[发明专利]一种基于KM匹配算法的非侵入式负荷辨识方法

摘要

本发明公开了一种基于KM匹配算法的非侵入式负荷辨识方法，在获取到测得的电力系统中各用电设备的数据后，首先对于用电设备的投切过程中有功、无功的特征变化，采用Parzon窗进行概率密度估计，得到其负荷投入和切除的特征概率分布；再针对实际场景下负荷的投入和切除，分别计算有功、无功概率密度，建立最佳的匹配模型；然后通过KM算法进行求解，获取最佳的负荷事件匹配；进一步地，通过匹配得到负荷事件与数据库样本同等操作，实现负荷状态的辨识方法。该方法，在综合有功功率和无功功率变化来使用KM算法，来消除辨识误差，与其他方法相比，本发明在辨识有功功率或无功功率相近的设备时具有较好的辨识准确性。

主权项

1.一种基于KM匹配算法的非侵入式负荷辨识方法，其特征在于，将KM算法应用于负荷匹配当中，所述KM算法是一种基于二分图理论，求完备匹配下的最大权匹配的算法，使得在一个赋权二分图G中存在的两个互不相交的顶点集X＝{X₁,X₂,…,X_n}，Y＝{Y₁,Y₂,…,Y_n}，X部中的每一个顶点都与Y部中的一个顶点匹配，或者Y部中的每一个顶点与X部中的一个顶点匹配；所述KM算法与负荷辨识相结合主要将有功功率和无功功率作为两个定点集应用,包括以下步骤：/n步骤1：采集数据，构成数据样本，采集数据包括：原始的电压和电流；/n步骤2：负荷事件检测，具体为：/n假定在某个时刻点k，时间窗内L个数据样本{x_i}分为两类，为了避免电压、电流等波动的干扰，采用拟合逼近的方式进行负荷事件检测；规定在负荷事件检测窗内，以时刻点k为中间点将数据样本{x_i}分为两类，规定C₀类{x₁,x₂,…,x_k}(监测窗开始到时刻点k的数据样本集)和C₁类{x_k+1,x_k+2,…,x_L}(时刻点k后到检测窗结束的数据样本集)，其中L为窗口内样本长度，令当满足目标函数达到最小，便可得到负荷事件的变点；/n步骤3：在步骤2中检测到变点之后，进行负荷特征提取；/n步骤3.1：提取稳态P特征，有功功率定义为：是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；/n步骤3.2：提取稳态Q特征，无功功率定义为：v(t)是t时刻的电压值和i(t)是t时刻的电流值，T为一个周期；/n步骤3.3：提取开关事件的有功、无功曲线；将P、Q曲线结合构成P-Q特征图；/n步骤4：负荷特征统计，具体为：/n步骤4.1：对步骤2中检测的事件进行归类，规定负荷投入的负荷事件归为集合X，负荷切除的负荷事件归类为集合Y；/n步骤4.2：假定有n个待辨识的电器设备A₁～A_n，根据步骤3提取的负荷特征，则对应的每个设备开启时的有功功率跳变集合为P_x＝{P_x1,P_x2,…,P_xn}，相对应的关闭事件的有功功率跳变集合为P_y＝{P_y1,P_y2,…P_yn}；开启时的无功功率跳变集合为Q_x＝{Q_x1,Q_x2,…Q_xn}，关闭时的无功功率跳变集合为Q_y＝{Q_y1,Q_y2,…Q_yn}；/n步骤4.3：对步骤4.2中的各个用电电负荷开启特征P和Q采用核密度法中的Parzen窗法进行估计，通过样本可以直接得到概率密度p(x)；在使用Parzen窗法拟合曲线时，可以通过选择合适的窗宽，使数据样本对某一点的概率密度有着不同的影响；在点x处的核密度估计为式中n为样本个数，h为窗宽，K()为核函数；/n步骤4.4：选取核函数；为了使f_h(x)满足密度函数的要求，核函数K()还需满足一下3个条件∫K(u)du＝1，∫uK(u)du＝0，通常核函数的选择会影响密度函数的形式，而窗宽的取值会影响到密度函数的光滑程度；基于此，选择高斯函数作为核函数；/n步骤4.5：选取窗宽；由高斯分布N(μ，σ)可知，其概率密度函数f(x)与样本标准差σ密切相关，因此最优窗宽近似为/n步骤5：基于KM算法的负荷最佳匹配，具体为：/n步骤5.1：预处理；将有功功率投切匹配过程和无功功率投切匹配过程分别转化为两个二分图G(X,Y,E)，H(X,Y,F)；设备开启和关闭事件分别为二分图的两部分顶点集X，Y；定义M(x_i,y_j)为负荷开启和关闭事件的一条匹配，并将X，Y所对应的负荷事件匹配概率作为匹配M_G(x_i,y_j)，M_H(x_i,y_j)的权重ω_G(x_i,y_j)，ω_H(x_i,y_j)；/n步骤5.2：定义将n个设备的有功功率和无功功率匹配结果用统计学方法求得的匹配概率表示为二维矩阵的形式[f_ij]_n×n和[h_ij]_n×n，其中矩阵中某一行的各个数据代表某一设备关闭功率跳变值在其他各设备开启功率跳变值分布曲线下的概率密度；/n采用步骤3中提取的特征并利用步骤4中选取的核函数和窗宽对各个设备启停功率跳变值分布进行统计得到概率密度；/n步骤5.3：确定最佳匹配数学模型；采用下式的最佳负荷匹配数学模型进行约束：其中，下标i，j的在计算过程中各个值只取一次，α，β为有功功率和无功功率矩阵对应的权值，且满足α+β＝1，此处取α＝β＝0.5；令等权相加得到的矩阵为[k_ij]_n×n，用此方法使得最终的负荷匹配不受干扰；将步骤5.2中得到的数据进行负荷最佳匹配计算。/n