CN114626017B - 一种基于马尔科夫链的负荷可时移能力非入侵评估方法 - Google Patents

Abstract

本发明涉及一种基于马尔科夫链的负荷可时移能力非入侵评估方法，基于大量历史数据，构建改进马尔可夫链状态转移矩阵和负荷转移功率计算方法，在输入当日功率曲线后，可计算出用户在每个时刻的可转移功率，为用户实时的功率调节提供参考；基于本发明可进一步求出当日的可转移、可消纳电量，得到用户负荷的可时移能力，实现用户每日用电的可时移性评估，该方法无需提前掌握用户内的设备数据且准确度高，为引导用户合理安排用电时间、制定节能经济用电方案提供技术支撑。

Description

一种基于马尔科夫链的负荷可时移能力非入侵评估方法

技术领域

本发明涉及电力用户用能评估领域，尤其涉及一种基于马尔科夫链的负荷可时移能力非入侵评估方法。

背景技术

智能用电是电网技术发展的必然趋势，也是构建经济、低碳、环保型社会的必然要求。特别是近年来，电力设备的感知能力、通信能力和计算能力得到快速发展，为电力公司推广智能用电提供了有力的技术支持。实施用户智能用电的关键环节之一是需要对用户用能特征进行分析，掌握各类用户的用电行为，有效评估用户的可调控负荷潜力，指导用户合理安排用电时间，从而有针对性的为用户制定节能、低成本的用电方案，该技术服从电网和政府的清洁低碳社会发展需求。当下，基于智能监测和采集系统的配备，利用大数据分析技术，构建用户用能分析和评估方法已成为一种重要技术方向。

目前，负荷的检测分析主要分为入侵式和非入侵式，其中，非入侵式是指不需要进入到用户内部去检测每一种用能设备，而是在入户端口搭建一个智能用电检测和分析终端，分析用户的用能数据，具有更加高效便捷、低成本的优点。现在基于非入侵式的负荷用能分析多是围绕用户用能设备识别方面——通过构建用户各种设备的稳态或者暂态波形库，如有功功率、无功功率、电压、电流等稳态特征，建立瞬时有功功率、瞬时电流、谐波启动波形等暂态特征；然后采集当前功率波形，基于叠加原理，采用动态时间弯曲距离、相似度、聚类算法等，从波形库中识别出当前用能设备，从而可具体掌握用户用能情况。但是，在实际采集中，不同用户所涉及的用能设备种类、型号、数量、用户行为等方面均有差异，对事先不清楚用户内部设备情况的识别会有较大误差。

关于负荷可时移能力的评估，现有研究是基于海量的历史数据分析，将负荷分为基础负荷、可时移负荷和可调控负荷，采用小波法提取数据的最大可调节速率、调节深度、最大可调节时间等特征，最后用模糊均值聚类与数据库中负荷对比，计算出当前可时移负荷所占比例。但是，该方法需要事先知道数据库中每类负荷在每个时刻的占比，对数据透明度要求较高，对未知负荷组成的用户识别将存在误差。

此外，也有研究基于历史数据，采用隐式马尔科夫模型对家庭负荷开关状态进行模拟和分析，得到家庭开关状态模型，可实时判别家庭开关启停状态，但是历史数据也需要提前掌握家庭开关数量和对应的启停状态。

因此，亟需一种无需提前掌握用户内部设备数据且准确度高的负荷可时移能力评估方法。

发明内容

本发明所要解决的技术问题是提供一种基于马尔科夫链的负荷可时移能力非入侵评估方法，其无需提前掌握用户内部设备数据且准确度高。

为解决上述问题，本发明所述的一种基于马尔科夫链的负荷可时移能力非入侵评估方法包括：

基于用户智能电表的历史负荷数据，将每天同一时刻的负荷数据构成一维马尔科夫链，进而将每天所有时刻的负荷数据按照数值大小划分为M种状态，并构建相应的大小为M×M的状态转移矩阵Hr；

将所述状态转移矩阵中，对角线的转移概率置零，距离最大概率状态点超过M/3状态数的状态点、概率值小于阈值ε的状态点也置零；置零完成后使矩阵中每行元素之和为1，得到改进状态转移矩阵Hr′；

获取待评估的当日负荷数据，确定每一时刻负荷数据P₀(t)所对应的状态，并结合所述改进状态转移矩阵Hr′和波动功率，计算出对应的理论转移功率P_move(t)，用于评估负荷可时移能力。

优选的，所述一维马尔科夫链表示为X_Dt＝{x_1t,x_2t,…,x_dt,…,x_Dt}，x_dt表示第d天的t时刻数据，D为总天数；划分状态时：

式中，Y_M(x_dt)为元素x_dt计算后的状态数序号；max{X_Dt}、min{X_Dt}分别为向量X_Dt中的最大和最小值；Δx_t为状态距离；ceil{}为向上取整。

优选的，通过以下公式计算得到理论转移功率P_move(t)：

式中，λ(x)为波动功率，h′为改进状态转移矩阵Hr′的元素。

优选的，在正式使用所述历史负荷数据之前，还包括：

利用样条差值法补全超短期的缺失数据，若缺失数据连续超过10个采集时刻，则用相邻日的同时段数据进行补全。

本发明与现有技术相比具有以下优点：

本发明依托海量历史用电负荷数据，对马尔科夫状态空间进行了改进，一方面剔除了状态陷入自身不转移的情况，另一方面远离集中区域的离群状态点进行筛选和剔除，准确度高，然后采用改进的马尔可夫链分析用户在每一时刻的用电状态和状态转移概率，计算用户可时移功率值。

在正式评估时，输入当日的负荷功率曲线，根据用户在每一个时刻的状态转移矩阵、状态距离、波动分量，计算出每一个时刻的可转移功率的参考值；进一步地，基于本发明能够求出当日的可转移、可消纳电量，实现用户每日用电的可时移性评估，为用户负荷调节提供借鉴，该方法无需提前掌握用户内的设备数据且准确度高，为挖掘用户负荷调控潜力和指导用户合理安排用电时间提供借鉴。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为本发明实施例提供的方法流程图。

图2为本发明实施例提供的状态转移空间矩阵。

图3为本发明实施例提供的改进后的状态转移空间矩阵。

图4为本发明实施例提供的负荷曲线与可转移功率值。

具体实施方式

本发明的核心是提出了一种非入侵式的用户负荷可时移能力评估方法，该方法通过获取用户总表的大量历史数据并进行挖掘分析，评估出用户用电负荷的可时移能力，不需进入用户内部获取用能设备的种类、型号、数量、用电数据，能够省大量的人力物理成本。

参考图1，本发明实施例提供的一种基于马尔科夫链的负荷可时移能力非入侵评估方法具体包括如下内容：

步骤S101、基于用户智能电表的历史负荷数据，将每天同一时刻的负荷数据构成一维马尔科夫链，进而将每天所有时刻的负荷数据按照数值大小划分为M种状态，并构建相应的状态转移矩阵Hr。

(1)建立用户可时移评估数据矩阵

采集用户智能电表的总的历史负荷数据(即有功功率数据)，然后利用样条差值法补全超短期的缺失数据，若缺失数据连续超过10个采集时刻，则用相邻日的同时段数据进行补全。将补全后的负荷数据按序列排列，选择每天同一时刻的负荷数据，构成一维马尔科夫链X_Dt＝{x_1t,x_2t,…,x_dt,…,x_Dt}，其中，元素x_dt表示第d天的t时刻数据，D为总天数。

(2)划分负荷状态

基于上述构成的所有一维马尔科夫链，计算马尔科夫状态向量，公式如下：

式中，Y_M(x_dt)为元素x_dt计算后的状态数序号；max{X_Dt}、min{X_Dt}分别为向量X_Dt中的最大和最小值；M为定义的状态空间维度；Δx_t为状态距离；ceil{}为向上取整。

通过上式，将历史中所有t时刻的负荷数据按照数值大小划分为M种状态。

(3)构建状态转移矩阵Hr

设矩阵St中元素为s_ij，则状态转移过程如下：

s_ij＝St(Y_M(x_dt)＝j|Y_M(x_dt-t)＝i) (3)

式中，i、j分别表示两相邻数据x_dt-t、x_dt对应的状态；s_ij为状态i转移到状态j的状态转移总数量。

则状态转移矩阵Hr中元素h_ij定义如下：

式中，矩阵Hr大小为M×M，h_ij为由状态i转移到状态j的转移概率；分子s_ij为状态i转移到状态j的数量；分母表示在状态i向其他状态转移总的数量。

步骤S102、将状态转移矩阵中，对角线的转移概率置零，距离最大概率状态点超过M/3状态数的状态点、概率值小于阈值ε的状态点也置零；置零完成后使矩阵中每行元素之和为1，得到改进状态转移矩阵Hr′。

首先，举例说明进行改进的必要性。以某用户在0:00时刻全年的数据为例，状态数M取值为30，用户在同一时刻的负荷状态空间特征如图2所示。从图2可以看出，用户用电负荷空间状态特征呈现“归一性”，即无论当前负荷状态i为何值，下一步转移后的状态j的取值范围为[1，15]，即数据有回归平稳的趋势。此外，从图2中可以看出状态矩阵存在“圆圈”所示的远离集中区域的离群状态点，为异常的突变数据导致，会干扰转移功率的计算。

本发明为了解决转移概率容易陷入自身状态的情况，如由状态i转移后仍为状态i，此时会影响负荷功率转移功率值的计算，本发明对状态转移矩阵进行改进，将对角线的转移概率置零。同时，为了解决数据分布存在离群点，提高状态数据的质量，本发明将距离最大概率状态点超过M/3状态数的状态视为离群状态，以及概率值小于阈值ε的也视为离群点，均给予置零处理。

进一步的，为保证经过上述操作后，概率的每行相加的和为1，在公式(4)的基础上重新计算状态转移概率。

式中，h′_ij为修正后的状态转移矩阵；h_{i_max}为第i行最大的状态概率；loca(h_{i_max})为位置函数，表示h_{i_max}在i行中所在列的位置。

步骤S103、获取待评估的当日负荷数据，确定每一时刻负荷数据P₀(t)所对应的状态，并结合改进状态转移矩阵Hr′和波动功率，计算出对应的理论转移功率P_move(t)，用于评估负荷可时移能力。

因每种状态代表的功率值＝状态距离Δx_t×状态数Y_M(x_dt)，因此同一种状态对应着固定的功率值，与实际的负荷数据存在偏差，需要叠加波动功率。本发明采用t-locationscale分布模拟各自状态上的波动功率，公式如下：

式中，λ(x)为有功功率的随机模拟量，其中μ为位置参数，δ为尺度参数，v为形状参数。

输入当日负荷数据，按照公式(1)和公式(2)计算每个时刻负荷P₀(t)所对应的状态Y_M(P₀(t))，然后各个时刻的改进状态转移矩阵Hr′以及波动功率，计算P₀(t)理论转移功率的公式如下：

式中，P_move(t)为t时刻负荷P₀(t)的理论转移功率；m·Δx_t+λ(x)表示状态m与状态距离Δx_t的乘积，叠加功率波动λ(x)，表示在m状态模拟生成的有功功率值；因P₀(t)所对应的状态为Y_M(P₀(t))，则表示改进状态转移矩阵中，表示状态Y_M(P₀(t))转移到m状态的概率；则表示P₀(t)转移到状态m的理论功率值。对其进行累加求和，即可得到t时刻负荷P₀(t)的理论转移功率P_move(t)。

进一步地，通过对每一时刻计算转移功率，根据公式(8)可逐一计算出全天各个时刻的可转移功率P_move(t)，从而得到全天的可转移功率、可消纳的转移功率，取两者绝对值最小者，即可评估当日负荷可时移能力。相关公式如下：

W_{move_up}＝∫P_move(t)dt P_move(t)＞0 (9)

W_{move_down}＝∫P_move(t)dt P_move(t)＜0 (10)

W_move＝min{W_{move_up},|W_{move_down}|} (11)

式中，W_{move_up}、W_{move_down}和W_move分别表示用户可转移到其他时刻的负荷功率、可消纳其他时刻转移的功率、最终用户可时移负荷电量。

实验验证

首先获取用户历史的用电数据，以居民用户为验证对象，采集用户总表的5年用电数据，数据间隔周期为15分钟。数据体量为96×1825。然后逐一对全年同一时刻的数据组建负荷向量，共构成96个长度为1825的负荷序列。将每个负荷序列构建一维马尔科夫链X_Dt＝{x_1t,x_2t,…,x_dt,…,x_Dt}，其中D为1825天。

本发明选取用电负荷时刻为0:00，将总的状态数M取值为30，离群点概率阈值ε取为0.01。然后根据公式计算马尔科夫状态向量Y_M(x_dt)和状态距离Δx_t，其中Δx_t值为0.1753。再者，根据改进马尔科夫链数学模型计算改进后的负荷状态转移空间矩阵，状态空间分布如图3所示。

对比图2可知，改进后的状态转移空间矩阵清除了离散的转移状态，提高了状态数据的质量，同时将对角线概率也置零，便于下一步计算状态转移功率。同时，在不同时刻重复上述步骤可得到96个基于改进马尔可夫链的状态转移矩阵。

下一步输入待评估的用户负荷序列，评估当日负荷的可时移能力。输入的负荷序列P₀(t)大小为96×1，分别进行96次独立的转移功率计算，每一次均要计算负荷P₀(t)所对应的状态Y_M(P₀(t))和可转移功率P_move(t)。计算各个时刻的转移功率后，可得到当日的负荷可转移功率、可消纳功率，以及最终用户可时移负荷电量，得到负荷曲线与可转移功率值结果如图4所示。

图4中坐标轴上半部分的柱状图表示各个时刻用户可转移的负荷功率，基本与当日负荷曲线数值相匹配，坐标轴下半部分表示各个时刻可消纳其他时刻转移过来的功率值，由此可以评估出当日负荷在各时刻的可时移的功率值。计算结果为全天可转移电量为39.6170kWh，可消纳转移电量的绝对值为15.5614kWh，则用户当日可时移能力取两者的最小值，为15.5614kWh。

以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (4)

1.一种基于马尔科夫链的负荷可时移能力非入侵评估方法，其特征在于，该方法包括：

基于用户智能电表的历史负荷数据， 将每天同一时刻的负荷数据构成一维马尔科夫链，进而将每天所有时刻的负荷数据按照数值大小划分为M 种状态，并构建相应的大小为M×M 的状态转移矩阵Hr；

将所述状态转移矩阵中，对角线的转移概率置零，距离最大概率状态点超过M/3 状态数的状态点、概率值小于阈值ε的状态点也置零；置零完成后使矩阵中每行元素之和为1，得到改进状态转移矩阵Hr'；

获取待评估的当日负荷数据，确定每一时刻负荷数据所对应的状态，并结合所述改进状态转移矩阵Hr'和波动功率，计算出对应的理论转移功率，用于评估负荷可时移能力。

2.如权利要求1所述的方法，其特征在于：所述一维马尔科夫链表示为，表示第d天的t 时刻数据，D为总天数；划分状态时：

式中，为元素计算后的状态数序号；、分别为向量中的最大和最小值；为状态距离；为向上取整。

3.如权利要求 2 所述的方法，其特征在于，通过以下公式计算得到理论转移功率：

式中，为波动功率，h'为改进状态转移矩阵Hr'的元素；为t时刻负荷的理论转移功率；表示状态m与状态距离的乘积，叠加功率波动，表示在m状态模拟生成的有功功率值；因所对应的状态为，则表示改进状态转移矩阵中，表示状态转移到m状态的概率；则表示转移到状态m的理论功率值。

4.如权利要求 1 所述的方法，其特征在于，在正式使用所述历史负荷数据之前，还包括：

利用样条差值法补全超短期的缺失数据，若缺失数据连续超过10 个采集时刻，则用相邻日的同时段数据进行补全。