[发明专利]基于智能电表数据的负荷辨识模型参数修正方法

摘要

一种基于智能电表数据的负荷辨识模型参数修正方法，其特点是，通过智能电表对用户的用电数据采集，相比于侵入式的数据采集装置，很大程度上节省了硬件成本，对用电数据进行预处理，分析时间序列上的用电负荷特性；结合数据采集装置获取的单一负荷的周期运行曲线，通过主成分分析获得运行周期上的特征点和特征向量，以少量的数据量表征原始数据，并形成模板库；最后利用RBF神经网络判断数据点和数据中心的欧式距离，依据设定条件进行匹配，辨识负荷曲线中负荷的种类，最后修正传统负荷模型的参数。本发明通过计算机对动态负荷的实时监测，考虑到其中的负荷比例构成，使得传统的负荷模型的参数得以修正，可对电网未来供电提供一定的参考。

主权项

1.一种基于智能电表数据的负荷辨识模型参数修正方法，其特征在于：它包括以下步骤：步骤1，通过调研统计区域内负荷的参数，包括额定功率、额定电压、阻抗，用统计法或总体测变法建立初始的负荷模型，ψo＝f(Uo,Io,Po)，Uo、Io、Po是初始的模型参数，对应的电阻、转子阻抗均为初始值；步骤2，预处理智能电表采集负荷数据：利用智能电表对采集的数据进行年、季节、月、日、小时负荷分析，得出各个时间序列上的功率和电流特性，首先经过小波变换去除噪声干扰，将不同时间序列数据白化处理减少数据的计算量，然后将混合的源信号S(t)的观测信号C(t)经过线性变换矩阵B得到白化向量H(t)，其中：P和Λ分别代表协方差矩阵的特征向量矩阵和特征值矩阵，此时协方差E{HHT}＝I，C(t)＝AS(t)，那么有H(t)＝BAS(t)；步骤3，获得单一负荷的特征：选用数据采集装置采集电器的一个运行周期数据，采样频率f≥500HZ，包括启动时、稳定时、关断时的功率和电流数据χ(P,I)，在数据采集之后用主成分分析获得该运行周期的特征点和特征向量，并将采集的特征点数据归一化处理之后，按照采样时不同的负荷特性，组合形成相应的模板库；步骤4，分离混合的负荷曲线：根据中心极限定理，若随机变量由许多相互独立的随机元素组成，只需要具有有限的均值和方差，在高斯性度量达到最大的时候，即可完成独立成分的分离，下式中是负熵,是随机变量的微分熵：相同方差的随机变量中高斯分布的随机变量具有最大的微分熵，当具有高斯分布时，作为随机变量非高斯性的测度，采用负熵定义求解需得到的概率密度分布函数，采用下面的近似公式，其中E取均值，而f是非线性函数：BTC的负熵的最大近似值能通过对E{f(BTC)}进行优化取得,得到下面的近似牛顿迭代公式：上式中B*是B的新值的近似值,选择一个初始权矢量B，取非线性函数f，经过上述计算，若B不收敛，则应重新选取非线性函数，若计算的步骤未达到设定值，则需继续计算；步骤5，模式识别，求出相应的负荷比例：由于步骤3过程采集的是各种负荷功率和电流数据，将这些数据分为不同的种类，在步骤4过程中，已经将智能电表的数据进行分解，分析出功率和电流曲线，将步骤3和步骤4的数据经过归一化之后，利用RBF神经网络辨识，在RBF神经网络中，依据隐含层节点和中心向量之间欧式距离||x(t)‑cj(t)||判断所属的种类，得到输出y，w是输出的权值，n是输出的节点数，在神经网络将输出分类之后，由于对应的数据是经过归一化处理之后的数值，需要将这些值转换至原始数据，最后求出识别精度以及相应的负荷比例η，求得负荷的功率因素和各个参数值，依据求出的结果来校正原有负荷模型的参数，于是：ψ＝ψo+μΔψ,其中μ是纠正系数，取值范围为(0,1)，通过不断地取值纠正，直到误差百分比ε≤0.1％。