居民用户参与电网调峰激励机制及优化用电策略研究

随着居民用电占比的不断提升,以及智能电表和智能家电在居民用户中的普及,开发居民用户的需求响应潜力对提高电网灵活调节能力是非常必要的。该文以居民负荷参与电网调峰为切入点,首先建立兼顾用户用电舒适度的居民用户各类电器的负荷模型;其次,基于现有分时电价机制不足以调动居民用户参与电网调峰的积极性及可能形成新的负荷高峰的情况,从居民负荷与系统负荷的相关性出发,提出了反映居民用电对电网调峰贡献度的调峰激励机制,并进行了合理性证明;最后综合考虑用电成本、舒适度和调峰激励建立了居民用户用电优化策略。仿真分析表明,所提出的调峰激励机制能够兼顾居民用户和电网的利益,是一种对现有固定/分时电价有效补充的激励机制,能进一步减少居民用户用电成本,降低其负荷峰值,响应电网削峰填谷的需要,实现居民用户与电网的友好互动。     

基于k-NN结合核Fisher判别的非侵入式负荷监测方法

非侵入式负荷监测是目前智能用电领域一个重要的研究方向,而负荷识别是非侵入式负荷监测的核心内容。以负荷的奇次谐波电流幅值作为特征建立负荷特征库,通过分析负荷样本在特征空间的分布,设计了一种AdaBoost样本筛选算法以精简负荷特征库。利用k近邻(k-NN)算法的简捷性和核Fisher判别算法的非线性分类能力,通过误判风险控制将k-NN与核Fisher判别相结合用于家庭负荷识别,兼顾识别精度和计算复杂度,以提高对负荷特征相近电器的识别能力及整体识别速度。经实测数据检测,结果表明所提方法能够快速准确地实现居民负荷识别。     

基于非侵入式负荷监测的居民用电行为分析

对基于非侵入式负荷监测的居民用电行为分析方法进行了研究。首先,设计了一种基于滑动窗的事件探测算法,并以负荷电流奇次谐波幅值为特征建立负荷特征库,提出基于Adaboost的BP神经网络负荷识别算法,集成多个BP神经网络以提高识别准确率。然后,利用负荷识别结果对用户总功率信号进行分解,得到各个电器具体的用电信息,并结合分时电价,得到居民用电行为的详细分析结果。最后通过实际居民用户数据验证所提方法的有效性,并从家庭节能和需求侧管理两个方面给出了优化用电建议。研究成果对实现居民用户与电网友好互动提供了决策支持。     

基于监督学习的非侵入式负荷监测算法比较

非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。