[发明专利]一种基于LSTM神经网络算法的非侵入式负荷识别方法

权利要求书

1.一种基于LSTM神经网络算法的非侵入式负荷识别方法，其特征在于：包括以下步骤：

步骤一：获取非侵入式监测装置所监测的用电设备稳态时电流波形数据；数据的记录间隔为分钟级别，包括1-60分钟之间；历史电流波形数据的时间跨度为可观测到负荷重复变化的周期的K倍，K为大于等于1的整数；

步骤二：将稳态电流波形利用离散傅里叶变换进行N次谐波分解，将得到的电流的N次谐波特征作为负荷特征进行负荷识别；N为不等于0的整数；

步骤三：将步骤二生成的电流谐波的谐波特征进行降维处理后生成负荷识别的样本集，将样本集按照预设的比例划分为训练集和样测试集；将训练集通入循环神经网络进行训练获得基于神经网络的负荷识别预测模型；所述循环神经网络的输入层神经元个数设置为10个，隐藏层神经元的数量为30，输出层神经元的数量为1，隐藏层数为2，第二个隐藏层与输出层之间加入全连接层；

步骤四：将测试集带入基于循环神经网络的负荷识别模型并对比输出结果，确定最优的识别模型；获得基于循环神经网络的负荷识别模型的预测输出与真实值的偏离程度，建立拟合结果与真实值的均方误差作为模型的损失函数，生成优化后的基于循环神经网络的负荷识别模型。

2.根据权利要求1所述的一种基于LSTM神经网络算法的非侵入式负荷识别方法法，其特征在于：步骤三中采用PCA降维方法对电流谐波的谐波特征进行降维处理，选择保留原始数据99％以上的主要信息；若数据集的特征维度降为K，则满足公式(1)即可保留原数据集99％以上的主要信息：

(1)式中x⁽ⁱ⁾为原数据点的坐标；x⁽ⁱ⁾_approx为数据在选定方向上投影点的坐标，式中分子表示投影误差平方的均值，分母表示数据总方差。

3.根据权利要求1所述的一种基于LSTM神经网络算法的非侵入式负荷识别方法，其特征在于：步骤四中，所述损失函数具体为：

y为样本标签值；为模型预测值。