[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

说明书

本发明公开了一种基于自学习神经网络的负荷辨识方法及系统，属于用电监测及信号处理技术领域。本发明方法，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。本发明保证了已建立特征库用户的内部用电负荷状态辨识的有效性。

技术领域

本发明涉及用电监测及信号处理技术领域，并且更具体地，涉及一种基于自学习神经网络的负荷辨识方法及系统。

背景技术

专变用户(使用专业变压器的电力用户)作为电力用户的重要组成部分，其用电负荷特征呈高占比、多样化的发展趋势，对电网源、网、荷、储的升级、运行和维护都有着重要的影响。

用户的用电负荷及运行情况的实时感知对用户保障用电安全，提高用电能效，响应双碳战略具有十分重要的意义。

在用户的用电设备处直接安装介入式监测设备投资较大，维护成本高，因此对于大部分用电用户可以选择非介入式负荷监测的方案。由于专变用户负荷类型多，用于进行负荷辨识的特征选取及后续辨识参数的选择是非介入式负荷监测技术的核心，基于自动化的特征提取与负荷辨识模型训练的方案，需要保证特征提取的完备性和负荷辨识的有效性，因此需要一种适用于不同场景下从多维特征簇中实现自动化提取关键特征的负荷特征训练与自学习方法。

发明内容

针对上述问题，本发明提出了一种基于自学习神经网络的负荷辨识方法，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。

可选的，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。

可选的，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。

可选的，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：