一种非侵入式负荷分解方法技术

本发明专利技术属于用电负荷分解技术领域，具体涉及一种非侵入式负荷分解方法。针对现有非侵入式负荷监测过程中采用传统的差分进化算法，在解决多极值优化问题时容易陷入停滞的不足，本发明专利技术采用如下技术方案：一种非侵入式负荷分解方法，所述非侵入式负荷分解方法包括：步骤一、建立负荷特征库；步骤二、监测得到实际的负荷总电流序列，将欧式距离最小作为目标函数构建差分总电流序列模型；步骤三、利用阶梯递减式个数递减机制构建改进型差分进化算法；步骤四、应用改进型差分进化算法进行迭代优化，得出各个用电器最优时间系数；步骤五、由最优时间系数确定用电器的开启状态及开启时间。本发明专利技术的有益效果是：提升各个用电器的开启状态识别率。别率。别率。

【技术实现步骤摘要】
一种非侵入式负荷分解方法


[0001]本专利技术属于用电负荷分解
，具体涉及一种非侵入式负荷分解方法。

技术介绍

[0002]非侵入式负荷监测(non
‑
intrusive load monitoring,NILM)，是指在电力入口处安装监测设备，通过监测该处的电压、电流等信号，分析得到负荷集群中单个负荷的种类和运行情况。它只需在电力入口处安装非侵入式装置，不仅降低硬件成本，同时提高用户接受度。非侵入式电力负荷监测技术是电力管理系统和用户能源管理系统的重要组成部分，也是目前电网智能化，家居管理智能化进一步提升的方向。相比于侵入式技术而言，非侵入式技术具有用户侧友好、经济成本低廉，安装维护便利等优点，呈现出良好的发展前景。
[0003]在非侵入式负荷监测过程中，需要采用算法对负荷进行分解。差分进化(Differential Evolution，简称DE)算法是一种基于群体的随机优化方法，其具有运算速度快、算法简单、鲁棒性好等特点，在工程领域得到广泛关注和应用。大量实验证明差分进化算法在处理不可微和非线性的连续空间问题上优于其它算法。
[0004]周晨轶等发表的名为基于差分进化算法的居民用电负荷分解方法的文献中，提出一种基于差分进化算法的非侵入式负荷监测与分解方法，将电器的稳态电流作为负荷特征，建立起负荷总电流与各用电器电流之间的数学模型，利用差分进化算法求得各用电器的开启时间系数，进而实现居民侧电力负荷的分解。
[0005]然而，传统差分进化算法中，执行交叉操作前，当生成的[0,1]之间的随机数小于交叉概率CR或是当前指示器j等于J
rand
，则此时目标向量的第j维使用变异向量值，否则使用原值。J
rand
默认设置为1，用于保证U
i,G
至少有一个分量来自V
i,G
。J
rand
个数过大，会导致当前解偏离最优解，J
rand
个数如果过小，则会导致此机制不能被物尽其用。
[0006]总之，前述文献的方案在解决多极值优化问题时仍然容易陷入停滞，导致无法识别或者识别准确率较低。

技术实现思路

[0007]本专利技术针对现有非侵入式负荷监测过程中采用传统的差分进化算法，在解决多极值优化问题时容易陷入停滞的不足，提供一种非侵入式负荷分解方法，改善传统差分进化算法的全局收敛速度及鲁棒性，提高识别准确率。
[0008]为实现上述目的，本专利技术采用如下技术方案：一种非侵入式负荷分解方法，所述非侵入式负荷分解方法包括：
[0009]步骤一、建立负荷特征库，所述负荷特征库中存储有负荷总电流序列；
[0010]步骤二、监测得到实际的负荷总电流序列，将监测得到的负荷总电流序列与负荷特征库中存储的负荷总电流序列之间的欧式距离最小作为目标函数构建差分总电流序列模型；
[0011]步骤三、利用阶梯递减式个数递减机制构建改进型差分进化算法；
[0012]步骤四、应用改进型差分进化算法对建立的差分总电流模型进行迭代优化，得出各个用电器最优时间系数；
[0013]步骤五、由最优时间系数确定用电器的开启状态及开启时间，继而实现电力负荷分解，获得负荷识别结果；
[0014]其中，所述目标函数为如下式所示：
[0015][0016]式中，[t1,t2,...,t
n
]为使差分总电流序列模型的欧式距离D(I,I1)最小的各个用电器的时间系数，n为用电器种类；I为监测得到的各个用电器的负荷总电流，I1为依据负荷特征库得到的各个用电器的负荷总电流。
[0017]本专利技术的非侵入式负荷分解方法，采用欧式距离这一不同于现有的指标参数，并利用阶梯递减式个数递减机制构建改进型差分进化算法，改善了传统差分进化算法的全局收敛速度及鲁棒性，将其用于差分总电流模型的优化能够提升各个用电器的开启状态识别率，提高负荷分解准确率。
[0018]作为改进，步骤三包括：
[0019]步骤301，初始化种群；
[0020]步骤302，计算初始化种群的适应度；
[0021]步骤303，判断当前解状态，如果为最优解则输出，否则继续执行；
[0022]步骤304，执行变异操作；
[0023]步骤305，执行基于阶梯递减式Jrand个数递减机制的交叉操作；
[0024]步骤306，执行选择操作；
[0025]步骤307，判断迭代状态，如果不满足迭代状态条件则继续执行，否则输出最优解。
[0026]作为改进，步骤301中，种群规模设置为NP，迭代次数G＝0,1,...,G
max
，G
max
为最大迭代次数；
[0027]种群中迭代次数G时第i个个体向量X
i,G
＝［x
1,i,G
,x
2,i,G
,x
3,i,G
,...,x
D,i,G
］，D为个体向量的维数；
[0028]初始化种群在设定的可行域范围内随机均匀产生，初始化种群根据如下公式生成：
[0029]x
j,i,0
＝x
j,min
+rand
i,j
[0,1]·
(x
j,max
‑
x
j,min
)
[0030]式中，x
j,i,0
是个体X
i,G
的第j个分量，x
j,max
和x
j,min
为个体向量X
i,G
第j维的上、下限值，j＝1,2,...,D，rand
i,j
[0,1]是0到1之间的随机数。
[0031]作为改进，步骤304中，在种群中随机选择不同个体向量进行差分操作产生差分向量，并对个体向量进行扰动产生变异向量V
i,G
，差分变异方程为下式所示：
[0032][0033]其中，V
i，G
为变异向量，为基向量，r1、r2及r3表示种群中不同个体向量的索引号，r1,r2,r3∈[1,2,...,NP]，r1、r2及r3为不等于i且互不相同的随机整数，及为当前种群中的随机向量，F为变异因子，用于对差分向量进行缩放。
[0034]作为改进，步骤305中，依据交叉因子C
R
对当前向量X
i,G
和变异向量V
i,G
进行重组产生试验向量U
i,G
＝［u
1,i,G
,u
2,i,G
,u
3,i,G
,...,u
D,i,G
］。
[0035]作为改进，步骤305中，依据公式N＝round(D/5)+1确定阶梯递减个数J
rand
的最大递减数，N在种群迭代过程中，不断递减，直至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式负荷分解方法，其特征在于：所述非侵入式负荷分解方法包括：步骤一、建立负荷特征库，所述负荷特征库中存储有负荷总电流序列；步骤二、监测得到实际的负荷总电流序列，将监测得到的负荷总电流序列与负荷特征库中存储的负荷总电流序列之间的欧式距离最小作为目标函数构建差分总电流序列模型；步骤三、利用阶梯递减式个数递减机制构建改进型差分进化算法；步骤四、应用改进型差分进化算法对建立的差分总电流模型进行迭代优化，得出各个用电器最优时间系数；步骤五、由最优时间系数确定用电器的开启状态及开启时间，继而实现电力负荷分解，获得负荷识别结果；其中，所述目标函数为如下式所示：式中，[t1,t2,...,t
n
]为使差分总电流序列模型的欧式距离D(I,I1)最小的各个用电器的时间系数，n为用电器种类；I为监测得到的各个用电器的负荷总电流，I1为依据负荷特征库得到的各个用电器的负荷总电流。2.根据权利要求1所述的一种非侵入式负荷分解方法，其特征在于：步骤三包括：步骤301，初始化种群；步骤302，计算初始化种群的适应度；步骤303，判断当前解状态，如果为最优解则输出，否则继续执行；步骤304，执行变异操作；步骤305，执行基于阶梯递减式c个数递减机制的交叉操作；步骤306，执行选择操作；步骤307，判断迭代状态，如果不满足迭代状态条件则继续执行，否则输出最优解。3.根据权利要求2所述的一种非侵入式负荷分解方法，其特征在于：步骤301中，种群规模设置为NP，迭代次数G＝0,1,...,G
max
，G
max
为最大迭代次数；种群中迭代次数为G时第i个个体向量X
i,G
＝[x
1,i,G
,x
2,i,G
,x
3,i,G
,...,x
D,i,G
]，D为个体向量的维数；初始化种群在设定的可行域范围内随机均匀产生，初始化种群根据如下公式生成：x
j,i,0
＝x
j,min
+rand
i,j
[0,1]
·
(x
j,max<...

【专利技术属性】
技术研发人员：王朝亮，陆春光，肖涛，刘炜，李亦龙，刁瑞朋，葛玉磊，马强，
申请(专利权)人：青岛鼎信通讯股份有限公司，
类型：发明
国别省市：