[发明专利]一种负荷辨识方法和装置

说明书

本发明公开了一种负荷辨识方法和装置，包括：采集负荷用电数据；对所述负荷用电数据进行预处理，得到预处理数据；从所述预处理数据中提取负荷特征；将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。本发明通过长短时记忆神经网络辨识子模型和加权随机森林子模型分别对不同的负荷特征进行辨识，再融合两个子模型的辨识结果得到最终的辨识结果，可提高对负荷用电数据的辨识正确率。

技术领域

本发明涉及非侵入式负荷监测技术领域，尤其涉及一种负荷辨识方法和装置。

背景技术

随着新技术的兴起，电力产业走向更高度的智能化、知识化、集约化和技术化是必然趋势。而为了保证电力产业的正常运行，需要对电力负荷进行监测。

传统的负荷监测系统多为侵入式，需要对每个负荷安装监测装置进行一对一方式监测，随着用电负荷的增多，将造成人力、资金和时间成本的大量投入，不便于长期维护。为了解决上述问题，非侵入式负荷监测(Non-intrusive load monitoring，NILM)以低成本、易于维护和用户接受度高的特点逐渐取代了传统的侵入式负荷监测技术。NILM系统以软件算法代替设备的“硬测量”，通过采集电力入口处的信息，对电力负荷电气信息单点总量的量测和实时分析便可获取总负荷内部每个或每类用电设备的用电状态信息和用电规律。

非侵入式负荷监测最早由George Hart提出，其将非侵入式负荷监测归纳为事件检测、集合分析、集合配对、异值解析和负荷辨识五个阶段。其中最为关键的核心部分就是负荷辨识阶段。对于负荷辨识问题目前主要有两大类求解方法，分别为：数学优化和模式识别。而模式识别方法又可分为基于监督学习和非监督学习2类，其中基于非监督学习的负荷识别无需用电设备的标签数据，从而减少了人工干预，增强了实用性；监督学习方法则能应对较复杂的识别场景。

然而上述两种方法存在辨识效果较差的问题。

发明内容

本发明提供了一种负荷辨识方法和装置，用于解决现有的负荷辨识方法存在辨识效果较差的技术问题。

本发明提供了一种负荷辨识方法，包括：

采集负荷用电数据；

对所述负荷用电数据进行预处理，得到预处理数据；

从所述预处理数据中提取负荷特征；

将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。

可选地，所述对所述负荷用电数据进行预处理，得到预处理数据的步骤，包括：

对所述负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。

可选地，所述负荷特征包括有功功率、无功功率、电流谐波和功率波形；所述从所述预处理数据中提取负荷特征的步骤，包括：

从所述预处理数据中提取所述有功功率和所述无功功率；

对所述预处理数据进行离散傅里叶变换，得到所述电流谐波；

采用所述有功功率、所述无功功率生成所述功率波形。

可选地，所述将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出辨识结果的步骤，包括：

将所述有功功率、所述无功功率和所述电流谐波作为样本输入所述LSTM神经网络子模型，输出所述样本的第一辨识结果；

将所述功率波形输入所述加权随机森林子模型，输出所述功率波形的第二辨识结果；