电力负荷总功率实时分解方法与系统与流程

本发明提供一种电力负荷总功率实时分解方法与系统，属于负荷功率分解方法领域。

背景技术：

电力负荷分解(powerloaddisaggregation，pld)是一种全新的负荷耗电细节监测技术，通过采集和跟踪分析负荷端电压和总电流信号，将总负荷分解成各成分电器的用电信息之和，能够获取负荷内部每种电器的工作状态、耗电功率和累计电量等耗电细节信息，在电力大数据分析与应用等方面具有的巨大的潜力。

目前，电力负荷分解方法主要分为两大类。第一种方法利用与电器工作状态转换相关的负荷特征，对电器的工作状态进行逐个辨识，进而估计其用电功率和累计电量，这类方法可以简称为“事件法”。hart是这类方法的先驱，他以电器起动和关断时的稳态功率差量作为负荷特征，利用最近邻模板匹配方法实现电器工作状态监测。为了达到更好的监测效果，后续研究，增加了暂态功率波形特征、稳态谐波特征、电流电压波形特征等。其中，有些研究都采用高频采样，这对系统硬件处理能力的要求较高，从而系统成本较高。

第二种方法直接将总负荷聚合特征分解成最优的电器特征的组合结果，运用优化算法(差分进化算法、粒子群算法、整数规划算法等)进行求解分解模型，通常简称为“分解法”。在这方面，现有研究多采用电器有功功率作为负荷特征，通过选取电器从起动至停止整段有功功率曲线、片段功率曲线，或者稳态运行时功率点值构建负荷特征模板库，运用最优化方法求解。此外，分解法需要构建适合的最优化目标函数，其关键还在于衡量关于总负荷聚合特征的估计值与实测值之间的相似性，例如，可以运用拟合信号和实际信号的内积、差值范数或者皮尔森相关系数等。近来，为提高分解结果的准确性，在最优化模型中添加一定的约束条件。一般来讲，分解法不需要对总负荷聚合特征进行高频采样，对系统硬件处理能力的要求较低，从而系统成本较高。总体上，同事件法相比，分解法的监测准确率有待提高。

目前，对于分解法，仍存在几方面具体问题：

(1)分解法多采用单一特征，有功功率，构建优化目标函数，对于有功功率相近的电器，或者场景中存在某一电器有功功率是多个电器功率加和的情况，分解结果会存在一定的误差。

(2)现有方法在分解得到工作状态的结果后，多以模板功率值作为电器的功率估计值，得到的电器的功率曲线为分段常函数，这会导致多数时刻的负荷总功率值不等于当时各成分电器功率估计值得加和，即造成功率“不平衡”，影响用户体验。

(3)现有分解模型多假设已知所有成分电器的负荷模型，而实际条件是，电力负荷常常存在一些不易获取其负荷模型的常开电器，需要在功率分解前滤除这些设备产生的功率(一般称为背景负荷)，现有方法并没有对此明确给出可靠的方法，使得他们的实用性受限。

技术实现要素：

本发明目的在于提供一种电力负荷总功率实时分解方法与系统，无需高频采样，避免了高成本设备的使用，减弱了背景负荷对分解结果的影响，使用聚类算法减少了人工的使用，提高了求解的合理性，提高了电器工作状态辨识和用电功率估计的准确性。

本发明所述的电力负荷总功率实时分解系统，包括功率检测设备和运算设备；其中，运算设备内设置初始化子系统和在线监测子系统；初始化子系统包括负荷特征库构建模块和背景负荷估计模块；在线监测子系统包括背景负荷去除模块和功率分解模块；

其中，功率检测设备对电力负荷的实时功率进行检测，运算设备会以固定频率向功率检测设备索取功率数据，形成数据库；

进一步地，初始化子系统在电力负荷总功率实时分解系统部署初期，通过对数据库中的功率数据进行分析处理，实现在线监测子系统所需有关功能模型的初始化，而后，在线监测子系统对功率检测设备实时获取的功率数据进行实时分解；

更进一步地，负荷特征库构建模块根据数据库中目标电器的功率数据，进行聚类分析得出目标电器的有功功率模板库和无功功率模板库，以及目标电器的使用和运行规律参数；背景负荷估计模块根据数据库中的电力负荷总功率数据，估计电力负荷的背景负荷基准值及背景负荷最大值；

背景负荷去除模块根据所述背景负荷估计模块得出的有关估计值，去除当前功率数据中的背景负荷；功率分解模块包括目标电器工作状态估计、工作状态估计结果修正和目标电器功率分配三个环节；

其中，目标电器工作状态估计环节为功率分解模块根据功率分解模型，对去除背景负荷后的功率进行分析，估计当前时刻目标电器的工作状态；工作状态估计结果修正环节为功率分解模块根据目标电器的使用和运行规律参数，对所述工作状态估计结果进行修正；目标电器功率分配环节为功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。

所述的电力负荷总功率实时分解系统的电力负荷总功率实时分解方法，包括如下步骤：

s1：负荷特征库构建：通过聚类分析算法构建目标电器的负荷特征模板库，获得目标电器的使用和运行规律参数；

s2：背景负荷估计：估计电力负荷总功率的背景负荷参数；

s3：背景负荷去除：将电力负荷总功率中的背景负荷去除，用于后续的功率最优分解；

s4：功率最优分解：将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；将优化分解得到的工作状态估计结果进行修正；根据修正后的工作状态结果将去除背景负荷后的功率分配给目标电器。

所述的电力负荷总功率实时分解方法，所述s1中的构建目标电器的负荷特征模板库的方法，包括如下小步：

s11：以固定频率对某个目标电器i进行单独检测，获取用于构建目标电器负荷特征模板的原始用电数据，其中，原始用电数据包括有功功率和无功功率；

s12：对原始用电数据进行聚类分析，直接得出目标电器i具有的工作状态数量及对应的功率模板库。假定，聚类结果为ci类，即目标电器i具有ci种工作状态，设j∈(1，...，ci)，选取每类聚类中心作为目标电器i的有功功率和无功功率模板：

其中，为聚类得到的目标电器i的第1至第ci种工作状态的有功功率模板值；为聚类得到的电器i第1至第ci种工作状态的无功功率模板值，dpi和dqi分别为目标电器i的有功功率模板库和无功功率模板库；

这里，假定目标场景内含有n种不同的目标电器，对每个目标电器，分别按上述方案进行处理，可以得到包含所有目标电器的有功功率模板和无功功率模板的有功功率模板库dp和无功功率模板库dq：

dp＝[dp1...dpi...dpn]

dq＝[dq1...dqi...dqn]

所述的电力负荷总功率实时分解方法，所述s1中获得目标电器的使用和运行规律参数的方法，具体是：

对于目标电器i，根据所述权利要求3中聚类得到的工作状态j，计算该类中有功功率的方差值，表征该工作状态下的功率波动情况，记为σi，j，命名为波动指数；进而，目标电器i波动指数构成的向量为这里，n种目标电器的波动指数构成的向量为σ＝[σi...σn]；

所述的电力负荷总功率实时分解方法，所述s2背景负荷估计，包括如下小步：

s21：获取目标场景内的有功总功率和无功总功率，将目标场景内的电器的每一种工作状态算作一类，通过聚类得到目标场景内的所有电器的工作状态统计总类数；假设得到c类，设j∈{1...c}；

s22：统计每一类j中包含的数据个数，记为h(j)，并且最大数据个数hmax＝max(h(j))，对于在每一类j所包含的数据中得到每一类的有功功率和无功功率数据值聚类中心及最大值，分别记为[p^(j)，q^(j)]和

s23：在所有类ci中，选取满足h(j)＞αhmax，α∈(0，1)，且有功功率值的聚类中心值p^(j)最低的一类，将该类的聚类中心定义为背景负荷基准值，即背景负荷基准值定义为该类中最大值作为背景负荷最大值，即背景负荷最大值定义为若聚类中心有功值p^(j)最低的一类不满足式h(j)＞αhmax，α∈(0，1)，则选取其余类中聚类中心有功值p^(j)最低的一类j进行判别，直到满足式h(j)＞αhmax，α∈(0，1)为止，最终，选取该类的聚类中心作为背景负荷基准值，该类中最大值作为背景负荷最大值；

所述的电力负荷总功率实时分解方法，所述s3背景负荷去除：

若将功率检测设备获得的负荷有功总功率和无功总功率构成的向量记为[p′(t)，q′(t)]，根据权利要求5所述，得到去除背景负荷后的功率值为：

其中，pmax为背景负荷有功功率最大值，pbase为背景负荷有功功率基准值，qbase为背景负荷无功功率基准值；

所述的电力负荷总功率实时分解方法，所述s4功率最优分解，包括如下小步：

s41：目标电器工作状态估计：根据功率分解模型，建立优化目标函数，利用改进的猴群算法将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；

s42：工作状态估计结果修正：功率分解模块根据目标电器的使用和运行规律参数，对得到的工作状态估计结果值进行修正；

s43：目标电器功率分配：功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器；

所述的电力负荷总功率实时分解方法，所述s4中的功率分解模型如下：

由于目标场景内电器的工作状态并不唯一，因而，以电器工作状态的数量作为基本单位，设n种不同的电器共有l种工作状态；假设电器i具有ci种工作状态；是该电器i在第j个工作状态下的负荷特征数值(有功功率或无功功率)j∈{1，...，ci}；对任意时刻t，电器i的负荷数值yi(t)可以表示为：

其中，分别表示电器i第1，2和ci种工作状态的状态系数，且令状态系数为1时，代表电器i运行于第ci种工作状态；

根据上述定义，t时刻总负荷特征数值y(t)可由n种电器的l种工作状态负荷特征数值的线性加和来表示：

x(t)＝[xi(t)；...；xi(t)；...；xn(t)]

其中，x(t)为所有电器在t时刻的状态系数矩阵；d为n种电器的负荷特征模板库；设t时刻实际负荷特征数值为y(t)，电力负荷分解即是在y(t)已知的情况下，通过算法求解得到x(t)，使得y(t)与y(t)的相差最小；

所述的电力负荷总功率实时分解方法，所述s41中，优化目标函数为：

minλ|p(t)-dpx(t)+(1-λ)|q(t)-dqx(t)|+a1.num+a2.dif

其中，a1，a2为惩罚系数，a1＞0，a2＞0；约束条件为：

考虑到电器实际运行功率的上下限约束，电器i的功率分配值pi(t)应小于其工作状态的功率最大值，考虑功率波动，加入功率波动阈值且功率分配值应大于0，因而，又有以下约束条件：

且pi(t)＞0

进一步地，以结果向量x(t)中非零有功功率状态系数为1的数量num＝||x(t)||1，表征电力负荷成分电器的稀疏性；

选取当前t时刻点和之前k个时刻点的分解结果以反映电器工作状态转换的稀疏性，将dif定义为总的工作状态变化数；

所述的电力负荷总功率实时分解方法，所述41中，求解目标函数采用改进的猴群算法，包括：

(1)解的变化与表述：将状态系数x(t)译码为zr，zr为十进制数；

其对应关系如下所示：

设猴群的规模为m，对于第r∈m只猴子，其当前位置定义为zr；

(2)目标函数的设定：设置目标函数为f(zr)，在求解目标函数f(zr)时，将zr编码为二进制数，对应状态系数为x(t)；得出：

minf(zr)＝f(x(t))＝λ|p(t)-dpx(t)|+(1-λ)|q(t)-dqx(t)|+a1.num+a2.dif

具体求解步骤如下：

s411：初始猴群设定：对于m只猴子初始值的设定进行如下处理：对于第1只猴子其初始值设定为前一时刻的状态系数x(t-1)按上式计算得到的zr；其余m-1只猴子的初始值在(0，2^l-1]内随机产生；

s412：爬过程：

s4121：设第r只猴子当前位置为zr；在区间[-α，α]内随机产生整数δzr，α＞0为爬过程步长；

s4122：分别计算f(zr+δzr)和f(zr-δzr)

s4123：重复s4121到s4122直到目标函数值不再变动，或者达到设定的攀爬次数nclimb；

这里，爬过程可细分为大步爬和小步爬；区别在于，大步爬过程的步长α大于小步爬过程的步长α；

s413：望-跳过程：经过爬过程，每只猴子都达到了各自较优的位置，在此位置上，每只猴子在一定范围内向周围眺望，如果发现更好的地方，即较优解，则跳向该位置，重复爬过程；对于第i只猴子，望跳过程计算步骤如下：

s4131：取眺望视野为β，在[zr-β，zr+β]内随机产生整数z′r；

s4132：如果f(z′r)＜f(zr)，令z′r＝zr；

s4133：重复s4131到s4133直至目标函数值不再变动或者达到望跳次数nlook；

s414：合作过程：此时各猴子的位置存在优劣的差别，合作过程让处于较差位置的猴子经较优位置猴子的帮助，找到更好的位置即更好的解；

设本代中出现的最优猴子的位置为z^*，对于第r只猴子的当前位置zr：

s4141：在[0，1]内产生随机数γ；

s4142：令zr＝round(γz^*+(1-γ)zr)，round为取整函数，重复爬过程；

s415：翻过程：通过多次爬、望跳过程及多次合作，猴群达到了较优的区域；为使猴群能够搜索新的区域，进行如下的翻过程：

s4151：在翻区间[c，d]内随机产生实数θ；

s4152：计算定义w为翻过程的中心；

s4153：令zr＝zr+round(θ|w-zr|)；

s4154：如果zi＞2^l-1，zi＝2^l-1；如果zi＜0，zi＝1；重复爬过程；

s4155：若所有猴子的位置zr均相同时，翻过程会失去意义；如出现此情况，随机选取种群中第u只猴子，u∈{1，2，...，m}，令zu＝e，e为在(0，2^l-1]随机产生的整数，且e不同于原值zu；之后再进行s4155；

s416：终止条件：达到设定的搜索代数或者找到的最优解zbest连续v代不再变化；对得到zbest进而编码得到二进制数，对应状态系数x(t)；

所述的电力负荷总功率实时分解方法，所述s42中，工作状态估计结果修正，包括：

第一阶段：在负荷特征库构建阶段，根据目标电器的使用和运行规律参数，可以确定某些电器在相邻两个采样点的工作状态不会产生突变；

对于这类电器i，

(1)如果t-1时刻和t+1时刻的有功功率值均大于0而t时刻的功率值等于0，则将t-1时刻该电器的状态系数赋予t时刻，即：

当dpixi(t-1)＞0且dpixi(t+1)＞0且dpixi(t)＝0时，xi(t)＝xi(t-1)；

(2)如果t-1时刻和t+1时刻的有功功率值均为0而t时刻的有功功率值大于0，则将t-1时刻该电器的状态系数赋予t时刻，即：

当dpixi(t-1)＝0且dpixi(t+1)＝0且dpixi(t)＞0时，xi(t)＝xi(t-1)；

第二阶段：在负荷特征库模板构建阶段，根据目标电器的使用和运行规律参数，对于电器i，通过统计分析得到其运行的最短时长为ρ分钟，那么，工作状态估计结果中，该电器工作时长应不小于ρ；

对于这类电器i，

当且时，若均大于0，则表示分解结果无误，否则，令均为0；

所述的电力负荷总功率实时分解方法，所述s4中，目标电器功率分配，对于目标电器i的一种工作状态j，经功率分配后，有功功率的计算方式为：

其中，和为所有状态系数为1的工作状态的波动指数加和，为电器i的电器波动指数；

则对于电器i，其t时刻的分解得到的有功功率pi(t)为：

本发明与现有技术相比有益效果为：

所述的电力负荷总功率实时分解方法与系统，为了解决现有技术中的“事件法”和“分类法”所述技术方案中存在的问题，本技术方案提出了一种基于低频功率特征的电力负荷实时分解系统方案。该方案适用于“秒钟级”和“分钟级”的采样频率，无需高频采样，降低了采样设备的成本。为了减少负荷建模所需的人工，采用聚类算法构建电器不同稳态运行状态下的稳态功率特征模板。为了减弱一些构成背景负荷且不易获得其负荷模型的电器对分解结果的影响，提出了目标环境中背景负荷估计的方法，用于“去除”负荷功率中的背景负荷成分。为了提高电器辨识准确性，同时选取有功功率及无功功率构建最优化模型。为了提高最优化问题的求解效率和结果的合理性，针对电器稀疏性及状态转换稀疏性的约束，在最优化目标函数中增加了相应的惩罚项，并采用离散猴群算法对最优化模型进行求解。为了提高电器工作状态辨识和用电功率估计的准确性，给出了工作状态辨识结果修正及功率分配优化方法。

附图说明

图1为本发明流程图；

图2为某干衣机某一周内的用电功率曲线片段坐标图；

图3为对图2数据分析得到的聚类结果坐标图；

图4为背景负荷聚类结果坐标图；

图5背景负荷有功功率曲线坐标图；

图6为去除背景负荷前后总有功功率曲线对比坐标图；

图7结果修正前后洗碗机有功功率曲线对比坐标图。

具体实施方式

下面结合本发明对本发明实施例做进一步说明：

如图1所示，本发明所述的电力负荷总功率实时分解系统，包括功率检测设备和运算设备；其中，运算设备内设置初始化子系统和在线监测子系统；初始化子系统包括负荷特征库构建模块和背景负荷估计模块；在线监测子系统包括背景负荷去除模块和功率分解模块；

其中，功率检测设备对电力负荷的实时功率进行检测，运算设备会以固定频率向功率检测设备索取功率数据，形成数据库；

进一步地，初始化子系统在电力负荷总功率实时分解系统部署初期，通过对数据库中的功率数据进行分析处理，实现在线监测子系统所需有关功能模型的初始化，而后，在线监测子系统对功率检测设备实时获取的功率数据进行实时分解；

更进一步地，负荷特征库构建模块根据数据库中目标电器的功率数据，进行聚类分析得出目标电器的有功功率模板库和无功功率模板库，以及目标电器的使用和运行规律参数；背景负荷估计模块根据数据库中的电力负荷总功率数据，估计电力负荷的背景负荷基准值及背景负荷最大值；

背景负荷去除模块根据所述背景负荷估计模块得出的有关估计值，去除当前功率数据中的背景负荷；功率分解模块包括目标电器工作状态估计、工作状态估计结果修正和目标电器功率分配三个环节；

其中，目标电器工作状态估计环节为功率分解模块根据功率分解模型，对去除背景负荷后的功率进行分析，估计当前时刻目标电器的工作状态；工作状态估计结果修正环节为功率分解模块根据目标电器的使用和运行规律参数，对所述工作状态估计结果进行修正；目标电器功率分配环节为功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。

所述的电力负荷总功率实时分解系统的电力负荷总功率实时分解方法，包括如下步骤：

s1：负荷特征库构建：通过聚类分析算法构建目标电器的负荷特征模板库，获得目标电器的使用和运行规律参数；

s2：背景负荷估计：估计电力负荷总功率的背景负荷参数；

s3：背景负荷去除：将电力负荷总功率中的背景负荷去除，用于后续的功率最优分解；

s4：功率最优分解：将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；将优化分解得到的工作状态估计结果进行修正；根据修正后的工作状态结果将去除背景负荷后的功率分配给目标电器。

所述的电力负荷总功率实时分解方法，所述s1中的构建目标电器的负荷特征模板库的方法，包括如下小步：

s11：以固定频率对某个目标电器i进行单独检测，获取用于构建目标电器负荷特征模板的原始用电数据，其中，原始用电数据包括有功功率和无功功率；

s12：对原始用电数据进行聚类分析，直接得出目标电器i具有的工作状态数量及对应的功率模板库。假定，聚类结果为ci类，即目标电器i具有ci种工作状态，设j∈(1，...，ci)，选取每类聚类中心作为目标电器i的有功功率和无功功率模板：

其中，为聚类得到的目标电器i的第1至第ci种工作状态的有功功率模板值；为聚类得到的电器i第1至第ci种工作状态的无功功率模板值，dpi和dqi分别为目标电器i的有功功率模板库和无功功率模板库；

这里，假定目标场景内含有n种不同的目标电器，对每个目标电器，分别按上述方案进行处理，可以得到包含所有目标电器的有功功率模板和无功功率模板的有功功率模板库dp和无功功率模板库dq：

dp＝[dp1...dpi...dpn]

dq＝[dq1...dqi...dqn]

所述的电力负荷总功率实时分解方法，所述s1中获得目标电器的使用和运行规律参数的方法，具体是：

对于目标电器i，根据所述权利要求3中聚类得到的工作状态i，计算该类中有功功率的方差值，表征该工作状态下的功率波动情况，记为σi，j，命名为波动指数；进而，目标电器i波动指数构成的向量为这里，n种目标电器的波动指数构成的向量为σ＝[σi...σn]；

所述的电力负荷总功率实时分解方法，所述s2背景负荷估计，包括如下小步：

s21：获取目标场景内的有功总功率和无功总功率，将目标场景内的电器的每一种工作状态算作一类，通过聚类得到目标场景内的所有电器的工作状态统计总类数；假设得到c类，设j∈{1...c}；

s22：统计每一类j中包含的数据个数，记为h(j)，并且最大数据个数hmax＝max(h(j))，对于在每一类j所包含的数据中得到每一类的有功功率和无功功率数据值聚类中心及最大值，分别记为[p^(j)，q^(j)]和

s23：在所有类ci中，选取满足h(j)＞αhmax，α∈(0，1)，且有功功率值的聚类中心值p^(j)最低的一类，将该类的聚类中心定义为背景负荷基准值，即背景负荷基准值定义为该类中最大值作为背景负荷最大值，即背景负荷最大值定义为若聚类中心有功值p^(j)最低的一类不满足式h(j)＞αhmax，α∈(0，1)，则选取其余类中聚类中心有功值p^(j)最低的一类j进行判别，直到满足式h(j)＞αhmax，α∈(0，1)为止，最终，选取该类的聚类中心作为背景负荷基准值，该类中最大值作为背景负荷最大值；

所述的电力负荷总功率实时分解方法，所述s3背景负荷去除：

若将功率检测设备获得的负荷有功总功率和无功总功率构成的向量记为[p′(t)，q′(t)]，根据权利要求5所述，得到去除背景负荷后的功率值为：

其中，pmax为背景负荷有功功率最大值，pbase为背景负荷有功功率基准值，qbase为背景负荷无功功率基准值；

所述的电力负荷总功率实时分解方法，所述s4功率最优分解，包括如下小步：

s41：目标电器工作状态估计：根据功率分解模型，建立优化目标函数，利用改进的猴群算法将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；

s42：工作状态估计结果修正：功率分解模块根据目标电器的使用和运行规律参数，对得到的工作状态估计结果值进行修正；

s43：目标电器功率分配：功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器；

所述的电力负荷总功率实时分解方法，所述s4中的功率分解模型如下：

由于目标场景内电器的工作状态并不唯一，因而，以电器工作状态的数量作为基本单位，设n种不同的电器共有l种工作状态；假设电器i具有ci种工作状态；是该电器i在第j个工作状态下的负荷特征数值(有功功率或无功功率)j∈{1，...，ci}；对任意时刻t，电器i的负荷数值yi(t)可以表示为：

其中，分别表示电器i第1，2和ci种工作状态的状态系数，且令状态系数为1时，代表电器i运行于第ci种工作状态；

根据上述定义，t时刻总负荷特征数值y(t)可由n种电器的l种工作状态负荷特征数值的线性加和来表示：

x(t)＝[x1(t)；...；xi(t)；...；xn(t)]

其中，x(t)为所有电器在t时刻的状态系数矩阵；d为n种电器的负荷特征模板库；设t时刻实际负荷特征数值为y(t)，电力负荷分解即是在y(t)已知的情况下，通过算法求解得到x(t)，使得y(t)与y(t)的相差最小；

所述的电力负荷总功率实时分解方法，所述s41中，优化目标函数为：

minλ|p(t)-dpx(t)+(1-λ)|q(t)-dqx(t)|+a1.num+a2.dif

其中，a1，a2为惩罚系数，a1＞0，a2＞0；约束条件为：

考虑到电器实际运行功率的上下限约束，电器i的功率分配值pi(t)应小于其工作状态的功率最大值，考虑功率波动，加入功率波动阈值且功率分配值应大于0，因而，又有以下约束条件：

且pi(t)＞0

进一步地，以结果向量x(t)中非零有功功率状态系数为1的数量num＝||x(t)||1，表征电力负荷成分电器的稀疏性；

选取当前t时刻点和之前k个时刻点的分解结果以反映电器工作状态转换的稀疏性，将dif定义为总的工作状态变化数；

所述的电力负荷总功率实时分解方法，所述41中，求解目标函数采用改进的猴群算法，包括：

(1)解的变化与表述：将状态系数x(t)译码为zr，zr为十进制数；

其对应关系如下所示：

设猴群的规模为m，对于第r∈m只猴子，其当前位置定义为zr；

(2)目标函数的设定：设置目标函数为f(zr)，在求解目标函数f(zr)时，将zr编码为二进制数，对应状态系数为x(t)；得出：

minf(zr)＝f(x(t))＝λ|p(t)-dpx(t)|+(1-λ)|q(t)-dqx(t)|+a1.num+a2.dif

具体求解步骤如下：

s411：初始猴群设定：对于m只猴子初始值的设定进行如下处理：对于第1只猴子其初始值设定为前一时刻的状态系数x(t-1)按上式计算得到的zr；其余m-1只猴子的初始值在(0，2^l-1]内随机产生；

s412：爬过程：

s4121：设第r只猴子当前位置为zr；在区间[-α，α]内随机产生整数δzr，α＞0为爬过程步长；

s4122：分别计算f(zr+δzr)和f(zr-δzr)

s4123：重复s4121到s4122直到目标函数值不再变动，或者达到设定的攀爬次数nclimb；

这里，爬过程可细分为大步爬和小步爬；区别在于，大步爬过程的步长α大于小步爬过程的步长α；

s413：望-跳过程：经过爬过程，每只猴子都达到了各自较优的位置，在此位置上，每只猴子在一定范围内向周围眺望，如果发现更好的地方，即较优解，则跳向该位置，重复爬过程；对于第i只猴子，望跳过程计算步骤如下：

s4131：取眺望视野为β，在[zr-β，zr+β]内随机产生整数z′r；

s4132：如果f(z′r)＜f(zr)，令z′r＝zr；

s4133：重复s4131到s4133直至目标函数值不再变动或者达到望跳次数nlook；

s414：合作过程：此时各猴子的位置存在优劣的差别，合作过程让处于较差位置的猴子经较优位置猴子的帮助，找到更好的位置即更好的解；

设本代中出现的最优猴子的位置为z^*，对于第r只猴子的当前位置zr：

s4141：在[0，1]内产生随机数γ；

s4142：令zr＝round(γz^*+(1-γ)zr)，round为取整函数，重复爬过程；

s415：翻过程：通过多次爬、望跳过程及多次合作，猴群达到了较优的区域；为使猴群能够搜索新的区域，进行如下的翻过程：

s4151：在翻区间[c，d]内随机产生实数θ；

s4152：计算定义w为翻过程的中心；

s4153：令zr＝zr+round(θ|w-zr|)；

s4154：如果zi＞2^l-1，zi＝2^l-1；如果zi＜0，zi＝1；重复爬过程；

s4155：若所有猴子的位置zr均相同时，翻过程会失去意义；如出现此情况，随机选取种群中第u只猴子，u∈{1，2，...，m}，令zu＝e，e为在(0，2^l-1]随机产生的整数，且e不同于原值zu；之后再进行s4155；

s416：终止条件：达到设定的搜索代数或者找到的最优解zbest连续v代不再变化；对得到zbest进而编码得到二进制数，对应状态系数x(t)；

所述的电力负荷总功率实时分解方法，所述s42中，工作状态估计结果修正，包括：

第一阶段：在负荷特征库构建阶段，根据目标电器的使用和运行规律参数，可以确定某些电器在相邻两个采样点的工作状态不会产生突变；

对于这类电器i，

(1)如果t-1时刻和t+1时刻的有功功率值均大于0而t时刻的功率值等于0，则将t-1时刻该电器的状态系数赋予t时刻，即：

当dpixi(t-1)＞0且dpixi(t+1)＞0且dpixi(t)＝0时，xi(t)＝xi(t-1)；

(2)如果t-1时刻和t+1时刻的有功功率值均为0而t时刻的有功功率值大于0，则将t-1时刻该电器的状态系数赋予t时刻，即：

当dpixi(t-1)＝0且dpixi(t+1)＝0且dpixi(t)＞0时，xi(t)＝xi(t-1)；

第二阶段：在负荷特征库模板构建阶段，根据目标电器的使用和运行规律参数，对于电器i，通过统计分析得到其运行的最短时长为ρ分钟，那么，工作状态估计结果中，该电器工作时长应不小于ρ；

对于这类电器i，

当且时，若均大于0，则表示分解结果无误，否则，令均为0；

所述的电力负荷总功率实时分解方法，所述s4中，目标电器功率分配，对于目标电器i的一种工作状态j，经功率分配后，有功功率的计算方式为：

其中，和为所有状态系数为1的工作状态的波动指数加和，为电器i的电器波动指数；

则对于电器i，其t时刻的分解得到的有功功率pi(t)为：

实验结果：

1、数据选择及评价指标

本文采用有功功率和无功功率两个特征量进行优化求解，实验需要总负荷的有功及无功功率数据和各个电器侵入式量测得到的有功及无功功率数据。鉴于此，本文采用文献makonins，popowichf，bartraml，etal.ampds：apublicdatasetforloaddisaggregationandeco-feedbackresearch[j].journalofcomputerassistedtomography，2013，9(2)：393-4.中的ampds公开数据集测试本文算法的有效性。该数据集是以1/60hz采样频率，采集一户加拿大家庭自2012年4月1日至2013年3月31日一整年的负荷数据。该负荷数据中包含19个侵入式监测负荷数据和1个总口负荷数据。负荷数据包含有功功率无功功率。

本文选取ampds数据集中六种电器，进行实验测试。六种电器分别为灯，干衣机(cde)，洗碗机(dwe)，冰箱(fge)，热泵(hpe)和电炉(woe)。这六种电器占据了较大的能耗百分比。同时，为测试本文提出的去除背景负荷方法的效果，选取数据集中房间插座，安全网络设备，电气工作台三个侵入式监测负荷数据构建背景负荷，六种电器经过模板构建过程得到的模板值如表1所示。

表1电器模板值

选用rse(相对平方误差)及ac(单电器分解准确率)衡量分解效果，如下公式所示：

其中，pi(t)表示t时刻电器i的实际有功功率，pi(t)表示t时刻电器i由负荷分解所得的有功功率，t为分解总时长。

2、参数选择

本文方法优化目标函数中λ、a1和a2的选择方法为，利用和模板构建过程中使用的有功和无功总功率原始数据，考量不同参数取值下的总相对平方误差trse(totalrelativesquareerror)，综合选择总相对平方误差最小的参数组合结果。根据经验，选取合适的步长(λ步长为0.1，取值范围为[0.1，0.9]；a1步长取10，取值范围为[0，100]；a2步长取10，取值范围为[0，100])，通过对λ，a1，a2遍历的方式，采用猴群算法求解，选取使trse最小时的参数值λ，a1，a2作为场景的参数值。

总相对平方误差如下式所示：

3、对比项

文献bhottomza，makonins，bajiciv.loaddisaggregationbasedonaidedlinearintegerprogramming[j].2016.采用辅助线性整数规划方法(aidedlinearintegerprogramming，alip)实现负荷特征的实时分解。该方法通过构建电器有功功率模板库，在整数规划方法的基础上，考虑了某些电器处于常运行状态，某一工作状态的有功功率是由某些其他工作状态有功功率叠加和的情况，同一电器不同工作状态间转换的可能性以及工作状态的持续时间，将上述考虑以不等式或者等式约束的形式添加到求解过程中，实现实时负荷分解。选用alip方法作为对比项的原因是：本文方法和alip方法均是单点实时负荷分解方法，且同时考虑了电器的某些运行特性，另外，alip方法是最近报道的。不同点是，本文方法将约束特性融合到目标函数中，而alip方法需要以不等式形式添加，且两种方法采用的最优化求解算法不同。同时，我们实现了应用有功功率和无功功率的两种特征的alip方法，记为alip(pq)。实测算例中，本文方法与alip方法及alip(pq)方法进行了对比。

4、实测算例

算例1：

算例1选取bme(灯)，cde(干衣机)，dwe(洗碗机)，hpe(热泵)作为监测电器。在此基础上，选取文献makonins，popowichf，bartraml，etalampds：apublicdatasetforloaddisaggregationandeco-feedbackresearch[j].journalofcomputerassistedtomography，2013，9(2)：393-4.中公开的ampds数据集中的3个侵入式监测负荷数据(房间插座，安全网络设备，电气工作台)加和作为背景负荷，以模拟真实情况。本文方法总负荷数据为4种监测电器和背景负荷数据加和，选取5月24日到5月31日的总负荷数据进行背景负荷的提取并进行参数选择，参数选择结果为λ＝0.2，a1＝10，a2＝30。alip方法总负荷数据为4种监测电器负荷数据加和。选取2012年6月1日至6月30日的负荷数据，采用本文方法和alip方法的分解结果如表2及表3所示。

表2算例1相对平方误差

表3算例1单电器分解准确率

算例2：

算例2选取bme(灯)，cde(干衣机)，fge(冰箱)，dwe(洗碗机)，woe(墙内电炉)5种电器作为监测电器。在此基础上，选取ampds数据集中的3个侵入式监测负荷数据(房间插座，安全网络设备，电气工作台)加和作为背景负荷，以模拟真实情况。本文方法的总负荷数据为5种监测电器和背景负荷数据加和。选取2012年4月1日到4月7日的总负荷数据进行背景负荷的提取并进行参数选择，参数选择结果为λ＝0.4，a1＝10，a2＝10。alip方法总负荷数据为5种监测电器负荷数据的加和。选取2012年4月15日至2012年5月15日的负荷数据，采用本文方法和alip方法的分解结果如表4及

表5所示。

表4算例2相对平方误差

表5算例2单电器准确率

算例3：

算例3选取bme(灯)，cde(干衣机)，dwe(洗碗机)、fge(厨房冰箱)、hpe(热泵)woe(墙内电炉)6种电器作为监测电器。在此基础上，选取ampds中的3个侵入式监测负荷数据(房间插座，安全网络设备，电气工作台)加和作为背景负荷，以模拟真实情况。本文方法和alip总负荷数据均为6种监测电器和背景负荷数据加和。选取2012年11月16日到2012年11月23日的总负荷数据进行背景负荷的提取并进行参数选择，参数选择结果为λ＝0.3，a1＝20，a2＝10。选取2012年12月1日至12月28日4周时长的负荷数据进行分解。同时，为比较本文提出的背景负荷估计方法与对构成背景负荷的小功率设备建模再进行分解的方法的效果，在alip方法中，给出作为背景负荷的3个侵入式监测负荷数据的模板值，并作为新增设备进行求解，得到结果后将3个设备功率值加和作为背景负荷，计算alip背景负荷准确率。本文方法和alip方法的分解结果如表6及表7所示。

表6算例3相对平方误差

表7算例3单电器准确率

5、结果分析

5.1实测算例结果：

1)本文方法与alip的分解结果的对比：

3个算例中，本文方法各个电器的单电器准确率均明显优于alip方法，相对平方误差均明显小于alip方法。

本文方法相比alip方法效果提升的主要原因，是应用有功无功功率两个特征量，减少了工作状态有功功率相近时造成的分解错误。同时，在目标函数中添加的惩罚项要优于alip方法人工设定的约束，对于分解效果的提升也有一定的作用。结果修正过程通过对于分解错误的点进行修正，提升了分解效果。

具体地，

对于热泵，两种方法的单电器分解准确率相近且均较高。这是由于热泵的工作状态的有功功率值较大且相较于其他工作状态有功功率值较为离散。

对于洗碗机和冰箱，本方法分解效果远好于alip方法。这是由于洗碗机142w工作状态和冰箱的131w工作状态有功功率相近，alip方法求解会产生错误结果，而本文方法引入无功功率，更好的区分了这两种工作状态。且上述洗碗机和冰箱的工作状态有功功率较低，在某些时刻可能被误分解为运行状态，而本文方法对于成分电器稀疏性和工作状态转换稀疏性的考虑，将其融入目标函数中，相比于alip方法人工设定约束，有着更好的效果。同时，本文方法在求解得到状态系数后，考虑了洗碗机的工作时长进行结果修正，准确率有一定的提升。

对于干衣机和灯，本方法的分解效果优于alip方法。应用有功功率无功功率两个特征量是造成分解效果提升的主要原因。

对于电炉，本方法的分解准确率在算例3中优于alip方法，在算例2中两种方法分解准确率相当。这是由于算例3中，干衣机的工作状态有功功率(4691w)与热泵(1795w)、电炉(2929w)的工作状态有功功率叠加和相近，且电炉开启次数较少，alip方法不能准确分解。本文方法应用无功功率和有功功率，目标函数中添加的惩罚项相较于alip方法人为添加的不等式约束更有效，且增加了结果修正过程。因而单电器分解准确率高于alip方法。而算例2中，不存在功率叠加和相等的情况，电炉的工作状态有功功率值相较于其他工作状态较为离散，因而两种方法单电器分解准确率均较高。

2)本文方法与alip(pq)的分解结果的对比：

在算例1和2中相近；在算例3中，本方法各个电器的单电器分解准确率均高于alip(pq)，相对平方误差均小于alip(pq)。

在算例三中，工作状态数目较多，本文方法相比alip(pq)方法效果提升的主要原因是将成分电器稀疏性及工作状态转换稀疏性变换为惩罚项加入到目标函数中，而加入无功功率的alip(pq)方法，约束条件为人为添加，只是满足大多数情况，有些情况下并不适用。同时，本文方法在求解得到状态系数后的结果修正过程，对于错误的分解点重新分解计算，在一定程度上也提升了分解准确性。

具体地，

在算例1(除洗碗机外)和2中，在工作状态目偏少时，成分电器稀疏性及工作状态转换稀疏性对于求解影响不大，两种方法计算结果准确率相近。

在算例1中，本文对于洗碗机的分解效果优于alip方法，这是由于添加了结果修正过程，减少了洗碗机分解错误的点，提升了分解准确率。

5.2背景负荷的估计与去除方法效果分析：

由实测算例结果可以看出，采用本文首次提出的背景负荷的估计与去除方法，提取得到的背景负荷准确率均在99.6％以上。因而说明本文提出的算法能够准确地估计、提取并去除不同场景中的未知背景负荷，并且背景负荷的估计准确率基本不受电器工作状态数量的影响，方法具有较好的适用性。

在算例3中，本文方法不需要事先得知作为背景负荷电器的功率模板值，在对监测设备进行求解的过程中不会涉及作为背景负荷的电器，计算复杂度降低。而对小功率设备建模再分解的方法需要已知构成背景负荷电器的功率模板值，即需事先对其进行建模，且在分解过程，计算量增大。同时在实际情况下，背景负荷构成设备的建模是十分困难的，因而在分解准确率相近的情况下，本文背景负荷的估计与去除的处理方法更为优越。

5.3功率分配方案效果分析

采用本文首次提出的功率分配方案相较于状态系数与功率模板值的乘积加和的方案，对于三个算例中，各个电器的单电器分解准确率均有较小程度的提升，相对平方误差大体均有降低。这是由于在考虑工作状态波动情况的基础上，将总功率与模板估计值的差值，根据波动指数大小，分配至各个处于运行状态的工作状态，满足了功率的平衡，贴近实际运行情况。