术，具体涉及一种考虑用户用电模式差异的非侵入式负荷分解方法。

背景技术：

目前对电网负荷侧的管理和调控已经成为电网需求研究的热点问题，负荷数据的采集和分析是智能电网负荷调控等的前提，对用户用能信息的细致分析和深入挖掘将为需求侧管理提供极具价值的参考信息。一方面，随着智能电网和智能用电理念的发展，在关键技术方面如高级量测体系标准、系统及终端技术等已有一定基础，而负荷监测正是ami最重要的组成部分之一；另一方面，供需友好互动下如何经济可行地挖掘负荷侧用户的用能细节和用能规律、在兼顾用户隐私和用户接受程度的基础上为多方带来效益，极具研究价值与应用意义。

近年来，非侵入式负荷分解通过在用户入口处安装监测装置采集总用电信息，根据获取的有限负荷信息深入分析用户内部负荷成分，相对传统侵入式负荷监测而言减少了硬件成本和部署难度，分解得到的用户用电信息包括设备使用情况、能耗水平等。针对非侵入式负荷分解已有大量的相关研究甚至实际应用，但现有研究较多采用负荷的暂态特性进行识别，对用电采集设备的性能要求高，同时缺少对多状态设备以及用户用电模式等的关注。

技术实现要素：

发明目的：针对上述现有技术的不足，本发明提出一种考虑用户用电模式差异的非侵入式负荷分解方法，所述的方法考虑了目前用电设备种类丰富、用户用电模式多样等情况，并且对用电采集设备性能要求不高，降低了部署甚至改造计量类设备的硬件成本。

技术方案：一种考虑用户用电模式差异的非侵入式负荷分解方法，所述的方法包括以下步骤：

(1)选取各类目标负荷作为样本负荷，采集样本负荷的稳态功率数据，按工作日和休息日建立两种负荷模式；

(2)在步骤(1)所述的两种不同模式下，分别对样本负荷的工作状态及功率分布情况进行ap聚类分析，根据ap聚类结果建立样本设备的工作功率集并对工作状态从小到大按序编号；

(3)根据负荷的有功功率特征和无功功率数值特征建立寻优目标函数，结合负荷设备即开即关的异常条件判断及倒退采样位重新计算改进求解模型；

(4)根据步骤(3)所构建的求解模型和步骤(2)所构建的负荷特征数据库，通过针对采样位的遗传算法从总功率中求解负荷类型和对应工作状态。

进一步的，步骤(1)所述本负荷的稳态功率数据通过用电采集设备采集，并根据采集时间为工作日或休息日将功率数据划分为工作日模式和休息日模式下的两个数据集合。

进一步的，所述步骤(2)包括对多工作状态负荷的功率段作离散化近似处理，建立样本设备的工作功率数据集，确定其功率分布情况。

进一步的，所述步骤(3)中基于功率特征数值的负荷求解模型表达式为：

式中，n为负荷设备总数；pl(n)、ql(n)分别表示第n个采样点负荷的总有功功率和总无功功率；m(i)表示负荷设备i的工作状态总数，不同负荷设备可能有多于开/关两个工作状态，m(i)∈{1,2,3,...}；si,m(n)表示负荷设备i在第n个采样点处于工作状态m；pi,m(n)、qi,m(n)分别表示负荷设备i在第n个采样点处于工作状态m时的有功功率和无功功率；e(n)表示在第n个采样点时的噪声或误差。

进一步的，所述步骤(3)中其寻优目标函数表达式为：

min{f(i,m,n,p,q)＝λ·[pl(n)-si,m·pi(n)]

+(1-λ)·[ql(n)-si,m·qi(n)]}

式中，pl(n)、ql(n)分别表示第n个采样点负荷的总有功功率和总无功功率；si,m(n)表示负荷设备i在第n个采样点处于工作状态m；pi(n)、qi(n)分别表示负荷设备i在第n个采样点时的有功功率和无功功率；f表示拟合总功率与采样功率的距离，f越小，表明此时的工作状态序列si,m越接近设备真实情况；λ为权重因子，λ∈[0,1]。

进一步的，所述的步骤(3)包括设置异常条件判断提升算法求解性能，结合异常条件判断并倒退采样位重新计算，其计算的具体表达式为：

其中：n＞2，q(n)表示第n个采样位时的设备状态序列判断逻辑值，si,m表示负荷设备i处于工作状态m；

n＝q(n)*(n-δ)

其中，q(n)表示第n个采样位时的设备状态序列判断逻辑值，δ为状态异常时算法倒退计算位数，δ取小于n的任意非零正整数，优选δ＝2。

有益效果：本发明与现有技术相比，其显著的效果在于，第一、本发明考虑了目前用电设备种类丰富、用户用电模式多样等情况，通过聚类分析对连续变化负荷进行状态离散化处理为多工作状态设备，并从负荷设备正常工作状态合理性出发设计异常条件判断改进算法性能；第二、本发明所述的方法能够实现一般条件下的非侵入式负荷分解，在兼顾用户隐私和用户接受程度的基础上深入挖掘用户用能细节信息，分解得到的数据将为需求侧管理提供参考；第三、本发明极大降低了对用电采集设备的性能要求，减少了经济成本。

附图说明

图1是本发明的步骤流程示意图；

图2是本发明步骤(2)基于ap聚类的样本设备功率分区流程图；

图3是本发明步骤(2)中样本负荷工作状态编码示意图；

图4是本发明步骤(4)中基于条件判断和的负荷分解算法流程图。

具体实施方式

为了进一步的说明本发明公开的技术方案，下面结合说明书附图和具体实施例作进一步的阐述。本具体实施例作出的优选不作为本发明的保护范围的限制，本领域的技术人员应得知，在不违背本发明精神的前提下作出的改进和优化均落入本发明的保护范围。

如图1所示，一种考虑用户用电模式差异的非侵入式负荷分解方法，包括以下步骤：

(1)选取各类目标负荷作为样本负荷，采集样本负荷的稳态功率数据，按工作日或者休息日划分为两种用电模式。

考虑到一般用电采集设备的性能有限易于提供稳态数据，同时计及对用户用电模式和多状态负荷设备的考虑，按照工作日与休息日的用电情况不同，预先选取典型负荷作为样本设备，分别采集样本设备在不同场景中的稳态功率数据，包括样本设备运行时的有功功率和无功功率，采集两个月及其两个月以上的历史运行数据用于后续分析的数据基础。根据工作日或者休息日模式用户用电情况不同，不同负荷设备在不同用电模式中的功耗呈差异性分布，在此情况下，现实生活中广泛使用的用电采集设备易于获取稳态负荷数据，选取用户典型用电设备类型作为样本负荷，采集各个样本设备在一段时间内的功率数据，包括有功功率数据和无功功率数据，按照采集时间不同将稳态功率数据分别存储，形成原始数据库用于后续分析。

(2)在步骤(1)所述的两种不同用电模式下，分别对样本负荷的工作状态及功率分布情况进行ap聚类分析，根据ap聚类结果建立样本设备的工作功率集并对工作状态从小到大按序编号。

该步骤通过ap聚类分析对用户使用的连续变化负荷设备进行有效的状态离散化处理为多工作状态设备，同时计及了用户不同用电模式的细节差异。对样本负荷数据并采用ap聚类分析过程步骤如下：

①根据采集到的负荷运行数据建立数据集，选取欧式距离作为距离测度标准；

②计算相似度矩阵和对应参考度；

③计算节点间传递的信息参数responsibility和availability的值，具体表达式为：

rt+1(i,k)＝λ·rt(i,k)+(1-λ)·rt+1(i,k)(3)

at+1(i,k)＝λ·at(i,k)+(1-λ)·at+1(i,k)(4)

其中，r(i,k)为任意节点i向候选聚类中心点k传递的responsibility信息，表示i对k成为聚类中心的支持度；a(i,k)为候选聚类中心点k向任意节点i传递的availability信息，表示k成为i所属聚类的中心的适应度，λ为阻尼系数，λ∈(0,1)；

④迭代执行步骤③，不断更新节点间传递的信息值，综合两种信息以判断各候选聚类中心成为聚类中心的概率，直至筛选出若干个高质量的聚类中心点，并据此划分出若干个聚类并编码。

其中基于ap聚类的样本设备功率分区的流程图如图2所示。

对样本设备的工作状态进行编码，与功率聚类中心一一对应，据此建立负荷特征数据库，编码示意图如图3所示。

(3)基于负荷的有功功率特征和无功功率特征建立寻优目标函数，结合异常条件判断改进求解模型。

该步骤具体包括基于负荷的有功功率特征和无功功率数值特征建立寻优目标函数，结合负荷设备即开即关的异常条件判断改进求解模型。

其中，基于功率特征的负荷求解模型表达式为：

其中，n为负荷设备总数；pl(n)、ql(n)分别表示第n个采样点负荷的总有功功率和总无功功率；m(i)表示负荷设备i的工作状态总数，不同负荷设备可能有多于开/关两个工作状态，m(i)∈{1,2,3,...}；si,m(n)表示负荷设备i在第n个采样点处于工作状态m；pi,m(n)、qi,m(n)分别表示负荷设备i在第n个采样点处于工作状态m时的有功功率和无功功率；e(n)表示在第n个采样点时的噪声或误差。

基于有功功率和无功功率特征的寻优目标函数为：

min{f(i,m,n,p,q)＝λ·[pl(n)-si,m·pi(n)]

+(1-λ)·[ql(n)-si,m·qi(n)]}(7)

pl(n)、ql(n)分别表示第n个采样点负荷的总有功功率和总无功功率；si,m(n)表示负荷设备i在第n个采样点处于工作状态m；pi(n)、qi(n)分别表示负荷设备i在第n个采样点时的有功功率和无功功率；f表示拟合总功率与采样功率的距离，f越小，表明此时的工作状态序列si,m越接近设备真实情况；λ为权重因子，λ∈[0,1]。

从负荷设备工作状态合理性角度出发，考虑到一般情况下负荷设备短时间内不会出现异常工作行为，设置异常条件判断提升算法求解性能。结合异常条件判断并倒退采样位重新计算的具体表达式为：

n＞2时

其中，q(n)表示第n个采样位时的设备状态序列判断逻辑值，si,m表示负荷设备i处于工作状态m。

n＝q(n)*(n-δ)(9)

其中，q(n)表示第n个采样位时的设备状态序列判断逻辑值，δ为状态异常时算法倒退计算位数，δ理论上可取小于n的任意非零整数，为减少计算量取δ＝2。

(4)基于所构建的求解模型和负荷特征数据库，通过针对采样位的遗传算法从总功率中求解负荷类型和对应工作状态。

该步骤基于所构建的求解模型和负荷特征数据库，通过遗传算法从总功率中求解负荷类型和对应工作状态，其中在计及噪声干扰和计算误差等因素的情况下，针对采样位的基于条件判断和遗传优化的负荷分解算法流程图如图4所示。

为了验证本申请所提算法有效性，采用样本负荷的历史运行数据和matlab模拟数据，采用本申请的分解方法进行计算。

算例数据包括工作日/休息日的样本负荷功率数据和matlab模拟数据。以空调负荷为例，聚类分析结果和负荷分解结果如表1和表2所示。

表1样本空调负荷的ap聚类结果

表2总样本负荷的空调分解结果

本发明所述方法提供了一种考虑不同场景用户用电模式的负荷分解方式，根据不同场景用电模式不同，以空调负荷为例，通过ap聚类分析对空调负荷进行功率分区，建立具有针对性的功率特征数据集，基于有功功率和无功功率的寻优函数结合设备异常判别与倒退采样位重新计算以实现更加准确的负荷分解与状态识别。