基于导纳特征和遗传算法的负荷识别

孙 珂，张新燕*，谭敏刚，汤 奕

(1.新疆大学 电气工程学院，新疆 乌鲁木齐 830047；2.南京航空航天大学 电气工程学院，江苏 南京 211106；3.东南大学 电气工程学院，江苏 南京 211189)

随着用电设备数量的增长，电气火灾发生的风险随之增加.据统计，近10年的较大火灾，有半数以上由电气火灾引发.违规使用恶性负荷是宿舍火灾的主要原因，该类恶性负荷多为大功率加热设备，如热水壶、电饭锅等.通过负荷识别技术提前预警恶性负荷的使用，是降低恶性负荷引发电气火灾的有效途径之一.

合适的识别特征是进行负荷准确识别的关键，识别特征主要有：功率、谐波、V-I曲线及由多种电气特征组合的特征.文献[3]提取负荷的有功功率和无功功率特征，通过特征向量与数据库模板相似度的比较，确定家用电器的类型及其运行状态.文献[5]将负荷的总有功和无功功率作为识别特征，通过模糊C均值算法，识别负荷的运行状态.文献[6]根据设备稳态的电流谐波特征，构造方程组及目标函数，求出最优解，进而识别不同类型的设备.文献[7]分析电流和电压波形，根据电流和电压的均方根等特征识别负荷.为进一步提高识别准确性，多种特征融合的识别方法得到广泛应用.文献[12]采用了谐波、有功及无功功率组合的识别特征量.文献[13]采用了频谱包络、有功功率和无功功率组合的识别特征量，但该识别方法基于深度学习算法，需大量的训练样本，且识别准确率受训练样本的影响较大.

针对恶性负荷多为阻性负荷，且其导纳较大的特点，笔者拟提出基于导纳特征和遗传算法的负荷识别方法.根据电能质量数据中的电压、电流数据，计算导纳，利用遗传算法寻优，得到满足条件的负荷运行概率.最后，通过实验验证不同情况下该文方法识别负荷的有效性.

1 负荷特征

负荷特征是负荷识别中的关键因素.负荷特征分为稳态特征和暂态特征.暂态特征描述负荷开启瞬间的电压、电流信号的变化规律，如暂态波形及其结构；稳态特征描述负荷的稳态电流及功率等，如稳态电压有效值、有功功率、阻抗和导纳等.常见负荷分为如下为3类：电阻型、电机型和电力电子型.常见的负荷曲线如图1所示.

图1 常见的负荷曲线

由图1可以看出，电阻型和电机型的负荷很快趋于稳定，而电力电子型的负荷则在一定范围内变化(功率浮动5%，阻抗浮动15%，导纳浮动10%)，这些特征均可用于负荷识别.

电压波动导致的有功功率波动，影响负荷识别的准确率.电流较小时的过大阻抗影响计算精度.导纳具有可叠加性，可从系统总导纳的变化中分析得出单一负荷的运行状态，故笔者选用导纳作为负荷识别特征量.

2 基于导纳特征和遗传算法的负荷识别

2.1 功率因数

为识别负荷，引入功率因数cos

φ

.功率因数为电路有功功率与视在功率的比值，相关表达式为

(1)

(2)

(3)

其中：

P

为有功功率，

k

为谐波次数，

Q

为无功功率,

S

为视在功率，cos

φ

为功率因数.

n

个负荷的总功率因数为

(4)

2.2 导纳特征

电压、电流的有效值分别定义为

(5)

(6)

其中：

N

为负荷总数.

导纳的表达为

1.2.3 试验过程 播前晒种3～4 d，剔除小粒、虫蛀粒、霉烂粒、破损粒，用小麦数粒板按照播量进行数粒装袋。根据不同密度和不同播种时期进行人工开沟撒播、石磙镇压。播前施磷酸二铵150 kg/hm2,尿素300 kg/hm2，硫酸钾75 kg/hm2作种肥，返青后追施尿素150 kg/hm2，抽穗期结合灌水追施尿素150 kg/hm2。全生育期灌水4次，分别为越冬前、拔节期、抽穗期和灌浆期。生育期内进行中耕锄草3～5次，防治蚜虫和白粉病3～4次。

(7)

其中：

φ

为电流和电压的相位差.

n

个负荷的总导纳为

(8)

2.3 遗传算法识别负荷的基本原理

遗传算法(genetic algorithm,简称GA)是典型的智能启发式算法，其模拟达尔文生物进化过程，已广泛应用于函数优化、组合优化、模式识别、图像处理等领域.遗传算法识别负荷时，将从实测数据中提取的负荷特征量与样本库中的样本特征量进行比较，通过遗传算法寻优，确定负荷的运行状态.个体进入下一代的概率为其适应度与种群所有个体适应度之和的比值.交叉方式为均匀交叉，两个配对个体的基因均以相同的交叉概率进行交换，生成两个新个体.变异方式为单点0-1变异，随机产生变异的点，该点状态由0变为1或由1变为0.

2.4 基于导纳特征和遗传算法的负荷识别

采用二进制编码，即负荷接入为“1”，未接入为“0”.对负荷样本的运行状态进行编码，构建目标函数.负荷运行状态及目标函数如表1所示，其中:

N

为负荷总数，

Y

为负荷导纳，

X

为负荷运行状态，

X

∈{0,1}.

表1 负荷运行状态及目标函数

适应度函数可量度群体中个体的好坏.对个体编码串进行解码处理，得到个体的表现型.由个体的表现型得到个体的目标函数值.基于目标函数值按一定的转换规则，得到个体的适应度为

(9)

其中：

Y

为待识别负荷的总导纳.

通过迭代计算，可得到一个符合适应度函数的多组解集.计算解集中“0”和“1”的分布情况，可得到各负荷的运行概率.

遗传算法识别负荷的步骤如下：

步骤2 采集待识别的用电数据，通过相关计算得到待识别用电数据的识别特征量.

步骤3 通过遗传算法寻优，获取满足条件的多种负荷运行情况.

步骤4 计算负荷运行概率.

步骤5 根据编码值得到不同情况下的识别结果.

3 实验验证

负荷的在线监测有侵入式和非侵入式两种方式，其中非侵入式能在不影响或尽量小的影响下，提取检测对象的相关负荷识别特征量.监测设备安装在电力入口处，获取负荷运行的用电数据.笔者设计的监测设备如图2所示.

图2 设计的监测设备

实验时选取7种常见负荷，其中良性负荷为照明灯、电脑、热水器和台灯，恶性负荷为热水壶、电热毯和电吹风.将负荷并联在室内插座，实验拓扑结构如图3所示.

图3 实验拓扑结构

依次接入单个负荷，测得稳态时的电压、电流数据.经相关计算得到的额定功率、导纳和功率因数如表2所示.

表2 负荷的相关参数

遗传算法的相关参数如表3所示.

表3 遗传算法的相关参数

(1)方法的可行性验证(实验1)

通过遗传算法得到编码结果，再根据编码结果计算得到实验1各负荷的运行概率，如表4所示.

表4 负荷的运行概率

经计算，待识别负荷的功率因数为0.947 1.5种运行情况的功率因数及其偏离值如表5.

表5 5种运行情况的功率因数及其偏离值

由表5可知，待识别负荷的功率因数与情况2的功率因数最接近，情况2的编码结果为1101100，故可得识别结果为：照明灯、台灯、热水器和热水壶均为运行状态；电脑、电热毯和电吹风均未运行.该识别结果与实际情况相符，可见该文方法具有可行性.

(2)方法的普适性验证(实验2)

实验2的负荷接入情况如表6所示.

表6 实验2的负荷接入情况

测量稳态下的电压、电流.数据处理后，得到不同运行情况下的导纳和功率因数，如表7所示.

表7 不同运行情况下的导纳和功率因数

将识别结果与设定情况进行对比，可知该文方法的识别结果是否正确.功率验证及该文方法的识别情况如表8所示.分析表8可知，相对于功率验证，该文方法对负荷的识别率更高.

表8 功率验证及该文方法的识别情况

实验1,2的结果表明该文方法具有可行性和普适性.

4 结束语

笔者提出了基于导纳特征和遗传算法的负荷识别方法.选取导纳为负荷识别特征量，利用遗传算法对导纳进行识别.多种运行情况下的实验结果表明该方法具有可行性和普适性.与常见负荷识别方法相比，该方法准确率高且计算简单.该方法仅适用于处理多负荷稳态情况，对运行状态随环境变化的负荷识别，将为笔者后续的研究内容.