CN113158446B - 非侵入式电力负载识别方法 - Google Patents

Abstract

本发明提供了非侵入式电力负载识别方法，采集负荷电压数据和电流数据并提取总正交电流谐波频谱特征；进行加窗预处理，获得加窗后的功率数据；基于生成的初始状态库确定所有负荷的初始状态；根据加窗后的功率数据和所有负荷的功率特征向量和谐波特征向量建立复合特征目标函数模型；基于各所有负荷的初始状态确定所述复合特征目标函数模型的参数初始值，求解所述复合特征目标函数模型获得电力负荷最优解。本发明将数据预处理和识别算法优化有效结合，利用原始数据加窗预处理和初始状态预判，降低了运算复杂度；利用负荷之间差异较大的正交电流谐波特征，优化特征模型，提高了用电场景下负荷识别准确度。

Description

非侵入式电力负载识别方法

技术领域

本发明涉及电力技术领域，具体涉及一种非侵入式电力负载识别方法。

背景技术

非侵入式电力负载识别技术，通过电力用户入口处的监测装置对用电信息进行采集，然后通过分析入口处总电流、总电压等信息来辨识用户各类用电器的工作状态。该技术能够向用户反馈分析结果，对用户的用电行为进行指导，科学地制定规划方案、提供用电建议，从而促进实现节能降耗。相比于传统的侵入式监测技术，减少了设备安装成本以及后期维护消耗。该项技术对于我国绿色、持续、可协调发展、推进能源生产和消费革命具有非常重要的使用价值和研究意义。

目前，随着目前家用电器的种类逐渐增多，负荷基本特征原始数据量更大，识别处理过程的更加复杂，识别效率随之降低；部分电器功率、电流等负荷特征相似度变高，导致出现特征重叠现象，识别效果较差，并且，在实际用电场景下，通常会存在高功率电器和低功率电器同时运行的情况，存在大功率非平稳负荷波动的干扰和噪声影响，导致低功率负荷辨识准确度较低。依据非侵入式电力负荷识别技术的研究现状可知，该技术主要是根据电力负荷的电气特征建立电力负荷模型，然后利用模式识别，优化技术实现电力负荷的分解，例如聚类算法、机器学习算法、进化算法等。然而，现有模糊聚类识别的研究建立在负荷个数与种类即聚类数已知的前提下进行，当负荷数量及类型未知或多种电器同时运行时，无法准确的识别出电器类型及运行状态；机器学习方法计算效率较高，但负荷监测与识别中的准确性受随机初始结果和权值等影响较大；进化算法通过迭代寻优的方式可以提高负荷识别结果的准确度，但计算效率偏低。综合当前研究成果，较少涉及改进识别算法同时优化运算效率的非侵入式负荷识别方案。

发明内容

本发明的目的是提供一种高效准确的非侵入式电荷识别方法，降低负荷识别算法的运算复杂度，提高准确性和抗干扰能力。

为实现上述技术目的，本发明采用以下技术方案。

本发明提供了非侵入式电力负载识别方法，包括以下步骤：

采集负荷电压数据和电流数据并提取负荷功率特征和总正交电流谐波频谱特征；基于负荷电压数据、电流数据和负荷功率特征进行加窗预处理，获得加窗后的功率数据；

基于生成的初始状态库确定所有负荷的初始状态；

根据加窗后的功率数据和所有负荷的功率特征向量和谐波特征向量建立复合特征目标函数模型；基于各所有负荷的初始状态确定所述复合特征目标函数模型的参数初始值，求解所述复合特征目标函数模型获得电力负荷最优解。

进一步地，总正交电流谐波频率特征H(k)表示如下：

其中u(t)为采样时刻t的负荷电压，i(t)为采样时刻t的负荷电流，U_rms是电压u(t)的均方根电压，N为用电场景内负荷总数，n为用电场景内负荷的序号，T为采样时间周期。

进一步地，对采集的电压数据、电流数据和正交电流谐波频率特征进行加窗预处理的表达式如下：

其中P(t)为采样时刻t的总负荷功率，P_m(t)为将采样时刻t的负荷功率P(t)加窗预处理之后得到的功率数据；w(t)为窗函数，D为加窗总数，T_w是窗函数的窗口宽度，β_i为窗口重叠比。

进一步地，基于生成的初始状态库确定所有负荷的初始状态的方法如下：

步骤a:随机生成t时刻下初始状态库State0＝{S_{0_1}，S_{0_2},…,S_{0_Q}}，S_{0_j}＝{δ_{0_j1},δ_{0_j2},…,δ_{0_jN}}，j＝1,2,…,Q，S_{0_j}表示初始状态库中所有负荷的第j个运行初始状态，Q为初始状态库中状态总数；δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库State0中第i个负荷的第j个初始状态，

步骤b：计算t时刻下初始状态库State0中每个初始状态与采样时刻t负荷功率P(t)加窗预处理之后得到的功率数据的距离差，确定最小距离差Δ，最小距离差Δ表示如下：

其中δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库中第i个负荷的第j个初始状态，j＝1,2,…,Q，Q为初始状态库中初始状态总数；p_ji为某一个负荷在其第j个初始状态下的功率；

步骤c：确定距离差最小值对应的初始状态S_{0_min}；

步骤d：判断Δ≤ε是否满足，满足则更新ε值，其中ε为阈值；否则重新随机生成初始状态替换步骤c确定的初始状态S_{0_min}；

步骤e：将确定的初始状态S_{0_min}作为所有负荷初始状态。

再进一步地，所述复合特征目标函数模型表示如下：

其中D(j,t)表示一个与采样时间t以及初始状态相关的目标函数；P_m(t)为将原始的采样时刻t的负荷功率P(t)加窗预处理之后得到的功率数据；H(k)为采样时刻t总谐波负荷特征值；负荷状态S_{0_j}下所有负荷的功率特征向量P＝[p_j1,p_j2,…,p_jN],所有负荷的谐波特征向量H＝[h_j1,h_j2,…,h_jN]，ω表示该模型侧重于功率特征的权重值，ω'表示该模型侧重于正交电流谐波特征的权重值。

再进一步地，求解所述复合特征目标函数模型的方法如下：

将初始状态库State0作为遗传初始种群{S_{0_1}，S_{0_2},…,S_{0_Q}}，其中每个状态个体为N维的二进制向量S_{0_j}；设置遗传迭代参数；根据确定的所有负荷初始状态S_{0_min}对应的所有负荷的功率特征向量和所有负荷的谐波特征向量以及所有负荷的初始状态确定所述复合特征目标函数模型的初始参数值；

根据目标函数计算种群的适应度，并确定种群中的最优值，判断是否达到最大遗传代数，没有达到最大遗传代数则进行选择、交叉和变异操作，生成新的初始下一代种群，重复根据目标函数计算种群的适应度；达到最大遗传代数，则从每一代的最优个体中选择适应度最高的个体，作为算法的最优解输出。

基于以上技术方案，还包括：对初始状态库State0进行更新，更新的方法为：用选定的识别周期中出现频次最高的状态替换初始状态库State0中距离差最大值对应的状态S_{0_max}，构成新的初始状态库State0。

进一步地，更新阈值ε的方法如下：采用初始状态库中每种状态下的距离差的中值替换原来的阈值ε。

本发明所取得的有益技术效果：

本发明将数据预处理和识别算法优化有效结合，利用原始数据加窗预处理和初始状态预判，降低了运算复杂度；利用负荷之间差异较大的正交电流谐波特征，优化特征模型，提高了用电场景下负荷识别准确度。该方法解决了现有技术中负荷有功无功功率特征接近时，辨识效果较差的问题，同时解决了算法优化过程中引起的运算时间显著增大的问题；

本发明对各个符合的初始状态进行了预处理，优化了各负荷的初始状态，提高了非侵入电力负荷识别方法的识别效率，使方法收敛更快。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明具体实施例提供的非侵入式电力负荷识别方法结构示意图；

图2是本发明具体实施例提供的非侵入式电力负荷识别方法流程示意图；

图3是本发明具体实施例提供使用的采集装置组成框图；

图4是发明具体实施例中负荷特征原始数据加窗预处理示意图；

图5是发明具体实施例加窗宽度、重叠比与运算时间的关系曲线。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例一、本实施例提供了非侵入式电力负荷识别方法，包括以下步骤，本实施例提供的方法结构示意图如图1所示：

步骤1：采集负荷电压数据和电流数据。本实施例中采用如图2所示的智能非侵入式负荷特征采集装置获取负荷电压、电流信号基本特征。智能非侵入式负荷特征采集装置如图3所示，包括监测设备、数据采集设备和外设三部分。监测设备包括智能监测器、集中器、控制器等，数据采集设备包括通信总线、总控制模块、存储单元等，外设包括显示模块和输入设备。通过上述装置获取用电器的电压、电流等信号。

步骤2：基于步骤1中的基本特征数据，提取用电器的功率、电流谐波等负荷特征，包括提取用电器(即负荷)的功率、电流谐波等负荷特征,以及提取总正交电流谐波频谱特征。

不同负荷的正交电流谐波频域特性差异较大，有助于提高负荷识别准确度，因此除了功率特征，步骤2提取正交电流谐波频谱H(k)如下：

其中负荷电压电流分别表示为u(t)和i(t)，U_rms是电压u(t)的均方根电压，N为用电场景内负荷总数。

步骤3：对采集的电压数据、电流数据和正交电流谐波频率特征进行加窗预处理，获得加窗后的功率数据；

基于生成的初始状态库确定所有负荷的初始状态；本步骤基于步骤2中的负荷特征，进行原始数据预处理，提高运算效率。

3.1加窗预处理。

原始数据加窗预处理，以不丢失有效数据为原则，减少数据量，降低运算复杂度。在固定的用电场景当中，负荷状态变化通常呈周期性，通过原始数据采集分析可以判断得到周期值，然后在全时间段范围内对负荷功率特征数据加时间窗提取有效数据，加窗方式如图4所示。加窗预处理过程涉及到的重要参数包括加窗位置、加窗尺寸和效率增幅，加窗位置选取有突变或者特征值波动的位置；初始窗口尺寸较大，后续窗口尺寸递减，通过长时间数据累积，窗口长度可以进一步减小；效率增幅与窗口尺寸和窗口重叠比相关。加窗后负荷功率特征数据可以表示为：

其中P(t)为采样时刻t的总功率，w(t)为窗函数，D为加窗总数，T为窗口宽度，β为窗口重叠比。如图5所示，重叠比越大，即窗口重叠率越高，则运算时间越长。

3.2初始状态预判即基于生成的初始状态库确定所有负荷的初始状态。预估初始状态作为下一步识别算法的输入，可以减小后续处理时间。

预估初始状态作为下一个步骤的输入，可以减小后续处理时间。对于非侵入式负荷识别来说，所有电器的运行初始状态可以表示为S₀＝{δ₀₁,δ₀₂,…,δ_0N}，δ_0i∈{0,1},i＝1,2,…,N。依据步骤3.1加窗预处理之后的数据，通过单功率目标特征值Δ和预设阈值ε输出各负荷的初始状态S₀，预估方法如下，包括：

步骤a:随机生成t时刻下初始状态库State0＝{S_{0_1}，S_{0_2},…,S_{0_Q}}，S_{0_j}＝{δ_{0_j1},δ_{0_j2},…,δ_{0_jN}}，j＝1,2,…,Q，S_{0_j}表示初始状态库中所有负荷的第j个运行初始状态，Q为初始状态库中状态总数；δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库State0中第i个负荷的第j个初始状态；

步骤b：计算t时刻下初始状态库State0中每个初始状态与采样时刻t负荷功率P(t)加窗预处理之后得到的功率数据的距离差，确定最小距离差Δ，最小距离差Δ表示如下：

其中p_ji为某一个电器在其第j个状态下的功率，Q取值越大，数据预处理复杂度越高，但是后续识别处理复杂度越低。δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库中第i个负荷的第j个初始状态，j＝1,2,…,Q，Q为初始状态库中初始状态总数；p_ji为某一个负荷(第i个负荷)在其第j个初始状态下的功率；

步骤c：确定距离差最小值对应的初始状态S_{0_min}；

步骤d：判断Δ≤ε是否满足，满足则更新ε值，其中ε为阈值；否则重新随机生成初始状态替换步骤c确定的初始状态S_{0_min}；

步骤e：将确定的初始状态S_{0_min}作为所有负荷初始状态。

步骤4：根据加窗后的功率数据和所有负荷的功率特征向量和谐波特征向量建立复合特征目标函数模型；基于各所有负荷的初始状态确定所述复合特征目标函数模型的参数初始值，求解所述复合特征目标函数模型获得电力负荷最优解。

步骤4的目的是提高准确度，在传统遗传算法基础上，对单目标函数进行改进和优化，综合利用负荷功率特征和正交电流谐波特征，建立复合特征目标函数模型。然后依据预处理后所得负荷特征数据和初始状态，基于复合特征目标函数模型，通过遗传迭代获得最优解。

由于不同负荷的正交电流谐波频域特性差异较大，在这一步骤中引入正交电流谐波特征以增强负荷特征之间的差异性，提高识别准确性和抗干扰性。综合负荷功率特征和正交电流谐波特征，建立基于复合特征的目标函数模型如下：

用D(j,t)表示一个与采样时间t以及初始状态相关的目标函数；步骤3中随机生成的初始状态库作为遗传初始种群{S_{0_1}，S_{0_2},…,S_{0_Q}},其中每个状态个体为N维的二进制向量S_{0_j}＝{δ_{0_j1},δ_{0_j2},,…,δ_{0_jN}}；步骤3产生的状态S_{0_min}决定了参数δ_{0_ji}、p_ji和h_ji的初始参数值，即δ_{0_ji}初始值为第i个负荷对应的状态S_{0_min}的值，p_ji的初始值取第i个负荷在其第状态S_{0_min}下的功率值；h_ji的初始值取的初始值取第i个负荷在其第状态S_{0_min}下的谐波(即正交电流谐波频谱)；

某一时刻监测提取到的总功率和总谐波负荷特征值，通过预处理后分别表示为P_m(t)和H_k(t)；状态S_{0_j}下所有负荷的功率特征向量P＝[p_j1,p_j2,…,p_jN],所有电器的谐波特征向量H＝[h_j1,h_j2,…,h_jN]，ω和ω'的取值代表该模型侧重于功率特征还是正交电流谐波特征，ω表示该模型侧重于功率特征的权重值，ω'表示该模型侧重于正交电流谐波特征的权重值。

依据该模型进行多目标寻优，多次迭代获得最优个体：(1)依据目标函数模型D(j,t)，代入根据初始状态S_{0_min}确定的参数初始值，设置遗传迭代参数；(2)根据目标函数计算种群的适应度，并记录种群中的最优值，判断是否达到最大遗传代数，是则执行(4)，否则继续；(3)进行选择、交叉和变异操作，生成新的下一代种群，重复执行(2)；(4)从每一代的最优个体中选择适应度最高的个体，作为算法的最优解输出。

实施例二、在实施例一的基础上，为了自适应调节更新阈值ε的值，使设定的阈值能够适应初始状态的变化且更加合理，本实施例还包括：采用初始状态库中每种状态下的距离差的中值替换原来的阈值ε，初始状态库中每种状态下的距离差的计算公式如下：

实施例三、在以上实施例的基础上，还包括：对初始状态库State0进行更新，更新的方法为：用选定的识别周期中出现频次最高的状态替换初始状态库State0中距离差最大值对应的状态S_{0_max}，构成新的初始状态库State0。

如在步骤3.2初始状态预判中步骤a中，随机生成初始状态库之后，采用本实施例提供的方法对随机生成的初始状态库进行更新，将更新后的各负荷的初始状态库做为下一轮识别的初始状态库，进一步提高的了识别效率和收敛速度。

另如在步骤4求解所述复合特征目标函数模型的过程中，若初始种群采用的是随机生成的各负荷的初始状态库，可以采用本实施例中的步骤更新初始种群，进一步提高的了识别效率和收敛速度。本实施例提供的方法流程示意图如图2所示。

需要说明的是，以上实施例中对各步骤进行编号，仅是为了便于说明，并不能理解为对步骤执行顺序的限定。

本发明是一种高效准确的非侵入式电力负荷识别方法，采用智能非侵入式负荷特征采集装置，对用电场景下的电压、电流信号进行采集存储，通过数据加窗预处理、初始状态生成、识别算法分析、遗传迭代等关键步骤，能够既高效又准确地获取负荷识别结果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.非侵入式电力负载识别方法，其特征在，包括以下步骤：

采集负荷电压数据和电流数据并提取负荷功率特征和总正交电流谐波频谱特征；

基于负荷电压数据、电流数据和负荷功率特征进行加窗预处理，获得加窗后的功率数据；

基于生成的初始状态库确定所有负荷的初始状态；

根据加窗后的功率数据和所有负荷的功率特征向量和谐波特征向量建立复合特征目标函数模型；基于各所有负荷的初始状态确定所述复合特征目标函数模型的参数初始值，求解所述复合特征目标函数模型获得电力负荷最优解；

总正交电流谐波频率特征H(k)表示如下：

其中u(t)为采样时刻t的负荷电压，i(t)为采样时刻t的负荷电流，U_rms是电压u(t)的均方根电压，N为用电场景内负荷总数，n为用电场景内负荷的序号，T为采样时间周期；

对采集的电压数据、电流数据和正交电流谐波频率特征进行加窗预处理的表达式如下：

其中P(t)为采样时刻t的总负荷功率，P_m(t)为将采样时刻t的负荷功率P(t)加窗预处理之后得到的功率数据；w(t)为窗函数，D为加窗总数，T_w是窗函数的窗口宽度，β_i为窗口重叠比；

基于生成的初始状态库确定所有负荷的初始状态的方法如下：

步骤a:随机生成t时刻下初始状态库State0＝{S_{0_1}，S_{0_2},…,S_{0_Q}}，S_{0_j}＝{δ_{0_j1},δ_{0_j2},…,δ_{0_jN}}，j＝1,2,…,Q，S_{0_j}表示初始状态库中所有负荷的第j个运行初始状态，Q为初始状态库中状态总数；δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库State0中第i个负荷的第j个初始状态，

步骤b：计算t时刻下初始状态库State0中每个初始状态与采样时刻t负荷功率P(t)加窗预处理之后得到的功率数据的距离差，确定最小距离差Δ，最小距离差Δ表示如下：

其中δ_{0_ji}∈{0,1},i＝1,2,…,N,N为用电场景内负荷总数，δ_{0_ji}表示初始状态库中第i个负荷的第j个初始状态，j＝1,2,…,Q，Q为初始状态库中初始状态总数；p_ji为某一个负荷在其第j个初始状态下的功率；

步骤c：确定距离差最小值对应的初始状态S_{0_min}；

步骤d：判断Δ≤ε是否满足，满足则更新ε值，其中ε为阈值；否则重新随机生成初始状态替换步骤c确定的初始状态S_{0_min}；

步骤e：将确定的初始状态S_{0_min}作为所有负荷初始状态；

所述复合特征目标函数模型表示如下：

其中D(j,t)表示一个与采样时间t以及初始状态相关的目标函数；P_m(t)为将原始的采样时刻t的负荷功率P(t)加窗预处理之后得到的功率数据；H(k)为采样时刻t总谐波负荷特征值；负荷状态S_{0_j}下所有负荷的功率特征向量P＝[p_j1,p_j2,…,p_jN],所有负荷的谐波特征向量H＝[h_j1,h_j2,…,h_jN]，ω表示该模型侧重于功率特征的权重值，ω'表示该模型侧重于正交电流谐波特征的权重值。

2.根据权利要求1所述的非侵入式电力负载识别方法，其特征在，求解所述复合特征目标函数模型的方法如下：

将初始状态库State0作为遗传初始种群{S_{0_1}，S_{0_2},…,S_{0_Q}}，其中每个状态个体为N维的二进制向量S_{0_j}；设置遗传迭代参数；根据确定的所有负荷初始状态S_{0_min}对应的所有负荷的功率特征向量和所有负荷的谐波特征向量以及所有负荷的初始状态确定所述复合特征目标函数模型的初始参数值；

根据目标函数计算种群的适应度，并确定种群中的最优值，判断是否达到最大遗传代数，没有达到最大遗传代数则进行选择、交叉和变异操作，生成新的初始下一代种群，重复根据目标函数计算种群的适应度；达到最大遗传代数，则从每一代的最优个体中选择适应度最

高的个体，作为算法的最优解输出。

3.根据权利要求2所述的非侵入式电力负载识别方法，其特征在，还包括：对初始状态库State0进行更新，更新的方法为：用选定的识别周期中出现频次最高的状态替换初始状态库State0中距离差最大值对应的状态S_{0_max}，构成新的初始状态库State0。

4.根据权利要求1所述的非侵入式电力负载识别方法，其特征在，更新阈值ε的方法如下：

采用初始状态库中每种状态下的距离差的中值替换原来的阈值ε。