[發明專利]一種基于雙向LSTM的企業除污設備負荷辨識方法

在審

• 申請號: 202011475316.8
• 申請日: 2020-12-14
• 公開（公告）號: CN112613542A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 羅世剛;李竣業;張敏國;傅冠凱;邊海源
• 申請（專利權）人: 國網甘肅省電力公司營銷服務中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06Q50/06
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種基于雙向LSTM的企業除污設備負荷辨識方法，包括獲取數據：獲取目標地區特定時段內企業除污設備的負荷數據、運行參數和配置參數作為原始數據，并對原始數據進行聚類處理；構建模型：基于雙向LSTM，構建負荷辨識模型；訓練模型：將聚類處理后的原始數據輸入負荷辨識模型，對負荷辨識模型進行訓練；負荷辨識：通過訓練好的負荷辨識模型，對企業除污設備進行負荷辨識，獲得負荷辨識結果。該方法通過學習企業除污設備的負荷特征參數，結合LSTM的長時記憶特點，對除污設備的運行信息長期記憶，精準分析除污設備的運行狀態，從而準確、可靠的實現了電力的負荷辨識和監測。

技術領域

本發明涉及智能用電和負荷監測技術領域，更具體的說是涉及一種基于雙向LSTM的企業除污設備負荷辨識方法。

背景技術

目前，隨著智能用電理念的不斷深入，越來越多的電力系統開始關注電力規劃和調度問題。電力負荷辨識和監測是電力公司給客戶制定合理用電方案的重要數據來源之一，有助于電力系統制定合理的規劃和調度方案，也有助于電力客戶節能降耗。為此，通過對企業除污設備負荷辨識來度量當前企業能源消耗，進而制定合理節能計劃來緩解客戶經濟壓力和能源緊張。

負荷辨識主要分為侵入式和非侵入式兩大類。侵入式負荷辨識方法需要安裝傳感器用以實時采集不同用電設備的負荷數據；非侵入式負荷辨識方法無需加裝設備，通過智能電表采集負荷數據，并結合大數據分析技術實現負荷辨識。

由于侵入式負荷辨識方式需要安裝傳感器，易產生諧波影響電表的數據采集和電網的穩態運行。非侵入式負荷辨識方式雖然無需加裝設備，比如基于小波特征提取的負荷辨識方法，通過小波變換提取小波能量值作為新增特征量，再通過模糊C均值聚類方法進行負荷辨識，但是，小波變換對負荷采集頻率較高，過程繁瑣；再比如基于監督學習的負荷辨識方法，使用MLP、KNN、LR、SVM四個算法進行負荷辨識并進行比對分析，但是，監督學習需要設置標簽值，采集獲取難度較大；再比如基于遺傳優化的負荷辨識方法，提出了增加三次諧波作為負荷特征，采用遺傳算法求解多特征目標函數，分解精度較高，但是，遺傳算法的求解速度較慢，難以適用于在線分析監測。

因此，如何提供一種準確、可靠的企業除污設備負荷辨識方法是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于雙向LSTM的企業除污設備負荷辨識方法，該方法解決了現有的除污設備負荷辨識方法影響電網正常工作、不夠高效、可靠的問題。

為了實現上述目的，本發明采用如下技術方案：

一種基于雙向LSTM的企業除污設備負荷辨識方法，該方法包括：

獲取數據：獲取目標地區特定時段內企業除污設備的負荷數據、運行參數和配置參數作為原始數據，并對所述原始數據進行聚類處理；

構建模型：基于雙向LSTM(Long Short Term Memory，長短期記憶網絡)神經網絡，構建負荷辨識模型；

訓練模型：將聚類處理后的原始數據輸入所述負荷辨識模型，對所述負荷辨識模型進行訓練；

負荷辨識：通過訓練好的所述負荷辨識模型，對企業除污設備進行負荷辨識，獲得負荷辨識結果。

進一步地，所述訓練模型步驟執行后，基于雙向LSTM的企業除污設備負荷辨識方法還包括：

遷移學習：對所述負荷辨識模型的應用場景進行預測，并根據應用場景預測結果對訓練好的所述負荷辨識模型進行遷移學習。

由于訓練模型較耗時，本發明還對模型進行遷移學習，通過對模型的微調實現對企業不同除污設備進行負荷辨識，或者借用當前網絡結構，不再使用當前訓練好的網絡權重，將模型訓練為企業某類設備的負荷辨識模型，從而可以對其他設備進行負荷辨識，適用范圍更廣。