[发明专利]一种基于EEMD和GRU的非侵入式负荷分解方法

说明书

本发明公开了一种家庭负荷的非侵入式负荷分解方法，特别涉及一种基于EEMD和GRU的非侵入式负荷分解方法。所述的方法主要包括以下步骤：采用自适应高斯滤波对原始功率信号进行处理，将处理后的功率信号利用EEMD算法分解为多个模态分量，将功率信号中包含的特征放大，为了挖掘分解时间点与前多个时间点之间的时间关联特征，构建GRU神经网络处理时序信号，最后将测试数据输入到训练好的GRU网络之中，实现负荷分解，为了进一步提高分解精度和速度，还利用天牛群优化算法对GRU网络参数进行优化。本发明具有较好的负荷分解性能，可以作为用户查看用电详单的依据。

技术领域

本发明涉及智能电网中的电能监测，特别涉及一种基于EEMD和GRU的非侵入式负荷分解方法。

背景技术

随着智能电网的快速发展，电力信息通信技术、高级量测体系、电力传感检测技术等监测技术逐渐得到了应用，非侵入式负荷监测技术作为高级量测体系中重要的一步，对于构建坚强智能电网具有重大意义。非侵入式负荷监测技术通过对电力用户的负荷数据进行采集和计算，得出每个电器的状态参数、电能消耗等信息，并分析各个电器的运行状态。对于用户而言，非侵入式负荷监测技术能为用户提供电器的用电详单、获取电器的基础用电信息，进而为其制定节能优化策略，实现节能减排，为环境做贡献。其次，对于电网调度人员还可以以此作为电力系统规划和调度的依据，从而制定合理的发电计划，来提高电网利用率，减少电能的浪费。

近年来，随着机器学习、模式识别、组合优化等方法在多个领域的快速发展，非侵入式负荷分解技术迎来了新的突破。非侵入式负荷分解技术通过提取电器的特征来完成分解任务，但现有方法大多只考虑了负荷的电气特征，很少去分析数据中的时间序列特征和非电气特征，导致复杂状态的电器分解精度较低，小功率电器容易被大功率电器所掩盖，因此，有关于非侵入式负荷分解技术的研究仍面临着较大的挑战。

发明内容

为了解决当前负荷分解方法中很少从时序状态上考虑当前时刻的功率与上一时刻的功率之间的关联性，本发明提出了一种利用GRU神经网络处理时序信号的方法，并公开了一种基于EEMD和GRU的非侵入式负荷分解方法。

本发明解决上述技术问题的技术方案是：

采集用户家庭电力总负荷数据，对数据进行降噪处理，通过集合经验模态分解(EEMD)对功率信号进行处理，将功率信号分解为多个模态分量和一个残数；

将分解的多个模态分量分别输入到多个门控循环单元(GRU)神经网络之中，利用训练集数据训练神经网络，调整网络的参数，在测试集测试网络的分解性能；

利用天牛群优化算法对GRU神经网络的参数进行优化，进一步提高模型的分解精度。

附图说明

图1是自适应高斯滤波降噪流程图

图2是EEMD分解流程图

图3是GRU的结构图

图4是天牛群优化算法流程图

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

步骤一：在用户总电力入口处安装监测装置，获取用户电能消耗数据，将获取的数据进行处理，滤除噪声点。

本发明通过自适应高斯滤波去噪，图1是自适应高斯滤波降噪流程图。高斯滤波将高斯函数与原始信号进行卷积运算后输出滤波信号，表示如下：

其一阶导数为：

原始信号经过高斯滤波后的结果为：

N(t,σ)＝f₀(t)*g'(t,σ) (3)