基于设备运行状态挖掘的非侵入式负荷分解方法

发布时间：2021-01-12 02:50

　　随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。 

【文章来源】：电力建设. 2020,41(08)北大核心

【文章页数】：8 页

【部分图文】：

负荷事件检测模型

以二维特征值为坐标的负荷事件点呈簇状分布在特征平面内，因此可以通过聚类算法进行分析。传统的聚类算法需要人为指定聚类中心数[14]，而在非侵入式负荷分解的应用实际中，用户内部的设备数量、设备运行状态的数量均是未知的，聚类中心数难以明确。采用基于均值漂移(mean shift)的聚类算法[15-16]可以克服以上缺陷，其仅需设置参数高斯核带宽b就可以在二维特征平面上自适应地确定聚类中心数，负荷事件聚类分析效果如图2所示。由图2可知，经标准化处理特征值后的所有负荷事件被聚为数类，其构成聚类簇集合C={c1,c2，…，cK}。每个聚类簇内的负荷事件在特征平面内分布相近，表征同一类负荷状态的改变。其可以是正向的cP(由低功率状态转变至高功率状态)，也可以是反向的cN(由高功率状态转变至低功率状态)。

综合考虑工作模式的差异性，可以将家庭用电设备划分为3类:ON/OFF型、有限状态型和连续变化型[2]。鉴于大部分家庭用电设备都具有稳定的工作状态，本文只讨论前2类用电设备，其运行状态如图3所示。如图3(a)所示，ON/OFF型设备只有1个运行状态，因此可以用1对正、反向的负荷事件(eP1,eN1)标志其起始与结束。如图3(b)所示，有限状态型设备由3个负荷事件表征2个运行状态，可以将t3时刻实际发生的负荷事件eN3分解成同时刻正、反的2个虚拟负荷事件e"N2和e"P4，如表1所示。

【参考文献】：
期刊论文
[1]考虑状态概率因子和状态修正的非侵入式负荷分解方法[J]. 文亚凤,崔亮节,孙毅,祁兵,马永红.  电网技术. 2019(11)
[2]深度神经网络在非侵入式负荷分解中的应用[J]. 燕续峰,翟少鹏,王治华,王芬,何光宇.  电力系统自动化. 2019(01)
[3]基于监督学习的非侵入式负荷监测算法比较[J]. 涂京,周明,宋旭帆,周光东,李庚银.  电力自动化设备. 2018(12)
[4]基于近邻传播聚类和遗传优化的非侵入式负荷分解方法[J]. 徐青山,娄藕蝶,郑爱霞,刘瑜俊.  电工技术学报. 2018(16)
[5]基于k-NN结合核Fisher判别的非侵入式负荷监测方法[J]. 宋旭帆,周明,涂京,李庚银.  电力系统自动化. 2018(06)
[6]基于遗传优化的非侵入式家居负荷分解方法[J]. 孙毅,崔灿,陆俊,郝建红,刘向军.  电网技术. 2016(12)
[7]基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析[J]. 陈思运,高峰,刘烃,翟桥柱,管晓宏.  电力系统自动化. 2016(21)
[8]非侵入式负荷监测与分解研究综述[J]. 程祥,李林芝,吴浩,丁一,宋永华,孙维真.  电网技术. 2016(10)
[9]面向智能电网的互动式节能调度初探[J]. 李俊雄,黎灿兵,曹一家,李欣然,何丽娜,刘博.  电力系统自动化. 2013(08)



本文编号：2971991