[發明專利]一種基于并行AANN的非侵入式負荷識別方法

在審

• 申請號: 202110252611.5
• 申請日: 2021-03-05
• 公開（公告）號: CN113010985A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 王毅;徐元源
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06N3/08;G06F111/02;G06F113/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于并行AANN的非侵入式負荷識別方法，包括以下步驟：先驗的采集電力系統內各負荷電壓、電流數據，繪制V?I軌跡，提取特征；將各類用電負荷特征數據分別訓練AANN，形成并行結構；實時采集電力系統入口處電壓電流數據、濾波、事件檢測，提取引起暫態事件的待識別負荷的電壓電流數據，提取V?I軌跡特征；將提取的特征輸入訓練好的并行AANN，計算各AANN輸入輸出皮爾森相關系數；將各AANN輸出相關系數均低于閾值的特征量識別為未知負荷；輸出相關系數高于閾值的AANN中，輸出值最大的AANN代表目標負荷種類；識別結果反饋給用戶。與現有的識別技術相比，本發明能夠有效識別未知負荷與噪聲引起的干擾事件、識別準確率高、魯棒性強。

技術領域：

本發明涉及智能電網領域，一種基于并行AANN的非侵入式負荷識別方法。

背景技術：

通過在電力系統入口出使用負荷識別技術，可以實時監測設備工作狀態與優化負荷曲線，從而推動建筑節能，智能家居的發展，進一步完善智能電網。在智能家居的應用中，可通過該技術實時監測家庭負載運行狀態。從能源分析的角度講，通過負荷識別有助于分項統計能耗曲線，為用戶、電力公司、設備制造商提供參考。在用戶端，用戶用電信息得到反饋，從而規范用電行為，減少電費支出，提高能效；在電力提供端，以較低投入實現電網負荷細粒度感知，提升電力系統負荷預測準確度；對于電器設備制造商而言，可據此識別出低效或故障設備，以采取適當的行動提升產品質量或減少功耗。

近年來，研究者從負荷特征與負荷辨識算法的角度出發，提出了不同的負荷識別方案。由于以V-I軌跡作為區分負載的特征，相對于常用的電流、功率等特征，表征了負荷更加豐富的電氣特性，本專利選擇V-I軌跡作為區分負荷的特征。進一步地，提出基于并行自聯想神經網絡(AANN)的負荷辨識算法，通過計算神經網絡輸入端與輸出端之間特征的最大相關系數達到負荷辨識的目的，同時，在輸出端設置閾值判斷，能有效識別未知負荷或噪聲引起的干擾事件，保證了負荷精準識別。

發明內容：

有鑒于現有技術對未知負荷識別或噪聲引起的干擾事件識別存在缺陷，同時，提高負荷識別準確率，本發明提出一種基于并行AANN的非侵入式負荷識別方法。具體技術方案如下：

一種基于并行AANN的非侵入式負荷識別方法，其特征在于，包括兩個重要部分：分類器訓練、負荷識別。

所述分類器訓練包括以下步驟：

步驟1：先驗的測量電力系統內N種用電負荷穩態電壓電流數據。

進一步地，分別將各用電負荷電壓電流數據，以電壓工作周期為單位繪制V-I軌跡，分別從每種負荷的V-I軌跡中提取特征，形成樣本數據庫。

進一步地，V-I軌跡特征包括：電流跨度、圖形面積、圖形循環方向、圖形交點個數、中線曲率、中間段峰值、中間段斜率、左右部分面積、瞬時導納變化、最大最小點距離。

步驟2：分別對N種樣本庫負荷訓練N個AANN，使得AANN學習不同負荷的特征分布將其存儲記憶在權重中，并將訓練好的AANN形成并行結構，搭建負荷辨識模型。

進一步地，所述AANN輸入神經元個數等于輸出神將元個數，輸入特征維度等于輸出特征維度；若輸入的負荷特征分布與訓練該AANN的特征分布一致，則AANN產生輸出與輸入誤差很小，若輸入的負荷特征分布與訓練該AANN的特征分布不一致，輸出將返回與輸入不匹配的結果。

進一步地，輸入待識別特征后，計算各AANN輸入輸出特征之間皮爾森相關系數，若各AANN輸出相關系數均低于閾值，則判斷該組特征數據為非樣本庫負荷產生，避免未知負荷或干擾事件引起的錯誤辨識。在輸出相關系數高于閾值的AANN中，輸出相關系數最大的AANN代表了該組特征數據的負荷種類。

所述負荷識別具體步驟如下：

步驟3：實時采集總線處電壓電流數據、低通濾波、事件檢測、目標負荷特征提取。