基于大數據分析的智能用電非侵入式負荷分解模型

吳 雪，肖 瑩，張 旺，諸德律，盧 璐

（國網江蘇省電力有限公司經濟技術研究院，江蘇南京 210008）

電網正逐漸向高速化、集約化、智能化的方向發展，用戶對用電系統要求日益凸顯，并對其運行的安全性、實用性和經濟性提出了更高的要求。由于實現智能用電技術的前提是負荷檢測，越來越多的學者圍繞此方面展開研究，早期主要偏重于侵入式設計研究，以此獲得用電系統的有關信息。但該種方法僅適用于小規模用電系統，且安裝方式復雜成本高。隨著研究的逐步深入，學者們開始聚焦非侵入型電荷分解，如文獻[1]對用電數據進行非侵入式分解，對監測過程實現自動化，并實時對用電數據進行分析；文獻[2]利用時間卷積精神網絡刻畫用電設備的用電情況，訓練優化設備的運算過程。雖然上述方法都能夠初步分解非侵入式負荷，但是研究多聚焦于對獨立電荷片面、孤立的研究，不能確保用戶用電系統的完整性。

此次以大數據分析為基礎，從智能用電運行狀態提取和智能用電非侵入式負荷分解兩方面進行研究，相關結論能為實現全面用電智能化提供數據參考。

1 智能用電設備運行狀態提取

智能用電非侵入式負荷分解首先需要提取智能用電設備運行狀態。基于用電設備具有長時間穩定性的特征，此次采用標簽近似聚類算法提取智能用電設備運行狀態[3-4]。設智能用電設備的時間序列為A，則有：

其中，a1、a2、an等表示時間區域斷點內的具體數據。

在得到時間序列后計算統計均值，以消除冗余數據[5-6]。降低運算過程的運算負擔和智能用電數據維度，以便符合此次提出方法的運算需求。

由于智能用電非侵入式負荷數據仍具有一定的離散性，因此進行標簽化處理，具體方法可以表示為：

其中，ζ表示標簽化處理后的數據計算結果；δ1和δ2分別表示不同的負荷增幅；θ表示標簽化計算過程中的標簽數值[9-10]。

經過計算均值和標簽化處理之后，由于智能用電設備的功率波動，產生噪聲數據影響最終的計算結果，需要提高聚類的穩定程度。此次采取迭代處理的辦法，用中位數表示數據中值，無需根據不同的電器種類設置不同的計算閾值。初代處理方法如下：

其中，L表示迭代數目；Dc(L)為迭代的計算結果；為迭代平均值和初始值的比值[11-12]。

得到初代處理計算結果后，數值越小表明相似度越低；反之則相似度越高，據此得到智能用電設備運行狀態的相關性。根據計算閾值得到設備運行的具體狀態，判斷設備運行是否出現異常。此外，根據計算得到的設備運行具體狀態，對設備未來的運行狀態進行簡要判斷。數據提取過程如圖1 所示。

圖1 數據提取過程

根據圖1 可知，在提取過程中同時設置了負載電路、檢測電路和控制電路，選用合并單元作為核心設備單元實現數據提取分析。根據上述運算過程得到智能用電設備運行狀態，監測智能用電非侵入式負荷的負荷狀態，根據負荷狀態采取正確的分解方法，結合大數據運算提高提取準確性。

2 智能用電非侵入式負荷分解

2.1 負荷分解數學模型

構建智能用電設備負荷分解模型，逐個分解復合形成的混合信號。智能用電設備的信號輸入由未知來源的信號隨機疊加構成，因此需要使用盲源分析法分解智能用電負荷。設信號源為Y，則可得到負荷的線性解碼為：

其中，Y(t)表示解碼前的數據；A表示混合解碼數據；S(t)表示解碼后的數據[13-14]。

在得到線性解碼后的用電設備的信號數據后，要再次求得混合函數W，通過求得混合函數最終實現智能用電非侵入式負荷分解，并且能夠消除噪聲的影響，完整準確地分離數據，將冗余數據排除。得到混合函數W的具體方法如下：

其中，y表示解碼后的數據S(t)的數據估計值。

重復上述運算過程，得到無冗余信號的信號源[15-16]，便于之后的非侵入式負荷分解，降低運算難度。

2.2 負荷電流信號獨立性分析

引入大數據技術在數據集中提取不同負荷點的標志性數據，檢測負荷數據的獨立性，將每種不同的數據看做一個獨立的系統，分析電網內部側電壓U(t)，以激勵信號的形式向電網內部輸入，檢測智能電網運行過程產生的輸出信號，確定輸出信號為電流信號，以I(t)的形式表現出來。根據輸入信號和輸出信號的特點檢測激勵之間的關系，此次引入傅里葉算法分析負荷電流信號的獨立性，計算公式為：

其中，I(jω)表示輸出電流信號I(t)傅里葉變化結果；U(jω) 表示輸出激勵信號U(t) 傅里葉變化結果；H(jω)表示負荷系統H(t)的傅里葉變化結果。

由于智能電網輸入的信號為正弦信號，因此可以根據傅里葉變換原理檢測輸出的頻域信號U(jω)。智能電網中不同數據都是獨立運行的，因此產生的信號也為獨立信號，負荷系統在運算過程中需要引入獨立函數，以保證輸出電流的獨立性。根據分析結果可以確定智能電網內部的不同負荷數據滿足獨立要求，因此可以在此基礎上實現獨立分解。

2.3 非侵入式負荷分解

在確定信號獨立性后分解負荷，非侵入式負荷分解流程如圖2 所示。

圖2 非侵入式負荷分解流程

根據圖2 可知，選取智能電網的電流信號，提取信號內部均值；通過白化處理實現信號的線性變換，保證信號能夠獨立分析；建立協方差函數，根據得到的函數求解內部特征值，在求解過程中，需要確定電流產生的向量。由于在分解過程中，需要確定分解的最優方向，因此依據權值矢量求得負熵最大化值，計算過程如式（7）所示：

其中，x表示被檢測電流產生的任意變量；v表示電流產生的高斯隨機變量；H(v)表示電流v產生的向量；H(x)表示電流x產生的向量；Ns(x)表示得到的負熵最大化值。

在確定負熵最大化值后，分離電流信號，檢測被分離電流信號的收斂性，如果滿足收斂要求，則需要將檢測的信號求解出來，根據得到的信號的獨立波形，完成負荷辨識，實現智能電網的非侵入式負荷分解。

3 實驗研究

將文獻[1]基于非侵入式用電數據分解的自適應特征庫和文獻[2]基于時間卷積神經網絡的非侵入式負荷分解方法作為對比方法設計對比實驗，以驗證所提方法的應用效果。

3.1 實驗準備

實驗過程中分解的非侵入式負荷信號為電流數據。設定分解過程的采樣頻率為5 kHz，在智能電網中選取3 000 個采樣點作為實驗數據點，選用的分解數據不同，共有三種，每種1 000 個，數據在智能電網中的分布方式如圖3 所示。

圖3 負荷數據分布

三種負荷數據波動情況如圖4 所示。

圖4 負荷數據波動情況

3.2 實驗結果分析

根據負荷數據波動情況得到相似系數如表1所示。

表1 相似系數

根據表1 可知，第3 類負荷數據的相似系數最低，證明在分解過程中會受到較為嚴重的噪聲影響，容易出現毛刺，因此識別更加復雜。利用三種分解方法分解負荷數據，得到收斂曲線如圖5 所示。

圖5 收斂曲線實驗結果

通過圖5 的負荷數據幅值的波動情況判斷相關系數，距離幅值0.0 越遠，相關系數越小。根據圖5可知，在面對不同負荷數據時，三種分解模型的收斂速度不同，該文提出的分解模型迭代次數最短，能夠在短時間內實現收斂，即使在面對第三類噪聲影響的負荷數據也能夠很好地實現收斂，確保分解電流與負荷的電流信號之間的相關系數均為0.999 9。而基于非侵入式用電數據分解的自適應特征庫分解得到的信號相關系數為0.840 0，基于時間卷積神經網絡的非侵入式負荷分解方法的信號相關系數為0.800 0，在面對第三種負荷數據時，收斂速度較慢，收斂能力差，難以達到電網分解工作。

4 結束語

文中以大數據分析為基礎，圍繞智能用電非侵入式負荷分解進行討論，提取運行狀態，建立分解模型，實現非侵入式負荷分解運算。實驗結果表明，文中提出的方法降低了運算成本，節省了智能用電非侵入式負荷分解消耗了人力物力。今后的主要研究方向為簡化計算量和工作量，推進研究成果進一步應用于實踐，增強此次提出方法的實用價值。