[發明專利]一種基于寬度學習算法的非干涉式負荷分解方法

有效

• 申請號: 201910230729.0
• 申請日: 2019-03-26
• 公開（公告）號: CN109993424B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 楊秦敏;尤利華;董延峰;陳珺;張碩明
• 申請（專利權）人: 廣東艾勝物聯網科技有限公司
• 主分類號: G06Q10/0637
• 分類號: G06Q10/0637;G06Q50/06;G06N20/00
• 代理公司: 廣州市百拓共享專利代理事務所(特殊普通合伙) 44497
• 代理人: 劉靜

1.一種基于寬度學習算法的非干涉式負荷分解方法，其用于監測分析電器的電力運行狀態及相關用電信息以實現所述電器的負荷分解，其特征在于，該方法包括以下步驟：

步驟1：一類數據采集，選取所述電器開關狀態無變化的多個時段，以K1的采用頻率采集電器運行數據，該運行數據包括電壓、電流、瞬時有功功率、瞬時無功功率，將所述運行數據拼接構成輸入向量并對所述運行數據作傅里葉變換后拼接構成輸入向量將所述輸入向量拼接成為輸入向量同時，采集電器的開關狀態數據，開啟記作1，關閉記作0，將開關狀態拼接構成標簽向量其中，i＝1,2,…,I記為數據編號，I為數據總量；二類數據采集，以K2的采樣頻率采集電器開關狀態變化后T個周期內電器運行數據，將該運行數據拼接構成輸入向量其中，記j＝1,2,…,J為數據編號，J為數據總量，同時，構造標簽向量為j維的全1向量，然后，以K2的采樣頻率采集電器開關狀態無變化的T個周期內電器運行數據，將該運行數據拼接構成輸入向量同時，構造標簽向量為j維的全0向量；

步驟2：數據預處理，一類數據預處理，將所述輸入向量(i＝1,2,…,I_t,I_tI)歸一化拼接為輸入矩陣其他的輸入向量歸一化并拼接為測試輸入矩陣將所述標簽向量1,2,…,I_t,I_tI)拼接為標簽矩陣其他標簽向量拼接為測試標簽矩陣二類數據預處理，將所述輸入向量歸一化拼接為輸入矩陣其他的輸入向量歸一化拼接為測試矩陣將所述標簽向量拼接為標簽向量其他標簽向量拼接為測試標簽向量

步驟3：負荷分解模型初始訓練，基于所述輸入矩陣利用第一隨機初始化矩陣第一激活函數及第一偏置向量構建映射特征節點矩陣基于所述映射特征節點矩陣利用第二隨機初始化矩陣第二激活函數及第二偏置向量構建增強節點矩陣利用所述映射特征節點矩陣以及增強節點矩陣構建第一增廣矩陣通過該第一增廣矩陣及所述標簽矩陣求得第一權值矩陣其中，基于如下公式構建所述映射特征節點矩陣及記則記則其中，基于如下公式構建所述增強節點矩陣及記則記則其中，基于如下公式求得所述第一權值矩陣所述第一增廣矩陣求解第一增廣矩陣的偽逆得到第一權值矩陣

步驟4：使用測試輸入矩陣進行測試，若滿足第一訓練誤差，則輸出負荷分解模型，并進入步驟6；若訓練誤差不滿足第一訓練誤差，則進入步驟5；

步驟5：負荷分解模型增量學習，基于所述映射特征節點矩陣利用第三隨機初始化矩陣第二激活函數及第三偏置向量構建增量增強節點矩陣利用所述增量增強節點矩陣以及第一增廣矩陣構建第二增廣矩陣通過第二增廣矩陣及標簽矩陣求得第二權值矩陣將M+1賦值給M,且m+1賦值給m，返回步驟4，其中基于如下公式構建增量增強節點矩陣基于如下公式求得第二權值矩陣構建第二增廣矩陣其中，令

求解第二增廣矩陣的偽逆

則解得第二權值矩陣

步驟6：開關狀態變化識別模型初始訓練，基于所述輸入矩陣利用第四隨機初始化矩陣第三激活函數及第四偏置向量構建映射特征節點矩陣基于所述映射特征節點矩陣利用第五隨機初始化矩陣第四激活函數及第五偏置向量構建增強節點矩陣利用所述映射特征節點矩陣以及增強節點矩陣構建第三增廣矩陣通過該第三增廣矩陣及所述標簽矩陣求得第三權值矩陣基于如下公式求得所述第三權值矩陣所述第三增廣矩陣求解第三增廣矩陣的偽逆得到第三權值矩陣

步驟7：使用測試輸入矩陣進行測試，若滿足第二訓練誤差，則輸出開關狀態變化識別模型，并進入步驟9；若訓練誤差不滿足第二訓練誤差，則進入步驟8；

步驟8：開關狀態變化識別模型增量學習，基于所述映射特征節點矩陣利用第六隨機初始化矩陣第四激活函數及第六偏置向量構建增量增強節點矩陣利用所述增量增強節點矩陣及第三增廣矩陣構建第四增廣矩陣通過該第四增廣矩陣及標簽矩陣求得第四權值矩陣將M+1賦值給M,且m+1賦值給m，返回步驟7，基于如下公式構建增量增強節點矩陣基于如下公式求得第四權值矩陣構建第四增廣矩陣其中，令

求解第四增廣矩陣的偽逆

則解得第四權值矩陣

步驟9：開關狀態變化識別，持續以K2的采樣頻率采集K個周期的電器運行數據，拼接并歸一化構成輸入向量X_switch，將X_switch輸入所述開關狀態變化識別模型，識別電器開關狀態是否變化，若是，則延遲T2個周期后進入步驟10，若否，則以固定時間間隔執行步驟10；以及

步驟10：電器負荷分解，以K1的采樣頻率，采集單個周期的電器運行信息，拼接并歸一化構成輸入向量X₁，并對該運行信息作傅里葉變換，拼接并歸一化構成輸入向量X₂，將X₁、X₂拼接構成輸入向量X_cycle，將該輸入向量X_cycle輸入所述負荷分解模型，得出電器負荷分解結果Y_cycle。

2.根據權利要求1所述的一種基于寬度學習算法的非干涉式負荷分解方法，其特征在于，所述頻率K1可選取范圍為1kHz-10kHz，所述頻率K2可選取范圍為1kHz-10kHz。