论文部分内容阅读
随着可再生能源的高速发展和大规模并网,电网的稳定运行和经济调度面临巨大的挑战,提升需求侧响应水平成为促进可再生能源消纳的必然选择。家庭电力用户因为数量庞大,是需求侧响应中不可忽视的环节。基于智能电网技术,对用户用电行为进行非侵入式负荷监测(non-intrusive appliance load monitor,NALM)已成为现实,为实现以家庭电力用户为主体的需求侧响应提供了重要的技术支持。负荷辨识作为非侵入式负荷监测的核心环节,其辨识准确度的提升有利于非侵入式负荷监测技术发挥更大作用,对电网安全经济、节能环保地运行,对用户高效用电都具有重要的理论和现实意义。虽然非侵入式负荷辨识研究已取得了不少成果,但在辨识依据的选择、暂态特征分析方法以及辨识算法与选用的特征结合不紧密造成辨识准确度低的适配性等方面尚存在问题,因此本文基于非侵入式负荷监测中高频采样信号“噪音大、分辨率高”,辨识所用特征“高维度、小样本”的特点,围绕负荷特征的分析、暂态特征分析的采样区间确定方法,负荷特征的筛选方法以及特征与辨识算法相结合展开研究,主要工作如下:首先,对非侵入式负荷辨识可依据的负荷特征进行深入探讨,总结归纳各特征计算方法及优缺点,并针对暂态过程持续时间这一特征的复杂情况提出了虚拟暂态过程持续时间的概念。通过实例对比分析各特征单独用于非侵入式负荷辨识的辨识效果,指出仅用单特征进行非侵入式负荷辨识的不足,为后序研究提供了特征比较与选择的依据。之后,针对暂态特征分析精度受采样区间影响的问题,提出一种排列熵算法和Yamamoto算法融合的暂态特征分析的采样区间确定方法,利用多尺度化排列摘值的跃变确定负荷状态变化发生时间窗,再根据时间窗内各采样点信噪比差异定位状态变化发生时刻,最终结合数据需求确定暂态特征分析的采样区间。融合方法可快速准确的确定暂态特征分析的采样区间,减小暂态特征计算的误差,减轻其对后续非侵入式负荷辨识结果的影响。再次,为了对由所有可选特征构成的特征集实现降维,获取必需且无冗余的负荷特征子集,提出了改进的Relief-F和互信息混合的特征选择方法。先基于Relief-F的特征重要性排序算法选择出特征子集,再利用特征间的互信息对选出的特征子集实施去冗处理,最终得到筛选后的特征子集及相应特征权重值。这可以有效节省非侵入式负荷监测所需的存储空间,在后续负荷辨识中起到提高准确度同时大幅减少计算量的作用。最后,构建了一种可结合特征权重的基于模糊C均值聚类的非侵入式负荷辨识算法,并给出了负荷群辨识准确度、负荷单类辨识准确度、负荷随机辨识准确度三个评价非侵入式负荷辨识效果的指标。,算例分析验证了精确确定暂态特征分析的采样区间、合理筛选负荷特征对于非侵入式负荷辨识的必要性,同时表明将模糊C均值聚类算法与特征权重相结合可取得良好的辨识效果。总之,负荷特征的分析研究是非侵入式负荷辨识的基础,对负荷特征的深入认识、精确提取、合理选择以及与辨识算法的有效结合,是提高非侵入式负荷辨识准确度的重要工作。本课题对此取得了一定进展,为非侵入式负荷辨识的研究提供了新思路。