基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取_

2023年12月6日发(作者：丰田卡罗拉suv最新消息)

第18卷第1期2022年1月沈阳工程学院学报（自然科学版）JournalofShenyangInstituteofEngineering（NaturalScience）Vol.18No.1Jan.2022DOI：10.13888/（ns）.2022.01.011基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取王宁1a，王存旭1b，张皓然2，张馨予3，康宇4（1.沈阳工程学院a.电力学院；b.自动化学院，辽宁沈阳110136；2.国电东北电力有限公司沈西热电厂，辽宁沈阳110142；3.国网鞍山供电公司，辽宁鞍山114002；4.国网抚顺供电公司，辽宁抚顺113001）摘要：采用非侵入式独立成分分析算法来提取电动汽车充电负载，包括电动汽车负载充电模式的3个阶段。所提出的无监督算法，能够提取不同类型的电动汽车（包括高压特斯拉电动汽车）的全部充电过程，并且回顾了所提出的独立成分分析方法的理论背景，说明了提取电动汽车充电模式中每一阶段的算法形成过程，显示了利用所提出的算法获得了从实际家庭获取的数据集的结果，验证了此算法的有效性。关键词：非侵入式负荷监测；独立成分分析算法；电动汽车充电负载中图分类号：TM714文献标识码：A文章编号：1673-1603（2022）01-0056-06每个家庭的用电数据必然存在一定的差异，不同家庭间电动汽车充电负载印记也存在巨大的区别。为了获得某个住宅内电动汽车充电负载印记的实测数据，需要安装智能传感器来记录这些信号。然而，在每个家庭都安装这样的智能传感器是不现实的。因此，提出一种将住宅内的电动汽车充电负载从总的电力负载信号中分离出来的方法。为了验证简便，本文所选取的一天总功率信号取自［2］山核桃街（PecanStreetInc.）。［1］线性组合，ICA的主要应用是盲源分离。在ICA的基本形式中，x=[x1,?,xm]是随机观测信号向量，其元素是m个独立的随机向量s=[s1,?,sm]的混合物，由线性关系描述为x=AsA为待估计的未知m×n混合矩阵。式中，（1）式（1）中的统计模型称为ICA模型，这是一个生成模型，表示如何通过混合向量s的过程生成观察数据，这些独立的成分是无法直接观察到的潜在变量。假设混合矩阵A是未知的，唯一已知的观测结果是随机向量x，则需要通过x估计并分解A和s。为了实现这一点，假设向量分量si在统计上是1基于独立成分分析算法提取电动汽车的理论背景独立成分分析方法（ICA）是一种信号处理方独立的，并且具有非高斯分布。然而，在基本模型中，这些分布是未知的。为了简化计算，这里假设法，主要是将1组随机变量表示为统计独立分量的收稿日期：2020-06-06作者简介：王宁（1993-），女，辽宁铁岭人，硕士研究生。第1期王宁，等：基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取·57·未知的混合矩阵A是方阵。然后，在估计了这个矩阵后，可以计算出混合逆矩阵W，并且独立分量可以通过以下方式获得：s=Wx设电动汽车的功率是已知的，即独立分布已知，再利用ICA算法模型从观测到的混合信号中提取出电动汽车充电负载的分布情况，此时仅需收集电动汽车的充电配置资料，如表1所示。ICA需要提取的电动汽车功率信号称为模板，每一个模板中包含N个电动汽车充电功率的行向量。电动汽车可以根据充电功率进行分类［4］，例如，将充电振幅在3kW范围内的电动汽车归为同一类别，将充电振幅在6kW范围内的电动汽车归为同一类别，以此类推。（2）在应用ICA算法提取电动汽车充电负载在阶x是观测到的由两个以上段2稳态充电的情况下，信号组成的混合负载信号。图1说明了ICA在从混合的总设备信号中提取EVCL时出现的问题［3］，信号1是没有电动汽车充电负载的混合负载信号，信号2是电动汽车充电负载信号。在本算法中，假图1表1从总负载中提取电动汽车充电负载第2阶段电动汽车在全球市场的充电功率电动汽车模型保时捷Panamera最大充电类别（#）功率/kW3[s,s,?,s（]m=1,?,M）表示。由表1的功率可12m知，样本数M=7，每个样本sm包含N个待提取的阶段2充电负载功率。ICA算法的时间范围窗口大小为10，窗口被逐步移动到下一帧，直到整个x被覆盖。被提取的电动汽车充电负载可以包含多个电动汽车充电过程。充电过程是指电动汽车开始充奥迪A3，雪佛兰Spark，雪佛兰Volt，凯迪拉克ELR，福特Fusion，三菱i-MiEV，现代Sonata，梅赛德斯S550，日产LEAF保时捷卡宴，大众e-Golf特斯拉福特Focus，菲亚特500e，起亚Soul，本田Accord，日产2LEAF宝马i3，大众e-Golf特斯拉ModelX，特斯拉ModelS3.313.666.67.210234电时的时间estart到电动汽车结束充电时的时间eend。电动汽车充电过程用向量De=[estart,eend]表示，提取的电动汽车充电负载的充电过程用矩阵D=[D,…,D]表示。eE22.1电动汽车充电负载模式提取算法初始化阶段初始数据是混合负载模式向量x=在初始化阶段，每个窗口N都会设置采样的功率和数量M以及所需提取到的电动汽车充电负载的最小期望值，所以ICA模型可以用做从混合负载x中提取样本sm的分布式［5］。t=1,?,T。混合负载信号包含观测[x,x,?,x]，12t2.2迭代过程在迭代过程中，利用ICA算法从混合负载x中值T，。序列采样时间为1min（τ=1）从混合负载信号x中提取的第m个样本为s=提取电动汽车充电负载，去掉电动汽车充电负载的假阳性数据，并估算所提取的电动汽车充电负载的[snm,?,sNm]，模板的整个集合由矩阵S=·58·沈阳工程学院学报（自然科学版）第18卷功率。以下是迭代过程的4个子步骤。步骤1：应用ICA算法。对x以N=10的窗口大小应用ICA算法，来提取第m个电动汽车充电负载sm。从x中提取的电动汽车充电负载由向量zn=zn1,zn2,…,znt（t=1,?,zT）表示。如果所有样本sm都与窗口匹配，[]向量n只包含充电负载的提取，这也就造成了缺少尚未在窗口开始处启动的电动汽车充电负载。因此，将ICA方法重复使用N次，每次从n开始时，窗口会逐渐右移一个单位，此时所得到的10个电动汽车充电负载数据将存储在N×T矩阵Z=[z1,z2,?,zn（]n=1,?,N）中。步骤2：提取电动汽车充电负载向量。此步骤引入p（p=1,?,N2），表示在矩阵Z的第t列中提取的充电负载的非零事件的次数。矩阵Z的每t列都会得到一个向量c（tt=1,?,T）。当有非零p出现时，ct的值为0；否则，ct为cNt=(∑Znt=1)p（3）n最后提取到电动汽车充电负载的解向量cp=cp1,?,cpT，组成矩阵C，C=[c1,?,1,?,cp]，p=步骤5[。]3：删除充电过程中的假阳性数据。由于家用电器设备可能具有与电动汽车类似的功率和运行周期，如烘干机和空调，所以上一步所得的解向量cp可能包含其他设备的充电过程，此过程的意义就是去掉或减轻这些信号的干扰［6］。在研究可能会干扰或具有与电动汽车类似的负载模式和功率的电器性能后，得出了以下标准：满足以下条件：①如果两个连续的电动汽车充电之间的时长ì?|e?start-eend-1|≤?|18íestart-eend|（4）?<120?|estart+1-eend+1|<120则将两组充电过程从cp中去除，更新矩阵D，此时可以定义为烘干机干扰。将这组数据从解向量②如果1组充电过程之间的时长差值小于c20，p中去掉，更新矩阵D，此时为空调干扰情况。这将导致电动汽车充电时间不足20min的数据丢失，当在准确性和检测较短的充电时段之间进行权衡时，这种短的充电时间可以忽略不计。步骤4：估算功率。ICA方法不能检测到信号的符号，也不能估计信号的功率［7］。在本文中，电动汽车充电负载消耗电能，所提取的负载信号均为正，因此避免了ICA算法的符号检测缺陷，但对提取的电动汽车充电时的功率进行估计仍是需要解决的问题。为此，提出了4种估计EVCL功率的方法，对于功率大于混合信号x的电动汽车模板，在充电数据库中将不会被检测到。根据混合负载信号x中某一充电设备De，充电前一时间段P和充电后一时间段F的数据来计算所提取的电动汽车负载功率。P=x(De(estart)-ps,?,De(estart)-fs)（5）F=x(De(eend)+ps,?,De(eend)+fs)（6）如果在提取前后10min的时间段，则psf=10，s=20，也就是所提取的充电时段前后的10min都被用来估计负载充电时段的功率。通过充电过程时段前或后的总负载来计算阶段2的稳定充电。将总负载添加到所需提取的电动汽车数据中，重建原始的混合负载x，充电过程时段的功率是最接近重组原始x的功率，利用计算总负载功率，保证了选取的模板sm不会高于实际的电动汽车功率。例如，如果混合负载超过了10kW（4#），而电动汽车负载的实际振幅为7kW（3#），那么利用总负载进行振幅计算将确保提取的电动汽车负载不会被分配到4#振幅为10kW的数据中。在计算重组负载模式时，方法1、2、3是相同的，但是在计算ESTx2负载模式时有所不同。第1期王宁，等：基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取·59·方法1、2、3：每一组充电过程总负载Be为ìmax{max(P),max(F)}-sm1??Be=ímax(F)??max(P)?,,,De(estart)≥fs,T-De(eend)≤fsT-De(eend)≥fsDe(estart)≤fs（7）利用总负载Be重建原始混合负载x，其中重组负载模式EST由原始x构成，即EST=xì?í?ESTx=(x-s×maxx(estart,?,eend)+Cptttm1)/Be]?方法4：计算P和F的两个二进制直方图（hb1，[［8］hb2），并计算每个二进制分量的平均值，则有：{}（8）ìmax{mean(hb2(P)),mean(hb2(F))},??Be=ímean(hb2(F)),??mean(hb2(P)),?De(estart)≥fs,T-De(eend)≥fsT-De(eend)≥fsDe(estart)≤fs（9）再利用总负载Be重建原始混合负载x，得ESTx=xì?（10）í?ESTxt=é(xt-Sm1)Beù×Cpt,estart≤t≤eend???Error1m的计算以及存性提取数据、重组数据模式、储所提取的电动汽车充电负载的最佳估计值。在得到最佳电动汽车充电负载和功率样本之前，会不断提高提取的电动汽车充电负载的功率精度［8］。2.3改进局部功率估计在此阶段，提出了一种改进上一阶段所提取的电动汽车充电负载功率精度的计算方法。Error1的最小误差通过式（14）获得。------------b=|minError1|原始x和重组的ESTx之间的误差通过以下公式计算：Error0pm=∑(xt-ESTxt)Tt=1（11）和步骤4，删除FP提取，重建ESTx并计算Error0pm。一旦任意k计算的误差为0，通过以下公式计算所提取的用于迭代m的电动汽车充电负载解向量C的最小误差Error1m：Error1m=min|Error0m|--------------------am=min|Error0m|对于剩余的解向量C=[c2,…,ck]，执行步骤3（14）那么充电负电负载需要进一步处理。如果b=2，载，均可计算充电过程的矩阵D。与步骤4中原始相应的最佳充电负载cb和具有相同类别的充（12）（13）载c1和c2均属于类别1。对于cb中的任意一个负混合信号x的重建相似，对于每个De来说，可通过方法1~4来计算重建的负载模式ESTx2，包括先前重建的负载模式。方法1：B2t=(xt-ESTxt),estart≤t≤eend[c其行向量可表示为cm=分别存储在矩阵C中，a1提取的电动汽车充电负载解向量cp和向量a,?,caT。将对应的cp加入到迭代m中，求出]最优的电动汽车充电负载提取。对于连续迭代m=1,?,M，运行过程与步骤1~步骤4中的操作相同，包括ICA算法的应用、电动汽车充电负载提取、解向量C的生成、移除假阳（15）（16）ESTx2t=ESTxt+B2t,estart≤t≤eend方法2：用式（7）计算Be·60·沈阳工程学院学报（自然科学版）ì?Be-10∧Error1b?B2e=í?∧?Be+10Error1b?第18卷(e(eendend-estart+1),∑(xt-ESTxt)≥0ee-estart+1),∑(xt-ESTxt)<0ee（17）EST2xt=êé?(xt-cb)Beúù?×B2e+cb,estart≤t≤eend（18）方法3、4：eB2e=∑(xt-ESTxt)ee(end-estrat+1)（19）ESTx2t初始x和ESTx2之间的误差通过下式计算。=ESTxt+B2e（20）Error2Tb=22）、式（23）∑(xt（21）t=1-EST2xt)由式（得到最终充电负载的最佳估计功率F。g=-min------{--min------|--Error------------c1|,min-------------------（22）F=|Error2|}g（23）最后，阶段2中提取的电动汽车负载F是cg，代表重建的负载模式与初始混合负载x之间的误差。2.4电动汽车充电过程中功率渐增的提取计算电动汽车充电时阶段1渐增过程和阶段3充电渐减过程的提取，需注意的是，阶段1和阶段3的持续时间仅为电动汽车充电总时间的一小部分，在仅关注稳态（阶段2）的应用中可以忽略不计。为了提取电动汽车充电功率的渐增过程，从不同种类的100辆电动汽车的数据中提取了足够多的阶段1样本。图2显示出了阶段1的放大视图，可以观察到，不同种类的电动汽车达到最大充电功率所需的时间不超过2min，以及相对应的3个时间观察节点。第1个观察点是第1阶段中的当电动汽车接通时，Fe-2=0；第3个观察点是最大充电功率。为了计算第2个观察点，使用曲线拟合过程来表示阶段1的行为，当然所有电动汽车种类第1阶段都可以用Fe-1表示：H(υ)=2970.5×logn(υ)-69.82（24）H=(H(υ)+69.82)3263.4（25）Fe-1=H×Fe（26）式中，υ表示阶段1或阶段3的窗口数，υ=2。图2不同类型电动汽车阶段1的放大视图3验证验证充电过程中1#和2#的数据，16组数据均选自PecanStreetInc.中的数据集2，包括每日总负载印记和随机的2#、3#和4#的电动汽车的真实充电数据。在验证过程中，所提出的算法应用于阶段2的电动汽车充电过程的提取。该算法在方法3中选取ps整体性，=10提取结果如表和fs=20，使得阶段2所示。2的提取具有最佳的3#房屋的电动汽车充电负载如图3所示。结果验证了误差绝对值偏小，最优估算功率值精确度均偏高。图3提取3#房屋中电动汽车充电行为第1期表2汽车编号平均值王宁，等：基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取·61·验证第2数据集中全部充电阶段的结果类型#22242-误差/%-5.254.39-2.473.70-11.97-8.21-10.871.0716.405.2810.540.08-20.67-3.39-6.37-6.962.169F值提取电动汽车充电功率。该算法可以有效地减轻与电动汽车负载行为相似的其他设备的干扰，并应用于实际的家庭数据，同时验证了该方法的有效性。参考文献［1］耿赫男.非侵入式居民负荷特征提取及智能用电研究［D］.沈阳：沈阳工程学院，2019.［2］涂京，周明，宋旭帆，等.基于监督学习的非侵入式负荷监测算法比较［J］.电力自动化设备，2018，38（12）：128-134.［3］孙毅，崔灿，陆俊，等.基于遗传优化的非侵入式家居负荷分解方法［J］.电网技术，2016，40（12）：3912-3917.［4］郝庆利.基于大数据技术的用电行为分析关键技术研究［D］.北京：华北电力大学，2017.［5］李维银.基于有监督学习的查询扩展技术研究［D］.北京：北京理工大学，2015.［6］刘［7］祁博，栾文鹏.基于负荷分解的用电数据云架构方案兵，程媛，武昕.基于Fisher有监督判别的非及应用场景［J］.电网技术，2016，40（3）：791-796.侵入式居民负荷辨识方法［J］.电网技术，2016，40（8）：2484-2491.［8］tion：Data-basedchoiceofhisto-grambinwidth［J］.TheAmericanStatistician，1999，53（2）：59-64.97.0292.1693.5696.9296.9293.0799.3191.9479.9297.2474.3196.8489.9299.5897.1097.3793.324总结应用非侵入式ICA算法来提取电动汽车充电负载时，只需要测量有功功率，再利用4种功率估算方法结合ICA算法从居民家庭的总负载印记中ExtractionofChargingLoadofNon-InvasiveHouseholdElectricVehiclesBasedonIndependentComponentAnalysisWANGNing1a,WANGCun-xu1b,ZHANGHao-ran2,ZHANGXin-yu3,KANGYu4（ofElectricPowerEngineering;ofautomation,ShenyangInstituteofEngineering,Shenyang110136;ThermalPowerCompany,GuodianNortheastElectricPowerCO.,LTD.,Shenyang110142;ridAnshanElectricPowerSupplyCompany,Anshan114002;ridFushunElectricPowerSupplyCompany,Fushun113006,LiaoningProvince）Abstract：Thispaperusesanon-invasiveindependentcomponentanalysisalgorithmtoextracttheelectricvehiclechargingload,posedunsupervisedalgorithmcanextracttheentirechargingprocessofdifferenttypesofelectricvehicles(includinghigh-voltageTeslaelectricvehicles).Basedonthereviewofthetheoreticalbackgroundoftheproposedindependentcomponentanalysis(ICA)method,thealgorithmformationprocessoultsofthedatasetobtainedfromanactualhds：Non-intrusiveloadmonitoring;independentcomponentanalysisalgorithm;electricvehiclechargingload