電力系統負荷非侵入式監測方法研究

雷怡琴 孫兆龍 葉志浩 武曉康

電力系統負荷非侵入式監測方法研究

雷怡琴 孫兆龍 葉志浩 武曉康

（海軍工程大學電氣工程學院 武漢 430033）

為了實現對電力系統負荷的高效監測，提出了針對其暫態與穩態工作狀況的非侵入式監測方法。對于準確獲得任意穩態時刻的負荷工作狀態的問題，提出了基于自篩選的優化遺傳算法（AOGA）的穩態監測模型，將電力參數模型轉換為有功分量模型及無功分量模型，以此建立雙目標函數，解決了由于高諧波電流影響小、求解參數少引起監測誤差的問題。優化遺傳算法構造了自篩選程序，將適應度相同的結果先做篩選，再利用歐氏距離對功率進行判別，解決了傳統遺傳算法（GA）進行負荷監測時由于適應度相同引起誤判的缺陷。當負荷進行投切時，為了準確獲得投切類型，該文建立了基于功率-時間（P-T）的暫態監測Matlab-Simulink模型，首先利用離散傅里葉分解的方法提取暫態發生前后功率的變化量，通過對比功率匹配度對動作負荷進行識別；在功率監測的基礎上，以負荷的諧波含有率為負荷特征進行諧波特征判別，進一步提高了暫態負荷監測的精度。

非侵入式 自篩選優化遺傳算法 雙目標函數 P-T模型 諧波特征

0 引言

隨著我國經濟社會和科技的快速發展，智能電網已經成為電力系統未來的發展方向，對電力系統負荷進行高效監測是實現電網智能化的重要組成部分。目前的電力監測手段是在每個負荷上裝設獨立的監測裝置，通過對每個負荷的單獨監測實現對其運行狀態的判定，耗費了大量的人力、物力、財力[1-4]。對于上述問題，提出了一種非侵入式的負荷監測方式，即不需要進入用戶用電系統的內部，只需要在電力入口處裝設監測設備，通過監測入口處的總電壓及總電流等電氣量，并將其進行分解就可以得到電力系統內部每個負荷的運行狀態[5-6]。通過這種方式，不僅可以很好地保護用戶的用電隱私，也可節省大量的監測設備，減少分析與處理數據的工作，同時又可以實現對系統中每類負荷運行狀態的監測。

非侵入式負荷狀態監測對電力系統總端處監測到的負荷數據進行分解與識別，分析系統內每類或每個負荷的運行狀態，可以更為準確地了解整個電力系統的負荷組成，每種負荷的用電分配量以及用電時間，進而合理地規范負荷用電量以及安排負荷的運行時間。非侵入式負荷分解技術不僅可以使電力部門實時了解用戶的用電情況，以便于規劃合理的計價系統，同時也能夠給用戶提供有效的用電建議，因此對非侵入式負荷分解技術進行優化改進是非常必要的[7-10]。從工作狀態的角度，現有的非侵入式的負荷狀態監測主要分為暫態監測和穩態監測兩大類。暫態監測主要是為了獲知負荷投切的工作時間，以便于獲得負荷的工作規律[8-9]；穩態監測主要是為了獲知任意穩態時刻下的負荷工作狀態，以便于合理分配電量[11-12]。

目前對電力系統非侵入式狀態監測的方法有，Srinivasan等引用神經網絡[13-14]，根據負荷穩態電流的相關特征對負荷工作狀態進行分解。Najmeddine等，結合對電壓和電流的相關屬性量分析以及功率的大小確定負荷投切狀態[15-16]。隨后，提出了-軌跡曲線的方法。通過-曲線反映待測范圍內所有的用電負荷，通過歸一化處理使負荷特征數據統一，Marchiori等利用貝葉斯判別通過對用電設備加入貝葉斯分類器，但由于需要的參數多，進而使結果不準確[17-18]。許儀勛等將負荷穩定工作時電流的基波諧波作為負荷特征，利用改進的雞群算法進行求解，但存在無非識別重疊工作負荷的不足[19-20]。王志超等將穩態時的電流參數作為負荷特征，利用決策樹的方法進行識別，可以準確地識別出特征差異較大的負荷，但是對于相似度高的負荷，無法準確識別[21]。

基于上述分析，本文分別從穩態和暫態的角度入手，對不同狀態下的電氣特征，針對性地進行建模分析。對于穩態監測，建立基于自篩選的優化遺傳算法（Automatic screening Optimized Genetic Algorithm, AOGA），解決了由于高諧波電流影響小、求解數據量少引起監測誤差的問題，以及傳統遺傳算法（Genetic Algorithm, GA）中因適應度相同引起的誤判的問題。通過與傳統GA算法的對比，AOGA算法不僅收斂速度快，而且準確率高，具有一定的先進性。對于暫態監測，建立了基于功率-時間（P-T）的暫態監測模型，通過監測功率的變化以及暫態發生時的持續時間，確定暫態發生的時刻。利用功率的變化量進行識別，以確定發生暫態的負荷類型。為了使暫態監測的誤差更小，本文在此基礎上利用諧波含有率做了進一步的識別，解決了因功率接近引起誤判的問題，提高了暫態監測精度。

1 基于穩態的負荷識別

為了得知某一時刻下的負荷工作狀況，本文對穩態電流信號進行分解，將端口總電流進行傅里葉分解，分別構造有功分量模型和無功分量模型。利用AOGA算法對其進行監測識別，將最優結果記錄并篩選，再利用歐氏距離進行功率判別提高精度。

1.1 構建穩態電流分解模型

由基爾霍夫電流定律可得，總端處的電流可由各支路的電流相疊加而成，本文將總端電流以及負荷庫中的電流信息作為負荷特征，將種負荷進行傅里葉分解，建立方程組為

將總電流進行快速傅里葉（Fast Fourier Transfer, FFT）展開得

經過FFT算法對電流進行傅里葉分解，由基爾霍夫電流定律可得種負荷電流形成的總電流I在時刻的表達式為

式（6）第一式為有功分量運算的表達形式，第二式為無功分量運算的表達形式。為有功分量負荷信息的系數矩陣；為無功分量負荷信息的系數矩陣；為待求解矩陣，反映負荷的工作狀態，且

第一式為有功誤差函數，第二式為無功誤差函數。求解目標為匹配準確度最大，在模型中表現為誤差函數值最小，以此建立綜合目標函數為

1.2 AOGA算法的建立

1.2.1 目標函數的建立

根據負荷匹配準確度最大化的目標，建立AOGA算法適應度為

1.2.2 AOGA算法模型的建立

傳統的遺傳算法主要包括種群的設定、生成初始種群、種群的復制得到新種群、新種群交叉、新種群的變異、適應度以及目標函數的計算、結果儲存等過程。傳統遺傳算法具有初始種群生成時的隨機性大，每一個子代之間交叉變異的局限性大、無法將優秀子代的特征保留等不足，本文提出了AOGA算法模型。具體過程如下：

（1）設置種群大小。

（2）設置染色體編碼長度，染色體長度等于負荷庫中總電氣數目。

（3）進行輪盤復制，以優質染色體擴大種群數目。

（4）保留每次迭代產生的優秀子代，將優秀子代作為下一次循環的初始種群，此方法不僅提高了篩選速度，而且大大提高了負荷的匹配程度。

（5）對目標函數進行尋最優匹配。

（6）針對當適應度相同時，可能會存在不同負荷工作的情況，本文增加了自篩選算法，再通過其他負荷特征做進一步的篩選識別，減小了傳統負荷分解由于信息重合引起的誤差，提高了負荷識別的準確性。穩態負荷監測流程如圖1所示。

圖1 穩態負荷監測流程

2 負荷暫態狀態監測與識別

當電力系統中的負荷從一個狀態變化為另一個狀態時，引起特征量發生明顯變化的過程稱為暫態過程[22]。如果可以得知各類負荷的投切時間，用電系統便可以針對某一時刻精準分配供電量，降低用電成本，節約資源。本文首先對暫態過程進行了監測，識別出暫態過程發生的時刻，再提取暫態發生前后負荷的有功功率，得到初步識別的結果，由于有功功率存在相似性，進一步利用不同投切下的諧波含量差作為判別依據，得到更為精確的判別結果。

2.1 暫態過程監測

對暫態過程的準確監測是進行暫態識別的前提，當系統中發生暫態過程時，一般會伴隨著明顯的電氣量的變化，例如有功功率及電流幅值等的暫態監測數據，如圖2和圖3所示。

圖2 功率暫態監測

圖3 電流暫態監測

由圖2和圖3可知對于同一種負荷，功率的突變結果（＞200W）比電流的突變結果（＜2A）明顯，因此以功率的突變點為基準進行監測較為準確。

兩個相鄰的周期中功率的變化量為

暫態過程開始的判據為

在負荷進行投切時，負荷特征會發生明顯的變化，為了減小噪聲誤差，本文利用暫態維持時間與暫態監測時間的比值為判據，提高判斷的準確率。暫態過程確定的判據為

當式（12）與式（13）的限定條件同時成立時，判定暫態發生。在得知暫態發生時間的基礎上，再對投切負荷的類型加以識別。暫態判定流程如圖4所示。

圖4 暫態判定流程

2.2 暫態過程監測

通過2.1節的判定，得知負荷的投切時刻。為了對發生投切的負荷種類進行判別，本節首先根據常用的電器名牌數據建立了功率負荷庫，見表1。

表1 功率負荷庫

Tab.1 Load statistics of power

（續）

依據有功功率是瞬時功率在一個周期中取平均值的定義，利用離散的傅里葉展開的方法，提取有功功率，即

為了確定發生投切的負荷類型，建立了基于P-T模型的Simulink仿真如圖5所示。

由于部分負荷的功率極其相似，采用功率判別會產生誤差，本文在功率判別的基礎上引入了諧波特征作為第二判別依據。在過去研究中，多利用諧波幅值作為識別判定的特征量，而由于實際生活中部分諧波幅值與基波差別過大，此時諧波特征將不能做為判別依據，因此，本文提出以諧波含有率作為負荷特征提高判別的準確度。

諧波含有率的定義為

3 穩態判別結果分析

3.1 穩態時刻電流提取

進行穩態分析時，本文選取了21種負荷進行工作狀態識別。首先通過傅里葉分解，建立有功電流與無功電流的負荷庫，此處展示負荷庫中部分負荷的傅里葉變換結果，如圖6所示。

圖6 負荷1～4的傅里葉變換

提取總端電流，利用傅里葉分解得到電流的各次諧波信息，諧波次數越高信息量總越多，識別準確度越高。但是當諧波次數越高，電流值降低越快，當數值小到一定程度時諧波在判別過程中幾乎不起作用。為了提高識別準確度，本文提取了總端電流的10次諧波，將其分解成有功分量和無功分量，使得負荷匹配參數增加一倍，即解決了高次諧波電流幅值過小的問題，又增加了匹配參數。對總電流的有功和無功分量見表2和表3。

表2 總電流有功分量

Tab.2 Active component of total current

表3 總電流無功分量

Tab.3 Reactive component of total current

3.2 AOGA算法的實現

由式（7）的待求矩陣可知，負荷僅有工作和未工作兩種狀態，因此，在AOGA算法的參數設定中采用0-1二進制編碼。AOGA算法參數設定如下：

（1）提取總端電流參數，作為待分解參量。

（2）導入負荷庫。

（3）設置自變量數目，在AOGA算法模型中，自變量數目以及染色體編碼長度均為電氣量數目，此數目可因負荷庫的大小改變，本文為21。

（4）初始化種群，即隨機生成設置初始種群的大小，本文設置為100。

（5）進行輪盤復制，擴大種群數目，在此基礎上進行染色體的交叉變異和基因突變。本文設定交叉概率為0.8，突變概率為0.09。

（6）計算每次迭代的適應度大小，將適應度大于0.8的種群保留，作為初始種群，進入下一次迭代循環，本文設定的算法迭代次數為250次。

（7）每次迭代結果與前一次迭代結果進行對比，將適應度大的迭代結果保留。迭代過程中適應度最大的種群作為每次循環的最優種群保留。

（8）AOGA算法設定遺傳循環次數為10次，對比每次循環結果，自動篩選適應度大于0.99的種群，保留適應度最優的循環次數，作為AOGA算法的最終計算結果。

AOGA算法的運算結果見表4。

表4 AOGA算法負荷識別結果

Tab.4 Results of load identification based on AOGA

3.3 AOGA算法優化結果

AOGA算法將適應度大于0.99的運算結果均篩選出來，與傳統的遺傳算法相比，降低了運算誤差，提高了負荷識別的準確度。AOGA進化過程和運行結果如圖7和圖8所示。

圖7 AOGA進化過程

圖8 AOGA運行結果

圖7可以看出，AOGA算法相對于傳統的GA算法適應度收斂速度快，計算準確度提高。增加運行次數收斂速度加快，體現了每次保留最優結果作為初始種群的優越性。并且，AOGA在運行3次結果趨于一致，體現了算法的穩定性。

圖8可以看出，AOGA算法相對于傳統的GA算法適應度明顯提高，即計算誤差明顯減小。

3.4 穩態識別結果誤差分析及解決

傳統GA算法進行負荷識別時，引起識別誤差的原因主要有以下兩種：

（1）工作負荷不同，但是誤差疊加后結果相同，使得識別結果不準確。

（2）出現式（16）的情況。

針對以上問題，AOGA算法做了一步的改進，自動篩選出適應度達到最優的所有結果，見表5。

由AOGA的運行結果可知，當解的大小相同時，可能出現不同的工作狀態，例如，表5中的第3、5、7次分解結果與第6、8、9次的分解結果并不相同。為了找到最優解，計算每組篩選結果的功率大小，并與負荷庫中的功率進行對比。本文利用式（17）的歐式距離，得到距離最小的解為最優解，并作為AOGA算法的最終監測識別結果。

表5 AOGA算法負荷識別結果

Tab.5 Results of load identification based on AOGA

在AOGA運行結果的基礎上，引入歐式距離對負荷工作狀態進行進一步識別，結果見表6。

表6 引入歐式距離識別結果

Tab.6 Recognition results by introducing Euclidean distance

由AOGA的運行結果可知，實際負荷工作狀態為第3、5、7次計算出來的工作狀態。因此，利用功率歐式距離的篩選可以解決傳統GA算法在負荷識別中產生的誤差，提高了負荷識別精度。

4 暫態判別結果分析

4.1 功率暫態數據結果分析

本文以六種負荷的投切做暫態的結果評估，首先對負荷進行編號，見表7。

表7 負荷編號

Tab.7 Load number of the load

負荷投切的仿真運行結果如圖9所示。針對圖9展示的負荷投切仿真過程，通過提取到的暫態數據，利用暫態負荷識別算法，得到每個暫態發生的時間以及暫態點功率的變化情況如圖10所示，識別結果見表8。

圖9 負荷投切P-T仿真運行圖

圖10 暫態發生時間以及功率變化

表8 負荷投切結果判別

Tab.8 Judgment of load switching results

表8中，負荷所在列為1時，表明負荷工作。根據功率進行負荷判別時的結果為：負荷5（吹風機1）在3.001s的時候開始工作，功率變化大小為2 360.780W；負荷4（空調）在4.001s的時候開始工作，功率變化大小為1 065.227W，其余負荷以此類推。與圖7的仿真結果相比，負荷投切類型判斷均正確。

對于負荷投切時間，負荷1、負荷2、負荷6的時間均延遲0.02s，負荷3、負荷4、負荷5的判別時間均延遲0.01s。由此可見，當負荷在非整數秒進行投切時，識別延遲0.02s；在整數秒投切時，識別延遲0.01s。

4.2 電流諧波判別結果分析

由圖8可以看出，功率識別時可以確定暫態發生的時間，但是對于發生投切的負荷類型的識別存在誤差，即2s時應該是負荷2發生投切而誤判成負荷3發生投切。這是由于僅利用功率進行判別時，基波的影響作用相比，諧波的作用幾乎為零，當基波的功率非常接近時，可能會造成判別失誤。本文設定的功率判定閾值為1W，因而當兩種負荷的功率差小于1W時，就可能引起誤判。因此為了提高判別精度，本文引入諧波含有率作為判據，由式（15）可得，不同負荷諧波含有率如圖11所示。

圖11 各負荷諧波含有率

由圖11可以看出，不同負荷之間的諧波含有率的差異較大，將其作為負荷判斷的一種依據，可以提高負荷識別的準確率。

針對圖9展示的負荷投切仿真過程，提取暫態數據，利用諧波含有率進一步分析，得到每個暫態發生的時間以及暫態點諧波含有率的變化情況如圖12所示，判別結果如圖13所示。

圖12 暫態發生時間以及諧波含有率的變化

以電流的諧波含有率（圖12）與功率（圖10）在負荷進行投切時的負荷特征做對比，諧波含有率在二次判別時各次諧波的影響較為明顯，并且準確識別出了負荷2在2s時發生投切的工作狀態，使負荷類型的判別更為準確。

圖13 諧波含有率暫態判別結果

圖13為通過諧波含有率的方式得到的判別結果，可知負荷1在1.5s的時候發生了投切，負荷2在2s的時候發生了投切，負荷3在0.5s的時候發生了投切，以此類推。圖中，工作狀態“1”表示工作；“0”表示不工作。

上述結果表示，在功率判別的基礎上增加諧波判別不僅提高了識別準確度，而且消除了功率判別時的0.02s以及0.01s的誤差，提高了判別精度。

5 結論

本文通過傅里葉分解建立了負荷特征庫，穩態監測過程中，通過將電氣參數分解為有功分量與無功分量，以此構建雙目標函數，解決了由于高諧波電流影響小、求解參數少引起監測誤差的問題。利用AOGA算法進行求解，將適應度相同的結果先做篩選再利用歐氏距離對功率進行判別，解決了傳統GA算法進行負荷監測時由于適應度相同引起誤判的不足，加快了運算速度，提高了監測精度。

暫態檢測過程中，建立了基于P-T的暫態監測Matlab-Simulink模型，通過監測功率的變化以及暫態發生時的持續時間，確定暫態發生的時刻。利用功率的變化量進行識別，在此基礎上再通過諧波含有率做進一步的識別；解決了功率識別時因功率接近引起誤判的問題，提高了暫態監測精度。

綜上所述本文分別從電力系統穩態和暫態的角度對負荷的工作狀態進行了監測，加快了運算速度，改善了傳統監測方法的不足，提高了監測精度，具有一定的先進性。但還存在一些問題需要做進一步的研究：

1）對于穩態部分：針對優化遺傳算法后續可能存在的誤差處理，僅提出了一種采用功率進行進一步識別的方法，還需對加入功率是否會存在誤差做進一步的探究。

2）對于暫態部分，僅考慮了負荷投切引起的暫態過程，未考慮由于系統故障引起的暫態過程，后續應對此過程進行探究。

[1]孫毅. 基于遺傳優化的非侵入式家居負荷分解方法[J].電網技術, 2016, 40(12): 3912-3917. Sun Yi. Anon-intrusive household load monitoring method based on genetic optimization[J]. Power System Technology, 2016, 40(12): 3912-3917.

[2]劉世成. 基于大數據的非侵入式負荷分解技術研究[J]. 電力信息與通信技術, 2016,14(12): 9-14. Liu Shicheng. Research on non intrusive load decomposition technology based on big data[J]. Electric Power Information and Communication Technology, 2016, 14(12): 9-14

[3]Martins J F, Lopes R, Lima C, et al. A novel nonintrusive load monitoring system based on the S-transform[C]//2012 13th IEEE International Conference on Optimization of Electrical and Electronic Equipment (OPTIM), Brasov, Romania, 2012: 973-978.

[4]Remscrim Z, Paris J, Leeb S B, et al. FPGA-based spectral envelope preprocessor for power monitoring and control[C]//Applied Power Electronics Conference and Exposition(APEC), Palm Springs, CA, USA, 2010: 2194-2201.

[5]張虹, 侯寧, 葛得初. 供需互動分布式發電系統收益-風險組合優化建模及其可靠性分析[J]. 電工技術學報, 2020, 35(3): 623-635. Zhang Hong, Hou Ning, Ge Dechu. Modeling and reliability analysis of benefit-risk portfolio optimization for supply and demand interactive distributed generation system[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 623-635.

[6]劉博, 非侵入式電力負荷監測與分解技術[D]. 天津: 天津大學, 2013.

[7]張義志, 王小君, 和敬涵, 等. 考慮供熱系統建模的綜合能源系統最優能流計算方法[J]. 電工技術學報, 2019, 34(3): 562-570. Zhang Yizhi,Wang Xiaojun, He Jinghan, et al. The optimal energy flow calculation method of comprehensive energy system considering heating system modeling[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 562-570.

[8]王毅, 張寧, 康重慶, 等. 電力用戶行為模型: 基本概念與研究框架[J]. 電工技術學報, 2019, 34(10): 2056-2068. Wang Yi, Zhang Ning, Kang Chongqing, et al. Electrical consumer behavior model: basic concept and research framework[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2056-2068.

[9]曹敏, 魏齡, 鄒京希, 等. 基于暫態過程的非侵人式負荷監測研究[J]. 水電能源科學, 2018, 36(8): 177-180. Cao Min, Wei Ling, Zou Jingxi, et al. Research on non-intrusive load monitoring based on transient state process[J]. Water Resources and Power, 2018, 46(5): 97-103.

[10]李剛, 于長海, 王天軍, 等. 居民負荷設備的非侵入式識別方法研究[J]. 電力信息與通信技術, 2017, 15(5): 54-60. Li Gang, Yu Changhai, Wang Tianjun, et al. Non-intrusive identification method for residential appliances[J]. Electric Power Information and Communication Technology, 2017, 15(5): 54-60.

[11]方紅偉, 宋如楠, 馮郁竹, 等. 基于差分進化的波浪能轉換裝置陣列優化[J].電工技術學報, 2019, 34(12): 2597-2605. Fang Hongwei, Song Runan, Feng Yuzhu, et al. Array optimization of wave energy converters by differential evolution algorithm[J]. Transactions of China Electrotechnical Society, 2019, 34(12): 2597-2605.

[12]姜濤, 王長江, 陳厚合, 等. 基于正則化投影孿生支持向量機的電力系統暫態穩定評估. 電力系統自動化, 2019, 43(1): 141-148. Jiang Tao, Wang Changjiang, Chen Houhe, et al. Transient stability assessment of power system based on projection twin support vector machine with regularization[J]. Automation of Electric Power Systems, 2019, 43(1): 141-148.

[13]Srinivasan D, Ng W S, Liew A C. Neural-network-based signature recognition for harmonic source identification[J]. IEEE Transactions on Power Delivery, 2006, 21(1): 398-405.

[14]Jian Liang, Simon K K N, Gail K, et al. Load signature study—Part I: basic concept, structure, and methodology[J]. IEEE Transactions on Power Delivery, 2010, 25(2): 551-560.

[15]Najmeddine H, Drissi K E K, Pasquier C, et al. State of art on load monitoring methods[C]//2008 IEEE 2nd International Power and Energy Conference, Johor Bahru, Malaysia, 2008: 1256-1258.

[16]Du Yi, Du Liang, Lu Bin, et al. A review of identification and monitoring methods for electric loads in commercial and residential buildings[C]// IEEE Energy Conversion Congress and Exposition (ECCE), Atlanta, GA, USA, 2010: 4527-4533.

[17]Marchiori A, Hakkarinen D, Han Q, et al. Circuit-level load monitoring for household energy management[J]. IEEE Pervasive Computing, 2011, 10(1): 40-48.

[18]He Dawei, Du Liang, Yang Yi, et al. Frontend electronic circuit topology analysis for model-driven classification and monitoring of appliance loads in smart buildings[J]. IEEE Transactions on Smart Grid, 2012, 3(4): 2286-2293.

[19]許儀勛, 李旺, 李東東, 等. 基于改進雞群算法的非侵入式家電負荷分解[J]. 電力系統保護與控制, 2016, 44(13): 27-32. Xu Yixun, Li Wang, Li Dongdong, et al. Disaggregation for non-invasive domestic appliances based on the improved chicken swarm optimization algorithm[J]. Power System Protection and Control, 2016, 44(13): 27-32.

[20]韓佶, 苗世洪, 李超, 等. 計及相關性的電-氣-熱綜合能源系統概率最優能量流[J]. 電工技術學報, 2019, 34(5): 1055-1067. Han Ji, Miao Shihong, Li Chao, et al. Probabilistic optimal energy flow of electricity-gas-heat integrated energy system considering correlation[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 1055-1067.

[21]王志超. 住宅用電負荷的非侵入式監測方法研究[D].重慶: 重慶大學, 2015.

[22]牛盧璐, 賈宏杰. 一種適用于非侵入式負荷監測的暫態事件檢測算法[J]. 電力系統自動化, 2011, 35(9): 30-35. Niu Lulu, Jia Hongjie. Transient event detection algorithm for non-intrusive load monitoring[J]. Automation of Electric Power Aystems, 2011, 35(9): 30-35.

Research on Non-Invasive Load Monitoring Method in Power System

Lei Yiqin Sun Zhaolong Ye Zhihao Wu Xiaokang

（College of Electrical Engineering Naval University of Engineering Wuhan 430033 China）

In order to monitor the power system load efficiently, this paper proposes a non-invasive monitoring method for its transient and steady-state working conditions. In order to accurately obtain the load working state at any steady-state time, an automatic screening optimized genetic algorithm (AOGA) is proposed, steady-state monitoring model, which transforms the power parameter model into active component model and reactive power component model, establishes double objective function, and solves the problem of monitoring error caused by small influence of high harmonic current and less solving parameters. The AOGA algorithm constructs a self screening program, which filters the results with the same fitness first, and then uses Euclidean distance to judge the power, which solves the defect of misjudgment caused by the same fitness in traditional genetic algorithm (GA). When the load is switched on and off, in order to obtain the switching type accurately, this paper establishes a power-time(P-T) based on power time, In the Matlab/Simulink model of transient monitoring, the discrete Fourier decomposition method is used to extract the power change before and after the transient occurrence, and the action load is identified by comparing the power matching degree; on the basis of power monitoring, the harmonic characteristics are identified by taking the harmonic content of the load as the load characteristics, which further improves the accuracy of the transient load monitoring.

Non-invasive, automatic screening optimized genetic algorithm, double objective function, P-T mode, harmonic characteristics

TM762

10.19595/j.cnki.1000-6753.tces.200622

2020-06-09

2020-07-20

雷怡琴 女，1996年生，碩士研究生，研究方向為電力電子與電氣傳動，電磁環境及防護技術。E-mail：786790332@qq.com

葉志浩 男，1975年生，教授，博士生導師，研究方向為電力系統分析設計與保護。E-mail：yxyx928@126.com（通信作者）

（編輯 郭麗軍）