论文部分内容阅读
近年来随着功率型白色家电如空调等加热制冷电器的大量使用,导致建筑电能耗特别是公共建筑电能耗占社会总能耗比重过大,且呈现逐年骤增的趋势。新能源微电网作为新型的建筑供能系统可有效地实现节能减排,而对建筑物内各低压电器工作状态的实时监测及负荷峰值的精准预测是实现微电网实时安全和经济运行的基础和关键技术之一。而目前在智能家居及智能电表没有普及的情况下对电器状态进行监测普遍面临这样的尴尬局面:家庭住宅或公共建筑的单间房屋单层、供配电电能监测点大多数是多电器多支路共用一个总电流传感器或电能表,无法直接采集各电器的独立电流信号并监测其运行状况和能耗。为解决上述问题,本文对家电电气工作状态识别、单通道多电器叠加电流信号分离及建筑电能负荷预测方法进行了深入研究。主要内容如下:(1)单电器的电气工作状态识别方法。充分研究了多种不同类型电器的电流稳态和瞬态信号特点、家电控制模式与状态之间的时序对应关系,提出了一种对稳态和瞬态信号分别进行特征提取并且构建状态-时序图的新方法。根据稳态波形包络是否平稳的特点将稳态划分为长稳态及短稳态,对包络呈现指数渐变特点的我们选择完整包络对应周期波形即长稳态进行分析,对包络平稳的选择单工频周期稳态波形即短稳态进行分析。对长稳态采用快速傅里叶变换(Fast Fourier Transform,FFT)提取各帧谐波及包络、相位、平均功率等特征,对短稳态采用希尔伯特-黄变换(Hilbert-Huang Transform,HHT)进行特征提取;而对瞬态采用小波包变换(Wavelet Packet Transform,WPT)进行特征提取。以微波炉、空调、洗衣机为实验对象进行验证,结果表明:本文所提识别方法状态识别率高,可以实时识别多种电器工作状态并获得状态-时序图,进一步计算模式状态熵可以为故障预测服务。(2)单通道多电器叠加电流信号分离方法。文中提出了基于特征排序向量内积的单通道半盲分离算法,分别针对半仿真和全实测数据进行验证。半仿真数据是指对基于单电器的实测数据叠加后形成混合信号;全实测数据是指通过单传感器采集的同一供电电源的多电器叠加电流信号。选取微波炉、空调、洗衣机及电脑等常用电器作为研究对象,结果表明:本文所提的分离算法在半仿真及全实测两种情况下均可以实现对3种不同类型电器的多稳态叠加电流信号的快速、准确分离。(3)建筑电能负荷短期预测方法。文中讨论了基于神经网络模型的传统粗粒度预测和基于电器工作状态的细粒度预测两种方法。文中以安徽建筑大学多栋公共建筑的实测数据为依据,详细验证了基于粒子群算法(Particle Swarm Optimization,PSO)和Elman动态神经网络相结合的粗粒度能耗预测方法;初步建立了根据各电器工作状态-时序图的细粒度负荷状态估计和峰值预测模型。实验结果表明:采用粒子群算法和Elman动态神经网络相结合的预测方法解决了BP预测的局部最优问题,且误差较小。文中所建立的细粒度能耗预测模型为新能源建筑微电网的的精细负荷预测提供了探讨性思路。本文所做的工作和相关成果预期可以广泛应用于建筑微电网及建筑节能管理、低压电器自动检测及健康故障诊断、网络化智能家电等领域,课题值得进一步深入研究。