基于专变用户负荷智能识别与追踪技术研究的评估方法与流程

1.本发明属于线损管理技术领域，尤其涉及一种基于专变用户负荷智能识别与追踪技术研究的评估方法。


背景技术：

2.近年来，电力能源的消耗呈稳步増长态势，可再生能源技术的不断发展伴随着其发电量在总发电量中的比重不断上升，但火电等非可再生能源发电方式仍占绝对主导地位，环境污染和资源供给等问题依然严峻。与此同时，可再生能源本身的发展不平衡的矛盾也逐渐显露：可再生能源消耗的巨大增幅与同时期用电增速不匹配，由于国家政策的大力支持，以风光电为代表的可再生能源发电装机容量持续高增，远超社会用电量增速，供需不平衡发展进一步加剧了消纳问题；且因气候因素的不可控，导致可再生能源发电具有强波动性，在可再生能源并网比例越来越高的情况下，电网的稳定运行和调度面临巨大的挑战。在各类应对措施中，需求侧响应的作用不容忽视。
3.通过对市场个性化需求和企业自身良性发展的挖掘，实现由以电力生产为中心向以客户为中心转变，推动电力工业向低耗能、低排放、高效率的绿色发展方式转变。通过对专变用户负荷辨识大数据的有效挖掘，推动以电网物理模型为核心的传统业务模式向以数据信息相关性为基础的大数据业务模式转变。
4.随着智能电网和电力行业新兴技术的发展，信息通信、高级量测、传感检测等监测技术逐渐得到应用，智能电网通过监测技术将供电侧和需求侧有机的联系起来，把电力用户视为一类与供电侧等效的可用资源，参与到电网的调度中，而监测过程中所产生的大量数据也为优化电网运行提供了前所未有的可能性。


技术实现要素：

5.为了解决现有技术中在采集到的总线负荷曲线中实时抽取出用电设备的波形，在剔除干扰和噪声后得到有效的分析负荷曲线，而不同场景的专变负荷的干扰源存在很大差异，且干扰因素不单一，会有多重因素的问题，本发明针对集中场景逐一开展分析，从而提供了一种基于专变用户负荷智能识别与追踪技术研究的评估方法。
6.本发明提供的技术方案如下：
7.一种基于专变用户负荷智能识别与追踪技术研究的评估方法，包括如下步骤：
8.步骤一：从采集到的专变用户负荷波形曲线入手，以采集到的总线电压、电流、时间为分析对象，从不同的维度和层次分析特征量，包括电压、电流、谐波、瞬时功率、时间等特征量，利用抽取及关联方法准确抽取出所运行的各设备负荷曲线，为后续的研究内容提供基础；
9.步骤二：通过分析专变用户内部的干扰源来源，确定影响负荷识别的干扰源，研究不同的剔除方法，对比其优缺点，确定适用于专变用户负荷的干扰源剔除的方法；
10.步骤三：开展负荷识别方法的研究，通过提取负荷特征量，对比不同映射识别方法
的差异，确定与波形时空数据库映射识别率较高的辨识方法；
11.步骤四：基于设备的设备类型，多角度分析某负荷设备的暂态过程、稳态过程、波动周期、谐波分析、随机性周期分量不同状态下的关键特征量，不同状态下同一关键特征量所表现的特性存在差异，根据不同状态下关键特征量的差异和特点开展不同状态下综合负荷曲线散列分解方法的研究，进一步判断负荷设备的状态。
12.其中，所述特征量包括稳态特征和暂态特征，暂态特性尖峰、状态切换时的时域和频域特性作为负荷抽取的特征量。
13.与现有技术相比，本发明的有益效果为，本技术提出面向工业产业链的专变用户设备波形时空数据库构建方法，创新研究专变用户非介入式负荷辨识。基于专变用户档案信息与负荷数据的客户画像与族群划分，研究不同类别设备在启停及运行状态等全过程关键特征提取方法，解决专变用户典型小功率设备弱特征、微波动时波形淹没问题，构建专变用户设备波形时空数据库，为后续非介入式负荷辨识奠定基础。提出一种负荷特征向专变用户设备波形时空数据库的匹配方法。通过实时抽取分析及噪声干扰剔除得到有效的专变负荷曲线特征量，与专变用户设备波形时空数据库中电力设备模型的特征量对比匹配，实现专变用户电力设备的识别。提出多模态综合负荷曲线散列分解方法。通过多角度分析某负荷设备的暂态过程、稳态过程、波动周期、谐波分析、随机性周期分量等不同状态下的关键特征量，利用关键特征量将电力设备不同状态曲线分解出来，进一步判断负荷设备的状态。研制集成于回路状态巡检仪的负荷辨识模块。将回路状态巡检仪技术与非介入式负荷辨识技术结合，通过数据共享与互补修正，复用回路状态巡检仪数据传输信道，配合用电信息采集系统及其主站软件完成与电力用户的信息交互，通过数据共享与互补修正，共同实现对专变用户负荷的精确感知。
附图说明
14.图1所示为本技术基于专变用户负荷智能辨识与追踪技术研究示意图；
15.图2所示为本技术基于专变用户负荷智能辨识与追踪技术研究评估方法流程图；
16.图3所示为本技术a类车床、b类车床启动波形示意图；
17.图4所示为本技术a类车床、b类车床启动波形谐波情况示意图。
具体实施方式
18.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
19.以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
21.本发明属于线损管理技术领域，从采集到的专变用户负荷波形曲线入手，以采集到的总线电压、电流、时间为分析对象，从不同的维度和层次分析特征量，包括电压、电流、
谐波、瞬时功率、时间等特征量，利用抽取及关联方法准确抽取出所运行的各设备负荷曲线，为后面的研究内容提供基础。
22.首先，获取用电设备的特征参数，建立用电设备的特征参数模型库。负荷特征参数包括稳态特征值和暂态特征值两种。稳态特征值主要指负荷稳态电流、负荷电压、和谐波功率等。暂态特征值主要描述在负荷的开启、关闭投切瞬间，负荷的电压、电流等相应特征信号的瞬态变化，根据不同的瞬态波形特征进行标志性辨识。而后，通过计算所得特征参数与模型库中参数对比，进而识别出用电负荷类型。所述用电设备的特征参数包括负荷曲线、用电设备波形数据。其中，采集到的总线负荷曲线为用户所有负荷的叠加用电负荷曲线，需要分析高频采集下采集到的总线电压、电流、瞬时功率、谐波、频域等电参量。由于许多大功率负荷设备的功率特性具有相似性，不能够提取出有效的特征量，但是暂态特性尤其是尖峰、状态切换时的时域和频域特性可以作为负荷抽取的特征量。研究负荷抽取及关联方法，通过分析对比不同抽取及关联方法的差异及适用性，确定适用于本项目的负荷波形曲线抽取及关联方法，使得能够准确从总线负荷曲线中抽取到各用电设备的负荷曲线。利用所分析出的负荷特征量，采用合适的提取关联方法，对专变用户总线负荷曲线进行抽取，从而得到该专变用户所运行的各设备负荷曲线，为后面的研究内容提供基础和条件。
23.如图1、图2所示，本技术提供了一种基于专变用户负荷智能辨识与追踪技术研究评估方法的实施例，具体包括如下步骤：
24.步骤一：专变用户负荷波形曲线数据高频采样、抽取及关联方法的研究。由于采集到的总线负荷曲线为用户所有负荷的叠加用电负荷曲线，需要分析高频采集下采集到的总线电压、电流、瞬时功率、谐波、频域等电参量，包括稳态特征和暂态特征，由于许多大功率负荷设备的功率特性具有相似性，不能够提取出有效的特征量，但是暂态特性尤其是尖峰、状态切换时的时域和频域特性可以作为负荷抽取的特征量。研究负荷抽取及关联方法，通过分析对比不同抽取及关联方法的差异及适用性，提出一种适用于本项目的负荷波形曲线抽取及关联方法，使得能够准确从总线负荷曲线中抽取到各用电设备的负荷曲线。利用所分析出的负荷特征量，采用合适的提取关联方法，对专变用户总线负荷曲线进行抽取，从而得到该专变用户所运行的各设备负荷曲线，为后面的研究内容提供基础和条件。
25.步骤二：专变用户内部多重干扰源识别与剔除方法的研究，对专变用户内部的干扰源进行分析，确定影响负荷识别的主要干扰源，并对所有干扰源进行特征量分析，找出有别与用电设备负荷特性特征量的特性，并提取出干扰源有效的特征量。研究干扰源识别与剔除方法，分析对比不同干扰源识别与剔除方法的优缺点，通过多种方法结合和多重优化，结合干扰源的特性及特征量，提出一种能够识别与剔除多重干扰源的方法。利用所确定的干扰源识别和提出方法，将研究内容一所抽取到的用电设备负荷曲线进行清洗，以保证所抽取到的负荷曲线真实有效，为负荷类型的识别和负荷运行状态的判断的准确提供条件。
26.步骤三：基于专变用户设备波形时空数据库的负荷特征映射辨识方法研究，针对数据库中的各类负荷特征模型进行分析，找出各类负荷模型的关键映射因子，为专变用户设备的负荷辨识创造条件。开展负荷识别方法的研究，分析用电设备负荷曲线的稳态特性、暂态特性、时域特性和频域特性，分析各种特性下的特征量。研究目前主流的负荷识别方法，分析其差异及适用情况，提出适用本项目的各类负荷映射辨识的方法。结合所抽取的专变用户设备的有效负荷曲线，采用负荷映射识别方法，从而识别出该专变用户设备的负荷
类别。
27.步骤四：基于暂态过程、稳定过程、波动周期、谐波分析、随机性非周期分量的多模态综合负荷曲线散列分解方法的研究，基于研究内容二所形成的专变用户设备的有效负荷曲线，分析暂态过程、稳定过程、波动周期、谐波分析、随机性非周期分量等几种状态的电压、电流、瞬时功率、时域、频域等特性，尽可能全面的掌握专变用户设备各种状态下的电参量特性，提取出各状态下的特征量。根据所提取出的各状态下的特征量，分析不同状态下同一特征量所表现的特性差异，提取出各状态下的有效特征量，从而开展不同状态下综合负荷曲线散列分解方法的研究。结合研究内容三所辨识的设备类型，完成暂态过程、稳定过程、波动周期、谐波分析、随机性非周期分量的开启、停机、变频、变档、变容等多个过程的多模态综合负荷曲线散列分解，最终识别设备的开启、运行和停机、空载、轻载、调档等状态。
28.需要特别说明的是，本案例在专变用户设备与总线波形的广泛录波和采样基础上，实时抽取及噪声剔除，提出负荷特征向专变用户设备波形时空数据库的匹配方法，完成暂态过程、稳定过程、波动周期、谐波分析、随机性非周期分量的开启、停机、变频、变档、变容等多个过程的多模态综合负荷曲线散列分解，为集成于回路状态巡检仪的专变用户智能负荷辨识模块研发提供算法支撑。
29.示例:
30.如表1-1所示，首先分析15个样本集中8类设备的暂态过程，包括启动过程、停机过程和周期过渡过程，在8类设备中，除了序号6设备有明显启动电流，其他设备数据并没有录入设备启动过程数据，无法对启动过程、停机过程进行对比。周期过程方面，1-4号设备波动均匀无明显长周期性波动，5号机床设备周期性波动过渡开始为9个周波，结束为6个周波，波峰差约14.467a，约占最大电流的37.9％。6、7号车床周期变化随机性较强，猜想应该与车床工作内容有关，8号纺织机过渡较为平滑。
31.表1-1暂态过程分析结果
[0032][0033]
单独对a类车床、b类车床启动波形进行谐波分析。如图3-图4所示，通过对启动波形进行谐波分析，可以得出a类车床波形畸变率为4.07％、b类车床波形畸变率为6.00％，相对较大，各次谐波含量方面，a类车床谐波含量较高的为2、3、5、11次谐波,多为奇数次谐波，b类车床谐波含量较高的为2、3、4、5次谐波，随频域提高呈递减趋势。总体而言，启动过程特征较为明显。
[0034]
需要说明的是，本技术中未详述的技术方案，采用公知技术。
[0035]
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。