[发明专利]一种基于高斯混合算法的配电网用电时序解构方法

说明书

本发明涉及一种基于高斯混合算法的配电网用电时序解构方法，该解构方法包括以下分步骤：步骤1：将配电网中每个用电器的分项电量数据分为训练集和测试集；步骤2：针对训练集应用隐马尔科夫模型进行训练，获取最优参数解；步骤3：结合最优参数解和总用电量数据构建总模型，利用总模型求出测试集上每个时刻总电量观测数据对应的状态，并将总状态分解到各个分项用电器所对应的状态上；步骤4：根据步骤2中训练得到的每个用电器的分项模型预测每个用电器在测试时间内的先验期望值；步骤5：利用先验期望值对总电量观测数据进行对比修订并得出最终解构结果。与现有技术相比，本发明具有解构速度快，精确度高等优点。

技术领域

本发明涉及配电网用户用电时序解构技术领域，尤其是涉及一种基于高斯混合算法的配电网用电时序解构方法。

背景技术

用户用电行为在时间上和空间上存在多种差异，这种差异对于精确的用电调度存在显著的影响。如在时间上，用户构成的变化、用户用电负荷峰值的变化等，都会造成调度成本的提高。对总能量消耗进行分解并将单个用电器用电量反馈到用户可以带来用户的自发节电行为，同时供电公司获取用户的微观用电数据，对需求响应、节电研究、政策制定都有很多的好处。

在空间上，不同类型用户的地理位置分布，不同区域各种用电类型用户的比例分布等等，都可能给用电调度带来巨大难题。不仅如此，在新型楼宇和电力设施建设过程中，对于设备规模的预期往往基于以往的经验和对楼宇需求的估计，没有考虑周边不同用户之间的影响已经经济发展等因素，使得在长期可能出现供电设施不合适等问题。对用户的地理分布以及空间上的关联关系的深入了解，可以提高调度的效率、降低成本，还可以在用电设施建设、电网设计的过程中提供依据，使得电网架构更加的合理，电力调度更加的高效。举例来说，新建大型商业建筑，本身会消耗大量的电力，还会在改变周边人群密度的基础上带动周边用户的用电行为变化，如果在楼宇建设之初的电网设计中没有考虑周边的影响，可能会导致未来的用电紧张、网架不合理等各种问题，由此带来的安全隐患、发展桎梏以及改造难度都是一大难题。

用电数据分解的研究已有很多，传统的数据解构特点和缺陷如：

1)解构效果较好的分析都使用了超高频的电力数据(1Hz)和非监督的算法，同时需要各种用电器类型、功率曲线。

2)超高频数据分析，目前都只能在实验室采集短时间内的数据，无法推广到实际生活中的电力运营和监测中，更不可能反馈到消费者达到节能减排的效果。

3)利用低频用电量数据进行解构的研究比较少，多使用如稀疏编码、隐马尔科夫等模型进行有监督的学习，但是解构的效果不太好，无法准确分解出各种用电器的用电量，解构的精度也很差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯混合算法的配电网用电时序解构方法。

本发明的目的可以通过以下技术方案来实现：

一种基于高斯混合算法的配电网用电时序解构方法，该解构方法包括以下分步骤：

步骤1：将配电网中每个用电器的分项电量数据分为训练集和测试集；

步骤2：针对训练集应用隐马尔科夫模型进行训练，获取最优参数解；

步骤3：结合最优参数解和总用电量数据构建总模型，利用总模型求出测试集上每个时刻总电量观测数据对应的状态，并将总状态分解到各个分项用电器所对应的状态上；

步骤4：根据步骤2中训练得到的每个用电器的分项模型预测每个用电器在测试时间内的先验期望值；

步骤5：利用先验期望值对总电量观测数据进行对比修订并得出最终解构结果。

进一步地，所述的步骤2包括以下分步骤：

步骤21：采用EM迭代算法对针对训练集应用隐马尔科夫模型进行训练的数学模型进行最优求解；