蔡志宏，吳杰康，王瑞東，李紅玲，陳盛語，蔡錦健，張宏業(yè)

(廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州 510006)

0 引 言

隨著全球能源互聯(lián)網(wǎng)的不斷推進(jìn)和“碳中和”倡議的持續(xù)發(fā)酵，電力行業(yè)面臨著新的機(jī)遇和挑戰(zhàn)。新的發(fā)展、新的訴求對(duì)電力營(yíng)銷、調(diào)度、配網(wǎng)等環(huán)節(jié)的發(fā)展也提出了更高的要求。智能電網(wǎng)是近些年來電力工業(yè)最重大的變革與創(chuàng)新，也是智慧城市建設(shè)的重要組成部分之一[1]。同時(shí)，智能電網(wǎng)的快速發(fā)展也對(duì)配電網(wǎng)側(cè)的精細(xì)化管理提出了更高的要求[2]。傳統(tǒng)的低壓配電網(wǎng)運(yùn)維管理由于缺乏拓?fù)湫畔⒌闹稳菀讓?dǎo)致電壓質(zhì)量治理效率低下，故障搶修不及時(shí)，自動(dòng)化水平較低[3]。因此，提出精準(zhǔn)且高效的臺(tái)戶關(guān)系辨識(shí)方法，對(duì)實(shí)現(xiàn)智能配電網(wǎng)臺(tái)區(qū)管理運(yùn)行的“信息化、自動(dòng)化、精準(zhǔn)化”具有重要意義。

目前低壓配電網(wǎng)的拓?fù)浔孀R(shí)主要包括信號(hào)法、數(shù)據(jù)標(biāo)簽法和大數(shù)據(jù)分析法。信號(hào)法是通過在低壓臺(tái)區(qū)注入電壓或者電流特征信號(hào)，根據(jù)用戶側(cè)反饋信號(hào)辨識(shí)相戶之間的關(guān)系[4]；數(shù)據(jù)標(biāo)簽法則是根據(jù)低壓配電網(wǎng)的設(shè)備進(jìn)行邏輯編碼，實(shí)現(xiàn)拓?fù)潢P(guān)系動(dòng)態(tài)管理[5]。以上兩種方法依靠眾多的通信設(shè)備和終端設(shè)備，對(duì)于儀器本身的精確度要求高，且投資成本大，維護(hù)較困難。

大數(shù)據(jù)分析方法是基于高級(jí)量測(cè)體系獲取的量測(cè)信息，通過數(shù)學(xué)方法和智能算法對(duì)電氣量進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)低壓配電網(wǎng)拓?fù)渥詣?dòng)辨識(shí)[6-8]。依據(jù)量測(cè)裝置所采集的電壓數(shù)據(jù)，一方面通過對(duì)臺(tái)區(qū)用戶智能電表中電壓數(shù)據(jù)波動(dòng)趨勢(shì)的相似性分析，利用灰色關(guān)聯(lián)分析來實(shí)現(xiàn)用戶歸屬臺(tái)區(qū)及相別辨識(shí)[9-10]，某些情況波動(dòng)趨勢(shì)相似性存在重疊，難以辨別所屬相別；另一方面采用FastI CA技術(shù)對(duì)電時(shí)序數(shù)據(jù)進(jìn)行獨(dú)立成分分析(independent component analysis，ICA)及特征提取，對(duì)特征數(shù)據(jù)進(jìn)行K-means聚類分析，實(shí)現(xiàn)臺(tái)戶辨識(shí)[8]，但所需數(shù)據(jù)量過于龐大，辨識(shí)耗時(shí)較長(zhǎng)。針對(duì)臺(tái)區(qū)線變不匹配問題，文獻(xiàn)[11]提出了一種考慮異常點(diǎn)的臺(tái)區(qū)用戶相別辨識(shí)方法，通過局部異常因子算法剔除非分析臺(tái)區(qū)的用戶數(shù)據(jù)，并采用改進(jìn)K-means算法對(duì)屬于分析臺(tái)區(qū)的用戶進(jìn)行相別辨識(shí)，取得了不錯(cuò)的效果。就鄰近臺(tái)區(qū)數(shù)據(jù)信號(hào)互相干擾的問題，文獻(xiàn)[10,12]提出了一種基于大數(shù)據(jù)的改進(jìn)灰色關(guān)聯(lián)分析的智能臺(tái)區(qū)識(shí)別方法，通過關(guān)聯(lián)度來判斷電能表的臺(tái)屬性，排除鄰近臺(tái)區(qū)數(shù)據(jù)干擾，實(shí)測(cè)證明該方法有效提高臺(tái)區(qū)識(shí)別的精準(zhǔn)度，但是復(fù)雜情況下精準(zhǔn)度有待提高。目前臺(tái)區(qū)用戶相屬辨識(shí)大部分針對(duì)普通用戶，忽略了電動(dòng)汽車和可再生能源的滲透率不斷增加對(duì)用戶相屬辨識(shí)的影響。

針對(duì)上述問題及現(xiàn)有辨識(shí)方法所存在的缺陷，該文提出一種融合改進(jìn)T型關(guān)聯(lián)度和支持向量機(jī)的兩階段辨識(shí)模型，考慮電動(dòng)汽車充放電的隨機(jī)性和新能源出力的不確定性，采用隨機(jī)模糊理論構(gòu)建風(fēng)、光在各種場(chǎng)景下的出力模型，建立電動(dòng)汽車隨機(jī)參數(shù)的概率密度函數(shù)，并重構(gòu)用戶的電壓時(shí)間序列，利用兩階段辨識(shí)模型對(duì)單一風(fēng)、光場(chǎng)景和多風(fēng)、光場(chǎng)景下的電動(dòng)汽車用戶進(jìn)行相戶辨識(shí)。

1 分布式電源發(fā)電對(duì)電壓的影響

由于新能源電源接入低壓臺(tái)區(qū)用戶端，新能源用戶出力具有隨機(jī)性和不確定性，也就是新能源數(shù)據(jù)收集過程中產(chǎn)生的“噪聲”，因此，單純用一組或者多組預(yù)測(cè)到的風(fēng)、光功率數(shù)據(jù)作為特征數(shù)據(jù)，無法完全學(xué)習(xí)到風(fēng)、光出力的所有特征，導(dǎo)致出現(xiàn)臺(tái)戶關(guān)系辨識(shí)精度不高的問題。該文利用隨機(jī)模糊理論來構(gòu)建風(fēng)、光的隨機(jī)模型。

1.1 隨機(jī)模糊理論

隨機(jī)模糊模擬是在隨機(jī)模糊環(huán)境下的模擬理論，其變量既有隨機(jī)性又有模糊性。如果僅僅是簡(jiǎn)單地考慮這些變量的隨機(jī)性，而忽視它們所具有的模糊性，最后的處理結(jié)果就有可能不夠精確。隨機(jī)模糊變量是指從可能性空間到隨機(jī)變量構(gòu)成集合的可測(cè)函數(shù)，隨機(jī)模糊變量本質(zhì)上是取隨機(jī)值的模糊變量。

模糊隨機(jī)變量是隨機(jī)模糊模擬的一種數(shù)學(xué)描述，它是從概率空間到模糊變量構(gòu)成的集類ζ的可測(cè)函數(shù)[13]，其實(shí)質(zhì)是一個(gè)取值為模糊變量的隨機(jī)變量。假如η是概率空間(Ω,A,Pos)上的隨機(jī)變量，μ是模糊變量，并且ζ(ω)=η(ω)+μ,?ω∈Ω，如果對(duì)于R上的任何Borel集，Pos{ξ(ω)∈B}是ω的可測(cè)函數(shù)，則ξ=η+μ是一個(gè)模糊隨機(jī)變量。類似地，定義ξ(ω)=η(ω)μ,?ω∈Ω。

1.2 光伏發(fā)電的隨機(jī)模型

光伏發(fā)電技術(shù)是使用光伏電池利用太陽能的一種發(fā)電技術(shù)，光伏發(fā)電消耗的能源是太陽能，所以光伏電池發(fā)電功率容易受到諸多自然條件和因素的影響。光伏電池的表面溫度、環(huán)境溫度和濕度、光照強(qiáng)度等自然因素都會(huì)影響光伏電池的發(fā)電功率。相關(guān)研究和統(tǒng)計(jì)表明，太陽光照強(qiáng)度在一定時(shí)間內(nèi)服從Beta分布，使用Beta分布的光照強(qiáng)度表示光伏電池出力的隨機(jī)性，太陽能光照強(qiáng)度的概率密度函數(shù)為[14]

(1)

式中：E表示實(shí)際光照強(qiáng)度；Γ表示Gamma函數(shù)；a和b分別表示Beta分布的形狀參數(shù)。

1.3 風(fēng)電機(jī)組的隨機(jī)模型

風(fēng)力發(fā)電功率主要受風(fēng)速的影響，而風(fēng)速也因風(fēng)力發(fā)電機(jī)所在海拔、不同時(shí)刻、不同地點(diǎn)的差異而產(chǎn)生較大變化，在相同地點(diǎn)由于不同時(shí)刻氣候變化的原因，風(fēng)速也會(huì)發(fā)生變化，風(fēng)機(jī)發(fā)電功率因?yàn)轱L(fēng)速的不確定性而具有隨機(jī)性。目前研究中，研究者常用雙參數(shù)Weibull分布來表示風(fēng)速的隨機(jī)性，使用Weibull分布的風(fēng)速表示風(fēng)機(jī)發(fā)電功率的隨機(jī)性，雙參數(shù)Weibull分布概率密度函數(shù)[15]為

(2)

式中：v表示實(shí)際風(fēng)速；k和c分別表示W(wǎng)eibull分布的形狀參數(shù)和尺度參數(shù)。

2 電動(dòng)汽車充放電對(duì)電壓的影響

2.1 電動(dòng)汽車充放電特性

電動(dòng)汽車數(shù)學(xué)模型建模方法主要包括單一建模、物理學(xué)建模、統(tǒng)計(jì)學(xué)建模。假定1天中電動(dòng)汽車并網(wǎng)時(shí)間、離網(wǎng)時(shí)間、充電功率是相戶獨(dú)立的隨機(jī)變量，融合多臺(tái)電動(dòng)汽車的差異，考慮離并網(wǎng)時(shí)間、日行程量等常規(guī)因素，采用統(tǒng)計(jì)學(xué)建模方法[16]對(duì)電動(dòng)汽車負(fù)荷進(jìn)行建模，進(jìn)而重構(gòu)用戶的電壓時(shí)間序列。

2.1.1 建立離并網(wǎng)時(shí)刻、日行程量的概率密度函數(shù)

并網(wǎng)時(shí)刻是指電動(dòng)汽車在1天中起始接入電網(wǎng)充電的時(shí)刻；離網(wǎng)時(shí)刻指電動(dòng)汽車在1天中結(jié)束充電行為，脫離電網(wǎng)的時(shí)刻?；诿绹?guó)聯(lián)邦公路局的美國(guó)家用車輛調(diào)查結(jié)果(national household travel survey，NHTS)[17]，近似認(rèn)為離并網(wǎng)時(shí)刻服從正態(tài)分布，日行程量服從對(duì)數(shù)正態(tài)分布[18]，進(jìn)行擬合處理后，分別得到如下的離并網(wǎng)時(shí)刻、日行程量的概率密度函數(shù)：

(3)

(4)

(5)

式中：x均表示時(shí)刻1～24 h；fo是離網(wǎng)時(shí)刻的概率分布函數(shù)，μo=8.92，δo=3.24；fi是并網(wǎng)時(shí)刻的概率分布函數(shù)，μi=17.6，δi=3.4；fk是電動(dòng)汽車的日行程量的概率分布函數(shù)，δk=2.98，μk=1.14。

2.1.2 拉丁超立方抽樣

由于電動(dòng)汽車數(shù)據(jù)量眾多，為了便于統(tǒng)計(jì)其充放電規(guī)律，采用NJW頻譜聚類批量管理電動(dòng)汽車充放電。

通過拉丁超立方抽樣[19]獲得每輛電動(dòng)汽車的參數(shù)：入網(wǎng)時(shí)間Tstart,j、離網(wǎng)時(shí)間Tend,j、結(jié)束荷電狀態(tài)SOCend，得到所有電車數(shù)據(jù)集X={x1,x2,…,xn}，這些代表了電動(dòng)汽車的需求信息。NJW頻譜聚類主要為以下步驟：

1)構(gòu)建相似矩陣K。將電車數(shù)據(jù)集進(jìn)行極值歸一化，根據(jù)式(6)計(jì)算數(shù)據(jù)點(diǎn)間的歐氏距離，再根據(jù)式(7)計(jì)算兩點(diǎn)間的高斯距離，進(jìn)而構(gòu)成相似矩陣K。

Dij=‖xi-xj‖

(6)

(7)

2)根據(jù)相似矩陣K構(gòu)造拉普拉斯矩陣L，進(jìn)一步構(gòu)造正則化拉普拉斯矩陣Lsym。

3)計(jì)算Lsym的前i個(gè)最大特征值對(duì)應(yīng)的特征向量{u1,u2,…,ui}，將其作為各列構(gòu)造矩陣，將矩陣的行向量轉(zhuǎn)化為單位向量，得到矩陣B，將矩陣的每一行看做一個(gè)點(diǎn)，使用K-means算法將其劃分為i個(gè)類簇。

聚類完成后，具有相似特征的電動(dòng)汽車被歸為一類，同一組的電動(dòng)汽車由聚合器統(tǒng)一管理，聚合器的出力限制，離并網(wǎng)時(shí)間以及結(jié)束時(shí)荷電狀態(tài)以聚合器內(nèi)所有電動(dòng)汽車的幾何中心表示。

2.2 電動(dòng)汽車充放電功率分布模型

考慮到電動(dòng)汽車既能作為負(fù)荷，也能通過合理的管理策略作為儲(chǔ)能進(jìn)行放電，該文融合用電成本、收益等因素，通過構(gòu)建混合整數(shù)線性規(guī)劃模型(mixed integer linear programming model，MILP)求解電動(dòng)汽車用戶在3種充放電策略下的功率-時(shí)刻分布規(guī)律。3種用戶電動(dòng)汽車充放電策略的數(shù)學(xué)模型如下所述：

2.2.1 無價(jià)格引導(dǎo)的電動(dòng)汽車充電

策略1為電動(dòng)汽車充電時(shí)采用傳統(tǒng)即插即充策略，式(8)～(12)為其數(shù)學(xué)模型。該策略下的電動(dòng)汽車用戶在充電時(shí)不考慮電價(jià)及用戶售電收益，并且不考慮電動(dòng)汽車的放電行為。

(8)

(9)

(10)

(11)

(12)

2.2.2 基于價(jià)格引導(dǎo)的電動(dòng)汽車充電

策略2為電動(dòng)汽車充電時(shí)考慮電價(jià)進(jìn)行選擇性充電，式(13)～(14)為其數(shù)學(xué)模型。該策略下的電動(dòng)汽車用戶在電動(dòng)汽車充電時(shí)考慮市場(chǎng)電價(jià)的引導(dǎo)，通常會(huì)選擇在低電價(jià)時(shí)段進(jìn)行充電，以達(dá)到充電費(fèi)用最小。策略2相較于策略1在時(shí)間上平移了充電負(fù)荷分布。

(13)

(14)

2.2.3 基于價(jià)格引導(dǎo)的電動(dòng)汽車充放電

策略3為電動(dòng)汽車充放電行為選擇“低價(jià)充電、調(diào)度放電”的模式，式(15)～(16)為其數(shù)學(xué)模型。該策略下的電動(dòng)汽車用戶不僅考慮市場(chǎng)電價(jià)因素進(jìn)行適時(shí)充電，而且參與電網(wǎng)調(diào)度。一方面降低充電成本，另一方面作為儲(chǔ)能售電賺取市場(chǎng)差價(jià)。與策略1、2相比較，策略3更符合未來社會(huì)發(fā)展的方向。

(15)

(16)

根據(jù)以上構(gòu)建的3種電動(dòng)汽車充放電策略，通過求解出MILP問題得到電動(dòng)汽車的充放電功率-時(shí)刻分布圖,如圖1所示。

圖1 3種策略下電動(dòng)汽車充放電功率-時(shí)間分布Fig.1 Power-time distribution of EV charge and discharge under three strategies

2.3 考慮電動(dòng)汽車充放電影響的電壓時(shí)間序列

用戶通常的用電對(duì)象是指家用電器、照明裝置等。由于小區(qū)的智能化、環(huán)保化發(fā)展，電動(dòng)汽車成為每家用戶不可或缺的交通工具，與此同時(shí)可再生能源發(fā)電也逐漸進(jìn)入各家各戶。如圖2所示，負(fù)荷功率流經(jīng)電力線路的有功功率損耗和無功功率損耗是造成用戶側(cè)電壓時(shí)序波動(dòng)的主要原因，因此，需要重新構(gòu)建用戶電壓時(shí)間特征。

圖2 臺(tái)區(qū)相戶等值電路圖Fig.2 Equivalent circuit diagram of station area phase-household

由1.2節(jié)和1.3節(jié)得到風(fēng)、光發(fā)電隨機(jī)模型，為了使訓(xùn)練模型更加貼合實(shí)際的應(yīng)用場(chǎng)景，對(duì)風(fēng)、光場(chǎng)景進(jìn)行如下處理：根據(jù)晴空指數(shù)及太陽高度角等特征進(jìn)行模糊聚類，把太陽輻射天氣劃分為9類[20]；根據(jù)風(fēng)電天氣的氣壓、風(fēng)速、風(fēng)向、云量等指標(biāo)，把風(fēng)電天氣分為4類[21]。對(duì)以上獲得的風(fēng)、光場(chǎng)景進(jìn)行順次匹配，共有36種可再生能源出力場(chǎng)景。結(jié)合3種策略下電動(dòng)汽車充放電功率分布規(guī)律(如圖1所示)和可再生能源的出力場(chǎng)景，依據(jù)饋線橫向、縱向壓降式(17)求出電壓時(shí)間序列波動(dòng)量，通過與用戶原始負(fù)荷電壓數(shù)據(jù)耦合得到重構(gòu)后的電壓時(shí)間序列(式(18))。

同一個(gè)臺(tái)區(qū)下的用戶所在供電半徑可近似看作是相等的，該文統(tǒng)一假設(shè)臺(tái)戶間的輸電線路型號(hào)為L(zhǎng)GJ120/20，R=0.249 6 Ω/km，X=0.347 Ω/km。計(jì)算電動(dòng)汽車充放電、可再生能源發(fā)電引起的電壓波動(dòng)：

(17)

(18)

3 相戶關(guān)系的兩階段辨識(shí)

3.1 臺(tái)區(qū)的電壓特征序列

對(duì)于電壓時(shí)間特征序列X0=(x0(1),…,x0(n))，相關(guān)因素序列X1=(x1(1),x1(2),…,x1(n-1),x1(n))。令yi(k)=xi(k)-xi(k-1),i=0,1,k=2,…,n表示電壓時(shí)間序列從時(shí)刻k-1到時(shí)刻k的電壓增量，記Di為序列Xi在各個(gè)時(shí)段的增量絕對(duì)值的算數(shù)平均值，則zi(k)表示Xi在各個(gè)時(shí)間段的增量絕對(duì)值。

改進(jìn)T型關(guān)聯(lián)度是基于灰色關(guān)聯(lián)度和T型關(guān)聯(lián)度兩者進(jìn)行改進(jìn)，它克服兩者的缺點(diǎn)綜合考慮因素的時(shí)間序列曲線變化勢(shì)態(tài)的接近程度和各因素的時(shí)間序列曲線的變化率[22]。其計(jì)算過程如下：

(19)

(20)

定義2個(gè)因素從時(shí)刻k-1到時(shí)刻k的關(guān)系數(shù)為ξ0,1(k)，即

(21)

式中：符號(hào)函數(shù)sgn(z0(k)z1(k))反映2個(gè)因素的正負(fù)相關(guān)性，當(dāng)z0(k)z1(k)≥0時(shí)，ξ0,1(k)≥0，說明2個(gè)因素的時(shí)間序列正相關(guān)；否則為負(fù)相關(guān)。α稱為分辨率，α值越小，相關(guān)系數(shù)的分辨力越大。

改進(jìn)T型關(guān)聯(lián)度r計(jì)算方法為

(22)

當(dāng)-1≤r<0時(shí)，X0和X1為負(fù)相關(guān)，且r負(fù)值越小，負(fù)相關(guān)程度越高，反之也成立。

3.2 基于支持向量機(jī)的相戶關(guān)系辨識(shí)

支持向量機(jī)的基本思想為：針對(duì)線性可分問題，通過構(gòu)建最優(yōu)分類超平面實(shí)現(xiàn)二分類問題；針對(duì)線性不可分問題，通過非線性變換方法將樣本從原空間投影到高維特征空間，轉(zhuǎn)換為線性可分問題[23]。

假設(shè)樣本集為{(xi,yi)|i=1,2,…,N}，xi∈Rn，yi∈{-1,1}表示樣本標(biāo)簽，則最優(yōu)二分類超平面為

WΦ(x)+b=0

(23)

式中：Φ(x)為非線性變換。

(24)

支持向量機(jī)核函數(shù)的選取對(duì)分類結(jié)果影響深遠(yuǎn)，常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)和徑向基核函數(shù)等。根據(jù)實(shí)際場(chǎng)景，該文選取高斯徑向基核函數(shù)，其定義為

(25)

式中：|X-Y|為向量之間的距離，σ為常數(shù)且σ≠0。

3.3 求解步驟

該文提出一種聯(lián)合改進(jìn)T型關(guān)聯(lián)度與支持向量機(jī)的兩階段辨識(shí)方法，該方法能夠有效準(zhǔn)確地對(duì)“36種風(fēng)、光場(chǎng)景和3種電動(dòng)汽車充放電選擇”的108種混合用戶進(jìn)行臺(tái)戶關(guān)系辨識(shí)。第一階段辨識(shí)通過計(jì)算已知相屬關(guān)系的用戶電壓改進(jìn)T型關(guān)聯(lián)度，選取其平均值作為判斷該相所屬用戶的改進(jìn)T型關(guān)聯(lián)度閾值P。對(duì)未知相屬關(guān)系的待測(cè)電動(dòng)汽車用戶進(jìn)行改進(jìn)T型關(guān)聯(lián)度計(jì)算，若r>P則此用戶屬于該相，否知視為可疑用戶。對(duì)于可疑用戶進(jìn)行第二階段的辨識(shí)，利用訓(xùn)練好的支持向量機(jī)辨識(shí)模型進(jìn)行辨識(shí)。具體的辨識(shí)過程如圖3所示。

圖3 相戶關(guān)系辨識(shí)流程圖Fig.3 Identification flow chart of phase-household relationship

4 試驗(yàn)分析

該文選用廣州某小區(qū)臺(tái)區(qū)下三相用戶的電壓時(shí)間序列數(shù)據(jù)，三相共選擇其中103個(gè)用戶，擇取對(duì)稱數(shù)據(jù)每相20戶作為訓(xùn)練數(shù)據(jù)。由電動(dòng)汽車的離并網(wǎng)時(shí)刻以及行程分布，采用NJW頻譜聚類，得到各種管理策略下的充放電功率分布，如圖1所示。同時(shí)，根據(jù)風(fēng)、光的概率密度函數(shù)進(jìn)行隨機(jī)抽樣并模糊化處理，循環(huán)抽取1 000×1 000組數(shù)據(jù)。該臺(tái)區(qū)下光伏發(fā)電功率約為300 kW，風(fēng)力發(fā)電約為90 kW。基于隨機(jī)模糊理論，為了使所訓(xùn)練的辨識(shí)模型能夠在多種混合模式下進(jìn)行高準(zhǔn)確度的辨識(shí)，用戶電壓數(shù)據(jù)更加貼合實(shí)際情況，設(shè)置了3種電動(dòng)汽車充放電策略以及36種新能源出力隨機(jī)組合案例作為訓(xùn)練數(shù)據(jù)。

4.1 單風(fēng)-光-車場(chǎng)景的兩階段辨識(shí)

針對(duì)以上設(shè)定的場(chǎng)景，選擇策略1下的電動(dòng)汽車和任意一組風(fēng)、光新能源出力序列重構(gòu)用戶電壓時(shí)間序列，分別計(jì)算三相下共103戶(A相戶號(hào)1～22，B相戶號(hào)23～46，C相戶號(hào)47～103)的改進(jìn)T型關(guān)聯(lián)度系數(shù)，結(jié)果如圖4所示。

該案例設(shè)置A、B、C三相各20個(gè)用戶作為訓(xùn)練集，剩下的用戶作為測(cè)試集。由圖4可知，在A相中前1～22個(gè)用戶的關(guān)聯(lián)系數(shù)基本上是最高的，說明該關(guān)聯(lián)系數(shù)具有一定的物理意義。但是B相中存在個(gè)別用戶關(guān)聯(lián)系數(shù)比A相某些用戶關(guān)聯(lián)系數(shù)更高，難以精確辨識(shí)。根據(jù)該文設(shè)置的辨識(shí)流程：1)計(jì)算已知用戶的關(guān)聯(lián)系數(shù)平均值；2)抽取測(cè)試集中A、B、C相用戶作為待辨識(shí)用戶，并選出小于均值的用戶作為可疑用戶；3)對(duì)可疑用戶采用支持向量機(jī)訓(xùn)練模型，最終輸出可疑用戶相別，并查驗(yàn)。

圖4 三相用戶的改進(jìn)T型關(guān)聯(lián)系數(shù)Fig.4 Improved T correlation coefficient for three-phase users

通過多次試驗(yàn)，選取A相已知的20個(gè)用戶整體關(guān)聯(lián)度平均值(P=4.635 1)作為判別可疑用戶的閾值，可以完全確保把可疑的用戶篩選出來并進(jìn)行進(jìn)一步的辨識(shí)。辨識(shí)結(jié)果能夠準(zhǔn)確判別待辨識(shí)用戶的相位，如表1所示。在測(cè)試集中，21號(hào)用戶整體T型關(guān)聯(lián)系數(shù)大于閾值，可直接認(rèn)定為A相下的用戶；22號(hào)用戶整體T型關(guān)聯(lián)系數(shù)小于閾值，通過輸入用戶電壓時(shí)間特征序列到支持向量機(jī)所訓(xùn)練的模型中，輸出該用戶屬于A相；其余測(cè)試集的用戶由于整體T型關(guān)聯(lián)系數(shù)小于閾值，通過支持向量機(jī)訓(xùn)練模型辨識(shí)用戶相別歸屬，經(jīng)查驗(yàn)，準(zhǔn)確率為100%。

表1 單風(fēng)、光場(chǎng)景辨識(shí)結(jié)果Table 1 Single wind and light scene identification results

4.2 多風(fēng)-光-車場(chǎng)景的兩階段辨識(shí)

實(shí)際情況中，除了電動(dòng)汽車充放電具有隨機(jī)性以外，新能源出力的不確定性也會(huì)影響臺(tái)戶關(guān)系辨識(shí)的精度。對(duì)4.1節(jié)的測(cè)試集的用戶隨機(jī)添加風(fēng)電、光電出力場(chǎng)景并重新進(jìn)行10次測(cè)試，測(cè)試結(jié)果如表2所示。風(fēng)、光的波動(dòng)在一定程度影響用戶與該相整體的關(guān)聯(lián)度，但它們的關(guān)聯(lián)系數(shù)仍然在閾值范圍以下。進(jìn)一步利用4.1節(jié)預(yù)測(cè)到固定場(chǎng)景下的風(fēng)、光出力所訓(xùn)練得到的辨識(shí)模型辨識(shí)以上測(cè)試用戶，測(cè)試結(jié)果如圖5所示。

表2 多風(fēng)、光場(chǎng)景辨識(shí)結(jié)果Table 2 Multiple wind and light scene identification results

由圖5辨識(shí)結(jié)果可得：隨機(jī)抽取10個(gè)場(chǎng)景下的風(fēng)、光出力重構(gòu)用戶的電壓時(shí)間序列作為特征測(cè)試集，對(duì)21、22、26、27、28、91、103號(hào)用戶進(jìn)行相屬辨識(shí)。由于辨識(shí)模型是在單一風(fēng)、光場(chǎng)景下訓(xùn)練得到的，其對(duì)于多風(fēng)、光場(chǎng)景的辨識(shí)效果較差。例如：27號(hào)用戶本屬于B相用戶，在進(jìn)行第4個(gè)、第6個(gè)風(fēng)、光波動(dòng)場(chǎng)景測(cè)試時(shí)，模型辨識(shí)結(jié)果為C相；同理，91號(hào)用戶本屬于C相，在進(jìn)行第6個(gè)風(fēng)、光波動(dòng)場(chǎng)景測(cè)試時(shí)模型辨識(shí)結(jié)果為B相。因此，單一風(fēng)、光場(chǎng)景所訓(xùn)練得到的辨識(shí)模型無法辨識(shí)多風(fēng)、光場(chǎng)景的電動(dòng)汽車用戶相戶關(guān)系。

圖5 多風(fēng)、光場(chǎng)景的相屬辨識(shí)結(jié)果Fig.5 Identification results of multiple wind and light scenes

根據(jù)隨機(jī)模糊控制理論以及風(fēng)、光場(chǎng)景的分類，構(gòu)建36種風(fēng)光場(chǎng)景和3種電動(dòng)汽車充放電策略下的電壓時(shí)間序列作為新的訓(xùn)練集，共產(chǎn)生36組3×60×90維的數(shù)據(jù)，采用支持向量機(jī)重新訓(xùn)練新的辨識(shí)模型，得到改進(jìn)后的訓(xùn)練模型，重新辨識(shí)4.1節(jié)中的測(cè)試集用戶，辨識(shí)結(jié)果如圖6所示。

由圖6辨識(shí)結(jié)果可得：21、22號(hào)用戶歸屬于A相；26、27、28號(hào)用戶歸屬于B相；91、103號(hào)用戶歸屬于C相。經(jīng)查驗(yàn)原始標(biāo)簽，辨識(shí)結(jié)果準(zhǔn)確率為100%，且該模型具有良好的穩(wěn)定性?；诙囡L(fēng)、光場(chǎng)景下的用戶電壓特征數(shù)據(jù)，分別選擇A相(21～22號(hào))、B相(43～46號(hào))、C相(67～103號(hào))用戶作為測(cè)試集，采用不同的智能算法進(jìn)行辨識(shí)，辨識(shí)結(jié)果如表3所示。根據(jù)表3可知，相較于其他的辨識(shí)方法，該文所述的辨識(shí)方法的辨識(shí)準(zhǔn)確率能夠達(dá)到100%，更優(yōu)于支持向量機(jī)、決策樹和KNN。

圖6 改進(jìn)后的相屬辨識(shí)結(jié)果Fig.6 Improved phase assignment identification results

表3 多種辨識(shí)方法的辨識(shí)精度對(duì)比Table 3 Identification accuracy comparison of multiple identification methods

5 結(jié) 語

該文針對(duì)電動(dòng)汽車充放電與風(fēng)、光出力不確定性場(chǎng)景下的臺(tái)戶關(guān)系相戶辨識(shí)準(zhǔn)確率低、穩(wěn)定性差等問題，運(yùn)用改進(jìn)T型關(guān)聯(lián)度和支持向量機(jī)算法識(shí)別用戶所屬相別。所建立的模型具有以下特點(diǎn)：

1) 改進(jìn)T型關(guān)聯(lián)度算法克服了傳統(tǒng)灰色理論結(jié)果容易失真，無法準(zhǔn)確反映用戶電壓時(shí)間序列波動(dòng)率的缺點(diǎn)；

2) 利用隨機(jī)模糊理論所構(gòu)建的風(fēng)、光隨機(jī)模型融合了隨機(jī)性和模糊性特征，更加貼合實(shí)際情況；

3) 綜合考慮電動(dòng)汽車在不同充放電策略下的充放電情況以及多種風(fēng)、光場(chǎng)景的融合，重構(gòu)用戶電壓時(shí)間序列特征向量；

4) 所述的辨識(shí)方法能夠同時(shí)精準(zhǔn)辨識(shí)單風(fēng)-光-車場(chǎng)景和多風(fēng)-光-車場(chǎng)景下的用戶相戶關(guān)系，具有實(shí)用性和可靠性。