微分算法 非侵入式负荷识别_基于粒子群算法搜索的非侵入式电力负荷分解方法...

0引言非侵入式电力负荷监测是一种仅通过安装在用户电力入口端的传感器获取电压、电流等信息便可获得家庭用电设备的投切情况的技术,从而帮助用户了解在不同时段各类用电设备的工作状态[1]。同时,也可以帮助用户制定合理的节能计划,并使用户有针对性地去开展节能手段[2]。对于电力企业而言,这种非侵入式电力负荷数据的获取,有助于预测电力系统的负荷组成[3-6],实现国家电力资源的优化配置。因此,建设高效的负荷监测系统,成为了各个国家投入研究的重点。它不仅可为电力行业节能减排提供有力支撑[7],同时在建设节约型社会和缓解能源压力等方面都具有十分重要的意义。非侵入式负荷监测方法最早由Hart在20世纪80年代提出[8],其主要监测电力入口处稳态功率的变化来实现负荷分解(其负荷分解流程如图1所示),从而奠定了非侵入式电力负荷分解的基本框架。图1非侵入式负荷分解基本框架Fig.1 System diagram of non-intrusive load disaggregation在图1所示框架中,集合分析是整个非侵入式电力负荷分解的基础。通常需要提取每个用电设备的可靠负荷印记(Label Signature,LS),用以标识用电设备,以便后续进行分解与辨识。在现有的研究中,常用的负荷印记包括稳态谐波、功率特征、瞬态特征等[9-10]。文献[11-12]采用有功功率作为单一特征对用电设备进行识别;文献[13]采用稳态谐波信息,并通过智能优化算法进行最优电力负荷分解。相比于稳态特征,瞬态特征注重于描述用电设备投入运行的负荷细节,特别是用电设备开启瞬间的信息,它几乎可以作为用电设备唯一的标签[10,14]。为此,一些研究者开始着眼于信息信号处理方法,例如小波分析[15]等。但是,瞬态特征劣势也相当明显,例如需要高采样率及持续的处于监测状态。而且瞬态特征不具有叠加性,当多个设备一同工作或投切时的干扰,都会直接影响电力负荷的准确分解与辨识。在最近的一些研究中,低采样非侵入式电力负荷分解成为了共同关注的目标[11,16-17]。为了有效辨识用电设备投切状态,一般而言,除了与用电设备标签特征相关之外,还与后续的优化或辨识算法有关。文献[16]采用多状态隐马尔科夫模型并采用新的Viterbi算法进行电力负荷分解;文献[17]提出了一种采用减除聚类和最大似然分类器,对开关类用电设备进行负荷分解;文献[18]采用贝叶斯方法来实现对用电设备有功功率进行状态估计;文献[19]采用SVM/GMM的混合模型完成负荷分解的任务。相比于那些采用模式识别算法负荷分解,构建新的最优化目标函数不失为一种好的电力负荷分解方式。文献[20]采用整数规划的方法来对家庭电力设备进行分解;文献[21]将电力负荷分解转化为背包问题,并采用优化算法进行分解;而文献[13]则采用微分进化算法对谐波及相角信息进行分解,以辨识用电识别的投切。一般而言,构建不同的最优化目标函数可能会求解得到不一样的负荷分解结果。事实上,一个好的最优化目标函数是决定最终取得最优电力负荷分解结果的关键。为此,本文结合用电设备稳态工作下电流特征、功率等信息构建了最优化目标函数,并作为粒子群算法的适应度函数进行最优搜索。最后在实验室所开发的平台上实验,验证了本文电力负荷分解方法的有效性。1非侵入式电力负荷稳态特征及功率通常,用电设备正常工作稳态电流存在一定的统计规律特性[9],而且根据基尔霍夫电流定律,一个入口节点的电流由各个出口支路的电流线性叠加得到,即总电流是各个用电设备投切时电流的叠加。为了构建电流特征表达模型,本文引入信号的频域表达理论,将