[發明專利]基于機器學習的電力負荷識別方法及系統

在審

• 申請號: 202010152529.0
• 申請日: 2020-03-06
• 公開（公告）號: CN111382789A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 李波;周年榮;曹敏;張林山;王浩;羅永睦;軒轅哲;鄒京希;朱全聰;利佳
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 北京弘權知識產權代理事務所(普通合伙) 11363
• 代理人: 逯長明;許偉群

1.一種基于機器學習的電力負荷識別方法，其特征在于，所述方法包括：

獲取各個電器的歷史電氣參數數據集；

清洗各個電器的所述歷史電氣參數數據集；

將單個電器的清洗后的歷史電氣參數數據集按照比例劃分成原始訓練集、驗證集及測試集；

沿時間軸對所述原始訓練集、驗證集及測試集進行數據片段的截取，生成由數據片段組成的訓練集、驗證集和測試集；

對每個目標電器分別建立基于降噪自編碼器的卷積神經網絡模型；

對每個目標電器根據數據片段組成的訓練集、驗證集和測試集對所述基于降噪自編碼器的卷積神經網絡模型進行訓練得到每個目標電器的優化模型；

采集用戶電力負荷的當前數據，并將所述當前數據輸入每個目標電器的優化模型中，分離出電器的工作狀態，輸出電力負荷的類別結果。

2.根據權利要求1所述的基于機器學習的電力負荷識別方法，其特征在于，所述獲取各個電器的歷史電氣參數數據集，包括：

整合與匯總當今公共數據集得到第一數據集；

在用戶總的進線端安裝電能表獲取一個或多個空間內的總體和單個用電負荷的電氣參數得到第二數據集；

根據所述第一數據集和所述第二數據集匯總得到各個電器的歷史電氣參數數據集。

3.根據權利要求1所述的基于機器學習的電力負荷識別方法，其特征在于，所述沿時間軸對所述原始訓練集、驗證集及測試集進行數據片段的截取，生成由數據片段組成的訓練集、驗證集和測試集，包括：

使用長度為n，移動步長為1的滑動窗口沿時間軸方向對所述原始訓練集、驗證集及測試集進行數據片段的截取，生成由數據片段組成的訓練集、驗證集和測試集。

4.根據權利要求1所述的基于機器學習的電力負荷識別方法，其特征在于，所述清洗各個電器的所述歷史電氣參數數據集，包括：數據格式的統一、下采樣到指定頻率、電壓歸一化。

5.根據權利要求4所述的基于機器學習的電力負荷識別方法，其特征在于，所述數據格式的統一，包括：

根據將有功功率轉化為[0，1]之間的數值，其中：

S[i]表示采樣值即瞬時有功功率，C為電力負荷類型，sa為樣本數據。

6.根據權利要求4所述的基于機器學習的電力負荷識別方法，其特征在于，所述下采樣到指定頻率，包括：

若采樣率低于1Hz，則按原有采樣率進行記錄；

若采樣率高于1Hz，則將采樣率降采樣至1Hz；

其中，所述將采樣率降采樣至1Hz包括：

使用每1秒間隔采樣點的數值，拋棄所有1秒內的其他采樣值；

計算相鄰1秒鐘內原始采樣點的平均值作為1秒鐘邊界數據值；

計算相鄰1秒鐘內原始采樣點的中值作為1秒鐘邊界數據值。

7.根據權利要求4所述的基于機器學習的電力負荷識別方法，其特征在于，所述電壓歸一化，包括：

根據將電壓歸一至同一波動范圍內，其中：

Power_normalised表示歸一化功率值，Power_observed表示測量功率值，Voltage_nominal表示名義電壓值Voltage_observed表示測量電壓值。

8.根據權利要求4所述的基于機器學習的電力負荷識別方法，其特征在于，所述清洗各個電器的所述歷史電氣參數數據集，還包括檢測間隙、正常運行時間及識別能耗排名在前K位的電力負荷，其中k為可調整參數。