[發明專利]基于知識圖譜的電力負荷特征量訓練的數據庫建模方法

在審

• 申請號: 201911098420.7
• 申請日: 2019-11-12
• 公開（公告）號: CN110866840A
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 康兵;許志浩;樊浩;丁貴立;石潤澤;王振;鄭少華;胡藝;劉亞茹;王曉虎
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06K9/62;G06N3/04
• 代理公司: 南昌卓爾精誠專利代理事務所(普通合伙) 36133
• 代理人: 陳志輝

本發明公開了一種基于知識圖譜的電力負荷特征量訓練的數據庫建模方法，包括如下步驟：獲取電器的使用情況；得到穩態下進行處理后的波形數據；將波形數據執行波形分解算法，以獲取到負荷特征矩陣數據；處理后的波形數據執行S3中所述的波形分解算法所獲取到的負荷特征矩陣數據導入數據庫；調用K?Means聚類算法對S4中經過小波變換后的數據進行分類；對負荷特征矩陣數據執行CNN算法進行識別；通過高斯模糊去除邊緣矩陣影響，尋找數據庫中與輸入矩陣相等的中心子矩陣，給出置信度并輸出中心子矩陣。本發明，有效解決了電力系統分析過程中產生的諧波效應使復合負荷難以分類的問題。

技術領域

本發明涉及電氣信息化技術領域，具體是一種基于知識圖譜的電力負荷特征量訓練的數據庫建模方法。

背景技術

電力負荷，又稱用電負荷，電能用戶的用電設備在某一時刻向電力系統取用的電功率的總和，稱為用電負荷。電力負荷的特征量包括但不僅限于電流、電流、功率、峰值、電壓與電流的相角變化、功率因數、諧波成分等的信息。

從電壓、電流、功率、峰值、電壓與電流的相角變化、功率因數、諧波成分等的波形中提取可以唯一識別電器的有效穩態特征，總的電力消耗分解為每個用電設備的電力消耗并對其進行收集存儲，而目前的電氣監測使用的傳感器設施中對電力負荷不具備存儲和自學功能，特別電力設備通常處于串并聯連結且存在多電力設備共端運行的工作方式，為電力負荷的特征量提取與分析帶來困難。

為了解決這些問題，研究利用各種基于神經網絡而衍生的學習算法進行非侵入式電力負荷識別的方法受到了密切關注，誠然神經網絡算法在人工智能領域特別是人臉識別與語音識別取得重大進展，但面對電力設備的多態多連結方多設備并行的復雜實際運行狀態，傳統的神經網絡算法在識別分析繁雜的電力負荷和在識別分析電力潮流方面并不能取得良好效果。

發明內容

本發明的目的在于提供一種基于知識圖譜的電力負荷特征量訓練的數據庫建模方法，以解決上述背景技術中提出的問題，解決了對電力負荷特征量提取困難，通過神經網絡的訓練算法來使得電力負荷識別具有自學功能、聯想儲存功能、自激勵高階數據庫功能，進化數據庫功能，實現智能化分析電力負荷效果。

為實現上述目的，本發明提供如下技術方案：

一種基于知識圖譜的電力負荷特征量訓練的數據庫建模方法，包括如下步驟：

S1、通過物聯網在用戶電表上采集用戶電壓、電流、功率、峰值、電壓與電流的相角變化、功率因數、諧波成分等信息，以獲取電器的使用情況；

S2、初始化波形數據第一次去噪聲，高斯模糊多段周期波形，得到穩態下進行處理后的波形數據；

S3、將波形數據執行波形分解算法，以獲取到負荷特征矩陣數據；

S4、處理后的波形數據執行S3中所述的波形分解算法所獲取到的負荷特征矩陣數據導入數據庫，對其輸入的數據調用數據庫中的特征矩陣數據執行K-Means算法進行識別。若存在則返回負荷識別結果；若不存在則輸出未存在數據庫，選擇導入數據庫，不導入則刪除該負荷特征矩陣數據；

S5、調用CNN算法對S4中經過小波變換后的數據進行分類，生成多成分電力設備去干擾負荷特征矩陣數據導入數據庫；

S6、對負荷特征矩陣數據執行K-Means算法進行識別，若存在則返回負荷識別結果，若不存在則解析矩陣；

S7、通過高斯模糊去除邊緣矩陣影響，強化中心矩陣在CNN算法中識別的偏置作用，尋找數據庫中與輸入矩陣相等的中心子矩陣，給出置信度并輸出中心子矩陣。

作為本發明進一步的方案：S1中，物聯網指通過傳感器裝置與技術，實時采集電力設備的信息。

作為本發明進一步的方案：S4中，負荷特征矩陣數據是指電力負荷的各個特征量組成的矩陣數據。