[发明专利]基于多目标分子动理论及弗雷歇距离的非侵入式负荷辨识方法

说明书

本发明涉及基于多目标分子动理论及弗雷歇距离的非侵入式负荷辨识方法。首先通过在用电侧采集用户的用电数据进行优化处理，制成用户用电器随时间变化的负荷曲线。再将多目标分子动理论算法初始化，确定相关参数以后对采集的曲线计算个体适应度，通过等价簇去重、非支配排序、模糊判定的方式使种群不断进化，而后根据分子动理论计算其加速度、速度、位置等信息，最终得出进化后的种群曲线，而后通过弗雷歇距离判定负荷曲线相似度，达到前期设定标准即认定此曲线即为得到的最终负荷曲线。本发明确保了对用户用电器的精准辨识以及快速辨识，同时由于其辨识精度精确的特点，可以帮助供电侧和用电侧更好的了解用电信息，同时针对其用电信息做出调整。

技术领域

本发明涉及基于多目标分子动理论及弗雷歇距离的非侵入式负荷辨识方法，属于智能用电及非侵入式负荷辨识技术领域。

背景技术

由于范朝东受到分子动理论的启发，将模拟物质降温过程中的分子运动规律的过程通过一种群智能算法的形式实现了。因其参数简单，辨识精度高，及其种群多样性体现完整，在解决面对多维多约束条件问题时有得天独厚的优势，而目前智能电网技术的更新换代急剧频繁，智能用电领域作为其核心部分之一也需要优秀的高精度算法来解决其负荷辨识的问题。通过对负荷数据的分析，用电侧能够更加清晰的了解用电器用电情况，以及保持科学合理的用电习惯。对于供电侧来说，能够更加清晰地分析出下一步对于电力资源的分配问题。电网的资源消耗、电力投资、电能调控方面都离不开智能用电的帮助。那么如何精准快速有效的进行用户的负荷辨识成为了智能用电技术对于电网方面最核心的问题。已知目前用户负荷辨识方法仍针对其曲线特征进行相似度对比，对于其有时序的相关曲线相似度不能进行有效的对比，且传统的聚类方式如k-means聚类方法等，实行要求较为繁琐，精度已然不能满足目前对于多种用电器同时进行精准快速有效的负荷辨识的要求。同时分子动理论智能优化算法属于目前新型种群计算方式，其精度速度等都有核心保障，并仍存在较大的研究空间，更能满足目前智能电网技术不断更新换代的需求。

发明内容

本发明提供了基于多目标分子动理论及弗雷歇距离的非侵入式负荷辨识方法，以用于解决现有技术中精度不能满足要求速度较为缓慢且有效性有待提高等问题。

本发明的技术方案是：基于多目标分子动理论及弗雷歇距离的非侵入式负荷辨识方法，包括：

步骤S1：进行用户用电数据采集，在电表端采集相关用电负荷数据，优化处理，制成对应用电器的用电负荷曲线；

步骤S2：将多目标分子动理论算法初始化，确定矩阵规模、初始种群分子速度、建立初始种群模型；

步骤S3：通过负荷采集定义个体适应度函数，并计算出个体适应度；

步骤S4：等价簇去重；

步骤S5：针对目前种群Q中全部个体进行排序；

步骤S6：生成进化种群，将N个前沿解集取并集作为第n代种群，即；

步骤S7：在最优代中选取随机个体X作为分子动理论中的引导个体，同时进行受力判定，并计算其对应加速度；

步骤S8：计算分子速度，；表示第n+1代种群的速度、T表示种群迭代的时间、为第n代种群的速度、为引力加速度；

步骤S9：计算分子位置，；表示个体（n+1）的位置、表示个体（n）的位置；

步骤S10：生成第n+1代数据种群，并对其采用离散弗雷歇距离测试算法结果；

步骤S11：判定离散弗雷歇距离是否满足算法要求，并输出此类曲线结果。

作为本发明的进一步方案，在步骤S5中，还包括以下步骤：

步骤S51：根据第一级前沿F1优化PS，同时判定其是否模糊拥挤，删除拥挤个体，其余存回PS，即可得到最优代，其中，PS为所有前沿解集当中的最优解集；

作为本发明的进一步方案，在步骤S7中，还包括以下步骤：