[发明专利]一种基于仿射传播聚类算法和选择性贝叶斯分类的NILMD方法

说明书

本发明公开了一种基于仿射传播聚类算法和选择性贝叶斯分类的NILMD方法，包括：基于AP算法，计算出样品目标的运行状态；基于选择性贝叶斯分类，对样品目标的运行状态进行概率拟合，获得样品目标的运行状态区间，以实现样品目标的运行状态离散化；基于二维高斯分布和极大似然估计法，结合样品目标的运行状态区间，对样品目标进行识别分解，完成样品目标的非侵入式负荷识别与分解。此发明解决了传统负荷分解方法识别分解精度差的问题，通过结合AP算法和选择性贝叶斯分类法，对样品目标进行分侵入式负荷识别与分解，实现了高精度识别分解，提高了工作效率。

技术领域

本发明涉及电力技术领域，具体涉及一种基于仿射传播聚类算法和选择性贝叶斯分类的NILMD方法。

背景技术

随着行业与居民用电水平的提高，城市电网需求侧用电特性呈现多样化的发展趋势，包括用电时段、负荷大小、评价指标、曲线形态等在内的负荷差异化特征对电网调度、检修的影响逐年增加。

以上海电网为例，考虑“数字浦电”建设背景和“一二六六”战略指引，为推进城市能源互联网业态发展和公司数字化转型，全面提升电网调度的智能化和精细化水平，针对居民负荷开展非侵入式识别与分解是当下的重要需求。

上世纪八十年代，George W.Hart提出非侵入式负荷监测与分解(NILMD)方法，用于更加方便的获得用户各种电器的用电数据。首先，要获得用户总线的电气数据，在用户的电力设备入口处安装相关的数据监测设备，随后对数据进行分析，借助负荷辨识算法分析电器运行状态。

但，目前随着智能量测技术的发展和负荷侧用电信息快速增长，现有的负荷分解方法已无法满足现实需求，需要新的方法来实现NILMD。

发明内容

本发明的目的是提供一种基于仿射传播聚类算法和选择性贝叶斯分类的NILMD方法。此方法旨在解决传统负荷分解方法识别分解精度差的问题，通过结合AP算法和选择性贝叶斯分类法，对样品目标进行分侵入式负荷识别与分解，实现高精度识别分解，提高工作效率。

为达到上述目的，本发明提供了一种基于仿射传播聚类算法和选择性贝叶斯分类的NILMD方法，包括以下步骤：

步骤1：基于仿射传播聚类(AP)算法，计算出样品目标的运行状态；

步骤2：基于选择性贝叶斯分类，对样品目标的运行状态进行概率拟合，获得样品目标的运行状态区间，以实现样品目标的运行状态离散化；

步骤3：基于二维高斯分布和极大似然估计法，结合样品目标的运行状态区间，对样品目标进行识别分解，完成样品目标的非侵入式负荷识别与分解。

最优选的，AP算法包括以下步骤：

步骤1.1：基于样品目标的低频特征，构建样品目标的特征样本集；

步骤1.2：对特征样本集进行责任度和可信度更新；

步骤1.3：通过阻尼因子平抑迭代过程中特征样本集的振荡；

步骤1.4：特征样本集重复迭代，获得特征样本集的运行状态。

最优选的，构建样品目标的特征样本集包括以下步骤：

步骤1.1.1：通过消息传递机制，搜索网络中样品目标的各个数据点的聚类中心以及数据点与数据中心之间的隶属关系；

步骤1.1.2：根据数据中心和顶点之间的隶属关系，对样品目标进行划分，形成特征样本集。

最优选的，进行概率拟合之前还包括：对特征样本集和类别变量进行概率计算，获得特征样本集的后验概率。

最优选的，选择性贝叶斯分类进行概率拟合是通过贝叶斯分类器(SBC)实现的。

最优选的，对样品目标进行识别分别包括以下步骤：