[发明专利]一种结合电力指纹知识和神经网络的设备类型识别方法

权利要求书

1.一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：该方法包括以下步骤：

步骤S1、获取设备使用时的电压、电流采样数据；

步骤S2、设置时间区间，则将步骤S1得到的电压、电流采样数据进行切割；

步骤S3、将步骤S2获得的切割后的电压、电流采样数据输入至训练好的若干知识提取模型中，得到设备的电力指纹知识点；

步骤S4、将步骤S2获得的切割后的电压、电流采样数据转换为常用的电气特征量；

步骤S5、将步骤S3获得的电力指纹知识点进行编码，并与步骤S4获得的电气特征量进行拼接，得到总特征向量；

步骤S6、将步骤S5获得的总特征向量输入至训练好的神经网络中，得到设备类型；

步骤S3所述的电力指纹知识点为：电气外特性和状态时变特性；电气外特性的知识提取模型的实现方法如下：

①根据步骤S3得到的电压谐波U_i和电流谐波I_i计算每一次谐波的阻抗值Z_i：

②计算各次谐波阻抗值的变异系数c_v

其中σ_z为各次谐波阻抗值的标准差，z为各次谐波阻抗值的均值；

③若变异系数大于等于10％，则判断该设备外特性为非线性，若变异系数小于10％，进入下一步；

④根据步骤S3得到的功率因数cosφ，若功率因数大于等于0.98，则判断该设备外特性为阻性，若功率因数小于0.98，则判断该设备外特性为感性。

2.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：步骤S1所获取的电压、电流采样数据是采样频率大于100Hz的原始采样数据。

3.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：步骤S4所述的常用的电气特征量为有功功率、无功功率、视在功率、电压幅值、电流幅值、功率因数、0-31次谐波电流幅值和相位。

4.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：电气外特性为：描述设备在外电路中体现的特性，具体表现为阻性、感性、非线性。

5.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：状态时变特性为：描述设备在工作时电气特征量是否趋于稳定。

6.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：步骤S5所述的编码方法采用独热码、顺序编码或其他任意编码方式。

7.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：步骤S6所述的神经网络训练方法为：预先采集部分设备的电压、电流数据，并经过步骤S2～S5得到总特征向量数据，最后输入至神经网络中进行反馈训练，直至神经网络能够准确识别95％的训练设备即可。

8.根据权利要求1所述的一种结合电力指纹知识和神经网络的设备类型识别方法，其特征在于：神经网络模型参数设置为：网络层数为3层，每层神经元数分别为52，20，10，层与层之间采用全连接方式，神经元激活函数设置为sigmoid函数。