[发明专利]一种基于自学习神经网络的负荷辨识方法及系统

权利要求书

1.一种基于自学习神经网络的负荷辨识方法，所述方法包括：

在接入混合类型负荷的用户计量点处，采集用户的用电网络数据，针对用电网络数据生成负荷多维特征样本，并针对负荷多位特征样本构建用电网络的负荷特征空间；

确定负荷特征空间中识别度最高的主成分特征指标；

将主成分特征指标中的不同负荷特征输入自学习神经网络进行训练并学习，获取负荷辨识模型；

将待识别的用电网络数据输入至负荷辨识模型中，通过负荷辨识模型对待识别的用电网络数据进行负荷辨识。

2.根据权利要求1所述的方法，所述负荷多维特征样本，包括：负荷工作方式特征、暂态启动过程特征、暂态停机过程特征和稳态过程特征。

3.根据权利要求1所述的方法，所述针对用电网络数据生成负荷多维特征样本的过程中，对不同设备存在的启停过程重叠的特征进行剔除。

4.根据权利要求1所述的方法，所述确定负荷特征空间中识别度最高的主成分特征指标，具体包括：

对负荷特征空间进行标准化处理，公式如下：

其中，x_it是第i个样本负荷的第t项特征值，n为负荷特征空间中的负荷样本个数，d为样本负荷的特征维度，Y为为标准化后的负荷特征空间，为标准化后的负荷特征空间；

计算标准化处理后的负荷样本空间中样本的协方差矩阵，公式如下：

C＝XX^T (4)

其中，C为计算协方差矩阵，m_ij为为对数中心化后的第i个样本负荷的第t项特征值，y_it为为标准化后的第i个样本负荷的第t项特征值；

计算协方差矩阵C的d个特征值λ1≤λ2≤…≤λd及对应的特征向量е1，е2，…，еd，获取特征值的方差贡献率V和累计方差贡献率T：

其中，d为特征值个数，λ_j为第j个特征值，通过计算单个特征值在整体中的占比获得方差贡献率V_j；

当累计方差贡献率达到设定值时，选取前a个负荷特征作为主成分特征指标，a取值范围为(3,5)。

5.根据权利要求1所述的方法，所述获取负荷辨识模型，具体包括：

设神经网络的输入值为X1，X2，…，Xn，神经网络的预测值Y1，Y2，…，Yn，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，进行训练；

隐含层期望输出以及预测输出，如下式所示：

式中，i为隐含层节点数，f为隐含层激励函数，n为输出节点数，a_j和b_k为节点阈值；

根据神经网络预测输出和期望输出，计算预测误差，对网络连接权值和节点阈值按负梯度方向更新，公式如下：

e_k＝Y_k-O_k k＝1,2,...,n (9)

w_jk＝w_jk+ηH_je_k k＝1,2,...,n；j＝1,2,...,l (11)

b_k＝b_k+e_k k＝1,2,...,n (13)

其中，O_k为预测输出，Y_k为训练样本的期望输出值，e_k为误差值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，η是设置的参数，H_j为隐含层输出，l为隐含层节点数，n为输出节点数；

使用矩阵向量的方式对式(9-13)进行运算求解，获取负荷辨识模型。