[發明專利]一種基于自學習神經網絡的負荷辨識方法及系統

在審

• 申請號: 202110607030.9
• 申請日: 2021-05-28
• 公開（公告）號: CN113435476A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 李俊楠;王雍;楊雷;易姝慧;刁新平;劉俊杰;殷小東;趙兵;李琮琮;朱紅霞;朱錚;安柏龍;何海航;何澤昊
• 申請（專利權）人: 國網河南省電力公司營銷服務中心;中國電力科學研究院有限公司;中國電力科學研究院有限公司武漢分院;國網山東省電力公司營銷服務中心（計量中心）;國網上海市電力公司;國網天津市電力公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 姜麗樓

本發明公開了一種基于自學習神經網絡的負荷辨識方法及系統，屬于用電監測及信號處理技術領域。本發明方法，包括：在接入混合類型負荷的用戶計量點處，采集用戶的用電網絡數據，針對用電網絡數據生成負荷多維特征樣本，并針對負荷多位特征樣本構建用電網絡的負荷特征空間；確定負荷特征空間中識別度最高的主成分特征指標；將主成分特征指標中的不同負荷特征輸入自學習神經網絡進行訓練并學習，獲取負荷辨識模型；將待識別的用電網絡數據輸入至負荷辨識模型中，通過負荷辨識模型對待識別的用電網絡數據進行負荷辨識。本發明保證了已建立特征庫用戶的內部用電負荷狀態辨識的有效性。

技術領域

本發明涉及用電監測及信號處理技術領域，并且更具體地，涉及一種基于自學習神經網絡的負荷辨識方法及系統。

背景技術

專變用戶(使用專業變壓器的電力用戶)作為電力用戶的重要組成部分，其用電負荷特征呈高占比、多樣化的發展趨勢，對電網源、網、荷、儲的升級、運行和維護都有著重要的影響。

用戶的用電負荷及運行情況的實時感知對用戶保障用電安全，提高用電能效，響應雙碳戰略具有十分重要的意義。

在用戶的用電設備處直接安裝介入式監測設備投資較大，維護成本高，因此對于大部分用電用戶可以選擇非介入式負荷監測的方案。由于專變用戶負荷類型多，用于進行負荷辨識的特征選取及后續辨識參數的選擇是非介入式負荷監測技術的核心，基于自動化的特征提取與負荷辨識模型訓練的方案，需要保證特征提取的完備性和負荷辨識的有效性，因此需要一種適用于不同場景下從多維特征簇中實現自動化提取關鍵特征的負荷特征訓練與自學習方法。

發明內容

針對上述問題，本發明提出了一種基于自學習神經網絡的負荷辨識方法，包括：

在接入混合類型負荷的用戶計量點處，采集用戶的用電網絡數據，針對用電網絡數據生成負荷多維特征樣本，并針對負荷多位特征樣本構建用電網絡的負荷特征空間；

確定負荷特征空間中識別度最高的主成分特征指標；

將主成分特征指標中的不同負荷特征輸入自學習神經網絡進行訓練并學習，獲取負荷辨識模型；

將待識別的用電網絡數據輸入至負荷辨識模型中，通過負荷辨識模型對待識別的用電網絡數據進行負荷辨識。

可選的，負荷多維特征樣本，包括：負荷工作方式特征、暫態啟動過程特征、暫態停機過程特征和穩態過程特征。

可選的，針對用電網絡數據生成負荷多維特征樣本的過程中，對不同設備存在的啟停過程重疊的特征進行剔除。

可選的，確定負荷特征空間中識別度最高的主成分特征指標，具體包括：

對負荷特征空間進行標準化處理，公式如下：

其中，x_it是第i個樣本負荷的第t項特征值，n為負荷特征空間中的負荷樣本個數，d為樣本負荷的特征維度，Y為為標準化后的負荷特征空間，為標準化后的負荷特征空間；

計算標準化處理后的負荷樣本空間中樣本的協方差矩陣，公式如下：

C＝XX^T (4)

其中，C為計算協方差矩陣，m_ij為為對數中心化后的第i個樣本負荷的第t項特征值，y_it為為標準化后的第i個樣本負荷的第t項特征值；

計算協方差矩陣C的d個特征值λ1≤λ2≤…≤λd及對應的特征向量е1，е2，…，еd，獲取特征值的方差貢獻率V和累計方差貢獻率T：