[发明专利]一种基于改进概率神经网络的负载识别方法

说明书

本发明公开了一种基于改进概率神经网络的负载识别方法，包括：对用电网络中的负载类型采用二进制进行编码，建立负载类型的编码库；采集各个负载类型的电参数；建立各个负载类型的电参数与编码之间的非线性映射关系，创建概率神经网络；对概率神经网络进行训练获得误差函数；将误差函数作为粒子群算法的适应度函数，采用粒子群算法对概率神经网络的平滑因子进行优化，获取最优平滑因子；根据获取的最优平滑因子更新概率神经网络，获得改进的概率神经网络；基于改进的概率神经网络，对用电网络中的负载类型进行识别。该方法可同时识别多个负载，提高了在多负载模式下将恶性负载的判别速度，更好的实现多用电电器情形下的限用电器识别和用电控制。

技术领域

本发明涉及用电负载识别控制技术领域,尤其涉及一种基于改进概率神经网络的负载识别方法。

背景技术

目前，企业、高校公寓普遍存在用电量大、管理难、安全隐患严重等问题。尤其是近几年，随着高校规模的逐渐扩大和电力电子技术的不断进步，学生人数急剧上升，用电负载种类繁多，用电管理复杂。一些大功率用电器诸如热得快、电吹风、电热毯等使用不当，轻则导致跳闸，重则引发火灾，危及学生人身财产安全。因此大功率阻性负载属于高校明文规定的违禁电器设备，称之为恶性负载，严禁使用。相比传统用电设备，目前的用电设备类型和特征参数越来越多元化和复杂化，运用传统的负载识别方法，已经很难准确的识别出新型用电设备。如何正确识别出每种电器的类型，并对其进行适当控制管理，对于学生公寓的用电安全具有重要的意义。现有的恶性负载识别方法主要有功率突变检测、谐波分析和小波分析等，虽然这些方法能够负载识别的目的，但仍存在一定的不足。比如判别方法过于简单、理想化，没有考虑到实际电路中的电流电压波动和存在的干扰，无法联网等问题。

神经网络具有自适应、自学习、并行处理和联想记忆等功能，将其应用于负载识别已成为智能模式识别技术中的一种重要方法。在负载识别技术方面，目前已有一些基于神经网络的解决方法，例如采用前向反馈神经网络(BP神经网络)，通常采用具有常规前向反馈神经网络(BP神经网络)作为模式分类器，但对于多特征输入的负载识别问题，常规前向反馈神经网络(BP神经网络)存在结构复杂、训练时间长、收敛速度慢和易陷入局部最优值等问题，致使网络训练时间长、负载类型识别率不高。

发明内容

鉴于现有技术的不足，本发明提供了一种基于改进概率神经网络的负载识别方法，该方法可同时识别多个负载，提高了在多负载模式下恶性负载的判别速度，更好的实现多用电电器情形下的限用电器识别和用电控制，有效解决企业、商业、校园用户的用电管制问题，保障生命财产安全。

为了实现上述目的，本发明采用了如下的技术方案：

一种基于改进概率神经网络的负载识别方法，其包括：

对用电网络中的负载类型采用二进制进行编码，建立负载类型的编码库；

采集各个负载类型从启动瞬间至一段时间内的电参数；

建立各个负载类型的电参数与对应编码之间的非线性映射关系，创建概率神经网络；

对所述概率神经网络进行训练，获得网络的误差函数，所述误差函数表示为：式中，为与训练集样本对应的期望输出，y_t(k)为概率神经网络训练后的实际输出，q为训练样本集个数，S为负载类型个数；

将所述误差函数作为粒子群算法的适应度函数，采用粒子群算法对所述概率神经网络的平滑因子进行优化，获取所述概率神经网络的最优平滑因子；

根据所获取的最优平滑因子更新所述概率神经网络，获得改进的概率神经网络；

基于改进的概率神经网络，对用电网络中的负载类型进行识别。

其中，采用粒子群算法对所述概率神经网络的平滑因子进行优化包括以下步骤：