澳门梦想之城_注册登录

 
2014年6月24日 星期二     加入收藏 | 设为主页 | 澳门梦想之城

考虑用电差异特征的非侵入式变电站馈线负荷识别

来源:null  发布日期:2021-03-24     点击数:7

考虑用电差异特征的非侵入式变电站馈线负荷识别

 

吕正, 姜腾, 史勇杰, 顾黎强, 张麟

(国网上海市电力公司浦东供电公司,上海市浦东新区 200120

 

摘要:变电站作为城市配网电能的变换传输中枢,其馈线负荷类别信息的感知与获取对城市配电网的规划建设至关重要,而非侵入式负荷识别技术使深度挖掘变电站馈线负荷数据、有效辨识变电站馈线负荷类型成为可能。为此,首先计及配网改造建设、设备检修停役等影响因素,提取某地区所有变电站10千伏终端馈线有效负荷数据并建立相应数据库。然后对馈线负荷数据进行规律统计和特征分析,获取金融科创型、居民服务型、商圈百货型等多种馈线的典型日负荷曲线,构建变电站馈线典型日负荷差异化特征库,据此对供给多种负荷的变电站馈线进行日负荷特征辨识并建立日负荷分解模型。最终,以某区域所有变电站10千伏终端馈线的日负荷数据为基础,完成对大部分馈线的非侵入式负荷识别,有效减少获取馈线负荷信息所需的感知设备数量,同步精准定位尚需侵入识别的少数馈线,实现对感知变电站终端馈线负荷信息设备的精准投资。

关键词:变电站馈线;非侵入式;日负荷曲线;负荷识别


0 引言

在城市配电网中,变电站作为电力变换传输枢纽,既是辖管分散负荷的供电汇聚中心,亦是区域用能特性的集中反映节点,其负荷构成信息是电网规划建设、区域用能分析的重要考虑[1-3]。目前,电网数据采集与监控(SCADA)系统能够提供变电站及其馈线的实时综合负荷数据[4]。为进一步收集变电站馈线下级客户的用电信息,电力公司已经开始建设、升级负荷控制管理和用电信息采集等系统。变电站、馈线、用户三者之间的拓扑关系其实质上是层进关系,变电站是上层,通过中层馈线覆盖辖区内所有下层用户[5-6]。若能通过分析SCADA系统中的变电站馈线负荷数据,完成馈线下层用户负荷类别的总体识别划分,则既可推进SCADA系统数据的最大化利用,又能实现电网在感知馈线下级客户负荷信息层面的精准化投资。

非侵入式负荷监测(non-intrusive load monitoringNILM)20世纪80代由Hart提出[7],其实质是将用户的总负荷信息分解为各用电设备的能耗信息[8-9]。与侵入式负荷监测相比,NILM具有用户接受程度高、实用性强、投资少等特点[10]。现阶段,NILM在变电站及其馈线层的研究应用尚不充分,有较大的提升空间。

为此,本文综合考虑城市配电网内不同行业的典型日负荷曲线及用电差异化特征,提出了基于NILM框架的非侵入式变电站馈线负荷识别分解方法,并以某区域内所有变电站10千伏终端馈线的日负荷数据为基础,完成对所提方法的应用验证。

1 整体思路

考虑不同行业用电差异化特征的非侵入式变电站馈线负荷识别分解方法的思路如下:首先全面考虑配网改造建设、配电系统故障、设备检修停役、环境温度突变等影响因素,提取某区域所有35千伏变电站10千伏终端馈线的有效日负荷曲线数据,同步建立变电站馈线的日负荷曲线数据库;然后按照变电站—馈线—单一用户的拓扑关系,提取数据库中所有10千伏专线用户(包括居民社区等)日负荷曲线数据,采用K-means算法对其进行迭代聚类,得到各类用户的典型日负荷特征曲线;再者结合每类用户的行业属性,明确其所属行业类别(金融科创、居民服务、商圈百货等),构建变电站馈线典型日负荷曲线差异化特征库;最后以不同行业的典型负荷曲线作为NILM中的特征信息,实现对变电站馈线负荷的识别和分解。

1 非侵入式变电站馈线负荷识别分解思路

2 实现方法

基于图1所示非侵入式变电站馈线负荷识别分解的整体思路,形成实现方法如下。

2.1 有效日负荷曲线的识别和获取

变电站馈线的日负荷曲线数据是实现本文所述方法的基础。在日负荷曲线数据的收集和整合中,多类因素均可能造成数据的异常。其中,配网电系故障、设备检修停役等因素将使日负荷曲线出现骤升或骤降情况而无效,此类情况可由负荷数据前后变化率判定

                      (1)

(1)表示日负荷曲线在d点的变化率,当其超过预设阈值时视为数据受损,当天的日负荷曲线无效,不计入日负荷曲线数据库。

此外,环境温度突变因素将使冬夏两季的空调负荷短时激增或急降,进而造成日负荷曲线的曲率反常,此类情况可通过对异常数据的识别与修正进行补偿。

                 (2)

式中P(d)T(d)为需要修正的日负荷曲线在d点的负荷和环境温度,Pb(d)Tb(d)为选取的基准日负荷曲线和基准环境温度曲线在d点的负荷和环境温度,Tbt为特定时段基准环境温度的均值,基准日负荷曲线、基准环境温度曲线、Tbt的选取规则本文不做展开。基于式(2)修正获取的某馈线日负荷曲线如图2所示。

2 规避温度影响的某馈线日负荷修正曲线

2.2 不同行业用电差异化特征提取

类似于用户级的NILM,馈线级NILM的关键在于不同行业间差异化特征的获得,即不同行业典型日负荷曲线的有效提取,其具体过程如下:

首先,对日负荷曲线库中数据进行处理,设Pi=[Pi,1, Pi,2, Pi,j, Pi,N]TÎRN×n,为第i个变电站下N10千伏终端馈线每天n点负荷功率整合而成的原始功率矩阵,其中Pi,j=[Pi,j(1), Pi,j(2), Pi,j(d), Pi,j(n)]ÎR1×n为第i个变电站下j10千伏终端馈线的n点负荷功率向量,对其进行如下的归一化处理

                     (3)

然后,按照变电站—馈线—单一用户的拓扑架构,从归一化后的日负荷曲线库中提取所有10千伏专线用户的日负荷曲线数据。同时采用K-means算法对其进行迭代聚类,其基本过程如下

1)初始化:随机选取Kn的日负荷功率向量作为初始类中心;

2)对象归类:将各日负荷功率向量与其最近的类中心归为一类;

3)类中心更新:根据上一步归类结果,更新各类的中心;

4)判断是否满足既定收敛条件,若不满足则将继续进行第二、三步,否则聚类结束,同步完成各类10千伏专线用户的典型日负荷特征曲线的有效提取。

最后,结合每类用户的具体名称和曲线特征,明确其隶属的行业类别,建立适用于城市配电网的新型行业划分体系,构建变电站馈线典型日负荷曲线差异化特征库。

2.3 变电站馈线负荷的识别与分解

一般而言,变电站馈线按所供负荷种类可分为专供型负荷馈线和综合型负荷馈线。其中,专供型馈线所供给的负荷是同类型负荷,通过与变电站馈线负荷差异化特征库中的典型日负荷曲线进行如式(4)所示的计算,即可实现对其负荷种类的识别。

                  (4)

式中ɛ为某馈线日负荷向量pij特征库中各行业典型日负荷向量pk的最小空间距离,k为特征库中第k类典型日负荷曲线,m为特征库中典型日负荷向量的种类总数,ɛ所对应的第k类负荷即为识别出的变电站馈线负荷种类

综合型馈线供给负荷的所属类型不同,其所含负荷成分的辨识、分解在电网建设规划、客户用能感知等方面意义重大。经对某城市配网区域所有的35千伏变电站10千伏终端馈线进行分析发现,综合型的变电站10千伏终端馈线的主要负荷类别一般不超过3种,为此选用如式(5)所示的负荷辨识和分解方法。

               (5)

式中σ为某综合型馈线日负荷向量pij与差异化特征库中第g和第h类典型日负荷向量构造的组合向量apg+bph间的最小空间距离且ghab为第gh类典型日负荷向量的系数且abÎ(0,1)

基于不同行业的典型日负荷特征库,变电站馈线负荷的识别与分解流程如图3所示。

3 变电站馈线负荷的识别与分解流程

3 应用分析

本小节以SCADA系统中某区域内所有2335千伏变电站10千伏终端馈线的真实日负荷数据为基础,验证方法的有效性。

首先,建立对应的变电站馈线有效日负荷数据库,提取其中所有专线用户的日负荷曲线数据,运用K-means算法得到其聚类结果如图4所示,聚类数为5

4 基于K-means算法的变电站馈线负荷聚类结果

依照图4展开分析,由每一类专线用户的具体名称和日负荷曲线特性易知:

1) 1类馈线专供用户主要隶属于金融、科技等行业,日间(8:3017:30)是该类行业的工作时间,除可能因午休出现相对性的负荷低谷以外其总体变化比较平缓。夜间(18:00—次日7:00)此类行业停工,负荷大幅度降低。

2) 2类馈线专供用户从属于居民社区、生活服务等行业范畴,其负荷呈现双波峰特性,第一高峰出现在午间(11:0013:00)第二高峰出现在夜间(20:0022:00),均是居民休息时段,且晚间高峰一般高于午间高峰。

3) 3类馈线专供用户则属于商业、市场等行业,日间(10:0021:00)是此类行业的营业时间,且用电负荷较为稳定,客流量并非影响其负荷的主因。夜间(22:00至次日9:00)该类行业暂停营业,负荷出现大幅度降低。

4) 4类馈线专供用户一般归属于通讯信息、数据中心等产业,其负荷主要是用于维持通讯数据中心的正常运转,在全天范围内近无变化,但一般伴有一定频率的振荡。

5) 5类馈线专供用户是诸如交通照明用电、电动公交充电站等的晚峰型用户,该类用户日间基本不存在能耗,但是晚间集中用电。

然后,基于上述分析构建对应的馈线典型日负荷差异化特征库,运用图3所示的馈线负荷识别与分解方法对非用户专供的馈线进行辨识和分解,图5和图6分别给出了其中两条综合型馈线供给负荷的分解结果。

(a) 综合型馈线I日负荷曲线 (b) 综合型馈线I日负荷曲线分解

5 综合型馈线I的负荷识别与分解结果

综合型馈线I的日负荷曲线已由图5(a)给出,并可分解为如图5(b)所示两类负荷。其中蓝色曲线因呈现双波峰性质视为第2类馈线负荷,红色曲线则满足第1类馈线负荷特征。

(a) 综合型馈线II日负荷曲线 (b) 综合型馈线II日负荷曲线分解

6 综合型馈线II的负荷识别与分解结果

综合型馈线II的日负荷曲线如图6(a)所示,并可视为如图6(b)所示两类负荷的叠加。其中,蓝色曲线呈现双波峰性质,属于第2类馈线负荷,橘色曲线在10:0021:00的日间时段负荷变化较为稳定,是典型的第3类馈线负荷。

4 结论

本文基于未来城市配电网发展视角,以电网SCADA数据为基础,以广泛用于用户内部负荷分解的NILM技术为框架,充分考虑不同行业日负荷曲线的差异化特征,运用K-means聚类算法建立变电站馈线典型日负荷向量差异化特征库,进而提出一种非侵入式变电站馈线负荷识别与分解方法。该方法为电网需求侧管理、负荷建模预测等研究应用提供更有效、更全面的依据。

参考文献

 [1] Liang JNg S KKendall Get alLoad signature studypart Ibasic concept, structure, and methodology [J]IEEE Transactions on Power Delivery201025(2)551-560

[2] Leeb S BShaw S RKirtley Jr J LTransient event detection in spectral envelope estimates for nonintrusive load monitoring[J]IEEE Transactions on Power Delivery199510(3)1200-1210

[3] Dong MMeira P CXu Wet alNon-intrusive signature extraction for major residential loads [J]IEEE Transactions on Smart Grid20134(3)1421-1430

[4]徐振华,李欣然,钱军等.变电站用电行业负荷构成比例的在线修正方法[J].电网技术,201034(7)52-57

Xu ZhenhuaLi XinranQian Junet alAn online method to modify substation’s structural proportion of synthetic load for power consuming-industries[J]Power System Technology201034(7)52-57(in Chinese)

[5]李欣然,姜学皎,钱军,等.基于用户日负荷曲线的用电行业分类与综合方法[J].电力系统自动化,201034(10)56-61

Li XinranJiang XuejiaoQian Junet alA classifying and synthesizing method of power consumer industry based on the daily load profile[J]Automation of Electric Power Systems201034(10)56-61(in Chinese)

[6] 牛卢璐,贾宏杰.一种适用于非侵入式负荷监测的暂态事件检测算法[J].电力系统自动化,201135(9)30-35

Niu LuluJia HongjieTransient event detection algorithm for non-intrusive load monitoring [J] Automation of Electric Power Systems201135(9)30-35(in Chinese)

[7] 黄莉,卫志农,韦延方,等.智能用电互动体系和运营模式研究[J].电网技术,201337(8)2230-2237

Huang LiWei ZhinongWei Yanfanget alA survey on interactive system and operation patterns of intelligent power utilization[J]Power System Technology201337(8)2230-2237 (in Chinese)

[8] 贾慧敏,何光宇,方朝雄,等.用于负荷预测的层次聚类和双向夹逼结合的多层次聚类法[J].电网技术,200731(23)33-36

Jia HuiminHe guangyuFang Chaoxionget alLoad forecasting by multi-hierarchy clustering combining hierarchy clustering with approaching algorithm in two directions[J] Power System Technology200731(23)33-36(in Chinese)

[9] 王星华,陈卓优,彭显刚.一种基于双层聚类分析的负荷形态组合识别方法[J].电网技术,201640(5)1495-1501

Wang XinghuaChen ZhuoyouPeng XiangangA new combinational electrical load analysis method based on bilayer clustering analysis [J]Power System Technology201640(5)1495-1501(in Chinese)

[10] Handl JKnowles JAn evolutionary approach to multiobjective clustering[J]IEEE transactions on Evolutionary Computation200711(1)56-76

作者简介

吕正,198811月出生,男,博士,工程师,研究方向为网源协同优化调度和储能优化调度,13718868812lvzhengbaobao@126.com


版权所有:上海电机工程学会
地址:上海市南昌路47号3号楼3305室 邮件:200020
电话:021-53066896 传真:021-53066896

Baidu
sogou