[发明专利]一种智能电力负载识别方法

权利要求书

1.一种智能电力负载识别方法，其特征在于，包括：

步骤1、模拟日常用电情况，在电路中增减电器以实现电路总负载的变化，记录负载变化时的电路总进线的电参量变化量x⁽ⁱ⁾，同时将x⁽ⁱ⁾对应的当前电路负载情况记为图节点数据g⁽ⁱ⁾；

其中，在电参量发生变化的第i时刻，将电参量的变化数据加上当时的时间和环境附加数据，记为第i时刻的电参量变化量x⁽ⁱ⁾；图节点数据g⁽ⁱ⁾由n个子节点组成，n为此时电路中所具有的可变的负载总数；每个子节点对应电路中一个单独的用电负载，k∈[0，n-1]，记录了负载类型与当时的负载功率图节点数据g⁽ⁱ⁾由前一时刻的图节点数据g^(i-1)增减子节点得到；

步骤2、因为子节点数目不固定，导致图节点数据g⁽ⁱ⁾维度不固定，对图节点数据g⁽ⁱ⁾进行快速傅里叶变换，将其转为固定维度的图节点频域数据h⁽ⁱ⁾；所述电参量变化量x⁽ⁱ⁾和图节点频域数据h⁽ⁱ⁾构成训练样本；

步骤3、利用隐性马尔科夫模型对电参量变化量x⁽ⁱ⁾和图节点频域数据h⁽ⁱ⁾进行建模，将图节点频域数据视为电参量变化量的隐变量，而图节点频域数据h⁽ⁱ⁾只受到上一时刻的图节点频域数据h^(i-1)的影响；

步骤4、使用自循环神经网络来实现隐性马尔科夫模型；自循环神经网络的输入为i时刻的电参量变化量x⁽ⁱ⁾和i-1时刻的图节点频域数据h^(i-1)，输出为i时刻的图节点频域数据h⁽ⁱ⁾；采用步骤2获取的训练样本对自循环神经网络进行循环训练；

步骤5、实际负载识别时，根据电路中的初始负载状态构建初始图节点数据g⁽⁰⁾并转化为初始图节点频域数据h⁽⁰⁾；当电路中出现负载变化时，令i＝1，获取电路中的电参量变化量x⁽¹⁾，将x⁽¹⁾和h⁽⁰⁾输入到自循环神经网络中，输出h⁽¹⁾，对h⁽¹⁾进行逆傅里叶变换即可得到图节点数据g⁽¹⁾；每当电路中负载变化时，i自加1，均进行一次自循环神经网络的循环计算，自循环神经网络利用x⁽ⁱ⁾和h^(i-1)计算出输出h⁽ⁱ⁾，对h⁽ⁱ⁾进行逆傅里叶变换获得图节点数据g⁽ⁱ⁾，根据g⁽ⁱ⁾识别出电路中的当前负载状态。

2.如权利要求1所述的方法，其特征在于，所述步骤2中，对图节点数据g⁽ⁱ⁾进行傅里叶变换，将其转为固定维度的图节点频域数据h⁽ⁱ⁾为：

设g⁽ⁱ⁾中当前包含了n个子节点，每个子节点由2个数据组成，则g⁽ⁱ⁾可表示为一个n×2维的数组，利用快速傅里叶变换算法将g⁽ⁱ⁾的n×2维的数组转为m×2维的频域数据，其中m为预先设定的频域采样个数，取值上确保m总是大于实际使用中g⁽ⁱ⁾子节点的个数n。

3.如权利要求2所述的方法，其特征在于，所述步骤4中，对h⁽ⁱ⁾进行逆傅里叶变换获得图节点数据g⁽ⁱ⁾为：

对自循环神经网络输出的m×2维的h⁽ⁱ⁾进行逆傅里叶变换后，得到m×2维的数据记为原始数据若前一时刻g^(i-1)中的子节点个数为j，则在原始数据中分别保留前j-1,j,j+1个数据得到三个数组并在这三个数组后部进行补0操作，将其均扩充至m×2，之后再对扩充后的数组进行快速傅里叶变换，将变换结果与自循环神经网络输出的h⁽ⁱ⁾进行对比，选取平方差最小的结果作为最终的g⁽ⁱ⁾，用于识别电路中的当前负载状态。