[发明专利]一种智能电力负载识别方法

说明书

本发明公开了一种智能电力负载识别方法，不需要在各个负载前加装传感器，实现无损的低成本负载识别。该方法通过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⁾。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⁾，x⁽ⁱ⁾和h⁽ⁱ⁾构成训练样本。构建自循环神经网络，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⁾；采用训练样本对自循环神经网络进行循环训练，训练好的自循环神经网络可以用于智能电力负载识别。

技术领域

本发明涉及电力负载识别领域，特别涉及一种基于深度学习的智能电力负载识别方法。

背景技术

资源环境的制约是伴随我国经济社会发展所面临的突出矛盾，如何促进节能减排，是解决节能环保问题的核心关键，具有十分重要的意义。而节能减排合理优化能源结构的前提在于对电路中的负载设备进行识别，传统电路中负载的识别方法需要在各个负载前加装传感器，所需成本高，并需对原有电路进行修改。

发明内容

有鉴于此，本发明提供了一种智能电力负载识别方法，不需要在各个负载前加装传感器，利用深度学习方法即可对总进线的电流与电压的变化进行记录与识别，从而实现无损的低成本负载识别。

为了解决上述技术问题，本发明是这样实现的。

一种智能电力负载识别方法，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^(h)和图节点频域数据h^(h)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；