电力负荷总功率实时分解方法与系统技术方案

本发明专利技术提供一种电力负荷总功率实时分解方法与系统，同时采用有功功率和无功功率特征，适合秒钟级和分钟级采样频率的负荷分解。为了减少负荷建模所需的人工，采用聚类分析方法构建电器设备不同工作状态下的稳态功率特征模板。给出了一种电力负荷背景负荷估计方法，用于“去除”负荷功率中的背景负荷成分。在分解模型的优化目标函数中增加了关于成分电器设备稀疏性及工作状态转换稀疏性的惩罚项，提高了工作状态估计的准确性。给出了工作状态估计结果修正及功率分配优化方法，进一步提高了工作状态估计和功率分解分配的准确性。与新近研究成果在公开数据集上的对比测试表明，本文方法能够有效提高电力负荷实时分解的准确性。

Real time decomposition method and system of power load total power

The invention provides a method and system for real-time decomposition of total power of power load, which adopts both active power and reactive power characteristics, and is suitable for load decomposition at second and minute sampling frequencies. In order to reduce the manual work required in load modeling, the steady-state power characteristic templates of electrical equipment under different working conditions were constructed by cluster analysis method. A method for background load estimation of power load is presented, which is used to \remove\ the background load components in load power. Punishment terms are added to the optimization objective function of the decomposition model for the sparsity of component electrical equipment and the sparsity of working state transition, which improves the accuracy of working state estimation. The correcting method of working state estimation results and the optimization method of power allocation are given, which further improves the accuracy of working state estimation and power decomposition allocation. Comparing with recent research results on open data sets, the proposed method can effectively improve the accuracy of real-time load decomposition.

【技术实现步骤摘要】
电力负荷总功率实时分解方法与系统
本专利技术提供一种电力负荷总功率实时分解方法与系统，属于负荷功率分解方法领域。
技术介绍
电力负荷分解(PowerLoadDisaggregation，PLD)是一种全新的负荷耗电细节监测技术，通过采集和跟踪分析负荷端电压和总电流信号，将总负荷分解成各成分电器的用电信息之和，能够获取负荷内部每种电器的工作状态、耗电功率和累计电量等耗电细节信息，在电力大数据分析与应用等方面具有的巨大的潜力。目前，电力负荷分解方法主要分为两大类。第一种方法利用与电器工作状态转换相关的负荷特征，对电器的工作状态进行逐个辨识，进而估计其用电功率和累计电量，这类方法可以简称为“事件法”。Hart是这类方法的先驱，他以电器起动和关断时的稳态功率差量作为负荷特征，利用最近邻模板匹配方法实现电器工作状态监测。为了达到更好的监测效果，后续研究，增加了暂态功率波形特征、稳态谐波特征、电流电压波形特征等。其中，有些研究都采用高频采样，这对系统硬件处理能力的要求较高，从而系统成本较高。第二种方法直接将总负荷聚合特征分解成最优的电器特征的组合结果，运用优化算法(差分进化算法、粒子群算法、整数规划算法等)进行求解分解模型，通常简称为“分解法”。在这方面，现有研究多采用电器有功功率作为负荷特征，通过选取电器从起动至停止整段有功功率曲线、片段功率曲线，或者稳态运行时功率点值构建负荷特征模板库，运用最优化方法求解。此外，分解法需要构建适合的最优化目标函数，其关键还在于衡量关于总负荷聚合特征的估计值与实测值之间的相似性，例如，可以运用拟合信号和实际信号的内积、差值范数或者皮尔森相关系数等。近来，为提高分解结果的准确性，在最优化模型中添加一定的约束条件。一般来讲，分解法不需要对总负荷聚合特征进行高频采样，对系统硬件处理能力的要求较低，从而系统成本较高。总体上，同事件法相比，分解法的监测准确率有待提高。目前，对于分解法，仍存在几方面具体问题：(1)分解法多采用单一特征，有功功率，构建优化目标函数，对于有功功率相近的电器，或者场景中存在某一电器有功功率是多个电器功率加和的情况，分解结果会存在一定的误差。(2)现有方法在分解得到工作状态的结果后，多以模板功率值作为电器的功率估计值，得到的电器的功率曲线为分段常函数，这会导致多数时刻的负荷总功率值不等于当时各成分电器功率估计值得加和，即造成功率“不平衡”，影响用户体验。(3)现有分解模型多假设已知所有成分电器的负荷模型，而实际条件是，电力负荷常常存在一些不易获取其负荷模型的常开电器，需要在功率分解前滤除这些设备产生的功率(一般称为背景负荷)，现有方法并没有对此明确给出可靠的方法，使得他们的实用性受限。
技术实现思路
本专利技术目的在于提供一种电力负荷总功率实时分解方法与系统，无需高频采样，避免了高成本设备的使用，减弱了背景负荷对分解结果的影响，使用聚类算法减少了人工的使用，提高了求解的合理性，提高了电器工作状态辨识和用电功率估计的准确性。本专利技术所述的电力负荷总功率实时分解系统，包括功率检测设备和运算设备；其中，运算设备内设置初始化子系统和在线监测子系统；初始化子系统包括负荷特征库构建模块和背景负荷估计模块；在线监测子系统包括背景负荷去除模块和功率分解模块；其中，功率检测设备对电力负荷的实时功率进行检测，运算设备会以固定频率向功率检测设备索取功率数据，形成数据库；进一步地，初始化子系统在电力负荷总功率实时分解系统部署初期，通过对数据库中的功率数据进行分析处理，实现在线监测子系统所需有关功能模型的初始化，而后，在线监测子系统对功率检测设备实时获取的功率数据进行实时分解；更进一步地，负荷特征库构建模块根据数据库中目标电器的功率数据，进行聚类分析得出目标电器的有功功率模板库和无功功率模板库，以及目标电器的使用和运行规律参数；背景负荷估计模块根据数据库中的电力负荷总功率数据，估计电力负荷的背景负荷基准值及背景负荷最大值；背景负荷去除模块根据所述背景负荷估计模块得出的有关估计值，去除当前功率数据中的背景负荷；功率分解模块包括目标电器工作状态估计、工作状态估计结果修正和目标电器功率分配三个环节；其中，目标电器工作状态估计环节为功率分解模块根据功率分解模型，对去除背景负荷后的功率进行分析，估计当前时刻目标电器的工作状态；工作状态估计结果修正环节为功率分解模块根据目标电器的使用和运行规律参数，对所述工作状态估计结果进行修正；目标电器功率分配环节为功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。所述的电力负荷总功率实时分解系统的电力负荷总功率实时分解方法，包括如下步骤：S1：负荷特征库构建：通过聚类分析算法构建目标电器的负荷特征模板库，获得目标电器的使用和运行规律参数；S2：背景负荷估计：估计电力负荷总功率的背景负荷参数；S3：背景负荷去除：将电力负荷总功率中的背景负荷去除，用于后续的功率最优分解；S4：功率最优分解：将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；将优化分解得到的工作状态估计结果进行修正；根据修正后的工作状态结果将去除背景负荷后的功率分配给目标电器。所述的电力负荷总功率实时分解方法，所述S1中的构建目标电器的负荷特征模板库的方法，包括如下小步：S11：以固定频率对某个目标电器i进行单独检测，获取用于构建目标电器负荷特征模板的原始用电数据，其中，原始用电数据包括有功功率和无功功率；S12：对原始用电数据进行聚类分析，直接得出目标电器i具有的工作状态数量及对应的功率模板库。假定，聚类结果为Ci类，即目标电器i具有Ci种工作状态，设j∈(1，...，Ci)，选取每类聚类中心作为目标电器i的有功功率和无功功率模板：其中，为聚类得到的目标电器i的第1至第Ci种工作状态的有功功率模板值；为聚类得到的电器i第1至第Ci种工作状态的无功功率模板值，Dpi和Dqi分别为目标电器i的有功功率模板库和无功功率模板库；这里，假定目标场景内含有N种不同的目标电器，对每个目标电器，分别按上述方案进行处理，可以得到包含所有目标电器的有功功率模板和无功功率模板的有功功率模板库Dp和无功功率模板库Dq：Dp＝[Dp1...Dpi...DpN]Dq＝[Dq1...Dqi...DqN]所述的电力负荷总功率实时分解方法，所述S1中获得目标电器的使用和运行规律参数的方法，具体是：对于目标电器i，根据所述权利要求3中聚类得到的工作状态j，计算该类中有功功率的方差值，表征该工作状态下的功率波动情况，记为σi，j，命名为波动指数；进而，目标电器i波动指数构成的向量为这里，N种目标电器的波动指数构成的向量为σ＝[σi...σN]；所述的电力负荷总功率实时分解方法，所述S2背景负荷估计，包括如下小步：S21：获取目标场景内的有功总功率和无功总功率，将目标场景内的电器的每一种工作状态算作一类，通过聚类得到目标场景内的所有电器的工作状态统计总类数；假设得到C类，设j∈{1...C}；S22：统计每一类j中包含的数据个数，记为h(j)，并且最大数据个数hmax＝max(h(j))，对于在每一类j所包含的数据中得到每一类的有功功率和无功功率数据值聚类中心及最大值，分别记为[p(j)，q(j本文档来自技高网...

【技术保护点】
1.一种电力负荷总功率实时分解系统，其特征在于，包括功率检测设备和运算设备；其中，运算设备内设置初始化子系统和在线监测子系统；初始化子系统包括负荷特征库构建模块和背景负荷估计模块；在线监测子系统包括背景负荷去除模块和功率分解模块；其中，功率检测设备对电力负荷的实时功率进行检测，运算设备会以固定频率向功率检测设备索取功率数据，形成数据库；进一步地，初始化子系统在电力负荷总功率实时分解系统部署初期，通过对数据库中的功率数据进行分析处理，实现在线监测子系统所需有关功能模型的初始化，而后，在线监测子系统对功率检测设备实时获取的功率数据进行实时分解；更进一步地，负荷特征库构建模块根据数据库中目标电器的功率数据，进行聚类分析得出目标电器的有功功率模板库和无功功率模板库，以及目标电器的使用和运行规律参数；背景负荷估计模块根据数据库中的电力负荷总功率数据，估计电力负荷的背景负荷基准值及背景负荷最大值；背景负荷去除模块根据所述背景负荷估计模块得出的有关估计值，去除当前功率数据中的背景负荷；功率分解模块包括目标电器工作状态估计、工作状态估计结果修正和目标电器功率分配三个环节；其中，目标电器工作状态估计环节为功率分解模块根据功率分解模型，对去除背景负荷后的功率进行分析，估计当前时刻目标电器的工作状态；工作状态估计结果修正环节为功率分解模块根据目标电器的使用和运行规律参数，对所述工作状态估计结果进行修正；目标电器功率分配环节为功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。...

【技术特征摘要】
1.一种电力负荷总功率实时分解系统，其特征在于，包括功率检测设备和运算设备；其中，运算设备内设置初始化子系统和在线监测子系统；初始化子系统包括负荷特征库构建模块和背景负荷估计模块；在线监测子系统包括背景负荷去除模块和功率分解模块；其中，功率检测设备对电力负荷的实时功率进行检测，运算设备会以固定频率向功率检测设备索取功率数据，形成数据库；进一步地，初始化子系统在电力负荷总功率实时分解系统部署初期，通过对数据库中的功率数据进行分析处理，实现在线监测子系统所需有关功能模型的初始化，而后，在线监测子系统对功率检测设备实时获取的功率数据进行实时分解；更进一步地，负荷特征库构建模块根据数据库中目标电器的功率数据，进行聚类分析得出目标电器的有功功率模板库和无功功率模板库，以及目标电器的使用和运行规律参数；背景负荷估计模块根据数据库中的电力负荷总功率数据，估计电力负荷的背景负荷基准值及背景负荷最大值；背景负荷去除模块根据所述背景负荷估计模块得出的有关估计值，去除当前功率数据中的背景负荷；功率分解模块包括目标电器工作状态估计、工作状态估计结果修正和目标电器功率分配三个环节；其中，目标电器工作状态估计环节为功率分解模块根据功率分解模型，对去除背景负荷后的功率进行分析，估计当前时刻目标电器的工作状态；工作状态估计结果修正环节为功率分解模块根据目标电器的使用和运行规律参数，对所述工作状态估计结果进行修正；目标电器功率分配环节为功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。2.一种应用于权利要求1所述的电力负荷总功率实时分解系统的电力负荷总功率实时分解方法，其特征在于，包括如下步骤：S1：负荷特征库构建：通过聚类分析算法构建目标电器的负荷特征模板库，获得目标电器的使用和运行规律参数；S2：背景负荷估计：估计电力负荷总功率的背景负荷参数；S3：背景负荷去除：将电力负荷总功率中的背景负荷去除，用于后续的功率最优分解；S4：功率最优分解：将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；将优化分解得到的工作状态估计结果进行修正；根据修正后的工作状态结果将去除背景负荷后的功率分配给目标电器。3.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S1中的构建目标电器的负荷特征模板库的方法，包括如下小步：S11：以固定频率对某个目标电器i进行单独检测，获取用于构建目标电器负荷特征模板的原始用电数据，其中，原始用电数据包括有功功率和无功功率；S12：对原始用电数据进行聚类分析，直接得出目标电器i具有的工作状态数量及对应的功率模板库。假定，聚类结果为Ci类，即目标电器i具有Ci种工作状态，设j∈(1，...，Ci)，选取每类聚类中心作为目标电器i的有功功率和无功功率模板：其中，为聚类得到的目标电器i的第1至第Ci种工作状态的有功功率模板值；为聚类得到的电器i第1至第Ci种工作状态的无功功率模板值，Dpi和Dqi分别为目标电器i的有功功率模板库和无功功率模板库；这里，假定目标场景内含有N种不同的目标电器，对每个目标电器，分别按上述方案进行处理，可以得到包含所有目标电器的有功功率模板和无功功率模板的有功功率模板库Dp和无功功率模板库Dq：Dp＝[Dp1...Dpi...DpN]Dq＝[Dq1...Dqi...DpN]4.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S1中获得目标电器的使用和运行规律参数的方法，具体是：对于目标电器i，根据所述权利要求3中聚类得到的工作状态j，计算该类中有功功率的方差值，表征该工作状态下的功率波动情况，记为σi，j，命名为波动指数；进而，目标电器i波动指数构成的向量为这里，N种目标电器的波动指数构成的向量为σ＝[σi...σN]。5.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S2背景负荷估计，包括如下小步：S21：获取目标场景内的有功总功率和无功总功率，将目标场景内的电器的每一种工作状态算作一类，通过聚类得到目标场景内的所有电器的工作状态统计总类数；假设得到C类，设j∈{1...C}；S22：统计每一类j中包含的数据个数，记为h(j)，并且最大数据个数hmax＝max(h(j))，对于在每一类j所包含的数据中得到每一类的有功功率和无功功率数据值聚类中心及最大值，分别记为[p(j)，q(j)]和S23：在所有类Ci中，选取满足h(j)＞αhmax，α∈(0，1)，且有功功率值的聚类中心值p(j)最低的一类，将该类的聚类中心定义为背景负荷基准值，即背景负荷基准值定义为该类中最大值作为背景负荷最大值，即背景负荷最大值定义为若聚类中心有功值p(j)最低的一类不满足式h(j)＞αhmax，α∈(0，1)，则选取其余类中聚类中心有功值p(j)最低的一类j进行判别，直到满足式h(j)＞αhmax，α∈(0，1)为止，最终，选取该类的聚类中心作为背景负荷基准值，该类中最大值作为背景负荷最大值。6.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S3背景负荷去除：若将功率检测设备获得的负荷有功总功率和无功总功率构成的向量记为[P′(t)，Q′(t)]，根据权利要求5所述，得到去除背景负荷后的功率值为：其中，pmax为背景负荷有功功率最大值，pbase为背景负荷有功功率基准值，qbase为背景负荷无功功率基准值。7.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S4功率最优分解，包括如下小步：S41：目标电器工作状态估计：根据功率分解模型，建立优化目标函数，利用改进的猴群算法将去除背景负荷后的功率进行优化分解，估计目标电器工作状态；S42：工作状态估计结果修正：功率分解模块根据目标电器的使用和运行规律参数，对得到的工作状态估计结果值进行修正；S43：目标电器功率分配：功率分解模块根据目标电器的工作状态和功率模板参数，将去除背景负荷后的功率分配给目标电器。8.根据权利要求2所述的电力负荷总功率实时分解方法，其特征在于，所述S4中的功率分解模型如下：由于目标场景内电器的工作状态并不唯一，因而，以电器工作状态的数量作为基本单位，设N种不同的电器...

【专利技术属性】
技术研发人员：栾文鹏，刘博，刘卫涛，余贻鑫，崔高辰，刘浩，王岩，马骁，杜伟强，杨静，尹凯，蒋仲明，李蓓，刘中胜，冯丽，
申请(专利权)人：天津求实智源科技有限公司，
类型：发明
国别省市：天津,12