考虑用户缴费满意度与用电舒适度的用电优化策略

随着智能家电的广泛应用以及负荷监测技术的发展,家庭可控负荷的优化调度已经成为虚拟电厂技术的重要研究内容。考虑家庭用户用电经济性和舒适度,提出一种综合考虑家庭用户电力负荷关联度和用电舒适度与缴纳电费满意度的多目标用电模型。根据用户的负荷特性,建立刚性负荷和柔性负荷的数学模型及其约束条件。引入负荷使用关联矩阵调整负荷运行时段参数,建立考虑用户用电舒适度与电费支出满意度的多目标用电模型,采用遗传算法对模型进行求解。算例分析结果表明所建立的优化策略能有效满足用户用电舒适度,实现用电经济性,为虚拟电厂中可控负荷的优化调度提供帮助。     

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。     

谱聚类算法在家用负荷识别中的应用

家用负荷识别可提高用户对用电情况的认知度,优化用电模式,响应节能政策。提出一种分步识别的方法。识别前依据谱聚类方法得到负荷类别及其聚类中心,建立标准模板库,存储各负荷类别的特征量,特征量主要包括6项:负荷投入或者切除时刻变化的暂态有功功率、无功功率波形标幺值及各自幅值和稳态的有功功率、无功功率值。首先以综合负荷的功率变化为依据,提取负荷变化时刻及稳定运行后的功率确定特征量。第一步粗选,依据其投入或切除瞬时波形进行调整后与标准模板库波形进行匹配确定负荷所在大类;第二步精选,依据其瞬时波形幅值与稳态运行功率值与所在类别中的负荷相应特征量进行比较得到识别结果。该方法能精准确定负荷类别,简单可靠,可为家庭负荷建模提供数据支持。实例也验证了该方法的有效性。     

基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识

考虑工业生产的持续、安全等因素,避免在高压生产区对负荷进行直接测量,采用非侵入式感知模式在低压总用电计量端进行监测,通过分离解析总信号获取各负荷详细的运行情况。文中研究了一种基于事件波形解析的辨识方法,为了适应不同用户生产门类及流水工艺的差异,将事件解析下沉至用户边缘。首先,利用工业负荷单体功率大的特点,结合不同投切形式分离事件波形。然后,在用户边缘形成该用户的解释空间,构建有效描述事件波形的结构化特征空间,建立映射规则实现特征空间与解释空间的对应,并通过类别判定完成事件解析与负荷辨识。最后,利用聚类对群体事件进行分类辨识以优化验证辨识结果。通过实际采集的钢铁工业用电数据验证方法的有效性,实现其用电感知与事件解析。     

基于随机森林算法和稳态波形的非介入式工业负荷辨识

非介入式工业负荷的准确辨识可以获取工厂内各负荷的运行情况,有利于需求侧智能用电管理.工业负荷由于采集暂态数据建模困难、需要高精度测量设备等特点,造成辨识方法复杂难以实现.针对这种情况,提出一种利用随机森林算法和稳态波形的非介入式工业负荷辨识方法.首先,通过事件监测工业负荷功率状态变化并提取稳态波形,根据工业负荷性能不同...     

基于稳态波形分解与神经网络的负荷识别方法

非侵入家用负荷识别技术可以提供用户的用电信息,对于家庭来说,信息可以指导用户合理安排用电,改善用电习惯,减少用电开支;同时,对于电力部门利用家庭用电数据可以了解负荷用电规律及趋势,完善电力规划。作为智能电网的一项关键技术,现有的研究多采用高级智能算法,基于用电负荷的稳态特征进行学习,识别。针对现有算法识别特征存在的不足和各种家用负荷在投入运行后的特点,现提出一种基于稳态波形分解的BP神经网络负荷识别方法。该算法主要利用稳态波形可叠加性对分解后的电流波形进行谐波特征提取,结合经过神经网络训练后得出权值,阈值,通过嵌入式装置实现对负荷的识别。经实测数据检验,该方法已成功在嵌入式装置上实现,具有良好的识别精度和计算速度,达到了预期的效果。     

家庭智能用电任务调度优化模型及其算法研究

针对家庭负荷的优化调度,提出了一种家庭智能用电任务调度优化模型。根据不同家电设备的用电特点,采用集合论语言对不同用电任务进行描述定义,建立以负荷峰值、用电费用为优化目标,以家庭负荷特性及运行状态为约束的多目标优化问题。提出了基于混合编码遗传算法的求解算法,算法中针对不同用电任务分别设计了不同的算法编码及算法操作策略,实现对家庭智能用电任务调度问题的单目标和多目标优化求解。通过家庭用电任务模拟算例对该算法性能进行了验证,结果表明该算法能够较好地实现家庭用电任务的优化调度。     

空调负荷虚拟同步机的负荷响应控制技术

空调负荷已经成为我国夏季用电的主要负荷之一,对电力系统的稳定运行产生了极大的威胁。负荷虚拟同步机技术可以感知电网的运行状态,在需求侧参与电网的一次调频,起到稳定电网的作用。首先,阐述了将变频空调作为负荷虚拟同步机运行,并参与电网一次调频的机理。其次,提出了空调负荷虚拟同步机负荷响应的调节策略及其功率控制方法。最后,通过仿真验证了所提出的负荷响应调节策略及其控制方法的有效性。     

非侵入式电力负荷多目标分解框架

现有基于最优化的非侵入式负荷分解方法存在两个问题:使用一到两个特征对家庭负荷的分解效果差;而使用三个及以上特征作为用电设备辨识的目标函数难度高。提出非侵入式电力负荷多目标分解框架,解决传统方法利用特征数少、加权系数难确定等问题。以有功功率、无功功率、视在功率、谐波和电流波形作为电器运行状态的目标函数,建立多目标优化负荷分解模型。利用多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)对实测用电数据进行负荷分解求得Pareto最优解集。最后通过多准则决策方法选出识别结果。实验结果表明,增加特征可提高MOEA算法对多个用电设备同时运行时识别准确率,且与当前主流算法相比,所提框架对家庭负荷分解的准确率更高。     

融合分时电价的居民可控负荷优先级控制策略

在智能电网背景下,智能终端及智能家电大规模普及导致家庭用电量大幅增加,为应对电力负荷高峰逐年攀升,缓解电力供应趋紧的压力,合理利用用户侧大量可控负荷资源参与需求响应对电网的运行和发展有重要意义。提出基于智能家庭能量管理系统的融合分时电价的居民可控负荷优先级控制策略,对家庭中多类可控负荷（空调、热水器、电动汽车、洗衣机、洗碗机）进行控制,在“填谷”控制中考虑分时电价的影响。通过仿真验证对多场景下居民负荷用电进行对比分析,结果证明,所提控制策略可改善电网负荷曲线,实现削峰填谷,在满足用户用电舒适度的同时,进一步为用户节约用电成本,验证了所提方法的有效性。     

深度神经网络在非侵入式负荷分解中的应用

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。     

基于时间概率分布与电器组合超状态的非侵入式负荷分解

非侵入式负荷监测是智能用电网络中的重要技术,为研究非侵入监测下电器的用电情况,提出了一种基于电器时间概率分布和电器组合超状态匹配的负荷分解方法。首先对电器的功率数据进行状态提取,并利用电器运行的时间信息提取每个状态的时间概率分布。根据电器的工作状态组合,构建超状态,利用家庭历史用电数据缩减超状态空间,并针对超状态功率重叠问题对其进行聚类得到S超状态。在负荷分解阶段利用S超状态匹配方法对非侵入式数据分段,并利用时间概率最大似然估计分解结果。最后,通过数据集分解结果验证了该算法的有效性。     

基于多元特征分析的居民非侵入式相似电器辨识算法

在面向居民的非侵入式负荷辨识场景中,存在部分电路结构、功率相近的相似电器。对于这些电器,现有算法辨识成功率较低。为提高对居民相似电器辨识的准确率,提出了一种基于多元特征分析的非侵入式相似电器辨识算法。该算法使用一对多维的低频电器特征数据进行分析,先将特征规范化,计算两种电器特征间马哈拉诺比斯距离,用以判断两种电器是否相似,再对原始特征使用主成分分析,以提取相似电器的主特征,最后将主特征输入多元高斯模型,得到辨识结果,判断电器运行状态,并分项计量电器能耗。使用实测电器数据与居民实际用电数据进行验证,并与其他模型进行对比。结果显示,该算法可有效提高相似电器辨识的准确性。     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。     

基于NILM技术的家庭用户精确负荷建模方法

结合非侵入负荷监测NILM系统的负荷辨识流程,本文提出了一种基于NILM技术的家庭用户精确负荷建模方法。该方法应用NILM技术提取家庭主要设备负荷特性。然后通过模糊C聚类法实现家庭负荷模型归类,获得设备针对不同电价的转移灵敏度和自灵敏度用电特性,并在此基础上形成家庭负荷特性。通过电网公司分时电价环境下实测的家庭典型用电负荷数据验证可知,空调、洗衣机、热水器、电动汽车具有较大的弹性,其中洗衣机的自弹性和交叉弹性最大,在高电价时段可削减100%。该方法所获得的家庭负荷辨识的结果,可支持居民电价/激励等需求侧管理政策的制定,也可支持用户家庭用电设备状态监测服务等。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

基于差量特征提取与模糊聚类的非侵入式负荷监测方法

现有非侵入式负荷监测(NILM)方法主要将电器功率大小作为特征值,对于低功率电器识别的准确性不够,无法满足精细化智能用电的应用需求。文中分析了多种家用电器的功率和谐波特征,并选取低功率电器差异最大的频域谐波幅值作为新的特征。在此基础上提出一种新的NILM方法,该方法采用差量特征提取方法获取任意时刻的特征值变化量并引入信息熵的方法,通过计算簇间熵来确定最佳聚类数和负荷相似度;再通过模糊聚类实现电器负荷数量及种类的聚类识别。实验结果表明,文中提出的NILM方法在不同场景下均具有良好的可靠性和鲁棒性,采用谐波特征后识别准确性有明显提升。     

不同代际关系家庭的家电配置偏好度研究

家电配置偏好度的研究是对居民用户设计有效需求侧管理措施的基础。针对目前相关研究只考虑家电类型配置而忽略同种家电不同功率档位配置的问题,首先采用基于密度的DBSCAN(Density-based spatial clustering of applications with noise)聚类法对常用大功率电器实施功率聚类分档;进而根据各种代际类型家庭占比、各档位家电市场份额的统计信息建立最优化模型,对各类家庭对各家电档位的偏好度实施拟合分析;最后通过分枝、剪枝过程获得各类家庭常见家电配置方案及其偏好度。算例分析表明,所提方法能有效筛选出各类家庭的常见家电功率档位配置方案,且偏好度分析结果符合不同代际类型家庭在人口、居住面积上的特点。     

基于改进GMM-CNN-GRU混合的非侵入式 负荷监测方法研究

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。