[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

本申請提供的基于機器學習的電力負荷識別方法及系統，以實測的電氣參數數據包括電流、電壓、和功率等為基礎，將基礎電氣參數數據統一格式，在長時間針對電力負荷特征提取、采集、分析、歸納和訓練的基礎上，可以在已知一段時間的若干用電負荷總體基礎電氣參數數據包括電壓、電流、有功功率、無功功率等的情況下，正確識別出正在使用的電器種類。因此本申請提供的用于電力負荷識別的機器學習模型訓練方法及系統不需要人為手動調節參數，較傳統方法相比如時域的波形匹配，特征點匹配以及譜分析等匹配準確率高，本申請可以自主學習并且自動獲得識別電力負荷所需要的特征參數，從而提高模型的適用范圍，提高電力負荷識別的準確率。

技術領域

本申請涉及電力負荷檢測技術領域，尤其涉及一種基于機器學習的電力負荷識別方法及系統。

背景技術

電力負荷特征是電力負荷從電力系統的電源吸取的有功功率和無功功率隨負荷端點的電壓及系統頻率變化而改變的規律；電力負荷特征是電力系統的重要組成部分；通過電力負荷特征識別用電設備對于智能電網技術的發展有重要作用。

電力負荷識別最為常用的方法為侵入式和非侵入式識別方法。其中，侵入式識別方法需要建立監測系統把傳感器安裝至各負荷處，這種方法雖然可以直接獲得負荷的測量數據，但是安裝成本高、安裝過程復雜且維護也相對困難；而非侵入式識別方法只需要在電力供給的總入口處安裝監測設備即可以對整個系統內的各負荷分解、監測和識別。具體地，非侵入式識別方法是基于電器負荷印記特征提取和識別的；其中，電器負荷印記特征能反映用電設備在運行中的獨特的信息，如電壓、有功的波形、啟動電流等；在設備運行中這些負荷印記特征會重復出現，基于此，我們就可以把用電設備識別出來。

其中，負荷印記特征的設計和提取是整個方法的主要難點；特征設計一般采用較為簡單的電流、電壓、有功功率和無功功率的穩/暫態特征及其組合。但是，人工設計的信號特征需要人為手動調節參數，存在復雜度和維度較低的問題，同時，傳統的匹配算法例如時域的波形匹配，特征點匹配以及譜分析等方法匹配準確率不高，進而用電負荷識別準確率不高，實際應用效果不甚理想；且數據建模是一個非常必要和重要的工作。針對運行狀態比較穩定的用電設備，例如電視機、電水壺、電腦等，負荷識別難度相對較低，如果對于工作狀態較多，例如全自動洗衣機，因為工作中用電情況變化比較多，負荷識別的難度也非常大。針對以上問題，基于穩態特征的提取技術不能有效應對一些識別難度較高的場景。

發明內容

本申請提供了一種基于機器學習的電力負荷識別方法及系統，以解決現有方法中人工設計的信號特征需要人為手動調節參數從而導致用電負荷識別準確率低的技術問題。

為了解決上述技術問題，本申請實施例公開了如下技術方案：

第一方面，本申請實施例公開了一種基于機器學習的電力負荷識別方法，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。

可選的，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；