【技术实现步骤摘要】
本专利技术属于电力工程，涉及一种能效评估方法及系统。
技术介绍
1、随着经济的持续高速发展，用户的用电量逐渐增加，然而用户用电数据单一，并未形成设备分项能效和节能的具象感知，为实现节能减排，提高用户的个性化用能服务水平，对设备进行能效评估十分必要。
2、目前主要从用户的电量数据着手，采用特定时间集中停电或关断高耗能设备的方式实现节能，以提高用户节能意识，但无法针对性地对设备进行能效评估，针对用户形成个性化用能服务方案，实现高效智能用电。据统计，由于用户没有能源监测维护计划及管控系统，每年至少要损耗12％的能源，为实现节能减排，迫切需要将用户用能信息化，建设能够实时监测设备数据并进行分析的能效模型。通过智能电网及物联技术，可实现用户侧重点用能设备的监测，但是要实现高效智能用电，需要更加精细化分项计量分解用户用电数据，以目前的智能电网及物联技术无法有效评估用户设备能效情况，分析效果差并且耗时长。
技术实现思路
1、为了解决
技术介绍
中所述的问题，本专利技术提出了一种用户设备综合能效评估方法及系统。
2、本专利技术的方法，包括以下步骤：
3、s1、将非侵入式监测终端安装在用户电气入户的表箱层，通过互感器进行数据采集，采集包括用户电气特征的电流、电压、功率、功率因数和频率信息在内的负荷数据；
4、s2、构建由集合经验模态分解子模型、具有捕获局部特征关系的图卷积神经网络子模型、挖掘长时序数据间依赖性的长短时循环记忆网络子模型构成的多频组合模态模型
5、s3、通过集合经验模态分解子模型依据负荷数据自身的时间尺度特征获得负荷波动模式进行负荷分解，即局部平稳化处理；
6、s4、通过图卷积神经网络子模型和长短时循环记忆网络子模型对负荷数据进行负荷分解；
7、s5、通过基于kappa系数的子模型证据修正方法对多频组合模态模型中的子模型的负荷分解结果进行证据修正，运用d-s证据理论将修正后的子模型负荷分解结果证据进行组合重构，对负荷数据进行精确分解；
8、s6、将精确分解后的负荷数据上送至主站系统进行能效的综合分析，得到用户设备的能效评估结果。
9、进一步地，所述集合经验模态分解子模型对负荷数据进行局部平稳化处理的方法为：利用白噪声频谱均匀分布的特性，将采集的负荷数据信号x(t)加入白噪声信号σ(t)得到新负荷数据信号x′(t)，其表达式为：
10、x′(t)＝x(t)+σ(t)，
11、然后，将得到的新负荷信号x′(t)进行经验模态分解为频率不同的若干个单一频率的本征模函数imj(t)和余波分量rn(t)，其表达式为：
12、
13、重复上述操作，并在重复分解过程中加入强度相同序列不等的白噪声σin(t)，最后经过多次平均，噪声相互抵消，输出多个频率的本征模函数集成均值结果作为最终结果。
14、更进一步地，所述图卷积神经网络将采集的负荷数据作为初始数据以列向量yj＝(y1,y2,y3,…,ym)形式输入到输入层，卷积层对其非线性卷积操作，公式为：
15、
16、式中：s表示卷积核滑动步长；i表示稀疏连接，其取值范围为j到n，j＝1,2,…,m-s+1；n＝j+s-1；表示的权值；表示的阀值，同一卷积核中取相同的权值和阀值；f表示sigmoid函数，公式如下：
17、
18、池化层接收到卷积层传输的特征图后进行池化操作，公式为：
19、
20、其中，μ表示平均值；
21、最后全连接层将池化层的负荷分解结果进行输出，公式为：
22、z＝f(gh),gh＝wh-1yh-1+bh；
23、图卷积神经网络中添加了多个隐含层和relu函数，relu函数计算公式为：
24、relu(y)＝max{0,x}；
25、在图卷积神经网络中的数据以节点特征和结构信息描述，其处理数据公式和数据图模型为：
26、
27、其中，v表示数据节点集；i表示节点间的连接情况；a表示邻接矩阵；
28、隐藏层公式为：
29、
30、式中：k表示gcn隐藏层输出结果；ω表示权重矩阵；表示对角矩阵；e为单位矩阵；以y作为k的初始输入数据k(0)。
31、更进一步地，所述长短时循环记忆网络通过引入输入门、遗忘门和输出门和内部记忆单元以减少传递时对记忆信息的长期依赖性，避免循环结构的逐层重复计算；
32、以ct-1、ht-1表示上时刻单元和隐藏层的状态，ct、ht表示当前时刻更新后单元和隐藏层的状态；xt表示当前输入的负荷数据；ft、it和ot分别表示遗忘门、输入门和输出门，其中，遗忘门通过参数σ(σ∈(0,1))筛选历史信息，避免隐藏层数据量过大；输入门控制当前时刻单元信息；输出层为更新隐藏层，形成负荷数据的隐藏信息和循环信息；
33、短期记忆信息ht-1和当前时刻信息xt经由遗忘门形成遗忘向量ft，表达式为：
34、ft＝σ(wfxt+ufht-1+bf)，
35、其中，wf为隐藏层输出ht-1与输入xt的权值参数；bf为偏置参数；
36、叠加此刻输入信息xt和上时刻短期记忆信息ht-1，通过tanh函数更新长期记忆候选信息，由输入门筛选长期记忆信息量，输出表达式为：
37、it＝σ(wi×[ht-1,xt]+bi)；
38、通过遗弃无用新信息和添加有用新信息对细胞状态进行更新，表达式为：
39、
40、由输出门处理当前单元的长期记忆，得到输出信息和短期记忆，表达式为：
41、
42、最终由输出层输出长短时循环记忆神经网络的负荷分解结果。
43、所述运用d-s证据理论的具体方法为：在d-s证据理论融合算法中，判别对象的全部可能状态构成假设集合，记为识别框架θ；θ的所有子集构成的集合记为2θ，包括所有可能的假设；若集函数m:2θ→[0,1]满足下述表达式，则称m是θ上的基本概率分配函数：
44、
45、其中，a为θ的任意子集，若m(a)＞0则称a为焦元；
46、d-s证据理论将s个证据进行融合，其融合框架如下式所示：
47、
48、其中，：若m(a)＞0则称为焦元；χ为证据的冲突系数，
49、更进一步地，所述基于kappa系数的子模型证据修正方法具体为：通过kappa一致性检验得到不同模型间的kappa系数，从而评估各子模型间的证据支持率，并以支持率为基准修正各模型的基本概率分配函数，kappa系数来源于分解模型的混淆矩阵，混淆矩阵的定义如下：
50、
51、其中，d为混淆矩阵，aij为第i类样本被诊断为第j类的总数；
52、kappa系数k的定义式为：
53本文档来自技高网...
【技术保护点】
1.一种用户设备综合能效评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种用户设备综合能效评估方法，其特征在于：所述集合经验模态分解子模型对负荷数据进行局部平稳化处理的方法为：利用白噪声频谱均匀分布的特性，将采集的负荷数据信号X(t)加入白噪声信号σ(t)得到新负荷数据信号X′(t)，其表达式为：
3.根据权利要求2所述的一种用户设备综合能效评估方法，其特征在于：所述图卷积神经网络将采集的负荷数据作为初始数据以列向量yj＝(y1,y2,y3,…,ym)形式输入到输入层，卷积层对其非线性卷积操作，公式为：
4.根据权利要求3所述的一种用户设备综合能效评估方法，其特征在于：所述长短时循环记忆网络通过引入输入门、遗忘门和输出门和内部记忆单元以减少传递时对记忆信息的长期依赖性，避免循环结构的逐层重复计算；
5.根据权利要求4所述的一种用户设备综合能效评估方法，其特征在于：所述运用D-S证据理论的具体方法为：
6.根据权利要求5所述的一种用户设备综合能效评估方法，其特征在于：所述基于kappa系数的子模型证据修正方法
7.根据权利要求6所述的一种用户设备综合能效评估方法，其特征在于：所述S6中，针对用户总体设备，能效评估计算方法为：
8.根据权利要求7所述的一种用户设备综合能效评估方法，其特征在于：所述S6中，针对空调设备，能效评估指标包括制冷能效比和制热能效比；
9.根据权利要求8所述的一种用户设备综合能效评估方法，其特征在于：所述S6中，针对工业锅炉，能效评估计算方法为：
10.一种用户设备综合能效评估系统，其特征在于：包括数据采集模块、多频组合模态模型构建模块、负荷数据分解模块、负荷数据精确分解模块和能效综合分析模块；
...【技术特征摘要】
1.一种用户设备综合能效评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种用户设备综合能效评估方法，其特征在于：所述集合经验模态分解子模型对负荷数据进行局部平稳化处理的方法为：利用白噪声频谱均匀分布的特性，将采集的负荷数据信号x(t)加入白噪声信号σ(t)得到新负荷数据信号x′(t)，其表达式为：
3.根据权利要求2所述的一种用户设备综合能效评估方法，其特征在于：所述图卷积神经网络将采集的负荷数据作为初始数据以列向量yj＝(y1,y2,y3,…,ym)形式输入到输入层，卷积层对其非线性卷积操作，公式为：
4.根据权利要求3所述的一种用户设备综合能效评估方法，其特征在于：所述长短时循环记忆网络通过引入输入门、遗忘门和输出门和内部记忆单元以减少传递时对记忆信息的长期依赖性，避免循环结构的逐层重复计算；
5.根据权利要求4所述的一种用户设备综合能效评估方法，其特征在于：所述运用d-s证据理论的具体方法为：
<...【专利技术属性】
技术研发人员：马磊，刘明兴，程元，汤德海，穆羡瑛，杜建城，李青，王世青，詹鑫，郑毅，丁永杰，芦劼，张高宇，
申请(专利权)人：国网新疆电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。