[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

本發明提供的基于寬度學習算法的非干涉式負荷分解方法，其采集電器運行前后的運行數據作為輸入數據，結合結合寬度學習算法，經過數據預處理、負荷分解模型初始訓練、負荷分解模型增量學習、開關狀態變化識別模型初始訓練以及開關狀態變化識別模型增量學習，充分考慮電氣設備信息的多個因子，以非干涉的方式得到多電器設備場景的電力負荷運行狀況，有效實現電氣設備的負荷分解，提供更為精準的用電決策，且有較好的通用性與可推廣性，極大地降低應用成本。

技術領域

本發明涉及負荷分解技術領域，具體為一種基于寬度學習算法的非干涉式負荷分解方法。

背景技術

電力負荷分解通常需要配套干涉式或非干涉式裝置，傳統的負荷分解方法需要配備專用的傳感器以監測、采集電氣設備運行狀態與相關用電信息，成本高不利于規模推廣，且部署周期長，見效慢。當前市場上涌現了大量的智能電表類監測裝置，已具備對電氣設備的電壓(U)、電流(I)、有功功率(P)、無功功率(Q)、功率因數(PF)、頻率(f)、有功電量(kWh)等電量參數進行有效監測與信息采集。另外，傳統的電氣設備負荷分解方法，考慮的電氣因素一般為功率，數據單一，分解的準確率較低。針對上述缺點，現提出改進。

發明內容

本發明提供的一種基于寬度學習算法的非干涉式負荷分解方法，無需專用的傳感器裝置，充分考慮電氣設備信息的多個因子，采用大數據與人工智能的相關技術，有效實現電氣設備的負荷分解，提供更為精準的用電決策。

本發明提供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，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

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；