[發明專利]一種基于RBF神經網絡的非侵入式電力負荷分解方法

有效

• 申請號: 201810398703.2
• 申請日: 2018-04-28
• 公開（公告）號: CN108616120B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 梁炎明;陳春亮;楊延西
• 申請（專利權）人: 西安理工大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 蔣姝泓

1.一種基于RBF神經網絡的非侵入式電力負荷分解方法，其特征在于，包括以下步驟：

步驟1，建立單負荷組運行模型數據庫

利用電力數據采集裝置對每個電力負荷采集其的穩態電壓、電流波形數據，采用RBF神經網絡以電壓數據為輸入，電流數據為輸出訓練神經網絡單負荷特征模型，訓練達到精度后根據訓練所得模型得到神經網絡輸入輸出數據前向表達式，作為該電力負荷組的特征模型；

步驟1所述采集到的穩態電壓、電流波形數據先依次經過低通濾波、標幺化、歸一化預處理，再采用RBF神經網絡進行訓練；

步驟2，實際運行時，采集穩態電壓、電流波形數據，先進行數據預處理，然后根據單負荷組運行模型數據庫的各負荷模型計算在實際工作電壓下，各種負荷的模擬輸出電流波形；

步驟3，使用遺傳算法找出最佳的負荷組合

使用遺傳算法對步驟2得到的各種負荷的模擬輸出電流波形進行組合尋優，與實際的電流波形進行匹配，得到適應度最高的負荷組合，該組合即為分解辨識得到的電力負荷組合的結果；

所述步驟3包括以下子步驟：

Step1編碼：采用M位長度的二進制數對每種負荷的數量進行編碼，每一個負荷的編碼看做一個基因，對于負載種類為N的系統，每個染色體的編碼長度為MN，每一個染色體代表的負荷組合為一個個體，每種負荷可以辨識的最大數量為2^M-1個；

Step2初始化：采用隨機法生成N₀個個體作為初始群體；

Step3計算適應度：根據適應度函數式計算第k代種群每個個體的適應值記具有最高適應值的個體為以適應度作為群體進化時的方向依據；

適應度函數為：

其中，y為實際的監測目標總電流波形采樣數據，為單負荷組特征模型下模擬的電流波形數據的線性組合；corr(·)為兩變量相關系數；V_δ(·)兩變量相關的相關熵；err(·)為兩變量的均方根誤差；a、b、c均為常系數；

Step4選擇復制：由父種群根據每個個體的相對適應度，根據輪盤賭法計算每個個體的再生概率與次數，下一代群體中產生新的個體；輪盤賭法選出子種群其中被選中的概率為：

Step5交叉：交叉操作，從子種群中隨機選出兩個個體，這兩個個體的染色體之間以交叉概率P_c決定是否進行交叉，隨機選取的待交換基因，產生兩個新個體，重復這一過程直至所有個體均進行過交叉；

Step6變異操作：先根據變異概率P_m選擇一個個體染色體的一個基因，然后對該基因隨機選擇某一位進行翻轉，產生一個新的個體，對所有個體重復這一過程使其全部變為新的個體；然后并入Step2中所述最高適應值的個體最終形成新一代群體

若遺傳代數滿足終止條件，則停止運算，輸出適應值最高的個體作為辨識分解的結果；否則令k＝k+1轉到Step3繼續向下執行，直至滿足終止條件。

2.根據權利要求1所述的基于RBF神經網絡的非侵入式電力負荷分解方法，其特征在于，步驟1所述電力數據采集裝置可以采集幾個電力負荷組成的電力負荷組的穩態電壓、電流波形數據，所述電力負荷組為經常同時工作的負荷組合，或者各種負荷待機時微弱電流與其他系統消耗電流組成的系統背景電流組合。

3.根據權利要求1所述的基于RBF神經網絡的非侵入式電力負荷分解方法，其特征在于，步驟1所述RBF神經網絡建立單負荷模型時，輸入層神經元數量為5個以上，隱層神經元數量為5到100個，輸出層的神經元數量為1個。