1.一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,该方法包括如下步骤:步骤1:采集样本设备的功率、电流数据,进行数据处理;
步骤2:根据能够去除噪声点的基于密度的DBSCAN聚类算法对功率进行聚类分析,计算每个类的平均值,确定功率稳态数据的特征参数;
步骤3:对电流数据进行快速傅里叶变换处理,计算得到电流的各次谐波值,确定电流稳态数据的特征参数,对采样得到的功率、电流数据及特征参数进行归一化处理;
步骤4:根据用户不同时段的设备使用的频率,对各个电器进行聚类分析,把一天24小时划分为几个时间段,分别对各个时间段内,用户对电器的使用频率进行概率统计,制作电器概率特征表;
步骤5:设置GEP的种群规模,遗传代数,选择方式采用轮盘赌法,交叉方式采用单点交叉,变异方式采用均匀变异;
步骤6:用二进制方式对电器负荷的运行状态进行编码,0表示电器处于关闭状态,1表示电器处于运行状态,系统中电器负荷个数m等于个体的长度,每个基因位置由节点编码方式进行确定;
步骤7:根据上述编码方式,随机产生m个个体构成初始种群{x1,x2,x3...xm},每个个体为m维0‑1向量,对于任意时刻采样到的总有功功率为P、总无功功率为Q,m个电器运行时的有功、无功率特征分别表示为Pi=[P1,P2,...,Pm]、Qi=[Q1,Q2,...,Qm],则种群个体i对应着一个拟合总有功功率 拟合总无功功率步骤8:由电流叠加性和功率叠加性进行构建遗传算法的适应度函数;
步骤9:计算适应度,满足适应度值,则结束得到最优个体,结合电器概率特征表,对GEP算法得到的电器分解进行二次选择确认,进入步骤12,否则进入步骤10;
步骤10:通过选择、复制、变异、基因重组计算每一代种群个体中的目标函数值,得到最新种群,并保留上一代的最优个体增加对最优个体的识别速度,简化迭代收敛的过程,进入步骤11;
步骤11:判断是否满足当前迭代次数,满足迭代次数,则将最后收敛得到的最优个体与电器概率特征表相结合,对GEP算法得到的电器分解进行二次选择确认,进入步骤12;否则重新返回步骤9;
步骤12:若产生的最优个体为多个,选取电器在当前时间分段中,使用概率最高的电器作为唯一的最优个体;若产生的最优个体只有一个,则与电器概率特征表互相修正,即若概率特征表中无此电器,则在概率特征表中加入该电器;当唯一的电器最优个体确定后,输出得到最优工作状态序列,完成负荷分解。
2.根据权利要求1所述的一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,步骤(1)中的数据处理方法为:对数据进行滤波处理去除噪声。
3.根据权利要求1所述的一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,步骤(2)中,所述有功功率P、无功功率Q计算如下:其中,k是谐波次数;Uk为k次谐波电压;Ik为k次谐波电流;Φk是k次谐波的电压和电流的相位差。
4.根据权利要求1所述的一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,步骤(3)中,所述电流特征参数为 其中,Hthd为电流特征参数;k是谐波次数;Gk为电流k次谐波分量有效值;G1为电流基波分量有效值,n为谐波的总次数。
5.根据权利要求1所述的一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,步骤(4)中,聚类划分四个时段,时段一:0:00‑6:00,时段二:6:00‑9:00,时段三:9:00‑17:00,时段四:17:00‑24:00。
6.根据权利要求1所述的一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法,其特征在于,步骤(8)中的适应度函数如下:α+β+γ=1
其中,Pi,Qi分别为电器运行时第i个电器的有功功率特征和无功功率特征;Hi为第i个电器运行时的电流特征;xi表示种群中的第i个个体,i∈[1,m];m为电器数量;P电器运行时的总有功功率值;Q为电器运行时的总无功功率值;H为电器运行时的总电流谐波值,α,β,γ为权重因子,α,β,γ∈[0,1]。