论文部分内容阅读
非侵入式负荷分解(Non-intrusive load disaggregation,NILD)是指通过采集用户电力入口处的总负荷信息,辨识单个负荷的运行状态和电能消耗情况。通过非侵入式负荷分解技术获得的用户负荷数据有助于构建用户用电行为规律,对用户、电网及整个社会都具有重要的意义。目前,国内外对于NILD的研究大多是对高频采样下获取的总负荷数据进行NILD,而国内普遍使用的智能电表采样间隔大多在10min级别,两者存在较大差距。由于10min级采样数据信息量低,针对10min级采样数据的负荷分解较为困难;且现有的NILD研究大多将所有电器设备作为候选设备集,当电器数量较多时,算法计算效率较低。针对设备集过大的问题,本文提出可通过电器组合的时间特性初步分析电器种类,优化候选设备集;针对10min级采样数据信息量低的问题,本文引入电器运行时的工作状态转换关系和耗电量等运行特征,为NILD提供更多信息量。本文针对家庭用户进行了NILD研究,主要内容如下:1.基于时间概率分布对总负荷序列进行负荷一次分解,以优化待选设备集。本文负荷一次分解是指:根据总负荷序列中有功功率变化趋势将完整的总负荷序列分割为一系列负荷子序列;分析单电器设备与电器组合的时间概率分布特点,基于电器组合的时间概率分布特性,初步对各子序列中可能包含的电器种类进行分析,确定各子序列的候选设备集。仿真结果表明,负荷一次分解能够准确地识别各子序列中可能包含的电器类型,从而降低负荷分解的计算复杂度。2.提取电器状态转换序列和用电量序列,建立电器运行特征库。与目前利用大量训练数据提取电器状态转换特征的方法不同,本文提出了一种基于电器典型周期曲线提取电器状态转换序列的方法,此方法无需大量训练样本;同时针对高离散度采样下负荷特征信息过低的问题,引入用电量信息以扩充信息量,即建立与状态时间序列对应的用电量序列,以在后续识别算法中与家庭总用电量匹配,提高负荷识别精度。3.基于电器运行特征的负荷二次分解。本文中负荷二次分解模型由两个优化模型构成:1)结合状态时间序列中的工作状态之间的时序关联性及部分先验知识,构建了基于状态转换序列的优化模型;2)基于用电量序列中各用电量间的时序约束,构建了基于用电量序列的优化模型。通过求解以上两个优化模型可识别具体电器及其启停时刻,完成负荷分解。分别以简单场景和复杂场景为例进行了仿真实验,仿真结果显示,与传统辅助整数线性规划算法(Aided Linear Integer Programming,ALIP)相比,本文算法对电器启停误判次数较低,且对电器设备启停时刻判断更为准确。