CN110416995B - 一种非侵入式负荷分解方法和装置 - Google Patents

Abstract

本发明公开了一种非侵入式负荷分解方法和装置，其中所述方法包括如下步骤：获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；根据电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应模式。本发明提供的非侵入式负荷分解方法，分解准确率高，结果稳定，有较强的鲁棒性。

Description

一种非侵入式负荷分解方法和装置

技术领域

本发明涉及模式识别技术领域，更具体的说是涉及一种非侵入式负荷分解方法和装置。

背景技术

近二十年来，随着中国经济的发展和人民生活水平的大幅提高。每年住宅用电量增长率都在8％左右。而电力需求的增加，会加重对环境的负面影响。这与中国政府努力减少温室气体排放的目标相矛盾。监测得到的家电能耗信息可以帮助决策者和消费者了解住宅能源需求的构成、模式和特点。这对节能减排有重要的作用，所以设计一套能够有效监测负荷的系统尤为重要。

现有的负荷监测方法主要分为侵入式和非侵入式两类方法。侵入式负载监测方法(ILM)要求每个用电设备都需要配备带有通信功能的仪器，这将增加部署和维护测量仪器成本；非侵入式负荷监测方法(NILM)要求仅在电网的用户入口处安装一个测量仪器，通过算法对采集到总用电信息进行分析，从而实现对其下各个用电设备用电状况的监测。对于大规模部署，非侵入式负荷监测系统可以显著降低安装复杂性和减少维护成本。

最优化和模式识别是解决负荷分解与识别问题的2种主流方法。基于模式识别的负荷识别算法是通过学习数据库各个用电设备特征确定识别算法的结构和参数，最终实现对负荷的识别。基于模式识别的非侵入式负荷监测系统首先要进行训练，但训练后的分类器只能识别数据集已有的用电设备及相应组合。因此，每当有新设备添加时，都需要对模型进行训练，这会消耗大量的时间和计算资源。并且当用电设备较多时，识别准确率较低。基于最优化的负荷识别算法将负荷识别问题转化为一个最优化问题。使未知用电设备的特征向量和已知用电设备的特征向量之间的差最小，来达到负荷识别的目的。基于最优化的负荷识别方法只需获取单个用电设备的负荷特性，就可以计算出多个用电设备同时运行时的负荷特征，前提是这些负荷特性必须满足特征叠加标准。

最近基于最优化的研究使用1到3个目标函数，即只使用1到3个特征。然而，现有大部分研究将多个目标函数加权成一个。这将导致两个问题：(1)加权参数对数据集敏感；(2)不同目标函数对应加权参数也很难调整。因为负荷特征的误差会严重影响基于优化的方法的精度。如果只使用一个特征作为目标函数，获得的最优解并不是真实电器运行状态；并且如果用电设备有相似或重叠的负荷特征，使用单个负荷特征就很难区分他们，导致负荷分解准确率低。

因此，如何提供一种分解准确率高的负荷分解方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种非侵入式负荷分解方法和装置，分解准确率高，结果稳定，有较强的鲁棒性。

为了实现上述目的，本发明采用如下技术方案：

一种非侵入式负荷分解方法，包括如下步骤：

获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；

根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式。

优选的，根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据具体包括；

根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

优选的，对同一区间下的电流和电压进行异常值检测和剔除的具体方法包括：

根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中，A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则判定此刻电流值或电压值为异常值并剔除该异常值。

优选的，根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值，具体包括：

根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中Q表示无功功率；

根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内采样点的数量，X(k)是第k次谐波的系数。

优选的，根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型，具体包括：

根据电力参数值和电流波形构建五个优化目标；其中，所述电力参数值包括有功功率，无功功率，视在功率和谐波；具体方法如下：

根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值；T代表在一个电流波形周期内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示设备i包含的模式总数，I表示未知设备类型的组合电流波形；x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波；

根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式，具体包括：

采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个优化目标同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

一种非侵入式负荷分解装置，包括：

获取模块，用于获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；

预处理模块，用于根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

参数计算模块，用于根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

模型建立模块，用于根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

确定模块，用于基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应模式。

优选的，所述预处理模块具体包括：

划分单元，用于根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

异常值剔除单元，用于对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

计算单元，用于根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

优选的，所述异常值剔除单元具体包括：

计算子单元，用于根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

剔除子单元，用于判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则此刻电流值或电压值为异常值并剔除该异常值。

优选的，所述参数计算模块具体包括：

视在功率计算单元，用于根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

有功功率计算单元，用于根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

无功功率计算单元，用于根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中，Q表示无功功率；

谐波计算单元，用于根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内采样点的数量，X(k)是第k次谐波的系数。

优选的，所述模型建立模块具体包括：

第一目标函数构建单元，用于根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值；T代表在一个电流波形周期内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示设备i包含的模式总数，I表示未知设备类型的组合电流波形；x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

第二目标函数构建单元，用于根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

第三目标函数构建单元，用于根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

第四目标函数构建单元，用于根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

第五目标函数构建单元，用于根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波；

负荷分解模型建立单元，用于根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，所述确定模块具体用于采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个目标函数同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种非侵入式负荷分解方法和装置，其中，非侵入式负荷分解方法具体包括获取用电设备操作记录和总线上的电力数据，其中，电力数据包括：电流波形；根据用电设备操作记录，对电力数据进行预处理筛选出第一电力数据；根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；根据电力参数值和电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；基于多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应模式。本发明提供的非侵入式负荷分解方法，分解准确率高，结果稳定，有较强的鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种非侵入式负荷分解方法的流程图；

图2为本发明提供的对电力数据进行预处理筛选出第一电力数据的方法流程图；

图3为本发明提供的剔除异常值的方法流程图；

图4为本发明提供的非侵入式负荷分解装置的示意图；

图5为本发明提供的预处理模块的示意图；

图6为本发明提供的异常值剔除单元的示意图；

图7为本发明提供的对4种用电设备进行采样得到的电流波形和电压波形的示意图；

图8为本发明提供的预处理前的电流电压波形示意图；

图9为本发明提供的预处理后的电流电压波形示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见附图1，本发明实施例公开了一种非侵入式负荷分解方法，具体包括如下步骤：

S1：获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流、电压、功率因数、电流波形和电压波形；

S2：根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

S3：根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

S4：根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

S5：基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式。

本发明提供了一种非侵入式负荷分解方法，分解准确率高，结果稳定，具有较强的鲁棒性。

参见附图2，为了进一步优化上述技术方案，步骤S2：根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据具体包括：

S21：根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

S22：对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

S23：根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

参见附图3，上述的步骤S22：对同一区间下的电流和电压进行异常值检测和剔除的具体方法进一步包括：

S221：根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中，A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

S222：判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则判定此刻电流值或电压值为异常值并剔除该异常值。优选的，N＝3。

为了进一步优化上述技术方案，步骤S3：根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值，具体包括：

根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中，sin(φ)表示电压和电流之间相位差的正弦φ，无具体物理意义，Q表示无功功率；

根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内(例如：1/50S)采样点的数量，X(k)是第k次谐波的系数。

这里需要说明的是，并不限定上述四个电力参数值计算的先后顺序，只要计算得到这四个电力参数值即可。

为了进一步优化上述技术方案，步骤S4：根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型，具体包括：

根据电力参数值和电流波形构建五个优化目标；其中，所述电力参数值包括有功功率，无功功率，视在功率和谐波；具体方法如下：

根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值；T代表在一个电流波形周期(例如：1/50S)内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示设备i包含的模式总数，I表示未知设备类型的组合电流波形；x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波。

这里需要说明的是，对上述五个目标函数的构建没有先后顺序之分，这里对构建的顺序不做限定，只要在建立多目标侵入式负荷分解模型之前将这五个目标函数都构建好即可。

根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，步骤S5：基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式，具体包括：

采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个优化目标同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

此外，本发明实施例还公开了一种非侵入式负荷分解装置，参见附图4，该装置包括：

获取模块1，用于获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；

预处理模块2，用于根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

参数计算模块3，用于根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

模型建立模块4，用于根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

确定模块5，用于基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应模式。

为了进一步优化上述技术方案，所述预处理模块2具体包括：

划分单元21，用于根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

异常值剔除单元22，用于对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

计算单元23，用于根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

这里需要说明的是，同一电路可以理解为同一用电家庭。

为了进一步优化上述技术方案，所述异常值剔除单元22具体包括：

计算子单元221，用于根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

剔除子单元222，用于判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则此刻电流值或电压值为异常值并剔除该异常值。优选的，N＝3。

为了进一步优化上述技术方案，所述参数计算模块3具体包括：

视在功率计算单元，用于根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

有功功率计算单元，用于根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

无功功率计算单元，用于根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中，Q表示无功功率；

谐波计算单元，用于根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内采样点的数量，X(k)是第k次谐波的系数。

为了进一步优化上述技术方案，所述模型建立模块4具体包括：

第一目标函数构建单元，用于根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值；T代表在一个电流波形周期内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示设备i包含的模式总数，I表示未知设备类型的组合电流波形；x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

第二目标函数构建单元，用于根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

第三目标函数构建单元，用于根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

第四目标函数构建单元，用于根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

第五目标函数构建单元，用于根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波。

负荷分解模型建立单元，用于根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，所述确定模块5具体用于采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个目标函数同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

这里需要说明的是，现有的多目标算法有很多已知的算法，例如：参考向量引导的进化算法(RVEA)，但利用多目标进化算法求解所述多目标优化问题还鲜有报道。

为了进一步详细论述本发明提供的非侵入式负荷分解方法和装置，以某一家庭241条有效记录的总线电力数据为例，对本发明的技术方案做详细介绍。

本发明实施例以电流、电压、功率因数、电流波形和电压波形为基础，求得四个电力参数值，利用得到的电力参数值和电流波形的构建五个优化目标，提出多目标非侵入式负荷分解模型，结合多目标进化算法求解此模型，从而确定处于总线上正在工作的用电设备的类型以及相应的工作模式。

步骤一，首先获取用电设备操作记录和总线上的电力数据包括电流、电压、功率因数、电流波形和电压波形。并根据所述用电设备操作记录，对所述电力数据进行预处理筛选出合理的数据，最后根据所述筛选出的电力数据，确定每个时刻对应的四个电力参数值。

收集的三个宏观电力参数包括电流、电压和功率因数，上述参数的采样率均为1Hz；获取的微观负荷特征是电流波形和电压波形，上述参数在50Hz系统中的采样率6400Hz，为了降低储存空间，只使用波形每秒钟的前1/50秒，如图7所示。8个电器共16个工作模式被测试，8个电器分别是风扇、热水壶、电视机、白炽灯、打印机、电脑、饮水机和吹风机如表1。数据集A只收集仅有一个电器正在运行的情形；数据集B收集的包含多个电器(少于4个)同时运行的情形。使用数据集A可获得16模态的5维特征向量作为已知负荷数据库；数据集B用于验证我们提出的负荷分解方法。

表18种电器共16个模式对应电流、电压和功率因数

只使用一个负荷特征并不能区分所有用电设备。使用五种负荷特征用于分解负荷包括宏观特征(即有功功率、无功功率和视在功率)和微观特征(即电流波形和谐波)。这些特征的定义如下：

特征叠加准则：提出的负荷分解模型所使用的负荷特征必须满足特征叠加准则。特征叠加准则的详细定义如下：

其中，Ψ_l(t)为在时刻t由K个用电设备同时运行产生特征l的叠加值，

表示用电设备a处模式j下产生特征l对应的值；如果在t+Δt时刻用电设备a处于j模态瞬时工作且满足等式1，则表明特征l满足特征叠加准则。如果特征l满足特征叠加准则，则此特征可以用来估计叠加负荷特征即超多个电器同时运行的负荷特征值。

有功功率、无功功率和视在功率的计算公式如下：

P＝VIcos(φ)， (2)

Q＝VIsin(φ)， (3)

S＝VI， (4)

式中，V和I分别是电压值和电流值，cosφ是功率因数。上述特征都符合特征叠加准则。

电流波形：电流波形是在一个周期内(1/50s)采样128个数据点。因为高采样率，电流波形包含详细的电器特征，但是电压波形是没有明显差异的如图7(b)所示。所以选择电流波形，并且它满足特征叠加准则。

谐波：对电流波形进行快速傅里叶变换获得电流谐波。谐波的直角坐标形式(a+jb)满足特征叠加准则。但是有物理意义极坐标形式A∠θ是不满足特征叠加准则。谐波的直角坐标形式的计算公式如下：

其中，A(t)表示在t时刻电流值；约束条件是t＝0，1，2，…，T-1；T代表在一个电流波形周期内(1/50s)采样点的数量；X(k)是第k次谐波的系数。表3是根据电力数据确定的电力参数值，并且这是预处理之前的宏观特征。谐波是在预处理之后再做计算得到。

表2预处理前8种电器共16个模式对应有功功率、视在功率和无功功率

之后会对数据进行预处理包括：(1)利用用电设备操作记录分离用电设备切换事件；(2)同时对电流波形和电压波形进行采样保证每个时刻电压波形的初始相位(从波峰正向波谷变化)都相同，同时还需要让电流波形和电压波形之间有着正确的相位关系；(3)移除离群点保证之后处理的准确率；(4)让有电器运行的负荷特征减去没有电器运行的负荷特征以减少噪声的影响。处理后的部分数据如表3。

表3预处理后8种电器共16个模式对应的有功功率、视在功率和无功功率

步骤二：根据五个电力参数值，建立拥有五个优化目标的多目标负荷分解模型，最后使用多目标进化算法求解所提出的多目标负荷分解模型，确定当前时刻处于总线上正在运行的用电设备类型和相应模式。

将负荷分解问题转化为最优化问题，每种特征都可以形成一个最优化问题。传统的基于最优化的负荷分解方法是将多个目标函数加权成一个。但由于某些特征之间有高度的正相关性或负相关性，因此并不能将不同的优化问题进行简单地加权；而且加权参数对于不同数据集敏感且很难调整，加权参数对负荷分解精度有着显著影响。为了解决这些缺点，将负荷分解问题转化为多目标优化问题可由下式表示：

minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，

约束条件为：

x_ij∈{0，1}，

其中，F(x)表是必须同时被优化的五维目标函数；x_ij代表用电设备i处于模式j下的运行状态(0表示关，1表示开)，N是数据库中最大用电设备数，M_i代表用电设备i的总模式数。这五个最优化问题使用五个不同负荷特征构建。五个目标函数的计算公式如下：

I_ij(t)表示在t时刻用电设备i处于模式j下独立运行时的电流值；T代表在一个电流波形周期内(1/50s)采样点的数量；t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化；N表示用电设备总数；M_i表示用电设备i包含的模式总数；I表示未知用电设备类型的电流波形；Q_ij表示设备i处于j模式下独立运行时的无功功率；Q代表未知用电设备类型的无功功率；P_ij表示设备i处于j模式下独立运行时的有功功率；P代表未知用电设备类型的有功功率；S_ij表示设备i处于j模式下独立运行时的视在功率；S代表未知用电设备类型的视在功率；H_ij(k)表示设备i处于j模式下独立运行时的谐波；K是最大谐波的次序，H(k)代表未知用电设备类型的谐波。

使用多目标进化算法求解多目标负荷分解模型来获取各用电设备的工作状态。首先，提出一种新的编码方式解决约束条件x_ij∈{0，1}和

新的编码方式的每一位表示一种类型用电设备，其中，0代表此用电设备关，k表示此用电设备处于第k工作模式。然后，遗传算子(位突变算子和单点交叉算子)被用来生成子代。之后，使用分配目标等级计算目标等级R，和利用多目标进化算法适应值评估用于获取适应值，同时利用这些适应值从同目标等级中筛选出下一代。根据目标等级去筛选子代，然后根据多目标进化算法得到的适应值从同目标等级中做更进一步的筛选，最终满足停止条件输出最终种群。

分配目标等级：提出分配目标等级方法去解决用电设备上限的约束。首先计算个体的用电设备数，然后将含有1到U个用电设备数的个体分配到R₁。将含有N个用电设备数的个体分配到R_N-U+2。

下面结合具体实例来进一步说明上述技术方案，请参见表4和表5：

表4预处理后3种电器共4个模式对应的有功功率、视在功率、无功功率、谐波和电流波形值

表5总线上分析获取有功功率、视在功率、无功功率、谐波和电流波形值

有功功率(W)	视在功率(W)	无功功率(W)	谐波(A)	电流波形(A)
					1710	1720	87	30	3

表4是3种电器共4种模式的对应有功功率、视在功率、无功功率、谐波和电流波形值。表5是在总线上某一时刻测量并经过步骤一处理后获取的有功功率、视在功率、无功功率、谐波和电流波形值。经过多目标进化算法求解，得到使5个目标函数均最优的用电设备类型及相应模式；确定出在此刻热水壶模式1和打印机模式2处于运行状态。

本发明提供的一种基于多目标进化算法在非侵入式负荷监测方法，根据用电设备操作记录对电力数据包括电流、电压、功率因数、电流波形和电压波形进行预处理筛选出合理的数据；根据筛选出的电力数据，确定每个时刻对应的四个电力参数值包括有用功率、无功功率、视在功率和谐波，利用电力参数值和电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型，利用多目标进化算法求解多目标负荷分解模型，确定处于总线上正在工作的用电设备类型及相应模式。因此，采用本发明提供的负荷监测方法，分解准确率高，结果稳定，有较强的鲁棒性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种非侵入式负荷分解方法，其特征在于，包括如下步骤：

获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；

根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式；

所述根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值，具体包括：

根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中，Q表示无功功率；

根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内采样点的数量，X(k)是第k次谐波的系数；

所述根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型，具体包括：

根据电力参数值和电流波形构建五个优化目标；其中，所述电力参数值包括有功功率，无功功率，视在功率和谐波；具体方法如下：

根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值，T代表在一个电流波形周期内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示用电设备i包含的模式总数，I表示未知设备类型的组合电流波形，x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波；

根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应的工作模式，具体包括：

采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个优化目标同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

2.根据权利要求1所述的一种非侵入式负荷分解方法，其特征在于，根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据具体包括：

根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

3.根据权利要求2所述的一种非侵入式负荷分解方法，其特征在于，对同一区间下的电流和电压进行异常值检测和剔除的具体方法包括：

根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中，A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则判定此刻电流值或电压值为异常值并剔除该异常值。

4.一种非侵入式负荷分解装置，其特征在于，包括：

获取模块，用于获取用电设备操作记录和总线上的电力数据，其中，所述电力数据包括：电流波形；

预处理模块，用于根据所述用电设备操作记录，对所述电力数据进行预处理筛选出第一电力数据；

参数计算模块，用于根据筛选出的第一电力数据确定每个时刻对应的四个电力参数值；

模型建立模块，用于根据所述电力参数值和所述电流波形，建立拥有五个优化目标的多目标非侵入式负荷分解模型；

确定模块，用于基于所述多目标非侵入式负荷分解模型确定处于总线上正在工作的用电设备类型和相应模式；

所述参数计算模块具体包括：

视在功率计算单元，用于根据公式：S＝VI，确定各时刻对应的视在功率，其中，V表示某一时刻的电压值，I表示某一时刻的电流值，S表示视在功率；

有功功率计算单元，用于根据公式：P＝VIcos(φ)，确定各时刻对应的有功功率，其中，cos(φ)表示功率因数，P表示有功功率；

无功功率计算单元，用于根据公式：Q＝VIsin(φ)，确定各时刻对应的无功功率，其中Q表示无功功率；

谐波计算单元，用于根据公式：

确定各时刻对应的谐波，其中，A(t)表示在t时刻电流值，约束条件是t＝0，1，2，…，T-1，T代表在一个电流波形周期内采样点的数量，X(k)是第k次谐波的系数；

所述模型建立模块具体包括：

第一目标函数构建单元，用于根据公式：

以电流波形为基础构建第一目标函数，其中，I_ij(t)表示在t时刻设备i处于j模式下独立运行时的电流值；T代表在一个电流波形周期内采样点的数量，t＝0表示电压相位处于特定的时刻，此刻的电压波形正从最大值向最低值变化，N表示设备总数，M_i表示用电设备i包含的模式总数，I表示未知设备类型的组合电流波形；x_ij表示用电设备i处于工作模式j，其中i＝1，2，…，N，j＝1，2，…，M_i；

第二目标函数构建单元，用于根据公式：

以无功功率为基础构建第二目标函数，其中，Q_ij表示设备i处于j模式下独立运行时的无功功率，Q代表未知设备类型的无功功率；

第三目标函数构建单元，用于根据公式：

以有功功率为基础构建第三目标函数，其中，P_ij表示设备i处于j模式下独立运行时的有功功率，P代表未知设备类型的有功功率；

第四目标函数构建单元，用于根据公式：

以视在功率为基础构建第四目标函数，其中，S_ij表示设备i处于j模式下独立运行时的视在功率，S代表未知设备类型的视在功率；

第五目标函数构建单元，用于根据公式：

以谐波为基础构建第五目标函数，其中，H_ij(k)表示设备i处于j模式下独立运行时的谐波，K是最大谐波的次序，H(k)代表未知包含设备类型的谐波；

负荷分解模型建立单元，用于根据公式：minimize F(x)＝(f₁(x)，f₂(x)，f₃(x)，f₄(x)，f₅(x))，将上述的五个目标函数构建成一个多目标非侵入式负荷分解模型F(x)，其中，

表示所求用电设备类型，需要满足约束条件x_ij∈{0，1}和

相应的，所述确定模块具体用于采用多目标进化算法求解所述多目标非侵入式负荷分解模型F(x)，获得使F(x)中的五个目标函数同时最小时对应的用电设备类型和相应的工作模式；

其中，在多目标进化算法里，采用编码和解码方式表示约束条件：编码的每一位表示一种类型的用电设备，其中，0表示此用电设备关闭，k表示此用电设备处于第k工作模式。

5.根据权利要求4所述的一种非侵入式负荷分解装置，其特征在于，所述预处理模块具体包括：

划分单元，用于根据所述用电设备操作记录，将电力数据按照各个用电设备操作事件进行划分，得到电力数据划分结果，使得同一区间内的电力数据处于同一设备同一模式下；

异常值剔除单元，用于对同一区间下的电流和电压进行异常值检测和剔除，得到异常值剔除结果；

计算单元，用于根据所述电力数据划分结果和异常值剔除结果，计算无用电设备工作的区间内电流和电压平均值，同一电路下，将所有有用电设备工作的区间对应的电流值和电压值减去无用电设备工作的区间内电流和电压的平均值，得到第一电力数据。

6.根据权利要求5所述的一种非侵入式负荷分解装置，其特征在于，所述异常值剔除单元具体包括：

计算子单元，用于根据公式MAD＝median(|A_i-median(A)|)，确定中位数绝对偏差，其中A表示同一区间下电流值或电压值，A_i表示第i时刻对应电流值或电压值，MAD表示中位数绝对偏差；

剔除子单元，用于判断任意时刻同一区间下电流值或电压值偏离中位数的值是否大于N倍中位数绝对偏差，如果是，则此刻电流值或电压值为异常值并剔除该异常值。

Images