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

摘要

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。

说明书

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

步骤S8：计算分子速度，

步骤S9：计算分子位置，

步骤S10：生成第n+1代数据种群

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

作为本发明的进一步方案，在步骤S7中，还包括以下步骤：

步骤S71：当

步骤S72：当

步骤S73：当

作为本发明的进一步方案，在步骤S11中，还包括以下步骤：

步骤S111：当得出弗雷歇距离结果不满足算法要求时，将不满足要求的种群与前一代种群取并集，针对其中全部个体计算个体适应度，然后重复步骤S4到S11。

本发明的有益效果是：

首先，相比于传统聚类方法，本发明采用分子动理论智能优化算法来作为进行负荷辨识的核心算法，其算法相较旧版聚类算法更加智能，算法性能可提升空间更高，有效性更高，同时采用多目标分子动理论智能优化算法，配合非支配排序及pareto算法，速度更快，有效性更强，且提高了辨识精度，能够满足目前的智能电网技术对于多用户负荷辨识的使用需求，其次，利用离散弗雷歇距离来作为判定负荷曲线相似度的算法，能够更好的满足负荷曲线带有时序性的特点，将二者结合以后，在一定程度上提高了负荷辨识算法的准确性和适用性。

附图说明

图1为本发明中的狗主人牵狗曲线示意图。

具体实施方式

实施例1：如图1所示，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，本方法具体包括三大子流程：从用户电表端采集用户用电数据（电流、电压、功率等）、通过多目标分子动理论优化算法对数据进行筛选处理、最后采用离散弗雷歇距离选择出最优曲线，完成负荷辨识的比对。

具体步骤包括：

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（电流、电压、功率等），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N、初始种群分子速度、建立初始种群模型；由于单目标分子动理论算法局限性较大，在计算多目标问题时相互干扰严重，计算效果差强人意，故此利用非支配排序以及pareto算法，基于分子动理论的个体适应度在多个目标上相同的机制，对算法计算种群Q进行优化进化，以完善针对多目标的功能；

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；在算法进化过程中可能会出现多个个体同时为最优个体，按照算法进化流程，部分最优个体会被淘汰，为保证算法进化合理性且保证其优化结果分布合理，故此引入等价簇去重原则，当且仅当

将种群中此类个体作为等价簇进行去重处理，只留下一个或一部分个体，其它个体全部删除；

步骤S5：针对目前种群Q中全部个体进行排序；根据分子动理论，为保证与理论个体越近则越难被其他个体支配，排序时采用非支配排序。按照非支配排序思想，pareto最优解集为

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

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

作为本发明的进一步方案，在步骤S7中，还包括以下步骤：

步骤S71：当

步骤S72：当

步骤S73：当

步骤S8：计算分子速度，

步骤S9：计算分子位置，

步骤S10：生成第n+1代数据种群

其公式定义为

步骤S11：判定离散弗雷歇距离是否满足算法要求，满足前期设定要求的条件下，则认为此类种群相似度极高，为同类曲线，并输出此类曲线结果。

作为本发明的进一步方案，在步骤S11中，还包括以下步骤：

步骤S111：当得出弗雷歇距离结果不满足算法要求时，将不满足要求的种群与前一代种群取并集，针对其中全部个体计算个体适应度，然后重复步骤S4到S11。

多目标分子动理论优化算法本质上就是将负荷辨识曲线基于分子动理论的方式向其目标曲线靠拢，而后根据弗雷歇距离判定其相似度，将相似度达标的一类作为同类曲线并输出其种群。此算法困难在于由于需要不断进化种群，为防止种群退化，需要极大的空间复杂度。但此种负荷辨识方法与同类负荷辨识方法相比准确度良好，效率较高，同时能完成对多目标的负荷辨识，并且仍有较大的开发空间，可进行深层次的研究以及开发。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。