[发明专利]一种基于并行AANN的非侵入式负荷识别方法

权利要求书

1.一种基于并行AANN的非侵入式负荷识别方法，其特征在于，包括如下主要步骤：

步骤1：先验的采集电力系统内部各用电负荷稳态电压电流数据，数据预处理、特征提取、形成样本库；

步骤2：使用样本库负荷离线训练基于并行自联想神经网络的非侵入式负荷识别模型；

步骤3：使用暂态事件检测算法实时检测电力系统入口处电流数据暂态事件，从总电压电流数据中分离出引起暂态事件的目标负荷电压电流数据，进行特征提取；

步骤4：负荷状态辨识。

2.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述数据采集方法为：使用电压互感器接在负荷电源处、电流互感器接在负荷火线端，采集电力系统内N种用电负荷稳态电压电流数据。

3.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述数据预处理为，将获取的电压电流数据输入低通滤波器，滤除电压电流数据中的高频高斯白噪声，保留数据中低频谐波成分，降低干扰。

4.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述特征提取为，分别将N种用电负荷稳态电压电流数，据提取V-I轨迹特征，形成样本数据库；

所述V-I轨迹为，以周期为单位，电压为横坐标、电流为纵坐标，绘制二维图形；所述V-I轨迹特征为，从二维图形中提取区分用电负荷的特征，所述特征包括，电流跨度、图形面积、图形循环方向、图形交点个数、中线曲率、中间段峰值、中间段斜率、左右部分面积、瞬时导纳变化、最大最小点距离。

5.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤2中，所述自联想神经网络包括输入层、瓶颈层，输出层，其中，输入层神经元个数等于输出层神经元个数；所述负荷辨识模型包括，分别使用N种负荷样本库特征数据训练N个自联想神经网络，将不同负荷的特征数据分布分别存储于各AANN中，并形成并行结构。

输入待识别负荷特征后，分别计算各自联想神经网络输入与输出之间相关系数，若相关系数均低于阈值，说明该组特征与各AANN匹配度低，为样本库外未知负荷；在输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表该组特征数据的负荷种类。

6.如权利要1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤3中，装置使用电流互感器采集总电流数据后，低通滤波，执行暂态事件检测算法，所述事件检测算法为基于启发式的暂态事件检测方法，具体原理为：

定义第T个周期电流强度为，当电力系统内部各用电负荷稳定运行时，总线处相邻周期的电流强度差值ΔI_intensity趋近于0；当负荷状态发生变化时，相邻周期电流强度差值将变大；若某一时刻相邻周期电流强度差值超过δ，则判定系统内负荷发生了暂态事件过程。如下所示:

I_intensity

其中，δ为电流强度差值的阈值；为第T个周期内第k个采样点的电流值；K为一个周期内电流的采样点总数；

当检测到暂态事件后立即执行暂态结束检测算法，即ΔI_intensity小于ε的周期个数大于γ时，判定为负荷暂态事件过程结束。如下所示：

记ΔI_intensity时，相邻周期中第二个周期电流起始时刻记为暂态事件起始时刻；判定暂态事件结束后，当前时刻减去γ个电流信号周期后得到系统暂态事件结束时刻；暂态事件结束时刻与起始时刻的作差得到暂态过程持续时间，可得，暂态过程持续时间为电压工作周期的整数倍。