本发明专利技术提供一种基于非侵入负荷监测的分布式光伏识别装置,涉及智能电网技术领域。首先采集模块采集数据,预处理模块对采集数据进行特征选择并进行滑动窗口重叠采样预处理;训练模块运用窗口采样预处理后的窗口数据,建立基于支持向量机的分布式光伏发电识别模型,对采集数据进行训练;识别模块将智能电表实际采集的数据输入到训练后的模型中进行计算,对实际运行中的分布式光伏发电系统进行识别。本发明专利技术针对分布式光伏发电系统,采用非侵入式负荷监测技术,利用智能电能表分钟级采集数据及环境等数据,运用低复杂度的滑动窗及支持向量机技术,从负荷的主馈线中将分布式光伏发电进行分解。
【技术实现步骤摘要】
本专利技术涉及智能电网,尤其涉及一种基于非侵入负荷监测的分布式光伏识别装置。
技术介绍
1、以分布式光伏发电系统为代表的新能源的应用也给电力系统带来了巨大的负担,对光伏系统的“可观、可测、可控”的要求无法真正满足,分布式光伏发电的随机性和波动性给电网消纳及控制带来了困难,同时可能出险的电压违规、频率波动、过载、反向潮流等问题也对低压配电网造成的严重的影响,如何对分布式光伏发电系统进行监测和识别,进而达到可控目的,成为了研究要点,为了达到这一目标,关键是要获取居民用电负荷信息并进行智能分析。
2、非侵入式负荷监测作为重要的负荷监测手段,能够做到无需进入居民家庭内部而掌握用电负荷信息并进行智能分析,现已成为负荷监测的主要方向和手段。但是现阶段非侵入性负载监测技术主要集中于识别客户方面的常规负载如家用电器等用电设备,与传统家用电器相比,分布式光伏发电系统存在随机性及功率反向等特点,对于分布式光伏的监测尚处于起步阶段,缺乏有效的针对分布式光伏发电系统的非侵入式监测识别体系。
3、目前,常规非侵入式负荷监测方法需要改造或新增监测装置来实现,但仍然存在一些问题,比如投入较多、成本较高、涉及范围广、推广难度大等。此外,传统非侵入式负荷监测算法需要高频次的采集数据,智能分析的准确性和时效性也不能满足实际需求。针对存量的分布式光伏发电系统而言,一方面要满足高频次的数据就需要额外增加采样设备,提高了负荷识别的成本。另一方面,高频采样带来的是算法复杂程度的提高,分布式光伏发电系统是长期运行且频繁波动的增加了识别复杂度。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足,提供一种基于非侵入负荷监测的分布式光伏识别装置,针对分布式光伏发电系统,采用非侵入式负荷监测技术,利用智能电能表分钟级采集数据及环境等数据,运用低复杂度的滑动窗及支持向量机技术,从负荷的主馈线中将分布式光伏发电进行分解。
2、为解决上述技术问题,本专利技术所采取的技术方案是:
3、一种基于非侵入负荷监测的分布式光伏识别装置,包括存储器和处理器,存储器存储有待执行的计算机程序,处理器执行所存储的计算机程序;
4、存储器中存储的计算机程序包括:
5、采集模块,用于进行数据采集,采集的数据包括分布式光伏发电系统的运行电气数据,以及分布式光伏系统所在地的环境数据;
6、数据存储模块,用于存储采集模块采集到的各类数据;
7、预处理模块,用于对所采集到的数据进行特征选择并进行滑动窗口重叠采样预处理;
8、训练模块,用于运用窗口采样预处理后得到的窗口数据,建立基于支持向量机的分布式光伏发电识别模型,使用该模型对采集数据进行训练;
9、识别模块,用于运用训练结果,将智能电表实际采集的数据输入到训练后的模型中进行计算,对实际运行中的分布式光伏发电系统进行识别。
10、进一步地,采集模块进行数据采集的具体实现方法为:
11、数据的采集包括分布式光伏发电系统的运行电气数据以及分布式光伏发电系统所在地的环境数据的采集;
12、建立分布式发电系统的数据采集架构,如下:
13、采集模块需连接分布式光伏发电系统的逆变器一端,同时连接家庭总线与配电网连接点,需要采集的数据包括电流及功率;其中分布式光伏发电系统电流为ipv,分布式光伏发电系统功率为ppv;家庭总负荷电流iload,家庭总功率为pload;流入配电网的家庭净负荷电流为inl,家庭净负荷功率为pnl;
14、采集分布式光伏发电系统所在地的环境数据,包括温度t、光照强度q;
15、将采集到的每个数据进行时间标记;
16、为配合智能电能表的采样频率,所述数据采集的采样频率为1分钟;
17、对采集到的数据进行过滤、降噪处理。
18、进一步地,所述预处理模块进行特征选择并进行滑动窗口重叠采样预处理的具体实现方法为:
19、分布式光伏发电系统功率ppv、家庭总功率为pload、家庭净负荷功率pnl之间的关系如公式(1)所示:
20、pnl(t)= pload(t)– ppv(t) (1);
21、其中,t表示时间标记;
22、公式(1)中所述的功率关系,涉及到两种形式,第一种形式pnl(t)>0,表示分布式光伏发电系统所发电量小于家庭总负荷,需要配电网进行功率输送至家庭内部;第二种形式pnl(t)<0,表示分布式光伏发电系统所发电量大于家庭总负荷,多余电量反馈至配电网中;
23、特征数据进行滑动窗口采样生成的特征数据窗口矩阵,n表示窗口长度,a表示滑动步长;测量值被分组在n个样本的窗口中,窗口移动距离选取窗口大小的一半,不仅能覆盖分组样本内的变化,而且还包括位于每个窗口边缘的变化;
24、计算每个特征数据的均值、中位数、方差、标准差和均方根值,将窗口宽度减少到5个样本;
25、计算从1到n的所有测量值的总和,然后除以窗口中的样本总数n,得到均值,其中n等于窗口大小;均值如公式(2)所示;
26、 (2);
27、方差定义为与均值的平方偏差平均值,其数学等价定义如式(3)所示;
28、 (3);
29、将一组特征数据窗口向量从最低到最高地进行排列,中位数表示给定范围的中间值;
30、标准差为方差的平方根,由公式(4)所示:
31、 (4);
32、均方根值定义为每个时间窗口内变化的有效功率值,其描述值如公式(5)所示:
33、 (5);
34、对特征数据集窗口进行分类,对每个创建的窗口进行评估,将其分类为生成分布式光伏发电功率的窗口即pv窗口,或未生成分布式光伏发电功率的窗口即非pv窗口;
35、具体分类方法为:为分布式光伏发电功率设置一个阈值,如果窗口至少一半的值显示分布式光伏发电功率高于设置的阈值,则窗口被归类为pv窗口,反之则为非pv窗口;比较非pv窗口和pv的窗口的百分比,使每种类型的窗口数量相同。
36、进一步地,所述训练模块建立基于支持向量机的分布式光伏发电识别模型及模型训练的具体实现方法为:
37、选取训练集和测试集:对分类完成的窗口进行选择,对于两类窗口分别选择75%作为训练集,25%作为测试集;
38、利用支持向量机算法构建分布式发电系统识别目标函数,如公式(6)所示;
39、f(x)=w×k(x)+c=0 本文档来自技高网
...
【技术保护点】
1.一种基于非侵入负荷监测的分布式光伏识别装置,其特征在于:包括存储器和处理器,存储器存储有待执行的计算机程序,处理器执行所存储的计算机程序;
2.根据权利要求1所述的基于非侵入负荷监测的分布式光伏识别装置,其特征在于:所述采集模块进行数据采集的具体实现方法为:
3.根据权利要求2所述的基于非侵入负荷监测的分布式光伏识别装置,其特征在于:所述预处理模块进行特征选择并进行滑动窗口重叠采样预处理的具体实现方法为:
4.根据权利要求3所述的基于非侵入负荷监测的分布式光伏识别装置,其特征在于:所述训练模块建立基于支持向量机的分布式光伏发电识别模型及模型训练的具体实现方法为:
【技术特征摘要】
1.一种基于非侵入负荷监测的分布式光伏识别装置,其特征在于:包括存储器和处理器,存储器存储有待执行的计算机程序,处理器执行所存储的计算机程序;
2.根据权利要求1所述的基于非侵入负荷监测的分布式光伏识别装置,其特征在于:所述采集模块进行数据采集的具体实现方法为:
3.根据权利要求...
【专利技术属性】
技术研发人员:刘碧琦,王飞,杨壮观,扬爽,张富翔,李佳奇,刘育博,齐俊,
申请(专利权)人:国网辽宁省电力有限公司信息通信分公司,
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。