[0027] 为了使本技术领域的人员能够更好的理解本发明的方案,下面结合流程图和具体实施方式对本发明作进一步的详细说明。
[0028] 本发明的核心是提供一种基于影场的数据筛选算法以及基于HMM的辨识方法,既可以解决用户的用电问题,同时也可以解决辨识过程中计算量大,造成误判,以及提高辨识准确度等问题。
[0029] 如图1所示,本发明包括以下步骤:
[0030] 步骤1:采集数据,构建数据初始样本;
[0031] 采集的数据主要有每户家庭总电流以及总电压,每隔三秒采集一个数据点;计算得出每个电器的有功功率, 为电流和电压的相位差;k为
谐波次数;Ik为k次谐波时的谐波电流;Vk为k次谐波时的谐波电压;Pk为k次谐波时的有功功率。
[0032] 步骤2:
[0033] 步骤2‑1:简化数据库
[0034] 假定一个小区有r户家庭C1~Cr,第t个家庭所提取的总功率序列表示为ct,则一个小区数据库功率序列总集合可表示为c=[c1,c2,...cr]。
[0035] 假定小区数据库R1中有三家总功率序列相近的用户,分别为c1、c2、c3。如图2所示,以LD1、LD2、LD3表示三类样本的类域,每类类域可分为类域独立样本XI和类域重叠样本Xo。每类类域独立样本集合可表示为则类域重叠样本集合为
XDO={u|u∈LD1,u∈LD2,u∈LD3}。
[0036] 自影具体方式为:运用DTW算法对小区数据库R1内的有功功率序列进行两两比对。取两个家庭的有功功率序列分别记为M=m1,m2,...,mi,...,mp;N=n1,n2,...,nj,...,nq。构造一个p×q矩阵网络,矩阵元素(i,j)表示mi与nj之间的距离d=(mi,nj),求p×q矩阵网络中(1,1)到(i,j)点的最短路径,将此路径定义为W,其大小为γ(i,j)=d(i,j)+min{γ(i‑
1,j‑1),γ(i‑1,j),γ(i,j‑1)}。由计算可得出这两个序列相似度,同时,对此两段有功功率序列进行标记。小区数据库R1内相似度较高的有功功率序列组成子数据库Y1,即为上述中所描述的类域重叠样本集合。
[0037] 他影具体方式为:运用DTW算法对总数据库R内的有功功率序列进行两两此对。取两个家庭的有功功率序列分别记为M=m1,m2,...,mi,...,mp;N=n1,n2,...,nj,...,nq。构造一个p×q矩阵网络,矩阵元素(i,j)表示mi与nj之间的距离d=(mi,nj),求p×q矩阵网络中(1,1)到(i,j)点的最短路径,将此路径定义为W,其大小为γ(i,j)=d(i,j)+min{γ(i‑1,j‑1),γ(i‑1,j),γ(i,j‑1)}。由计算可得出这两个序列相似度,同时,对此两段有功功率序列进行标记。将小区数据库之间相似度较高的有功功率序列找出组成子数据库F。
[0038] 步骤2‑2:将自影和他影步骤中有功功率序列相似度低的数据组合得到数据库W,即为上述步骤中的类域独立样本集合。
[0039] 步骤3、随机选取子数据库F或Y1中标记符号相同的两段有功功率序列,其时间长度为12小时,将其均分为3600个窗口,记为f1,f2,f3,...,fs,...,f3600。每个窗口包括四个数据点(原始数据为三秒采集一次),将获得的3600个窗口同时在另一功率波形上滑动,记录
相同片段,并将其标记为f11,f12,f13,...,fsj(1<j<3600)。记录初次遍历所获得的重叠位置为S1,S2,...,Sg(其中包括时间信息与功率大小信息)。如图3所示,初始两段功率序列分别为模板1:[2,4,8,6,5,3,2,1,9,8],模板2:[8,6,5,3,3,1,9,7,8,5]。第一次取5个窗口,分别为[8,6],[5,3],[3,1],[9,7],[8,5],将其编码为10001,10002,10003,10004,10005。
窗口滑动后,可得重叠窗口为[8,6],[5,3],将其编码为10001 0003(后四位为重叠区间的位置信息)10002 0005。
[0040] 第一次波形遍历后,应得到的信息包括有,相同数据重叠位置(0003)以及重复的窗口(10001)。对重复的窗口进行扩展,每次增加4个数据点,第二次从第一次记录的重叠位置开始遍历,如图3所示,第二次取窗口为[8,6,5],[5,3,3],将其编码为20001,20002。同理得到重叠窗口[8,6,5]。即序列重叠,继续对其进行扩展直至不重叠为止,将前一次记录的重叠区间记为最大重叠区间,如[5,3]序列即为一最大重叠区间。可得小区数据库内重叠数据,经过筛选后,便可得到精简后的数据库G。
[0041] 步骤4、将数据库G与上述步骤2‑2中所得到的数据库W相结合构建新的总数据库H。
[0042] 步骤5、对新的总数据库H进行负荷辨识,其具体方法如下:
[0043] 首先建立训练集,由精简后的数据库选取部分典型数据作为训练集。
[0044] 使用HMM对总功率和用电设备进行建模,将一个家庭中所有的电器建模成一个HMM。电器的状态为HMM的状态,总功率为HMM的观测。
[0045] 假设一户家庭电器的个数为E,用电设备e的状态数为K(e),则HMM的状态数为使用HMM对电器建模后,负荷分解问题便转换为:给定HMM的参数λ和总功率序
列,确定产生给定的总功率序列对应的最佳电器状态序列。
[0046] 通过传统的Baum_Welch算法对训练集进行计算得到初始HMM,其中λ=(A,B,π)。HMM中转移概率矩阵A=[axy,1≤x,y≤n],为电器从前一状态i到下一状态j的概率,矩阵A为一常数矩阵;观测概率矩阵B=[fe(P|x),1≤x≤n],为fe(P|x)电器在状态x下消耗功率为P的概率。然后由Viterbi算法求解产生给定的总功率序列对应的最佳状态组合序列。从而达到分解负荷的目的。其具体算法如下:
[0047] 初始化两个辅助变量δd和ψd。
[0048]
[0049] ψ1(x)=0
[0050] 式中:axx、bx、πx分别为概率转移矩阵A、观测矩阵B和先验概率向量π中的元素;T0为第一观测序列长度。然后进行递归计算
[0051]
[0052]
[0053] 终止条件:
[0054]
[0055] 通过解码后得到最佳状态组合,然后通过下列公式分解得到各个负荷的状态。
[0056]
[0057] 式中:k(e)是第e个负荷的状态值;K(h)为第h个负荷的总状态数。