[发明专利]一种基于人类行为的负荷分解算法

说明书

本发明公开了一种基于人类行为的负荷分解算法，包括以下步骤：第一步，基于人类行为的模型训练：通过对人类行为的统计分析，根据人类行为的活跃度等级建立时间片，对每个时间片分别建模和训练；第二步，负荷分解：通过上一步得到模型和时间片，根据传入数据时间片的不同选择不同的模型参数进行分解，最终得到单电器的负荷。本发明考虑到了人类行为对于电器开关的影响，引入了时间戳的概念，加入了人类行为对于电器开关的影响因子，将人类经验作为负荷分解的参照依据之一，并将电流电压特征通过计算转化为功率特征，提高了低频采样负荷分解的准确度。

技术领域

本发明属于智能电网技术领域，特别涉及一种基于人类行为的负荷分解算法。

背景技术

能源需求是人类社会生存和发展的基础。在日常的能源消耗上，电能是主要的消耗形式，电能的消耗比例也在逐年提升。为了不断满足人类对电能的消耗，使能源得到高效合理化的利用,那么家用电器的管理便变得及其重要。

目前，我们住宅内的用户智能用电网络还没有形成，电表仅是得到用户端总的干线电流、电压信息，电表本身无法识别电器的类型。为了了解家庭的详细用电情况需要进行负荷分解。负荷分解也被称为非侵入式负荷监测，是利用电力入口处的负荷信息对其内部包含的用电设备进行状态监测和能耗分解，以获取单个电器的用电信息。由于电表获得信息有限，只有电流电压信息，进行负荷分解比较困难，分解的效果也比较差。同时，对负荷数据进行高频采样可以获得区分度更高的负荷特征，但同时会带来较大的数据存储和处理成本，利用负荷低频采样数据进行准确的负荷分解是困难的。

目前，负荷分解主要有几种方法：基于HMM的负荷分解算法、基于FHMM的负荷分解算法和基于组合优化的负荷分解算法。HMM基于一条隐马尔可夫链，将每一种电器组合看作马尔科夫模型的一个隐含状态，将特征看作观察状态。FHMM是HMM的扩展，为每个电器单独建立一个马尔科夫模型然后组合成一个含有多个马尔科夫链的因子隐马尔可夫模型。组合优化问题是在有限个可行解的集合中找出最优解的问题，在解决负荷分解问题时通常使用组合优化算法中的遗传算法，系统的负荷个数N等于个体长度，通过迭代找到最优的电器组合来实现负荷分解。

各种分解方法均能够在一定程度上实现用电负荷分解，但由于特征性质单一，分解手段单一，负荷分解的结果较差，负荷分解问题仍存在诸多问题，主要表现在：

1.对负荷数据进行高频采样可以获得区分度更高的负荷特征，但同时会带来较大的数据存储和处理成本，利用负荷低频采样数据进行准确的负荷分解是困难的。

2.对所有样本直接进行训练，忽视了不通时间段电器运行概率的人为因素影响，使用统一的模型进行负荷分解，对负荷分解的准确率造成干扰。如图1所示，使用传统的模型分解得到的洗碗机功率波形与实际波形相差较多，尤其对于电器开关的准确率分解极低。

发明内容

针对现有技术存在的不足，本发明考虑到了人类行为对于电器开关的影响，引入了时间戳的概念，加入了人类行为对于电器开关的影响因子，将人类经验作为负荷分解的参照依据之一，并将电流电压特征通过计算转化为功率特征，使用低频采样数据得到了一种基于人类行为的负荷分解算法。

为了解决上述技术问题，本发明采用的技术方案是：一种基于人类行为的负荷分解算法，包括以下步骤：

第一步，基于人类行为的模型训练：通过对人类行为的统计分析，根据人类行为的活跃度等级建立时间片，对每个时间片分别建模和训练；

第二步，负荷分解：通过上一步得到模型和时间片，根据传入数据时间片的不同选择不同的模型参数进行分解，最终得到单电器的负荷。

进一步的，基于人类行为的模型训练的具体步骤是：

步骤1，采集常用的家庭用电设备数据：采集多个家庭用电设备在日常条件下一段时间内的电流电压数据，并加上时间戳，然后将电流电压数据转换为功率；