本发明专利技术公开了一种考虑非电气特征量的分布式能源区域的非侵入式能源监测方法。本发明专利技术基于非侵入式负荷监测的思想，针对包含分布式光伏和电动汽车的分布式能源区域，通过考虑各交互式能源的接入与运行特征，并将时间、温度、太阳辐射度、天气等电气特征量纳入考虑范围，筛选辨识度高的特征量以建立信息特征库。结合基于事件检测算法与BiLSTM神经网络模型进行在线识别。本发明专利技术能够解决分布式能源区域交互式能源信息记录匮乏的问题，提高配电网对交互式能源设备的可观测性，且本发明专利技术通过将多种非电气特征量纳入特征库的方案，大大提高了辨识的精度。的精度。的精度。
【技术实现步骤摘要】
一种考虑非电气特征量的分布式能源区域的能源监测方法
[0001]本专利技术涉及一种考虑非电气特征量的分布式能源区域的非侵入式能源监测方法，属于非侵入交互式能源监测领域。
技术介绍
[0002]电动汽车作为一种绿色交通工具，也迎来了新的发展机遇，2021年实现产销300万辆。然而大规模分布式光伏与电动汽车(以下统称为交互式能源设备)的接入并网对配电网的潮流、线路损耗、电能质量等产生了不可忽视的影响，给配电网的安全经济运行带来巨大挑战。随着智能电网技术日益成熟，同时，现有研究通过有源配电网、虚拟电厂、需求侧管理等各种方案缓解影响。但这些智能解决方案的一个必要条件是配电网的可观测性，然而，由于一部分交互式能源设备未经授权或未报告而进行安装以及大部分交互式能源设备终端与用户紧密耦合导致对其缺乏单独的计量，配电网实际上对快速增长的交互式能源的可见性非常有限，例如各设备的状态、数量、类型和位置，而因为成本和隐私问题，在每个交互式能源上安装传感器是不切实际的。因此，开发一种无需单独监测且经济高效的方法来估算区域层面的交互式能源连接状态是至关重要的。随着智能电网技术的日益成熟，基于非侵入式负荷监测与分解方法(Non
‑
intrusive load monitoring,NILM)对实现交互式能源的辨识具有良好的发展前景。在智能电表上实施NILM型算法可以为电网或用户提供交互式能源的实时发电/用电信息，提高了配电网的可观测性，减轻配电网中交互式能源不协调增长的负面影响，从而提高系统的灵活性、可靠性和效率，有助于传统电力系统到动态智能电网的有效过渡。
技术实现思路
[0003]本专利技术旨在提出一种考虑非电气特征量的分布式能源区域的能源监测方法。
[0004]本专利技术采用的技术方案具体如下：
[0005]一种考虑非电气特征量的分布式能源区域的能源监测方法，具体为：
[0006]实时获取用户的电表信息，并基于获取的电表信息采用事件检测算法检测是否发生投切事件；若发生投切事件，则根据事件前后的电表信息及外界条件信息构建交互式能源设备的输入特征向量，并输入至训练好的交互式能源设备辨识模型，获得辨识结果；
[0007]其中，所述输入特征向量包括当前时段及上一时段交互式能源设备的有功功率、无功功率、电压幅值、电流谐波、模式电压、电流波形、天气、太阳辐照度、温度中的一种或多种。
[0008]本专利技术基于非侵入式负荷监测的思想，针对包含分布式光伏和电动汽车的分布式能源区域，通过考虑各交互式能源的接入与运行特征，并将时间、温度、太阳辐射度、天气等电气特征量纳入考虑范围，筛选辨识度高的特征量以建立信息特征库。结合基于事件检测算法与神经网络模型进行在线识别。本专利技术能够解决分布式能源区域交互式能源信息记录匮乏的问题，提高配电网对交互式能源设备的可观测性，且本专利技术通过将多种非电气特征
量纳入特征库的方案，大大提高了辨识的速度和精度。
[0009]进一步地，所述输入特征向量包括当前时段及上一时段交互式能源设备的有功功率、电流谐波、电流波形、天气、太阳辐照度和温度。
[0010]进一步地，所述基于获取的电表信息采用事件检测算法检测是否发生投切事件具体为：
[0011]基于获取的电表信息构建功率时间序列，再采用带边距的滑动窗口获取功率时间序列的窗口数据，计算窗口数据的决策值g
n
，若g
n
＞阈值h则未发生投切事件，反之表示发生投切事件。
[0012]进一步地，所述训练好的交互式能源设备辨识模型的模型结构为循环神经网络。
[0013]进一步地，所述循环神经网络是LSTM、BiLSTM。
[0014]进一步地，所述交互式能源设备辨识模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包括对应交互式能源设备的输入特征向量及辨识结果。
[0015]进一步地，所述交互式能源设备包括电动汽车、户用光伏设备。
[0016]本专利技术的优点有：
[0017](1)本专利技术在分布式能源区域中应用非侵入式负荷监测的理念，解决分布式能源区域交互式能源信息记录匮乏的问题，提高配电网对交互式能源设备的可观测性。
[0018](2)本专利技术在非侵入式互动式能源监测中分析光伏与电动汽车接入与运行的特征，并将时间、温度、太阳辐射度、天气等电气特征量纳入考虑范围，使用Fisher检验法筛选辨识度高的特征量以建立信息特征库，发现与理论分析的结果一致，大大提高了辨识的精度。
[0019](3)本专利技术通过事件检测与深度学习算法相结合的方案，提高了辨识的速度和精度。
附图说明
[0020]图1为户用两级式单相光伏并网仿真模型图；
[0021]图2为单相光伏并网后直流链路电容电压波形图；
[0022]图3为电表功率图；
[0023]图4为直流链路电容电压放大波形图；
[0024]图5为电表电流FFT分析图；
[0025]图6为电表电流THD图；
[0026]图7为电动汽车恒流恒压充电曲线；
[0027]图8为电动汽车脉冲式充电曲线；
[0028]图9为带边距的滑动窗口；
[0029]图10为LSTM结构图；
[0030]图11为BiLSTM结构图；
[0031]图12为辨识结果图。
具体实施方式
[0032]下面将结合本专利技术附图对本专利技术技术方案进行清楚、完整地描述，显然，所描述的
实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]为了彻底理解本专利技术，将在下列的描述中提出详细的结构以及步骤，并结合附图和具体实施方式，对本申请实施例作进一步详细的说明，以便阐释本专利技术提出的技术方案。
[0034]本专利技术的一种考虑非电气特征量的分布式能源区域的非侵入式能源监测方法，具体为：
[0035]实时获取用户的电表信息，并基于获取的电表信息采用事件检测算法检测是否发生投切事件；
[0036]若发生投切事件，则根据事件前后的电表信息及环境条件信息构建交互式能源设备的输入特征向量，并输入至训练好的交互式能源设备辨识模型，获得辨识结果。辨识结果为对应交互式能源设备是否投切。
[0037]本专利技术中，所述输入特征向量包括当前时段及上一时段交互式能源设备的有功功率、无功功率、电压幅值、电流幅值、电流谐波、天气、太阳辐照度、温度中的一种或多种。上述输入特征向量是基于对光伏并网、电动汽车的接入、运行特性进行分析后获得。
[0038]图1为户用两级式单相光伏并网仿真模型图，该模型采用单位功率因数并网，两级式单相光伏运行在最大功率点跟踪(Maximum Power Point Trackin本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种考虑非电气特征量的分布式能源区域的能源监测方法，其特征在于，具体为：实时获取用户的电表信息，并基于获取的电表信息采用事件检测算法检测是否发生投切事件；若发生投切事件，则根据事件前后的电表信息及外界条件信息构建交互式能源设备的输入特征向量，并输入至训练好的交互式能源设备辨识模型，获得辨识结果；其中，所述输入特征向量包括当前时段及上一时段交互式能源设备的有功功率、无功功率、电压幅值、电流谐波、模式电压、电流波形、天气、太阳辐照度、温度中的一种或多种。2.根据权利要求1所述的方法，其特征在于，所述输入特征向量包括当前时段及上一时段交互式能源设备的有功功率、电流谐波、电流波形、天气、太阳辐照度和温度。3.根据权利要求1所述的方法，其特征在于，所述基于获取的电表信息采用事件检测算法检测是否发生...
【专利技术属性】
技术研发人员：倪旖旎，夏杨红，李子晨，薄耀龙，韦巍，
申请(专利权)人：浙江大学，
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。