基于粒子群算法搜索的非侵入式电力负荷分解方法

被引：36

作者：

李如意 ^{[1
]}

黄明山 ^{[1
]}

周东国 ^{[2
]}

周洪 ^{[2
]}

胡文山 ^{[2
]}

机构：

[1] 河南许继仪表有限公司

[2] 武汉大学动力与机械学院

来源：

电力系统保护与控制 | 2016年 / 44卷 / 08期

关键词：

非侵入式; 电力负荷分解; 粒子群算法; 适应度函数;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

非侵入式电力负荷分解是根据入口处电流、电压信号进行用电负荷辨识的一种方法。然而,由于电流、电压波动等因素干扰,单一特征所得到的分解结果通常会与实际用电设备投切结果不一致。为了可靠地提升在线非侵入式电力负荷分解能力,构建了基于谐波的电流特征表达并结合功率两个特征作为设备投切状态辨识的目标函数。同时,引入了正态分布的度量函数,将其融合并作为粒子群(Particle Swarm Optimization,PSO)算法的适应度函数,以此寻找最佳的电力负荷分解结果。最终,通过实验室开发的非侵入式负荷分解装置进行实验。实验结果表明所述方法能获得更好的在线电力负荷分解能力。

引用

页码：30 / 36

页数：7

共 9 条

[1] 考虑节能减排的多目标模糊机会约束动态经济调度 [J].

刘文学 ;

梁军 ;

贠志皓 ;

李正茂 ;

董晓明 .

电工技术学报, 2016, 31 (01) :62-70

[2] 大用户电力负荷的多模型模糊综合预测 [J].

谷云东 ;

张素杰 ;

冯君淑 .

电工技术学报, 2015, 30 (23) :110-115

[3] 智能变电站非侵入式测试技术研究 [J].

鲍伟 ;

高翔 ;

沈冰 ;

周健 .

电力系统保护与控制, 2015, 43 (20) :125-129

[4] 一种基于径向基神经网络的短期风电功率直接预测方法 [J].

马斌 ;

张丽艳 .

电力系统保护与控制, 2015, 43 (19) :78-82

[5] 基于人工神经网络的负荷模型预测 [J].

李龙 ;

魏靖 ;

黎灿兵 ;

曹一家 ;

宋军英 ;

方八零 .

电工技术学报, 2015, 30 (08) :225-230

[6] 基于ESPRIT分解算法的短期电力负荷预测 [J].

马哲 ;

舒勤 .

电力系统保护与控制, 2015, 43 (07) :90-96

[7] 面向非干预式负荷监测的居民负荷微观特性研究 [J].

郑小霞 ;

刘庆强 ;

林顺富 ;

李东东 ;

张铭 .

电力系统保护与控制, 2014, 42 (10) :62-70

[8] 非侵入式电力负荷在线分解 [J].

黎鹏 ;

余贻鑫 .

天津大学学报, 2009, 42 (04) :303-308

[9]

Multi-appliance recognition system with hybrid SVM/GMM classifier in ubiquitous smart home[J] . Ying-Xun Lai,Chin-Feng Lai,Yueh-Min Huang,Han-Chieh Chao.Information Sciences . 2012

← 1 →