非侵入式负荷辨识技术研究及应用

0引言

党的十九大指出,当前社会的主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾。为响应国家号召,国网公司积极构建以客户为中心的新型供电服务体系,于2018年初发布了《国家电网公司关于坚持以客户为中心进一步提升优质服务水平的意见》(国家电网办(2018)1号）,提出了"客户服务能力在能源行业领先、客户服务感知和服务满意度在公共服务行业领先"的发展目标。

当前,国网公司用电客户中居民用户达4.1亿户,占总客户数的88.9%。同时,随着我国城镇居民生活水平的提高,居民用户负荷呈高速增长态势,用电行为日趋复杂,居民用户对精准精益用能的服务诉求不断增长。智能电能表作为智能电网的基础性、关键性资产,既是用户计量结算的依据,又是用户用电信息交互的窗口。通过开展智能电能表数据深化应用和智能量测体系建设,深度挖掘用电信息采集系统功能,可有效促进以客户为中心的新型供电服务体系建成。

在上述背景下,计量专业积极开展负荷辨识电能表研发及应用,以期实现居民用电设备组成和能耗全时段精确辨识,为客户提供节能诊断、用电安全隐患辨识、电器寿命预测、电器使用率统计等增值服务:同时,通过引导用户科学合理用电,降低电网峰谷差,推动节能减排。

1电器负荷特征提取

居民电力负荷在运行以及开启和关断的过程中,因工作原理的不同而具有不同的运行特性和启停特性,可以据此对居民电力负荷进行有效辨识分解,这构成了非侵入式辨识的基础,负荷的运行特性和启停特性被称为"辨识特征量"。

在实际工作中,采样数据都是离散值,所以采用的有功功率计算公式如下:

式中:m为有功功率序列p的计算时间窗口所含工频周期数目:N为一个工频周期包含的电流、电压采样点数目,N=f_s/50,f_s为电流、电压的采样频率:u_k、i_k为离散的电压和电流序列。

稳态无功功率0的计算公式如下:

基于以上计算,可以实现基于本地装置的用户功率数据提取。

非侵入式负荷辨识技术非常依赖数据,因此首先需要采集电器负荷数据,建设负荷特征库。家庭负荷种类繁多,工作模式迥异,采集得到的原始数据量相当庞大,需要对其进行特征提取,然后进行分类与管理。

根据居民负荷原始数据,可从负荷功率特性、谐波特性、冲击特性等多种角度进行数据特征分析。例如,电磁炉、微波炉的主要特征是谐波,图1分别是4台不同电磁炉的负荷特征数据。

分析图1数据可以发现,电磁炉直流分项可以忽略不计,谐波排序大致会出现奇次(4、5、6）—偶次(1、2、3）的排序,这些谐波分量均可以作为分类器的一个输入特征向量。

2负荷辨识算法

负荷辨识算法的核心有两个:一是事件检测,几乎全部现有算法均需要用事件检测来区分负荷投切前后的稳态和暂态区段,并在此基础上执行后续计算:二是分类器,即负荷识别模型,基于机器学习算法的分类器是最优选择。

事件检测算法有很多,本文主要研究改进双边累积和(Cumulative Sum,CUsUM）检测算法,主要改进点在于引进一个伸缩因子,以使CUSUM算法可以适应不同功率水平下的负荷事件检测需求。原始CUSUM算法原理是,考虑采样序列X=（x(k））,(k=1,2,…）,非参数化双边CUSUM的统计量g定义如下:

式中:μ₀为稳态序列均值:β为噪声。

式(3）和式(4）分别为正向变化统计量和反向变化统计量计算公式。

当g或g^-_k超过设定阈值时,认为序列发生正向变化或反向变化事件。在此基础上,本项目增加自定义收缩系数,其计算方法如下:

式中:co_i⁺  与co_i^-分别为降频数据的第i点的正、反向自适应收缩系数:g_i-1⁺、g_i-1^-分别为第i-1点的正向与负向统计函数值:β为噪声水平:w决定负荷事件检测中统计参数的收缩程度,根据具体测试结果确定。

经过改进后,CUSUM算法的统计量即为:

式中:i与i-1分别为降频数据的第i点与第i-1点的有功功率估计值,具体估计方法可以采用均值滤波或卡尔曼滤波:g_i⁺与g_i-1⁺分别为降频数据的第i点与第i-1点的正向统计函数值:gi^-与g^-_i-1分别为降频数据的第i点与第i-1点的负向统计函数值。

根据上述统计量,负荷事件判断过程如下:正向统计函数值是否大于统计阈值,若是则为投入负荷事件:负向统计函数值是否大于统计阈值,若是则为切除负荷事件。

在实际测试过程中,数据异常、快速误操作、拉弧冲击电流等可能引起检测错误的问题。例如,数据异常点会多检测出一个负荷切除事件:快速误操作会多检测出一个电器:拉弧冲击电流则比较复杂,可能会检测出多个连续的负荷投入或切除事件。上述异常可能导致算法逻辑崩溃,因此还需要加强事件检测算法的鲁棒性,对检测结果做适当修正。

修正逻辑为:

(1）若某负荷切除事件集合的左边界小于某负荷投入事件的右边界,且负荷切除事件后窗与某投入事件的前窗均值差大于设定阈值,则连接两个事件,并修正为负荷投入事件:

(2）若某负荷切除事件集合是某负荷投入事件集合的真子集,则删除该切除事件。

与现有的两步方差法和CUsUM算法相比,本文所提方法对常规负荷事件检测准确度有很大改善,对缓升型和冲击型事件检测精度有显著提高,算法容错性好。

3负荷分类器

采用支持向量机分类器,根据电器启停时刻的电气特征量变化对电器进行分类,实现电器种类辨识。以下简单介绍sVM线性分类器的基本原理。

对于一组k维线性可分样本X1,X2,…,Xm,存在一个超平面将这组样本分为两类,分类超平面由下式决定:

式中:x=（x1,x2,…,xk）为样本属性向量:w=（w1,w2,…,wk）为样本第i个属性值的权重:b为偏置。

式(7）对应的线性分类器判决函数为:

若f(x）>0,标记正类:若f(x）≤0,标记负类。根据已知标签的训练样本,用经典的感知机学习策略对式(8）中的w和b不断进行优化调整,可以获得一个在训练样本上表现良好的线性分类器。

进一步地,若以分类间隔最大为优化目标,通过优化算法得到w和b的估计值,这样的分类器即为sVM线性分类器,其泛化能力优于普通线性分类器。在sVM线性分类器的基础上,可以使用变换函数将样本的属性向量从原始空间映射到更高维度的特征空间,使样本最终具有线性可分性。引入变换函数φ(·）后,由式(8）定义的判决函数变为:

优化w和b需要计算高维空间的向量内积,可以引入核函数方法避开这个问题。引入核函数K(·）后,式(9）可以变换为:

式中:xi称为支持向量。

选择在通常情况下性能较优的高斯核函数,也称为径向基核函数(RadialBasisFunction,RBF）,最后可得分类决策函数为:

式中:w和b为需要优化求解的参数:a为设定的超参数。

在训练非线性+sV分类器时,若允许分类器在训练样本上存在一定的分类错误率,降低分类器在测试样本上的泛化误差,还需要加入一个正则化项C。基于+sV分类可得到如图2所示的分类结果,基于该结果可根据不同的采样结果对负荷进行分类识别。

4实验分析及现场应用

非侵入式负荷辨识电能表采用多芯模组的设计,采用计量核心、控制核心和负荷辨识核心构成三芯协同的硬件框架。

多芯模组的划分主要以功能为导向。计量核心采用片上系统(+Myt│monChix,+oC）设计方案,负责将用户侧总线上的电压和电流经由互感器、调理电路和模数转换器得到的波形数据准确采集,经过必要的数据处理环节后按一定的周期和数据格式发送给负荷辨识芯:功能核心VCU负责计量芯、负荷辨识芯和采集主站之间的通信连接,发挥通信中转站的作用,连接电能表各个功能并协同工作:负荷辨识芯,顾名思义负责基于原始电压和电流波形数据进行非侵入式负荷辨识的功能实现,实物电路板如图3所示。

历经居民用电负荷辨识算法研究、用电负荷特征库构建、电能表负荷分析模块研发、主站及配套Axx功能模块开发应用等阶段,依托智能电能表和用电信息采集系统,实现了居民用户家庭电器组成和能耗全时段精确辨识。通过手机Axx推送精细化、多元化的全方位用能信息及衍生业务数据,可为用户提供精准精益的用能数据服务。负荷辨识电能表应用系统框架如图4所示。

在云端,应用无监督机器学习算法对长时间、广域度、海量级居民用电负荷数据进行聚合分析,评估居民可中断弹性负荷规模,为实施需求响应、提高电网运行经济性提供支撑。

某户居民的负荷辨识结果如图5所示。

若全面应用该技术,可以进一步了解用户生活中的电器设备使用水平,进而实现全市范围内的负荷调度配置,助力国内能源的合理利用和碳达峰、碳中和目标的实现。某市部分区域的负荷辨识聚合结果如图6所示。

5结语

负荷辨识技术的研究和应用有利于研究社会电力的具体需求,可助力国家能源战略的合理调配。本文在此背景下研究了电器特征及其提取方法,并基于电器特征信号提出了一种改进的负荷辨识算法,通过对负荷的提取辨识,研究了负荷分类模型和实现机制。

现场应用表明,本文所研究的负荷辨识方法可以准确有效地辨识出常用的特征负荷,在电力能源调度以及统筹决策中具有重要的现实意义。