论文部分内容阅读
非侵入式负荷监测技术一直是智能电网和家庭能源管理的热点技术之一,其通过对总用电数据的分析来获得用户家庭用电的详细情况,有利于电力公司制定供电策略,也有利于指导用户用电行为,同时也可以帮助用户检查设备故障,从而实现安全和经济用电。本文对非侵入式负荷监测技术框架做了详细分析,并重点研究了非侵入式负荷分解方法。本文研究了基于启发式优化算法的负荷分解方法,对优化算法的种群初始化方法和适应度函数构建方法进行了改进。首先利用用电数据为时间序列数据的特点,改进了启发式优化算法的种群初始化方法,在传统初始化方法基础上增加了对上一稳态结果的随机化处理,在保证准确率的基础上可以减少种群数量,从而减少算法的执行时间。同时通过实验证明,对初始化的改进也能够提高负荷分解的准确性。其次,本文在构建启发式优化算法的适应度函数时,选择以多种功率作为特征,使用熵值法来计算不同功率的权重大小,同时考虑到对预测功率的大小和运行设备的约束,本文引入功率参数和联系参数到适应度函数中,通过实验证明改进后适应度函数的负荷分解准确率更高。最后在比较了改进的粒子群算法、遗传算法、差分进化算法的有效性后,发现改进粒子群算法具有相对较好的效果,选择粒子群算法做进一步研究。本文参考了集成学习的思想使用多模型融合方法来解决负荷分解问题。首先在前文改进的基础上,使用时间概率表和优化迭代过程的思路对粒子群算法做了进一步改进。然后以二次改进粒子群算法、差量特征模型、混合整数规划模型为基础,使用算法并联的融合策略来构建多模型融合负荷分解方法。为了验证算法改进和多模型融合方法的有效性,本文使用国外公开数据集,设计了6个组实验,通过控制变量法来考察单模型算法对多模型融合方法的影响。实验表明,粒子群算法的二次改进对负荷准确率有明显提高,同时在多数样本下单模型算法对负荷分解都有大小不同的正向贡献。最后与其他文献作比较得出基于多模型融合的负荷分解方法是相对较好的方法。