[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

说明书

本发明公开了一种基于LSTM神经网络算法的非侵入式负荷识别方法，包括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；将稳态电流波形利用离散傅里叶变换进行N次谐波分解得到样本集，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；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，生成优化后的基于循环神经网络的负荷识别模型。本方法在不同负载情况下均可以对用电器，尤其是小功率用电器进行准确识别，且识别时间较短，可以进行负载的实时监测。

技术领域

本发明涉及非侵入式负荷识别技术领域，具体涉及一种基于LSTM神经网络算法的非侵入式负荷识别方法。

背景技术

随着世界人口的迅速增长导致能源快速消耗，环保节能也是目前能源领域共同追求的目标，其中，居民用电监测技术在国内外都有较广泛的应用和研究，目前的居民用电监测系统主要分为侵入式和非侵入式两大类，电力负荷监测与分解能将用电功率监测细化到总负荷内部每个/类(主要)用电设备从而实现负荷用电细节监测，电力公司可进一步了解不同负荷类的构成和用电模式特征，提高电网规划方案的科学性和保证电网实时的安全经济运行；降低目前因负荷模型的保守性而产生的经济损失。居民可进一步依据监测信息调整和优化用电行为以节省电能和电费；帮助用户快速准确地检测、诊断和清除电器故障，以及用高能效电器替换高耗能电器；提高用户对电力公司供电服务的信任度、满意度；为家庭自动化控制终端设备提供调控依据。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于LSTM神经网络算法的非侵入式负荷识别方法，实现对采集到的电流信号进行实时分析过

2.技术方案：

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。

进一步地，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。

进一步地，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。

3.有益效果：