一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法技术

本发明专利技术提出一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法，利用基于密度的DBSCAN算法，结合时间分段设计功率和电流特征参数,以功率和电流谐波作为为负荷特征。对用户每日时间进行分段，计算不同时间段用户负荷使用概率。采用多特征GEP算法对最优函数进行了改进，结合时间分段概率特性，以达到准确地分解和识别各种电气设备的状态。与侵入式对比，非侵入式只在在用户入口处的总采集端设置监控设备，并对其进行测量分析，得出了各种负载在系统中的组成及状态。从面向用户的角度来看，非侵入式负荷分解的结果不仅可以提示用户哪些设置可能存于异常故障，还帮助用户根据用电状况详细的了解，有效地节约能源。有效地节约能源。有效地节约能源。

【技术实现步骤摘要】
一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法


[0001]本专利技术属于电力系统分解
，尤其涉及一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法。

技术介绍

[0002]随着智能化、信息化时代的迅速发展，智能电网平台已初具规模。智能电网是以现代通信网络为基础，以先进的硬件、高效的传感、测量与通讯技术、完善的控制理论与决策手段，实现了电网安全可靠、经济、高效、环保的运行。电力系统负荷监测正是智能电网的重要特征，但是传统的侵入式负荷监测方式，对各类型的负载分别进行监控，这样的监控方法所需的硬件设备数量庞大，在采购、安装、维护等方面都要花费很大的代价，而且由于各测试装置都是一个数据来源，在负载过大时，将很难进行数据的处理和分析。
[0003]非侵入式负荷分解是指只在在用户入口处的总采集端设置监控设备，并对其进行测量分析，得出了各种负载在系统中的组成及状态。这样就可以节省很多监控设备和资料，并对各类型的负载进行实时监控。从面向用户的角度来看，非侵入式负荷分解的结果不仅可以提示用户哪些设置可能存于异常故障，还帮助用户根据用电状况详细的了解，有效地节约能源。从面相国家角度，开展居民用电问题的研究，对能源系统的节能减排和绿色发展具有十分重要的作用。
[0004]针对当前电力设备种类繁多、用户特点多样的特点，本专利技术提出了一种基于用户时间特性和多特征的GEP非侵入式负荷分解方法，综合考虑用户不同时间段电器使用概率的非电气特性和功率、电流等电气特征。将用户分时段电器状态概率作为负荷新特征辅助负荷分解，考虑用户电器用电时段，以功率和电流波峰作为负荷特征，采用GEP算法并对最优函数进行了改进，以达到准确地分解和识别各种电气设备的状态。基于GEP的非侵入式负荷分解技术主要考虑两个方面的问题：(1)如何对根据用户分段时间概率特性、功率及电流特征进行提取建立特征库；(2)如何用基因表达编程(GEP)对总负荷进行分解。

技术实现思路

[0005]技术问题：本专利技术的目的就是提供一种基于时间分段特性和基因表达编程的非侵入式负荷分解方法，以此方法来实现电力系统负荷分解，通过使用本方法可以使得负荷得到合理分解、监测，提高数据处理效率，保证电力系统的安全稳定运行。
[0006]技术方案：为了解决上述技术问题，本专利技术提出一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法，该方法包括如下步骤：
[0007]步骤1：采集样本设备的功率、电流数据，进行数据处理；
[0008]步骤2：根据能够去除噪声点的基于密度的DBSCAN聚类算法对功率进行聚类分析，计算每个类的平均值，确定功率稳态数据的特征参数；
[0009]步骤3：对电流数据进行快速傅里叶变换处理，计算得到电流的各次谐波值，确定
电流稳态数据的特征参数，对采样得到的功率、电流数据及特征参数进行归一化处理；
[0010]步骤4：根据用户不同时段的设备使用的频率，对各个电器进行聚类分析，把一天24小时划分为几个时间段，分别对各个时间段内，用户对电器的使用频率进行概率统计，制作电器概率特征表；
[0011]步骤5：设置GEP的种群规模，遗传代数，选择方式采用轮盘赌法，交叉方式采用单点交叉，变异方式采用均匀变异；
[0012]步骤6：用二进制方式对电器负荷的运行状态进行编码，0表示电器处于关闭状态，1表示电器处于运行状态，系统中电器负荷个数m等于个体的长度，每个基因位置由节点编码方式进行确定；
[0013]步骤7：根据上述编码方式，随机产生m个个体构成初始种群{x1，x2，x3...x
m
}，每个个体为m维0
‑
1向量，对于任意时刻采样到的总有功功率为P、总无功功率为Q，m个电器运行时的有功、无功率特征分别表示为P
i
＝[P1，P2，...，P
m
]、Q
i
＝[Q1，Q2，...，Q
m
]，则种群个体i对应着一个拟合总有功功率拟合总无功功率
[0014]步骤8：由电流叠加性和功率叠加性进行构建遗传算法的适应度函数；
[0015]步骤9：计算适应度，满足适应度值，则结束得到最优个体，结合电器概率特征表，对GEP算法得到的电器分解进行二次选择确认，进入步骤12，否则进入步骤10；
[0016]步骤10：通过选择、复制、变异、基因重组计算每一代种群个体中的目标函数值，得到最新种群，并保留上一代的最优个体增加对最优个体的识别速度，简化迭代收敛的过程，进入步骤11；
[0017]步骤11：判断是否满足当前迭代次数，满足迭代次数，则将最后收敛得到的最优个体与电器概率特征表相结合，对GEP算法得到的电器分解进行二次选择确认，进入步骤12；否则重新返回步骤9；
[0018]步骤12：若产生的最优个体为多个，选取电器在当前时间分段中，使用概率最高的电器作为唯一的最优个体；若产生的最优个体只有一个，则与电器概率特征表互相修正，即若概率特征表中无此电器，则在概率特征表中加入该电器；当唯一的电器最优个体确定后，输出得到最优工作状态序列，完成负荷分解。
[0019]进一步的，步骤(1)中的数据处理方法为：对数据进行滤波处理去除噪声。
[0020]进一步的，步骤(2)中，所述有功功率P、无功功率Q计算如下：
[0021][0022][0023]其中，k是谐波次数；U
k
为k次谐波电压；I
k
为k次谐波电流；Φ
k
是k次谐波的电压和电流的相位差。
[0024]进一步的，步骤(3)中，所述电流特征参数为其中，H
thd
为电流
特征参数；k是谐波次数；G
k
为电流k次谐波分量有效值；G1为电流基波分量有效值，n指的是谐波的总次数。
[0025]进一步的，步骤(4)中，聚类划分四个时段，时段一：0:00
‑
6:00，时段二：6:00
‑
9:00，时段三：9:00
‑
17:00，时段四：17:00
‑
24:00。
[0026]进一步的，步骤(8)中的适应度函数如下：
[0027][0028]α+β+γ＝1
[0029]其中，P
i
，Q
i
分别为电器运行时第i个电器的有功功率特征和无功功率特征；H
i
为第i个电器运行时的电流特征；x
i
表示种群中的第i个个体，i∈[1，m]；m为电器数量；P电器运行时的总有功功率值；Q为电器运行时的总无功功率值；H为电器运行时的总电流谐波值，α，β，γ为权重因子，α，β，γ∈[0，1]。
[0030]有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：
[0031](1)本专利技术方法提出一种基于GEP改进的非侵入式负荷分解技术，相比于单功率特征，本专利技术使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法，其特征在于，该方法包括如下步骤：步骤1：采集样本设备的功率、电流数据，进行数据处理；步骤2：根据能够去除噪声点的基于密度的DBSCAN聚类算法对功率进行聚类分析，计算每个类的平均值，确定功率稳态数据的特征参数；步骤3：对电流数据进行快速傅里叶变换处理，计算得到电流的各次谐波值，确定电流稳态数据的特征参数，对采样得到的功率、电流数据及特征参数进行归一化处理；步骤4：根据用户不同时段的设备使用的频率，对各个电器进行聚类分析，把一天24小时划分为几个时间段，分别对各个时间段内，用户对电器的使用频率进行概率统计，制作电器概率特征表；步骤5：设置GEP的种群规模，遗传代数，选择方式采用轮盘赌法，交叉方式采用单点交叉，变异方式采用均匀变异；步骤6：用二进制方式对电器负荷的运行状态进行编码，0表示电器处于关闭状态，1表示电器处于运行状态，系统中电器负荷个数m等于个体的长度，每个基因位置由节点编码方式进行确定；步骤7：根据上述编码方式，随机产生m个个体构成初始种群{x1，x2，x3...x
m
}，每个个体为m维0
‑
1向量，对于任意时刻采样到的总有功功率为P、总无功功率为Q，m个电器运行时的有功、无功率特征分别表示为P
i
＝[P1，P2，...，P
m
]、Q
i
＝[Q1，Q2，...，Q
m
]，则种群个体i对应着一个拟合总有功功率拟合总无功功率步骤8：由电流叠加性和功率叠加性进行构建遗传算法的适应度函数；步骤9：计算适应度，满足适应度值，则结束得到最优个体，结合电器概率特征表，对GEP算法得到的电器分解进行二次选择确认，进入步骤12，否则进入步骤10；步骤10：通过选择、复制、变异、基因重组计算每一代种群个体中的目标函数值，得到最新种群，并保留上一代的最优个体增加对最优个体的识别速度，简化迭代收敛的过程，进入步骤11；步骤11：判断是否满足当前迭代次数，满足迭代次数，则将最后收敛得到的最优个体与电器概率特征表相结合，对GEP算法得到的电器分解进行二次选择确认，进入步骤12；否则重新返回步骤9；步骤12：若产生的最优个体为...

【专利技术属性】
技术研发人员：邓松，张中旭，付雄，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：