[發明專利]一種非侵入式電氣集群負載電氣性能自主學習處理方法

在審

• 申請號: 202010165815.0
• 申請日: 2020-03-11
• 公開（公告）號: CN111401425A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 黃小菲;李智勇
• 申請（專利權）人: 北京慧颯科技有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京世譽鑫誠專利代理事務所(普通合伙) 11368
• 代理人: 郭官厚

本發明公開的非侵入式電氣集群負載電氣性能自主學習處理方法，涉及電力技術領域，通過標準化不同類型的電力負荷信號，建立電力負荷信號的特征向量庫，將特征向量庫中的各個特征向量對應的特征值進行歸一化，采用多級分類方法，篩選特征向量庫中的各個特征向量的各個特征向量，建立基礎網絡神經模型，將特征向量庫作為訓練數據輸入基礎神經網絡模型，對基礎神經網絡模型進行訓練，生成訓練過的神經網絡模型，實現了自主學習電力負荷信號電氣性能，提高了電氣設備性能識別的精確度。

技術領域

本發明涉及電力技術領域，具體涉及一種非侵入式電氣集群負載電氣性能自主學習處理方法。

背景技術

現階段，針對電氣設備性能的檢測、分析及評估方法有很多，但是針對電氣設備性能識別能力的學習及積累，目前還處于人工維護階段。這樣，雖然能滿足對電氣設備性能的分析和評測，但是通過人工維護難免存在盲區且由于人工設置的參數運算能力以及處理數據的廣度和維度有限，對電氣設備性能的識別不全面，導致電氣設備性能識別的精確度不高。

發明內容

為解決現有技術的不足，本發明實施例提供了一種非侵入式電氣集群負載電氣性能自主學習處理方法。

本發明實施例提供的非侵入式電氣集群負載電氣性能自主學習處理方法包括以下步驟：

標準化不同類型的電力負荷信號，建立電力負荷信號的特征向量庫；

將所述特征向量庫中的各個特征向量對應的特征值進行歸一化；

采用多級分類方法，篩選所述特征向量庫中的各個特征向量的各個特征向量；

建立基礎網絡神經模型，包括：

選擇BP神經網絡作為基礎網絡神經模型；

確定BP神經網絡的隱含層，其中，BP神經網絡隱含層神經元個數a和輸入層神經元個數b之間具有關系：a＝2b+1；

將具有n個輸入的神經元模型X＝(x₁,x₂,……x_n)作為BP神經網絡輸入層神經元的輸入；

將W＝(w₁,w₂,w₃……w_n)作為信號偏移信號，用于建立神經元的興奮閾值，將u和f分別作為神經元的基函數和激活函數，其中，基函數u是一個多輸入單輸出函數，u＝u()，激活函數f的作用是對基函數的輸出進行擠壓，y＝f(u)，即通過非線性函數f將u變換到指定范圍內；

將所述特征向量庫作為訓練數據輸入基礎神經網絡模型，對所述基礎神經網絡模型進行訓練，生成訓練過的神經網絡模型，完成對非侵入式電力負荷信號電氣性能的自主學習。

優選地，在生成訓練過的神經網絡模型之后，所述方法還包括：

利用神經網絡模型，修訂所述基礎神經網絡模型中各個模塊的參數。

優選地，不同負載的電力負荷信號包括：

不同負載各個部件的不同性能、不同壽命周期的電力負荷信號。

本發明實施例提供的非侵入式電氣集群負載電氣性能自主學習處理方法具有以下有益效果：

實現了自主學習電力負荷信號電氣性能，提高了電氣設備性能識別的精確度。

具體實施方式

以下結合具體實施例對本發明作具體的介紹。

本發明實施例提供的非侵入式電氣集群負載電氣性能自主學習處理方法包括以下步驟：

S101，標準化不同類型的電力負荷信號，建立電力負荷信號的特征向量庫。