2.4 信息能源系统非侵入式检测

2.4.1 非侵入式检测方法的需求与关键问题

自能源是集发-用-储-耦合设备于一体的能源自治区域，具有全双工特性。基于机理驱动的识别方法，是通过研究能源网络和能源设备的物理表征建立模型，这类侵入式检测方法需要已知自能源内部所有设备，不仅侵犯了用户的隐私，而且当用户增加设备时将影响建模的准确性。此外，自能源内部设备众多，通过大量安装智能仪表来收集设备数据、分析设备数据会耗费大量的人力物力，因此本节采用非侵入式检测方法对系统进行数据采集和设备监测。然而，随着可再生能源和储能设备的高比例渗透，系统内的发电行为会对用电行为产生干扰和抵消，传统非侵入式建模不再适用。此外，现有自能源端口的能源监测装置对电、热、气三种能源进行数据采集时存在时间异步问题，会导致能源耦合设备无法精确识别，从而极大影响了自能源非侵入式检测的精度。

2.4.2 发-用-储-耦合设备一体化区域的非侵入式检测方法

本节通过对量测数据进行拟合，结合机理模型的可解释性优势，建立自能源的输入-输出模型，该模型属于非侵入式模型。相对于侵入式机理建模而言，该方法保护了用户隐私，降低了成本和部署难度，当用户设备增加时更能适应用户用能行为的改变。由2.4.1节可知，自能源中可再生能源和储能设备均具有发电特性，其发电行为会抵消部分负荷的用电行为，同时，可再生能源的随机波动会对其他设备的识别精度造成影响。因此，本节首先采用梯度分离的方式对自能源系统进行非侵入式建模，如图2.10所示。

其具体步骤如下：

1）数据采集。通过智能仪表采集电端口功率 P _E 、热端口功率数据 P _H 、气端口功率数据 P _Q 、风速 v 、辐照幅度 M 、温度 T 。

2）数据处理。对采集到的数据进行去噪和归一化处理，并利用GAN对数据进行同步。

3）事件探测。利用神经网络和联合滑动方法对风电、光伏、储能、耦合设备的模型进行识别。

4）特性提取。将分离的数据输入GAN网络，训练生成器生成更多的数据，进行设备特征提取。

5）设备识别。将生成的完备数据输入判别器中进行设备识别，最终识别自能源系统中的电、气、热的所有设备。

6）设备分类。按可调度性将设备进行分类，输出非侵入式检测结果，为后续建模、控制和优化奠定基础。

（1）联合滑动方法

首先，为了准确识别自能源中的产能行为，本节提出一种联合滑动的方法分离风电、光伏、储能和耦合设备。如图2.11所示，窗口1对气象数据、电端口输出功率和电价数据进行滑动，用于识别风电、光伏和储能设备；窗口2对气热数据进行联合滑动，用于识别燃气锅炉；窗口3对电热数据进行联合滑动，用于识别电锅炉；窗口长度 m 取值为5，时间窗口在时刻 t 提取的功率序列表示为

式中， P _E ( t )为电端口功率时间序列； P _H ( t )为热端口功率时间序列； P _Q ( t )为气端口功率时间序列； k =1,2,…, n ， n 为数据集中数据点的总个数。通过时间窗口按采样间隔 T 向后滑动，可以将数据转化为若干时间功率序列。

在窗口滑动过程中，提取窗口内功率序列的最大值和最小值，若两者差值超过设定阈值，则判定此时有设备切入/切出，并提取该时刻差值作为该设备运行功率。为避免人工设定阈值的片面性，本节采用长短时记忆网络来训练神经网络的参数，从而获得最优阈值。

（2）可再生能源发电识别

可再生能源发电受天气影响，具有较强的随机性和波动性，在自能源中其发电行为与用电行为相互抵消，造成其他设备识别难度大、精度低等问题，因此需研究风光发电特性对风光进行精确识别。风电和光伏特性分析和识别步骤如下：

1）风光存在识别。将风速 v 、光照幅度 M 、温度 T 、总功率 P _i 的数据输入神经网络中进行训练，输出为矩阵［ c ₁ c ₂ c ₃ c ₄ ］，矩阵由0和1组成。当输出矩阵中 c ₁ =1时，数据中存在光伏不存在风电， c ₂ =1时数据中存在风电不存在光伏， c ₃ =1时数据中不存在光伏和风电， c ₄ =1时数据中同时存在光伏和风电。

2）确定风电和光伏的发电功率。风力发电和光伏发电模型如下：

式中， P _WT 为风电出力； P _PV 为光伏出力； v 为风速； G 为太阳光辐照强度； T 为温度； k ₁ 、 k ₂ 、 k ₃ 、 k ₄ 为比例系数。

将窗口1记录的风速变化Δ v 和总功率数据变化Δ P 代入式（2.25），计算 k ₄ ，计算结果概率最大的数值为 k ₄ 的唯一解。将 k ₄ 代回式（2.25）计算风力发电的发电功率。光伏发电的参数计算方法与风力发电类似，将幅度变化Δ M 、温度变化Δ T 、总功率变化Δ P 代入式（2.26）求出 k ₁ 、 k ₂ 、 k ₃ 的唯一解。

3）建立发电设备功率模型。建立总发电功率与风速、光伏的关系：

（3）储能识别

自能源中蓄电池兼具用电和发电特性，其充放电行为由可再生能源的发电量 P _gen ( t )、端口输出功率 x ( t )和电价 p ( t )决定。同时，各自能源不同的储能策略会造成不同的充放电行为，导致无法通过一个统一储能策略对所有自能源进行储能识别。因此，本节采用BP神经网络学习自能源的储能策略，从而实现储能行为的识别。储能设备识别过程如下：

1）学习储能策略。将储能行为按充放电功率大小分为 k 类， P _gen ( t )在区间［0,max( P _gen ( t ))］内分为 n 类， x ( t )在区间［ x _min , x _max ］内分为 m 类， p ( t ) 在区间［min( p ( t )),max( p ( t ))］内分为 l 类，上述分类满足 k ≤ n × m × l ，将 n × m × l 种情况作为储能设备的决策变量输入BP神经网络进行训练。

2）建立输出矩阵。输出矩阵［ c ₁ c ₂ c ₃ ］由0和1组成，其中， c ₁ =1时储能充电， c ₂ =1时储能放电， c ₃ =1时储能不工作。

3）分离储能波形。窗口1记录输出矩阵变化时刻［ t ₁ , t ₂ ,…, t _n ］，并计算变化时刻端口输出功率的差值作为储能波形。

（4）耦合设备识别

自能源中耦合设备主要包括电锅炉和燃气锅炉，电锅炉消耗电能产生热能，其工作时会引起电热数据波动，燃气锅炉消耗气能产生热能，其工作时会引起气热数据波动。单一窗口滑动不能精准地识别耦合设备，为解决识别精度问题，采用多窗口联合滑动的方法对耦合设备进行识别。根据窗口数据同时发生波动的类型来判断耦合设备的种类。

自能源中，燃气锅炉通过消耗气能产生热能，其单位时间内所产生的热能与进气量的关系为

式中， P _H，MT 为微燃气轮机的输出热功率； η _g2h 为微燃气轮机产热效率； H _u 为天然气热值； 为进气量。

电锅炉消耗电能产生热能，输入电功率为 P _E,EB 时，其热功率 P _Q,EB 表达式如下：

式中， P _E,EB 为电锅炉输入功率； η _EB 为电锅炉热效率。

电转热、气转热实质上均为通过消耗电能、天然气对锅炉内炉水加热的过程，水温升高到一定温度会消耗一定的时间，即能源转换设备在运行过程中存在一定的延时。根据热量公式可知：

式中， τ 为延时时间； c 为比热容； m 为电锅炉内筒炉水质量；Δ t 为温差； η 为热效率； P _H 为热功率。

窗口2和窗口3对 P _E 的波动时间点进行记录，形成时间矩阵 T _E =［ ， ］，对 P _Q 的波动时间点进行记录，形成时间矩阵 T _Q =［ ，…， ］，对 P _H 的波动时间点进行记录，形成时间矩阵 T _H =［ ， ，…， ］。耦合设备分类判定：

当 T _Q = T _H 并且前一时刻Δ Q （气值变化）与Δ H （热值变化）的比值与此刻气热数据波动的比值相等时，判定为燃气锅炉波动；进而对波动时间点进行记录，形成时间矩阵 T _W =［ t ₁ , t ₂ ,…, t _c ］，根据 T _W ，将燃气锅炉在气热中的波形变化分离并识别出来。当 T _E = T _Q 时并且前一时刻Δ E （电值变化）与Δ H （热值变化）与此刻电热数据波动的比值相等时，判定为电锅炉数据波动；进而对波动时间点进行记录，形成时间矩阵 T _EH =［ t ₁ , t ₂ ,…, t _x ］，根据 T _EH ，将电锅炉在电气热中的波形变化分离并识别出来。

（5）用能设备识别

自能源存在电、气、热三种形式能源，由于三种能源采集频率不同，电端口采样周期为9s/个，热端口为3min/个，气端口为5min/个，而公共数据集数据采样周期为3s/个，在进行联合扫描时，采集数据不同步将直接影响非侵入式识别精度和建模的准确度。

本节利用GAN的数据生成能力对电、气、热数据进行填补和同步，如图2.12所示，将分离的各个设备数据输入GAN网络，通过生成器对数据采样周期不一致的部分进行补全，并且在对判别器增加softmax全连接层基础上，实现对补全的设备数据进行分类处理，从而提高设备识别精度和模型建立准确度。

传统GAN只能给出整个连续序列的得分/损失，不能很好地评估当前生成的离散数据的好坏和对后续生成的影响，因此本节采用强化学习与GAN结合的方法来训练模型，生成模型被视为强化学习的媒介，其状态是到目前为止已生成的序列，而动作是要生成的下一个序列。判别器根据工作要求的特定任务的序列得分来给予不同的奖励，实现评估序列并反馈评估以指导学习生成模型。为了解决输出离散时梯度不能返回到生成模型的问题，将生成模型视为一种随机参数化策略。在策略梯度中，采用蒙特卡罗搜索来近似状态作用值。

本节所提方法识别出的设备中存在大量可控设备，如空调、电暖气、电热水器、电冰箱、耦合设备、储能设备等，这些设备工作方式灵活可控、分布空间广泛，具有较大的可调度潜力。同时，在以激励为基础的能源互联网调度中，对自能源中一些允许运营商直接控制的设备进行合理调度，可以达到优化负荷波形、削峰平谷等目的。因此本节在对自能源进行非侵入式监测的基础上，通过分析自能源用能规律和设备特征，将相关设备按照可调度性可分为以下三类：

1）不可调度设备，主要包括不可平移和不可调节的负荷设备。例如，风力发电、光伏发电、电视、夜间照明灯等。

2）可平移设备。在一天中，可平移电负荷总用电量不变，只是改变设备的用电时间段，例如，洗碗机、消毒柜等。

3）可调节设备。在用户设定的可调节程度范围内，可调节设备可以被动调节功率大小。例如，耦合设备（电锅炉、燃气锅炉）、储能设备、空调等。

2.4.3 算例分析

为了验证2.4.2节所提方法在自能源系统设备非侵入式检测中的应用效果，本节选取我国北方一别墅区进行训练和测试，并且选取90家别墅的电、气、热数据作为训练集，另外10家别墅作为测试集，训练集别墅包括风机、光伏、电储能、冰箱、空调、洗碗机、洗衣机、供水暖气、电锅炉、燃气灶、燃气锅炉等设备。测试别墅分解得到各个设备在每个时刻的功率（或者热量）并通过别墅91进行仿真展示。

图2.13为不可调度设备数据库数据和识别数据的对比曲线，识别值和数据库值基本吻合，说明算法分离识别的准确度高。

图2.14为可调度设备的数据库数据和识别数据的对比曲线，图2.14a为运用储能设备的决策变量进行储能行为的识别的电储能充放电功率。购电量大时，蓄能电池放电；购电量较低时，蓄电池充电。

图2.15为生成器和判别器的损失函数随训练次数增加的变化情况。从图2.15可以看出，生成器和判别器的损失函数随着训练次数的增加，两个图都呈现下降的趋势，训练中都出现大幅度振荡，这是生成器和判别器进行对抗的结果。

为了对分解算法进行全面的评价，选取4个参数作为评价算法的指标，分别为准确度、召回率、F1分数和平均绝对误差，其具体计算方法如下：

式中，PRE为准确度；REC为召回率；F1代表 F1分数，也叫平衡分数； T _P 表示设备实际 F _P 表示设备实际 F _N 表示用电器未工作状态且算法分解结果也为该工作状态的序列总点数；工作状态但是算法分解结果为非该工作状态的序列总点数；工作但算法分解结果为该用电器在工作状态的序列点总数； y _t 为 t 时刻设备的真实功率； 为 t 时刻模型分解的设备功率；MAE为时间段 T ₀ 到 T ₁ 内功率分解值的平均绝对误差。

PRE、REC、F1分数反映算法判断设备处于工作状态的准确度，MAE反映模型分解功率值的准确性。以别墅91为例，相应的评价指标计算结果见表2.4。由表2.4可知，本节提出的GAN分解识别方法在各种设备上都取得了很好的判别效果。

进一步地，为验证2.4.2节方法的准确性，对别墅91～别墅100进行了仿真验证的测试，表2.5列举了别墅91、别墅95、别墅100的验证结果，结果证明模型准确度均在90%以上，验证了模型的准确性。

根据上述算例结果可知，针对含有风电、光伏、储能及耦合设备的非侵入式检测，通过提出的GAN能够对自能源中风电、光伏、储能及耦合设备进行特性分析、特征提取，最终利用联合滑动窗口方法进行梯度分离，实现了自能源非侵入式检测。 722FPvRyAkvouyv4WKVBn5TJxAx02Nne/LJYV90JKojZbBSqx4nvQIkPgatG8hHm