一种含分布式能源配网的用户用能行为识别方法

1.本发明涉及用户用能行为识别领域，尤其涉及一种含分布式能源配网的用户用能行为识别方法。


背景技术：

2.现有的用能识别方法可分为侵入式用能识别与非侵入式用能识别，传统侵入式用能识别由于其安装复杂，经济性较差，导致实际可操作性低；非侵入式用能识别由于其仅需要在电力入口处安装传感器，通过信号处理技术得到各用能设备的能耗特征和用能状态，目前受到了国内外学者的青睐。针对非侵入式用能识别，现有研究主要集中于家庭交流负荷分类辨识，所选用辨识方法通常基于高频采样数据开展。随着电力电子技术的高速发展，光伏、储能等分布式能源大量接入低压配电网络，其出力不确定性给配网用户用能辨识带来了更大挑战。
3.因此，本领域的技术人员致力于开发一种基于k-means聚类和gru神经网络的含分布式能源配网用户用能行为识别方法，以提高配网用能识别和需求响应的效率和准确性。


技术实现要素：

4.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何提供一种配网用能行为识别方法，针对负荷低频采样日运行数据，在保证一定辨识精度的同时降低辨识所需的负荷运行数据量与神经网络模型复杂度，提高负荷监测辨识在实际工程应用中的可操作性。
5.为实现上述目的，本发明提供了一种含分布式能源配网的用户用能行为识别方法，其特征在于，所述方法包括以下步骤：
6.s101：从所述配网的母线处采集数据，并将所述数据随机分为训练集和测试集；
7.s103：对于所述训练集，进行分类别辨识，对于受天气和/或季节影响大的柔性负荷，再进行分时段辨识；
8.s105：将所述训练集数据导入gru神经网络进行训练，训练过程中同步使用所述测试集来验证训练模型在测试集上的辨识效果；
9.s107：将负荷运行曲线输入所述训练模型进行分类辨识，得到所述配网用户用能行为的识别结果。
10.进一步地，所述步骤s101中从所述配网的母线处采集的所述数据，包括所述配网母线的日负荷曲线数据和非电气量数据，所述非电气量数据包括日期、日光照小时数、温度和风力。
11.进一步地，所述步骤s101中所述日负荷曲线的采样周期为15分钟的低频采样。
12.进一步地，所述步骤s103中所述分类别辨识的输出结果包括光伏、储能、风电、大功率温控负荷和小功率不可调节负荷中的至少之一。
13.进一步地，所述步骤s103中对配网异构负荷中识别出的每种负荷，设置单独的所
述gru神经网络训练模型。
14.进一步地，所述步骤s103中所述柔性负荷包括光伏、风电和大功率温控负荷中的至少之一。
15.进一步地，所述步骤s103中所述分时段辨识，结合日光照小时数、日期和温度，基于k-means聚类方法构建负荷典型时段。
16.进一步地，所述步骤s105中设置gru神经网络训练的epoch为100，在保证训练次数的同时防止过拟合。
17.进一步地，一次训练结束后，打乱原数据并随机获得新的所述训练集与所述测试集，再次进行同步训练和测试，共重复预定次数；对所述预定次数训练稳定后的模型在所述测试集上的准确率取平均值，得到分类别和分时段的含分布式能源配网用户用能行为识别结果，若所述识别结果的准确度达到设定标准即收敛，所述模型训练完成。
18.进一步地，所述步骤s107中通过综合分类别和分时段辨识后的模型结果，叠加得到所述配网母线上用户总体用能行为的识别结果。
19.在本发明的较佳实施方式中，本发明与目前的配网用户用能行为识别方法相比，本发明具有以下优点：
20.1、基于低频采样数据设计识别算法。实际低压配网负荷母线采样中，由于用户隐私与经济性考虑，调度中心所能获得的数据大多数仍为10～15min间隔采样的负荷功率数据，且相比家庭用能场景，负荷量和负荷数据的激增导致一些依赖于负荷启停事件监测的辨识方法将失去可行性。
21.2、采用分类别识别方法。与家庭负荷辨识场景相比，含分布式能源的配网负荷总数陡增，负荷事件更为复杂多变，同时存在众多的多状态负荷。在这种情况下，若仿照家庭场景下的做法，进行具体到单个设备的负荷识别，不仅辨识难度巨大，且对不中断负荷的识别也没有实际工程意义。因此，在经济性和可行性约束下，考虑对配网设备进行分类别识别。
22.3、采用分时段识别方法。现代配网相比传统用能场景，存在较多分布式能源。在传统用能场景中，仅有温控负荷受季节变化影响较大，且在不同季节中只存在启停差异；同时，温控负荷耗能较高，运行中负荷波动随机性较低，总体辨识难度较小。而相对来说，光伏、风机等分布式能源受气象影响更为强烈，功率波动对环境敏感度较高，同一季节内存在不同典型日特征，运行中非线性随机行为较多。因此，在配网用户用能行为识别方法中，有必要结合气象特征，搭建不同气象条件下的分时段负荷识别模型。
23.以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
24.图1是本发明的一个较佳实施例的含分布式能源配网的用户用能行为识别方法步骤；
25.图2是现有技术中gru神经网络记忆模块结构示意图。
具体实施方式
26.以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
27.在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
28.下面首先对本发明所涉及的理论基础、数据模型和算法进行介绍：
29.1、k-means算法
30.k-means算法是常用的一种聚类算法，该算法采用距离来衡量样本之间的相似性，能将样本集划分成k个簇，簇ci的均值向量:
[0031][0032]
为该簇的质心。k-means算法的目的就是寻找k个质心来最小化平方误差，
[0033][0034]
平方误差e越小则表明簇内样本的相似度越高。
[0035]
k-means算法的主要过程如下：
[0036]
输入：样本集dataset＝{x1,x2,...,xn}，k值
[0037]
输出：簇集clusterset＝{c1,c2,...,ck}
[0038]
从样本集中随机选择k个样本{μ1,μ2,...,μk}作为初始质心。
[0039][0040]
until达到最大迭代次数或质心更新幅度小于阈值。
[0041]
2、gru(gated recurrent unit，门控循环单元)神经网络
[0042]
本发明所考虑的负荷数据为低压配网的功率采样，采样间隔为10～15min。辨识算法主要基于柔性资源的稳态功率，采样特征维度较少，常用于处理多维特征的卷积神经网络将不再适用。而日负荷曲线有较强的时序特征，因此考虑使用善于分析离散数据序列之间时间关系的循环神经网络来处理含分布式资源的低频功率数据。
[0043]
lstm(long short-term memory，长短期神经网络)是传统循环神经网络的改进算法，解决了传统循环神经网络梯度消失的问题。但lstm的记忆模块中由于存在三个复合控制门单元，整体参数较为复杂，当训练样本较少时，训练过程中容易出现过拟合现象。因此，2014年cho等人提出了lstm的一种简化算法gru，将lstm的输入门和遗忘门组合为更新门，简化了记忆模块结构的同时，保持了与lstm相近的预测效果。gru的记忆模块结构如图2所示。
[0044]
更新门：
[0045]zt
＝σ(wz·
[h
t-1
,x
t
])
[0046]
式中z
t
为更新门门控信号，x
t
为当前时刻输入，h
t-1
为前一时刻隐藏门输出，wz为更新门连接权重矩阵，σ为sigmoid函数。更新门用于控制前一时刻的状态信息在当前状态中的留存程度，z
t
的值越大表示当前状态中历史信息保留越多。
[0047]
重置门：
[0048]rt
＝σ(wr·
[h
t-1
,x
t
])
[0049]
式中r
t
为重置门门控信号，wr为重置门连接权重矩阵。重置门用于控制前一时刻的状态信息在当前候选集上的留存程度，r
t
的值越小表示当前候选集中历史信息保留越少。
[0050]
候选隐藏层：
[0051][0052]
式中为当前候选集，为候选集连接权重矩阵。
[0053]
记忆体：
[0054][0055]
以上为本发明所涉及的理论基础、数据模型和算法相关说明。下面介绍本发明的具体实施方式。
[0056]
如图1所示，本发明实施例的含分布式能源配网的用户用能行为识别方法，包括如下步骤：
[0057]
s101：从配网的母线处采集数据，并将采集的数据随机分为训练集和测试集。
[0058]
在从含分布式能源配电网的母线处采集数据时，采集的数据包括配网母线的日负荷曲线数据和非电气量数据，其中非电气量数据包括采集日期、日光照小时数、温度和风力，对日负荷曲线的采样周期为10-15分钟的低频采样周期。
[0059]
s103：对于训练集，进行分类别辨识，对于受天气和/或季节影响大的柔性负荷，再进行分时段辨识。
[0060]
对训练集进行分类别辨识后，其输出结果包括光伏、储能、风电、大功率温控负荷和小功率不可调节负荷中的一种或者多种负荷的组合；针对配网异构负荷中识别出的每种负荷，设置单独的gru神经网络训练模型。对于受天气和/或季节影响大的柔性负荷，包括光伏、风电和大功率温控负荷中的一种或者多种。
[0061]
在完成负荷类别识别后，例如光伏、风电、温控负荷，再进行分时段监测辨识：结合日负荷数据上的日期以及外部量测提供的日照、风力等气象数据，运用k-means聚类方法，构建数量适当的典型时段，再针对每一类别分别搭建gru神经网络进行训练。
[0062]
s105：将所述训练集数据导入gru神经网络进行训练，训练过程中同步使用所述测试集来验证训练模型在测试集上的辨识效果。
[0063]
在使用训练集进行训练模型的训练时，设置epoch为100，在保证训练次数的同时防止过拟合。一次训练结束后，打乱原数据并随机获得新的训练集与测试集，再次进行同步训练和测试，共重复预定次数；对预定次数训练稳定后的模型在测试集上的准确率取平均值，得到分类别和分时段的含分布式能源配网用户用能行为识别结果，若识别结果的准确度达到设定标准即收敛，模型训练完成。
[0064]
s107：将负荷运行曲线输入所述训练模型进行分类辨识，得到所述配网用户用能行为的识别结果。
[0065]
训练完成后，将识别模型应用于测试集，根据气象标签选用对应时段模型进行监测辨识，并综合各分类别辨识器，得到当前用户负荷总体用能行为识别结果。
[0066]
本发明基于低频采样数据设计识别算法，通过采用分类别和分时段识别方法，考虑含分布式能源的配网负荷特征，结合气象特征，针对不同的负荷类型搭建不同气象条件下的分时段负荷识别模型，在保证一定辨识精度的同时降低辨识所需的负荷运行数据量与神经网络模型复杂度，基于高维统计分析及深度神经网络在时空数据集上开展聚类分析、特征提取和模式识别，通过对配网母线采样数据的深层挖掘，能够为配网用户负荷用能状态提供有效的监控和识别手段，有利于提升配网用能识别的效率和准确性，及时、准确识别配网用户用能状态变化情况，对低压配网需求响应等工作的开展有重要意义。
[0067]
下面以本发明一个优选实施例对本发明的技术方案进行说明。
[0068]
步骤1：采集含分布式能源的低压配网在t个时刻的日负荷运行数据，采样间隔为10min，非电气采样还包括日期、日光照小时数、温度；
[0069]
步骤2：将日负荷数据归一化至(-1,1)区间和其余非电气采样一起构成识别模型的输入数据；
[0070]
步骤3：根据该配网负荷设定分类别识别模型各分类为：1)光伏2)储能3)风电4)大功率温控负荷5)小功率不可调节负荷；
[0071]
步骤4：在步骤2所得分类中，光伏、风电和大功率温控负荷行为特性受气候和季节影响较大，结合日光照小时数、日期和温度进行k-means聚类，得到光伏、风电、大功率温控负荷依据典型时段的模型分类结果；
[0072]
步骤5：将训练数据导入预分类完成的各个gru神经网络进行训练，设置epoch为100，在保证训练次数的同时防止过拟合，训练过程中同步使用测试集来验证所训练模型在测试集上的辨识效果。；
[0073]
步骤6：一次训练结束后，打乱原数据并随机获得新的训练集与测试集，再次进行同步训练和测试，共重复10次；
[0074]
步骤7：对10次训练稳定后的模型在测试集上的准确率取平均值，得到分类别、分时段的含分布式能源配网用户用能行为识别效果。若准确度达到设定标准即收敛，模型训练完成；
[0075]
步骤8：将负荷运行曲线输入训练完成的模型进行多分类辨识，可得到辨识准确度和混淆矩阵，以实现含分布式能源配网的用户用能行为识别。
[0076]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。