一种基于频谱分解的负荷识别方法与流程

本发明涉及负荷识别，尤其涉及一种基于频谱分解的负荷识别方法。

背景技术：

1、负荷识别是指无需改动或添加传感器的负荷监测技术，可以实现对电力系统中各个负荷设备的实时监测和分析。通过对电网智能量测电表的负荷曲线的数据分析，利用信号处理、机器学习等方法，将整体负荷曲线分解成各个设备的负荷曲线。然后，通过对负荷曲线的分析，可以获得各个设备的用电细节信息，从而实现对负荷设备的实时监测和分析。可以帮助用户实时了解电力系统中各个负荷设备的能耗状况，提高能源利用效率，减少能源浪费，降低能源成本，同时还可以为电力系统的安全稳定运行提供重要的数据支持。

2、现有方法多采用对稳态时域的有功功率信号进行边缘检测以提取负荷事件特征，通过最小化不匹配来将已知的功率测量与数据库中的现有设备功率信号相匹配来实现负荷辨识，亦或是基于专家知识对负荷事件聚类实现负荷辨识。这种方法在大部分常见负荷应用场景下获得较高的识别精度。但是，这种方法计算复杂度明显较高，同时对事件检测的要求较高，最终负荷辨识效果有赖于事件检测的效果；在背景信号波动或噪声的干扰的存在下往往表现不佳，同时对于存在大量功率波动的设备检测效果欠佳，没有很好地利用有功功率信号的频域特征。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于频谱分解的负荷识别方法。该方法利用低采样率下的有功功率信号的不相关谱信息。通过采用基于fft将负荷信号分解为不相关的谱特征，用于生成稳健的负荷设备识别特征。鉴于在给定的工作周期内可能存在大量潜在的负荷设备组合处于启动状态，本发明引入了多个匹配算法步骤，以减少在该工作周期内需要考虑的潜在组合总数，从而达到负荷识别的目的。所提方法充分利用有功功率信号的频域特征，可以有效从聚合功率中识别出目标负荷设备，对于存在大量功率波动的设备检测效果良好，识别准确。

2、为了实现上述目的，本发明采用的技术方案如下：

3、本发明一种基于频谱分解的负荷识别方法，包括以下步骤：

4、(1)构建设备有功功率特征数据库，对单个负荷设备的若干个功率信号构成的有功功率曲线执行特征提取获得提取所用的子信号系数特征，通过子信号系数特征构建的联合似然函数作为设备概率质量函数，并将子信号系数特征和联合似然函数存储至设备有功功率特征数据库；所述设备概率质量函数用以计算不同负荷设备组合的负荷设备的似然性；

5、(2)负荷识别：将待进行负荷识别的由不同负荷设备的有功功率信号组成的聚合有功功率曲线依次执行fft频谱信息提取步骤、负荷识别过程；

6、所述fft频谱信息提取步骤为将聚合有功功率曲线划分为若干个长度为n的不重叠窗口作为观察窗口，在观察窗口中计算出负荷设备处于开启状态的聚合功率函数；然后对聚合功率函数使用fft变换获得频域聚合功率函数并提取到不相关的子信号数量及子信号系数特征；

7、所述负荷识别过程包括复功率和约束、似然值约束、最大后验估计；所述负荷识别过程顺序循环迭代且最大迭代次数为子信号数量；

8、复功率和约束，根据设备有功功率特征数据库生成不同的负荷设备组合的设备概率质量函数，根据观察窗口中的复数功率水平，结合复数的三角定律，将违反频域聚合功率函数的负荷设备组合消除；所述负荷设备组合为不同负荷设备在同一时间的窗口下同时运行的情况；

9、似然值约束，将未被消除的负荷设备组合中的各个负荷设备从数据库中生成子信号的实值和虚值的组合联合似然函数；将子信号的实值和虚值代入组合联合似然函数获得似然值，且似然值接近零或低于某个阈值消除该负荷设备组合；

10、最大后验估计，设迭代第i次时，将未被消除的负荷设备组合中设定给定观察窗口的前i个主导子信号为zi；求取主导子信号zi的最有可能的负荷设备组合cj；求取使用负荷设备组合cj的子信号产生给定观察窗口的前i个主导子信号的似然值；根据预设的负荷识别规则获取的负荷设备组合即为负荷识别结果。

11、进一步地，所述有功功率曲线执行特征提取获得提取所用的子信号系数特征采用fft频谱信息提取的方法；所述fft频谱信息提取的方法包括以下步骤：

12、设定滑动窗口的长度n；

13、设定滑窗信号x＝[x(0)x(1)…x(k)…x(n)]；对有功功率曲线采用fft算法进行离散傅里叶分解为若干个子信号：

14、

15、其中a为第n个子信号的振幅，j为虚数单位，k为频率序列的索引，n为时间序列的索引；

16、将功率信号分解为若干个频率不同的分解子信号，所述分解子信号指频率为非负的功率信号，包括直流子信号和若干个频率不同的交流正弦子信号；将子信号转化为复数域中的矩形形式表征；

17、对于每个滑动窗口的有功功率曲线，提取其频域特征，对于10个采样点的滑动窗口，其经fft变换可转化为5个不同频率的复数特征，计为子信号系数特征；

18、子信号系数特征及其用于每个滑窗信号的频率储存在数据库中。

19、进一步地，所述设备概率质量函数构建，利用滑动窗口提取到负荷设备在不同频率下的子信号系数特征，计算实部和虚部的二维频率分布直方图作为该负荷设备的概率质量函数。

20、进一步地，所述fft频谱信息提取步骤中计算出设备处于开启状态的聚合功率函数的具体方法为：

21、设定某一负荷设备在t时刻处于开启状态，则此时聚合功率p(t)由下式给出：

22、

23、其中，nt为在t时刻运行的负荷设备总数；pk(t)表示第k个接通的设备在时间t的有功功率消耗，ε(t)代表噪声；

24、将聚合功率转换成频域信息，获得聚合功率函数由下式给出：

25、

26、其中，表示给定观察窗口的第i个子信号的矩形形式，fi是第i个子信号的频率；表示给定观察窗口中开启的负荷设备组合的第k个设备ak的频率fi的单个子信号；n表示在给定观察窗口中打开的设备的数量。

27、进一步地，将违反频域聚合功率函数的负荷设备消除具体为：对给定观察窗口的第一个子信号或选择出最主要的子信号，该子信号的绝对值小于给定设备的所有滑动窗口的第一子信号的最小绝对值则消除负荷设备组合。

28、进一步地，根据复数的三角定律将负荷设备消除的具体方法为：对于给定观察窗口的给定第i个子信号的频率为fi，对于所选择的负荷设备组合，设负荷设备组合的每个负荷设备的频率相同，fi下的每个负荷最大功率线性相加等于或小于给定滑动窗口在该频率下的子信号的功率则消除该负荷设备。

29、进一步地，所述似然值约束具体为：

30、设定负荷设备cj，其中j为第j个可能的负荷设备组合；基于其滑动窗口频率fi的子信号来生成负荷设备cj的单个设备的联合似然函数；设n是组合cj中的负荷设备的数量，设n＝2，则设负荷设备cj的设备a1和设备a2，通过联合似然函数的2-d卷积运算来计算组合联合似然函数：

31、

32、其中，是设备a1的联合似然函数，该联合似然函数给出设备a1的所有滑动窗口每个子信号中具有频率fi的r1+jr2子信号的似然值，而是设备a2的联合似然函数，该联合似然函数给出设备a2的所有滑动窗口的每个子信号中具有频率fi的r1+jr2子信号的似然值；

33、通过将给定观测窗口的子信号的实值和虚值代入组合联合似然函数来估计组合cj的似然值，如下式：

34、

35、其中，是从设备组合cj产生给定观测窗口的子信号的似然值；在的似然值接近零或低于某个预设的阈值，则消除这种cj组合。

36、进一步地，求取使用负荷设备组合cj的子信号产生给定观察窗口的前i个主导子信号的似然值的具体方法为：

37、根据贝叶斯规则：

38、

39、其中，p(zi∣cj)表示使用给定组合cj的子信号产生给定观测窗口的前i个主导子信号的似然值，p(cj∣zi)表示cj的似然值为给定观测窗口开启的负荷设备；p(cj)表示组合cj在给定观测窗口中出现的似然值；p(zi)表示表示产生给定观察窗口的前i个主导子信号的似然值，p(cj∣zi)的似然值与p(zi∣cj)的似然值成线性比例，有：

40、

41、为在第j种负荷设备组合情况下产生滑动窗口给定频率fm的似然值且该似然值在似然值约束的步骤中给出。

42、进一步地，根据预设的负荷识别规则获取的负荷设备即为负荷识别结果具体为：

43、在迭代i处，如果在剩余组合中具有最高似然值的最可能组合cj的百分比似然值大于预定义阈值或置信水平，则组合cj被选择为识别的或估计的开启的负荷设备且迭代终止；设迭代i时最可能的负荷设备组合的似然值百分比表示为γ1如下：

44、

45、其中l是迭代i时执行似然值约束步骤后剩下的的负荷设备组合可能的总数；γ2,γ3,...,γl等是第二个、第三个、…、第l个最有可能的组合的似然值的百分比；根据(10)，所有l个负荷设备的似然值百分比之和等于100％；

46、在完成最大迭代次数后任何负荷设备都不满足上述终止的条件，则具有最大似然值的负荷设备被选择为所识别或估计的开启设备组合；

47、根据以上步骤确定的负荷设备结果即为负荷识别结果。

48、进一步地，使用95％的置信水平。

49、与现有技术相比，本发明的有益效果是：本发明通过对低采样率有功功率信号进行基于fft分解提取频谱特征，引用概率质量函数削减负荷设备组合可能；最后通过最大后验估计确定最优负荷设备组合。本发明充分利用有功功率信号的频域特征，可以有效从聚合功率中识别出目标负荷设备，对于存在大量功率波动的设备检测效果良好，识别准确。本发明的方法通过利用低采样率有功功率信号的不相关频谱信息来识别已开启的家用设备，对存在功率波动的设备具有良好的检测效果。