[发明专利]一种基于宽度学习算法的非干涉式负荷分解方法

说明书

本发明提供的基于宽度学习算法的非干涉式负荷分解方法，其采集电器运行前后的运行数据作为输入数据，结合结合宽度学习算法，经过数据预处理、负荷分解模型初始训练、负荷分解模型增量学习、开关状态变化识别模型初始训练以及开关状态变化识别模型增量学习，充分考虑电气设备信息的多个因子，以非干涉的方式得到多电器设备场景的电力负荷运行状况，有效实现电气设备的负荷分解，提供更为精准的用电决策，且有较好的通用性与可推广性，极大地降低应用成本。

技术领域

本发明涉及负荷分解技术领域，具体为一种基于宽度学习算法的非干涉式负荷分解方法。

背景技术

电力负荷分解通常需要配套干涉式或非干涉式装置，传统的负荷分解方法需要配备专用的传感器以监测、采集电气设备运行状态与相关用电信息，成本高不利于规模推广，且部署周期长，见效慢。当前市场上涌现了大量的智能电表类监测装置，已具备对电气设备的电压(U)、电流(I)、有功功率(P)、无功功率(Q)、功率因数(PF)、频率(f)、有功电量(kWh)等电量参数进行有效监测与信息采集。另外，传统的电气设备负荷分解方法，考虑的电气因素一般为功率，数据单一，分解的准确率较低。针对上述缺点，现提出改进。

发明内容

本发明提供的一种基于宽度学习算法的非干涉式负荷分解方法，无需专用的传感器装置，充分考虑电气设备信息的多个因子，采用大数据与人工智能的相关技术，有效实现电气设备的负荷分解，提供更为精准的用电决策。

本发明提供一种基于宽度学习算法的非干涉式负荷分解方法，其用于监测分析电器的电力运行状态及相关用电信息以实现所述电器的负荷分解，该方法包括以下步骤：

步骤1：一类数据采集，选取所述电器开关状态无变化的多个时段，以K1的采用频率采集电器运行数据，该运行数据包括电压、电流、瞬时有功功率、瞬时无功功率，将所述运行数据拼接构成输入向量并对所述运行数据作傅里叶变换后拼接构成输入向量将所述输入向量拼接成为输入向量同时，采集电器的开关状态数据，开启记作1，关闭记作0，将开关状态拼接构成标签向量其中，i＝1,2,…,I记为数据编号，I为数据总量；二类数据采集，以K2的采样频率采集电器开关状态变化后T个周期内电器运行数据，将该运行数据拼接构成输入向量其中，记j＝1,2,…,J为数据编号，J为数据总量，同时，构造标签向量为j维的全1向量，然后，以K2的采样频率采集电器开关状态无变化的T个周期内电器运行数据，将该运行数据拼接构成输入向量同时，构造标签向量为j维的全0向量；

步骤2：数据预处理，一类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化并拼接为测试输入矩阵将所述标签向量拼接为标签矩阵其他标签向量拼接为测试标签矩阵二类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化拼接为测试矩阵将所述标签向量拼接为标签向量其他标签向量拼接为测试标签向量

步骤3：负荷分解模型初始训练，基于所述输入矩阵利用第一随机初始化矩阵第一激活函数及第一偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第二随机初始化矩阵第二激活函数及第二偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第一增广矩阵通过该第一增广矩阵及所述标签矩阵求得第一权值矩阵

步骤4：使用测试输入矩阵进行测试，若满足第一训练误差，则输出负荷分解模型，并进入步骤6；若训练误差不满足第一训练误差，则进入步骤5；

步骤5：负荷分解模型增量学习，基于所述映射特征节点矩阵利用第三随机初始化矩阵第二激活函数及第三偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵以及第一增广矩阵构建第二增广矩阵通过第二增广矩阵及标签矩阵求得第二权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤4；