基于HVD算法的消费端用电负荷动态监测方法.pdf

中国新技术新产品2024 NO.3（上）-12-高 新 技 术消费端用电负荷是一个动态变化量，它受到终端用户的用电行为、需求峰谷变化和季节变化等多种因素的影响。通过实时监测和管理消费端用电负荷，可以实现精细化调度、高效能源利用和能源交互等目标，推动智能电网和能源互联网的发展。因此，研究消费端用电负荷监测具有重要意义。常喜强等1提出了基于门控循环单元神经网络以及负荷激活提取的非侵入式负荷监测算法。获取消费端用电数据并完成去噪处理后，提取负荷激活信息。以门控循环单元为基础，构建非侵入式负荷监测模型。田丰等2提出了基于距离权重统计方法的改进 kNN 算法，设计负荷动态识别模型，根据电力负荷数据的暂态特征和稳态特征，完成用电负荷动态监测。但是，该方法的监测结果容易受到噪声干扰。上述2 种方法均存在较大平均绝对误差。针对上述问题，本文提出了一种基于 HVD 算法的消费端用电负荷动态监测方法。通过采集用电端电压信号，运用HVD 算法提取用电负荷信号特征，并构建消费端用电负荷动态监测模型，实现消费端用电负荷动态监测。该监测方法精度高、实时性强且稳定性好。1 消费端用电负荷动态监测方法建立负荷监测任务分配策略能够最大程度地提升负荷监测任务的执行效率。采用 HVD 算法提取用电负荷信号特征，基于贝叶斯网络，构建消费端用电负荷动态监测模型，实现消费端用电负荷动态监测。1.1 建立负荷监测任务分配策略结合边缘计算概念和电力信息采集系统3，在区域级云平台环境中建立边缘计算模型。消费端用电负荷监测边缘计算模型框架如图 1 所示。该模型的任务分配模式如下。非侵入式负荷监测任务队列中的每个任务可以在本地计算设备中执行，也可以通过通信信道上传至边缘计算服务器中执行。区域级云平台作为边缘计算模型框架的重要组成部分，承担着制定任务分配策略的责任。根据区域消费端用电负荷监测的能效代价，设置负荷动态监测任务的分配权重。再以能效代价最小为目标，定义最优任务分配方案对应的数学模型，并针对任务分配模型给出最大计算能力和信道带宽等约束条件4，保证最终求出分配方法是合理的。1.2 基于 HVD 算法提取用电负荷信号特征执行任意一个消费端用电负荷动态监测任务，都需要从历史用电负荷数据入手。引入 HVD 概念5，设置固定的模态分解个数和后得到多个用电负荷信号分解分量，找到最优分量后即可提取用于用电负荷动态监测的信号特征。当应用HVD 算法对预处理后的电力负荷信号进行分解时，需要先进行希尔伯特变换，得到原始信号的解析结果，如公式（1）所示。(t)=x(t)+jH(x(t)（1）式中：t 为信号采样时间；x 为预处理后的电力负荷信号；为解析信号；j 为虚数单位；H 为希尔伯特变换因子。按照上述操作得到原始消费端用电负荷信号包括的多个信号分量后，从众多信号中筛选最具代表性的重构信号，再利用平方包络谱分析法进一步分析所选信号分量的重构信号，得到信号特征信息。其中，敏感信号分量的筛选指标为最大包络峰度，具体计算过程如公式（2）、公式（3）所示。E ikikikiki?422（2）Emax=max（Enmax）（3）基于HVD算法的消费端用电负荷动态监测方法王艳花田书鹏顾玮姚思蓓万雪枫（国网山西省电力公司信息通信分公司，山西 太原 030000）摘 要：当监测消费端用电负荷时，会产生大量数据，容易出现数据拟合现象，使最终监测结果平均绝对误差（MAE）较大。因此，本文提出了基于 HVD 算法的消费端用电负荷动态监测方法。结合边缘计算设备和区域级云平台，制定消费端用电负荷监测任务分配策略。利用 HVD 算法分解电力信号，通过平方包络谱分析法，提取用电负荷信号特征。建立用电行为分析贝叶斯网络，输入信号提取结果，输出动态负荷监测值。试验结果表明，本文研究方法检测结果的 MAE 0.1，满足用电负荷检测要求。关键词：HVD 算法；信号分解；贝叶斯网络；消费端；用电负荷；动态监测中图分类号：TM714文献标志码：A图 1 消费端用电负荷监测边缘计算模型框架区域级云平台远程通信信道集中器采集器1单相智能 电表1单相智能 电表m单相智能 电表m单相智能 电表1本地通信信道本地通信信道采集器n服务器边缘计算设备本地计算设备电力信息 采集设备中国新技术新产品2024 NO.3（上）-13-高 新 技 术式中：E（i）为信号分量 i 时的包络峰度；ki为信号分量 i 时的第 k 个模态分解数的包络；Emax为最大包络峰度；Enmax为第 n 个样本数量的最大包络峰度。基于最大包络峰度指标搜索最敏感的信号分量，对筛选的信号分量进行平方操作，得到信号的平方值，利用希尔伯特变换对平方后的信号进行包络计算，得到信号的包络曲线。针对包络曲线进行谱分析，得到信号的频谱信息，从中选取峰值、中心频率等特征信息。1.3 构建消费端用电负荷动态监测模型为了将历史消费端用电负荷信号特征提取结果应用于负荷动态监测过程中，本研究采用专家知识与数据学习相结合的方法，构建一个可以进行用电行为分析的贝叶斯网络，如图 2 所示。基于图 2 所示的贝叶斯网络，明确不同影响因素和电气特征之间的关联性，将上文提取的信号特征输入模型中，计算当前数据属于某个用电类别的后验概率，如公式（4）所示。P Y X ZP X Z YP YP X Zuuu,?（4）式中：X 为影响用户行为发生的外界因素；Yu为消费端用电行为类型；Z 为电气特征；P 为概率。根据后验概率计算结果，找到最大后验概率对应的用电行为类别，作为负荷辨识结果，保存至用电行为规则库内充当网络更新训练数据。结合对负荷辨识结果的评价，更新规则库中用电行为样本频次信息和总样本数量，得到动态用电负荷监测所需的基本数据。更新实时贝叶斯网络负荷辨识结果后，即可根据当前辨识数据得到消费端用电负荷变化情况，完成用电负荷动态监测。2 试验分析2.1 试验准备为了验证基于 HVD 算法的消费端用电负荷动态监测方法的应用效果，试验所需数据主要来自 20202022 年英格兰地区的 10 座住宅建筑。在试验准备阶段，主要选取洗衣机、水壶、洗碗机和微波炉 4 类设备的负荷数据，组成数据集。应用文献 1 和文献 2 方法，进行同样的消费端用电负荷动态监测试验，将两者的监测结果与本文研究方法监测结果进行对比，利用指标 MAE 衡量本文方法的效果，如公式（5）所示。11GgggMAEG=（5）式中：G 为监测时间周期；g为时间点 g 消费端某个家用电器真实负荷值；g为时间点 g 动态监测得到的负荷值。2.2 信号特征提取以 2 号住宅建筑中的家庭为例，从数据集中找到历史负荷数据，并应用 HVD 算法分解原始用电负荷信号，如图 3所示。进一步分析上述 3 个分解得到的信号分量，求得三者的最大包络峰度值分别为 0.23、0.26 和 0.31。经过对比可以看出，第三个信号分量包络峰度值最大，选取该信号分量提取特征信息。2.3 消费端用电负荷动态监测结果明确消费端用电负荷信号的特征后，基于贝叶斯网络模型识别具体的负荷类型，并针对每类负荷完成动态监测。以洗衣机为例，本文研究方法、文献 1 方法以及文献 2 方法的监测结果见表 1。表 1 不同方法消费端用电负荷动态监测结果时间用电负荷监测值/W本文研究方法文献1方法文献2方法6:000008:00005010:0025037540712:002 1302 4682 57914:001 6751 7681 87216:001 4321 6921 54418:0011721222820:00561061 05722:00001424:000012根据表 1 可知，本文研究方法与其他 2 种方法均可以完成消费端用电负荷动态监测，但是 3 种方法监测结果存在差异。为了进一步衡量监测结果的准确程度，记录目标家庭的真实消费端用电负荷，结合监测结果进行计算，得到不同方法 MAE 对比结果，如图 4 所示。根据图 4 可知，应用本文研究方法后，消费端用电负荷动态监测结果的 MAE 1.0，基本满足了负荷监测精度要求，采用另外 2 种对比方法的监测结果 MAE 明显大于采用本文研究方法的 MAE，这个试验结果充分验证了本文研究方法的优越性能。3 结语本文通过理论分析和试验，验证了 HVD 算法在用电负荷动态监测中的有效性，本文研究方法能够精确监测用电负荷的波动，并对噪声和干扰具有更高的鲁棒性。此外，本文研究方法还可以提供负荷失真的早期警告，从而帮助电力公图 2 用电行为分析贝叶斯网络外界因素实时温度行为发生时刻工作自信息气象信息其他外界因素用户用电行为电气特征有功功率特征无功功率特征其他电气特征中国新技术新产品2024 NO.3（上）-14-高 新 技 术司预防潜在的问题。参考文献1 常喜强，崔浩，杨茂.基于门控循环单元神经网络及负荷激活提取的非侵入式负荷监测算法 J.电气自动化，2023，45（4）：40-43.2 田丰，邓晓平，张桂青，等.基于改进 kNN 算法与暂稳态特征的非侵入式负荷监测方法 J.计算机与现代化，2022（10）：29-35.3 陈薇，张昱波.智能用电非侵入式负荷监测系统分析 J.集成电路应用，2022，39（4）：116-117.4 兰森林，王叶锋，陈明，等.基于用电信息采集的非侵入式居民电力负荷自动监测系统 J.电子设计工程，2022，30（4）：101-105.5 陈飞，杨超.住宅用电非侵入式电力负荷监测与识别 J.智能计算机与应用，2021，11（9）：75-84.图 4 不同方法消费端用电负荷动态监测结果 MAE 值对比3.63.22.82.42.01.61.20.80.40洗衣机水壶MAE消费端用电设备洗碗机微波炉本文研究方法 文献1方法 文献2方法图 3 HVD 算法分解结果20-220-220-20001 0001 0001 0002 0002 0002 0003 0003 0004 0004 0005 0005 0005 0006 0006 0006 0007 0007 0007 000采样点采样点采样点幅值/mV幅值/mV幅值/mV3 0004 000（a）内涵模态分量一（b）内涵模态分量二（c）内涵模态分量三