基于非侵入式电力负荷的模糊聚类感知方法
技术领域
本发明涉及电网故障监测
技术领域
，尤其涉及基于非侵入式电力负荷的模糊聚类感知方法。背景技术
非侵入式负荷监测(non-intrusiveloadmonitoring,NILM)系统，是指在电力入口处安装监测设备，通过监测该处的电压、电流等信号就可以分析得到负荷集群中单个负荷的种类和运行情况。可以方便地进行负荷监测，节省安装和维护所需要的时间和金钱，符合目前整个社会所提倡的建设节约型社会的要求。
非侵入式负荷监测(NILM)只需要在电力供给的入口处安装监测设备就可以对整个系统内部的负荷进行监测。相较于传统的侵入式负荷监测方法，NILM不需要大量的检测设备，同时节省了购买、安装和维护这些硬件设备所需要的金钱和时间。当然，NILM还可以进行能源监测，故障监测，故障分析等多种类型的电能质量控制分析。电力负荷的暂态响应特性是与其执行的物理任务密切相关的，不同类型的负荷在投切等过程中，通常会表现出独特的暂态特征信息。据此暂态特征信息，非侵入式负荷监测(NILM)能够实现对整个变电站、建筑物内部负荷集群的分解与分析，进一步获得有用的信息。它一定程度上能克服利用负荷稳态特征信息进行负荷辨识时的局限性，能够提高负荷辨识率。NILM系统应该能够自动检测负荷投切等所引起的暂态过程，并触发相关程序把暂态信息记录下来，然后送给后台高级应用程序做进一步处理。
模糊聚类分析是根据客观事物间的特征、亲疏程度、相似性，通过建立模糊相似关系对客观事物进行聚类的分析方法。数据分类中，常用的分类方法有多元统计中的系统聚类法、模糊聚类分析等。在模糊聚类分析中，首先要计算模糊相似矩阵，而不同的模糊相似矩阵会产生不同的分类结果；即使采用相同的模糊相似矩阵，不同的阈值也会产生不同的分类结果。“如何确定这些分类的有效性”便成为模糊聚类的要点。
现有技术中配电网对于非侵入式电力负荷的各个特征量的变化不能有效感知，无法较为准确的分辨特征量指标与特征数据库中负荷特征的相似度，从而无法实现最佳负荷匹配。
发明内容
基于现有技术中配电网对于非侵入式电力负荷的各个特征量的变化不能有效感知，无法较为准确的分辨特征量指标与特征数据库中负荷特征的相似度，从而无法实现最佳负荷匹配的技术问题，本发明提出了基于非侵入式电力负荷的模糊聚类感知方法。
本发明提出的基于非侵入式电力负荷的模糊聚类感知方法，包括以下步骤：
S1、电网数据采集：通过SPI总线，将计量芯片实时推送的负荷信息数据传送到嵌入式终端，嵌入式模块采用DMA的方式进行数据的传输，从而降低MCU的cpu消耗。在本项目中，将这个数据采集作为一个任务并通过信号量等方式传递给下一个任务，及负荷事件检测；
S2、特征分析：在获取得到的实时数据中，为了降低数据纬度，采用了谐波统计方法，从而将每次采样得到的数据压缩到15*4个字节范围了，以降低数据的储存量；同时，在特征分析上，主要以谐波特征为主，结合一些潜在的负荷特征；
S3、模糊聚类感知：在辨识过程中，尤其是检测到负荷事件，考虑到上述三类的负荷特征，模糊感知算法的输入需要结合三种特征进行负荷辨识，每一种负荷特征作为一个隶属度度量标准，依次实现多个特征的隶属度评价，综合这些隶属度，获取概率密度最大的情况下的负荷匹配，实现负荷辨识。
优选地，S3中，模糊聚类感知方法如下：
步骤1：通过差分计算出单个设备有功和无功的概率：
其中，ΔP和ΔQ为该设备在运行过程中实测有功P和无功Q与数据库存储的有功Ps和无功Qs的差值；
步骤2：计算评价等级：考虑m种等级的数学模糊语言，即 L＝{1,2,…,m}对投切的用电设备进行标记，具体由步骤1中有功、无功概率计算进行评级：
然后根据各特征的评级等级挑选变点前和变点后Y个数据点获取用电设备样本特征，然后根据式(1)-(2)统计Y个数据点的等级分布情况，规定若超过m，则取m；若小于1，则取1，得到负荷特征矩阵Ai(i表示设备索引值，i＝1,2,…,n)为
其中Aip，Aiq分别为描述有功功率P和无功功率Q的一维特征矩阵；m为评价系数的等级；xijk(k＝1,2,…,m)为负荷对象Ai的评价因子；
步骤3:构造P-Q维离散模糊矩阵。针对Ai，构建二维离散模糊数矩阵为
式中：lij ＝min{k|xijk≠0，k＝1，2，…m}， L＝{1,2,…m}；k0是集合L中最接近均值μ(Aij)的数值：
K＝{k∈L:|k-μ(Aij)|≤0.5}
其中均值μ(Aij)为
特别地，当均值μ(Aij)满足|k-μ(Aij)|＝|k+1-μ(Aij)|＝0.5时，k0取值 k,k+1；此时式(6)可修正为
步骤4：结合P-Q维离散模糊数矩阵构造m维方阵。定义矩阵为
则对任X＝(xa,xb)(a,b＝1,2,...,m)，
步骤5：结合步骤4，计算每个负荷对象Ai的质心：
由此得到模糊评价值为：
v＝p1c1+p2c2
式中p1,p2为两个质心对应项特征的重要程度，满足0≤p1,p2≤1且 p1+p2＝1。
优选地，通过比较不同负荷对象的v值，将模糊评价值最大的判定为具体负荷投切的依据，从而避免了因电压、电流等波动对负荷辨识结果的干扰。
优选地，ΔP和ΔQ为该设备在运行过程中实测有功P和无功Q与数据库存储的有功Ps和无功Qs的差值。
优选地，Aip，Aiq分别为描述有功功率P和无功功率Q的一维特征矩阵；m为评价系数的等级；xijk(k＝1,2,…,m)为负荷对象Ai 的评价因子。
优选地，S3中，模糊聚类感知方法采用贝叶斯定理，其公式如下：
P(Ci|x)>P(Cj|x)l≤j≤m,j≠i。
优选地，S3中，模糊聚类感知方法从前至后依次包括准备工作阶段、分类器训练阶段和应用阶段。
优选地，所述准备工作阶段从前至后依次包括确定特征属性和获取训练样本。
优选地，所述分类器训练阶段从前至后依次包括对每个类别计算 P(yi)和对每个特征属性计算所有划分的条件概率。
优选地，所述应用阶段从前至后依次包括对每个类别计算P (x|yi)P(yi)和以P(x|yi)P(yi)最大项作为x的所属类别。
本发明中的有益效果为：
1、该基于非侵入式电力负荷的模糊聚类感知方法，对于负荷投切印记，对负荷的各个特征量的变化，采用模糊均衡化处理技术，评价各个特征量指标与特征数据库中负荷特征的相似度，进而根据相似程度，建立综合模糊评价的负荷感知模型，实现最佳负荷匹配。
2、该基于非侵入式电力负荷的模糊聚类感知方法，在对负荷运行情况进行监测时，利用不同负荷在开关状态变化时所引起的功率变化等信息来进行分类，非侵入式电力负荷监测系统根据这些信息来辨识或者估计出每个负荷的类型、运行情况及其相关参数等信息，根据系统分析的结果建立出更加符合实际的系统模型，以方便进行有关电网优化，负荷监控和电能管理。
3、该基于非侵入式电力负荷的模糊聚类感知方法，一定程度上克服利用负荷稳态特征信息进行负荷辨识时的局限性，能够提高负荷辨识率，非侵入式电力负荷监测系统能够自动检测负荷投切等所引起的暂态过程，并触发相关程序把暂态信息记录下来，然后送给后台高级应用程序做进一步处理。
该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本发明对于负荷投切印记，对负荷的各个特征量的变化，采用模糊均衡化处理技术，评价各个特征量指标与特征数据库中负荷特征的相似度，进而根据相似程度，建立综合模糊评价的负荷感知模型，实现最佳负荷匹配。
附图说明
图1为本发明提出的基于非侵入式电力负荷的模糊聚类感知方法的结构框图；
图2为本发明提出的一种基于非侵入式电力负荷的模糊聚类感知方法的实施例二中的公式；
图3为本发明提出的基于非侵入式电力负荷的模糊聚类感知方法的实施例二中的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1
参照图1-3，基于非侵入式电力负荷的模糊聚类感知方法，包括以下步骤：
S1、电网数据采集：通过SPI总线，将计量芯片实时推送的负荷信息数据传送到嵌入式终端，嵌入式模块采用DMA的方式进行数据的传输，从而降低MCU的cpu消耗。在本项目中，将这个数据采集作为一个任务并通过信号量等方式传递给下一个任务，及负荷事件检测；
S2、特征分析：在获取得到的实时数据中，为了降低数据纬度，采用了谐波统计方法，从而将每次采样得到的数据压缩到15*4个字节范围了，以降低数据的储存量；同时，在特征分析上，主要以谐波特征为主，结合一些潜在的负荷特征；
S3、模糊聚类感知：在辨识过程中，尤其是检测到负荷事件，考虑到上述三类的负荷特征，模糊感知算法的输入需要结合三种特征进行负荷辨识，每一种负荷特征作为一个隶属度度量标准，依次实现多个特征的隶属度评价，综合这些隶属度，获取概率密度最大的情况下的负荷匹配，实现负荷辨识。
上述方法类似现有技术中的将电力系统运行状态划分为故障情况与非故障情况的方法，具体的，其步骤为，采集被保护线路在不同运行工况时不同故障条件下的多种故障特征量，组成历史数据库。借助模糊聚类算法对历史数据库进行数据融合分析，将历史特征样本自动划分为故障类与非故障类。为表征电网运行状态，在电网运行过程中采集被保护线路的实时数据，提取多种故障特征量，组成待测特征样本。采用预定的判别标准(距离、角度或隶属度等)分析待测样本的本质属性，度量待测特征样本与历史特征样本之间的相似程度，根据相似程度的高低将待测样本划归到故障类或者非故障类。此外，零序电流与零序电压首半波之间也存在着固定相位关系,配电网一般采用放射形结构,故障发生后瞬间，故障线路两个零序量极性相同,在非故障线路上两者极性相反，即以故障线路和非故障线路的暂态零序电流两者方向相反,据此可以实现故障线路的辨识。
其中，S3中，模糊聚类感知方法如下：
步骤1：通过差分计算出单个设备有功和无功的概率：
其中，ΔP和ΔQ为该设备在运行过程中实测有功P和无功Q与数据库存储的有功Ps和无功Qs的差值；
步骤2：计算评价等级：考虑m种等级的数学模糊语言，即 L＝{1,2,…,m}对投切的用电设备进行标记，具体由步骤1中有功、无功概率计算进行评级：
然后根据各特征的评级等级挑选变点前和变点后Y个数据点获取用电设备样本特征，然后根据式(1)-(2)统计Y个数据点的等级分布情况，规定若超过m，则取m；若小于1，则取1，得到负荷特征矩阵Ai(i表示设备索引值，i＝1,2,…,n)为
其中Aip，Aiq分别为描述有功功率P和无功功率Q的一维特征矩阵；m为评价系数的等级；xijk(k＝1,2,…,m)为负荷对象Ai的评价因子；
步骤3:构造P-Q维离散模糊矩阵。针对Ai，构建二维离散模糊数矩阵为
式中：lij ＝min{k|xijk≠0，k＝1，2，…m}， L＝{1,2,…m}；k0是集合L中最接近均值μ(Aij)的数值：
K＝{k∈L:|k-μ(Aij)|≤0.5}
其中均值μ(Aij)为
特别地，当均值μ(Aij)满足|k-μ(Aij)|＝|k+1-μ(Aij)|＝0.5时，k0取值 k,k+1；此时式(6)可修正为
步骤4：结合P-Q维离散模糊数矩阵构造m维方阵。定义矩阵为
则对任X＝(xa,xb)(a,b＝1,2,...,m)，
步骤5：结合步骤4，计算每个负荷对象Ai的质心：
由此得到模糊评价值为：
v＝p1c1+p2c2
式中p1,p2为两个质心对应项特征的重要程度，满足0≤p1,p2≤1且 p1+p2＝1；
最后通过比较不同负荷对象的v值，将模糊评价值最大的判定为具体负荷投切的依据，从而避免了因电压、电流等波动对负荷辨识结果的干扰。
其中，特定系列公式包括夹角余弦法、最小最大法和算术平均最小法，具体的根据实际需要进行选择。
在嵌入式环境中，由于RAM和flash的资源是有限的，尤其是在成本约束下，这种RAM和flash的优化配置衡量了嵌入式实现的关键。
考虑在数据存储中，采用的是一种链表式的存储结构，可自由的进行加载和移除，从而使得RAM资源利用达到最大化。在采集过程中，存储的数据包括：有功、无功、谐波(10次)以及时间信息，这些信息大概需要60个字节，以1秒钟采集记录一次，记录5分钟的数据，则需要60*5*60，约为15k字节的RAM。在负荷辨识过程中，记录的负荷辨识记录块，按有功、无功、7次谐波以及稳态、暂停过程的特征，大概需要50个字节，考虑在15分钟内，负荷的启停变化次数有限，大概估计上限为100次，则通过简单计算，大概需要5k左右的RAM。
在数据通信中，由于数据通信采用的是被动上次的方式，因此，只需要将每次的数据先存储在flash里面，等上位机需要数据时，取出便可，因此这个需要flash以及RAM的开销，均需要1k。
另外，数据库的存储也是需要耗费大量的内存和flash，为了提高辨识准确率和实时效率，在嵌入式系统启动过程中，需要将保存在 flash上面的负荷数据库加载到RAM中。由于数据库可增可减，通常需要开辟一个较大的内存，本申请中以100k作为放置负荷数据库的空间。
实施例2
参照图1-3，基于非侵入式电力负荷的模糊聚类感知方法，本实施例相较于实施例1，包括以下步骤：
S1、电网数据采集：通过SPI总线，将计量芯片实时推送的负荷信息数据传送到嵌入式终端，嵌入式模块采用DMA的方式进行数据的传输，从而降低MCU的cpu消耗。在本项目中，将这个数据采集作为一个任务并通过信号量等方式传递给下一个任务，及负荷事件检测；
S2、特征分析：在获取得到的实时数据中，为了降低数据纬度，采用了谐波统计方法，从而将每次采样得到的数据压缩到15*4个字节范围了，以降低数据的储存量；同时，在特征分析上，主要以谐波特征为主，结合一些潜在的负荷特征；
S3、模糊聚类感知：在辨识过程中，尤其是检测到负荷事件，考虑到上述三类的负荷特征，模糊感知算法的输入需要结合三种特征进行负荷辨识，每一种负荷特征作为一个隶属度度量标准，依次实现多个特征的隶属度评价，综合这些隶属度，获取概率密度最大的情况下的负荷匹配，实现负荷辨识。
S3中，模糊聚类感知方法采用贝叶斯定理，其公式如下：
P(Ci|x)>P(Cj|x)l≤j≤m,j≠i。
其中，S3中，模糊聚类感知方法从前至后依次包括准备工作阶段、分类器训练阶段和应用阶段，准备工作阶段从前至后依次包括确定特征属性和获取训练样本；分类器训练阶段从前至后依次包括对每个类别计算P(yi)和对每个特征属性计算所有划分的条件概率；应用阶段从前至后依次包括对每个类别计算P(x|yi)P(yi)和以P (x|yi)P(yi)最大项作为x的所属类别。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
