[發明專利]一種基于人類行為的負荷分解算法

有效

• 申請號: 201810725300.4
• 申請日: 2018-07-04
• 公開（公告）號: CN109214545B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 殷波;魏志強;叢艷平;黃賢青;李振寰
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06F17/18
• 代理公司: 青島華慧澤專利代理事務所(普通合伙) 37247
• 代理人: 張慧芳

本發明公開了一種基于人類行為的負荷分解算法，包括以下步驟：第一步，基于人類行為的模型訓練：通過對人類行為的統計分析，根據人類行為的活躍度等級建立時間片，對每個時間片分別建模和訓練；第二步，負荷分解：通過上一步得到模型和時間片，根據傳入數據時間片的不同選擇不同的模型參數進行分解，最終得到單電器的負荷。本發明考慮到了人類行為對于電器開關的影響，引入了時間戳的概念，加入了人類行為對于電器開關的影響因子，將人類經驗作為負荷分解的參照依據之一，并將電流電壓特征通過計算轉化為功率特征，提高了低頻采樣負荷分解的準確度。

技術領域

本發明屬于智能電網技術領域，特別涉及一種基于人類行為的負荷分解算法。

背景技術

能源需求是人類社會生存和發展的基礎。在日常的能源消耗上，電能是主要的消耗形式，電能的消耗比例也在逐年提升。為了不斷滿足人類對電能的消耗，使能源得到高效合理化的利用,那么家用電器的管理便變得及其重要。

目前，我們住宅內的用戶智能用電網絡還沒有形成，電表僅是得到用戶端總的干線電流、電壓信息，電表本身無法識別電器的類型。為了了解家庭的詳細用電情況需要進行負荷分解。負荷分解也被稱為非侵入式負荷監測，是利用電力入口處的負荷信息對其內部包含的用電設備進行狀態監測和能耗分解，以獲取單個電器的用電信息。由于電表獲得信息有限，只有電流電壓信息，進行負荷分解比較困難，分解的效果也比較差。同時，對負荷數據進行高頻采樣可以獲得區分度更高的負荷特征，但同時會帶來較大的數據存儲和處理成本，利用負荷低頻采樣數據進行準確的負荷分解是困難的。

目前，負荷分解主要有幾種方法：基于HMM的負荷分解算法、基于FHMM的負荷分解算法和基于組合優化的負荷分解算法。HMM基于一條隱馬爾可夫鏈，將每一種電器組合看作馬爾科夫模型的一個隱含狀態，將特征看作觀察狀態。FHMM是HMM的擴展，為每個電器單獨建立一個馬爾科夫模型然后組合成一個含有多個馬爾科夫鏈的因子隱馬爾可夫模型。組合優化問題是在有限個可行解的集合中找出最優解的問題，在解決負荷分解問題時通常使用組合優化算法中的遺傳算法，系統的負荷個數N等于個體長度，通過迭代找到最優的電器組合來實現負荷分解。

各種分解方法均能夠在一定程度上實現用電負荷分解，但由于特征性質單一，分解手段單一，負荷分解的結果較差，負荷分解問題仍存在諸多問題，主要表現在：

1.對負荷數據進行高頻采樣可以獲得區分度更高的負荷特征，但同時會帶來較大的數據存儲和處理成本，利用負荷低頻采樣數據進行準確的負荷分解是困難的。

2.對所有樣本直接進行訓練，忽視了不通時間段電器運行概率的人為因素影響，使用統一的模型進行負荷分解，對負荷分解的準確率造成干擾。如圖1所示，使用傳統的模型分解得到的洗碗機功率波形與實際波形相差較多，尤其對于電器開關的準確率分解極低。

發明內容

針對現有技術存在的不足，本發明考慮到了人類行為對于電器開關的影響，引入了時間戳的概念，加入了人類行為對于電器開關的影響因子，將人類經驗作為負荷分解的參照依據之一，并將電流電壓特征通過計算轉化為功率特征，使用低頻采樣數據得到了一種基于人類行為的負荷分解算法。

為了解決上述技術問題，本發明采用的技術方案是：一種基于人類行為的負荷分解算法，包括以下步驟：

第一步，基于人類行為的模型訓練：通過對人類行為的統計分析，根據人類行為的活躍度等級建立時間片，對每個時間片分別建模和訓練；

第二步，負荷分解：通過上一步得到模型和時間片，根據傳入數據時間片的不同選擇不同的模型參數進行分解，最終得到單電器的負荷。

進一步的，基于人類行為的模型訓練的具體步驟是：

步驟1，采集常用的家庭用電設備數據：采集多個家庭用電設備在日常條件下一段時間內的電流電壓數據，并加上時間戳，然后將電流電壓數據轉換為功率；