一种智能电力负载识别方法技术

本发明专利技术公开了一种智能电力负载识别方法，不需要在各个负载前加装传感器，实现无损的低成本负载识别。该方法通过在电路中增减电器以实现电路总负载的变化，记录负载变化时的电路总进线的电参量变化量x

【技术实现步骤摘要】
一种智能电力负载识别方法
本专利技术涉及电力负载识别领域，特别涉及一种基于深度学习的智能电力负载识别方法。
技术介绍
资源环境的制约是伴随我国经济社会发展所面临的突出矛盾，如何促进节能减排，是解决节能环保问题的核心关键，具有十分重要的意义。而节能减排合理优化能源结构的前提在于对电路中的负载设备进行识别，传统电路中负载的识别方法需要在各个负载前加装传感器，所需成本高，并需对原有电路进行修改。
技术实现思路
有鉴于此，本专利技术提供了一种智能电力负载识别方法，不需要在各个负载前加装传感器，利用深度学习方法即可对总进线的电流与电压的变化进行记录与识别，从而实现无损的低成本负载识别。为了解决上述技术问题，本专利技术是这样实现的。一种智能电力负载识别方法，包括：步骤1、模拟日常用电情况，在电路中增减电器以实现电路总负载的变化，记录负载变化时的电路总进线的电参量变化量x(i)，同时将x(i)对应的当前电路负载情况记为图节点数据g(i)；其中，在电参量发生变化的第i时刻，将电参量的变化数据加上当时的时间和环境附加数据，记为第i时刻的电参量变化量x(i)；图节点数据g(i)由n个子节点组成，n为此时电路中所具有的可变的负载总数；每个子节点对应电路中一个单独的用电负载，k∈[0，n-1]，记录了负载类型与当时的负载功率图节点数据g(i)由前一时刻的图节点数据g(i-1)增减子节点得到；步骤2、因为子节点数目不固定，导致图节点数据g(i)维度不固定，对图节点数据g(i)进行快速傅里叶变换，将其转为固定维度的图节点频域数据h(i)；所述电参量变化量x(i)和图节点频域数据h(i)构成训练样本；步骤3、利用隐性马尔科夫模型对电参量变化量x(h)和图节点频域数据h(h)进行建模，将图节点频域数据视为电参量变化量的隐变量，而图节点频域数据h(i)只受到上一时刻的图节点频域数据h(i-1)的影响；步骤4、使用自循环神经网络来实现隐马尔科夫模型；自循环神经网络的输入为i时刻的电参量变化量x(i)和i-1时刻的图节点频域数据h(i-1)，输出为i时刻的图节点频域数据h(i)；采用步骤2获取的训练样本对自循环神经网络进行循环训练；步骤5、实际负载识别时，根据电路中的初始负载状态构建初始图节点数据g(0)并转化为初始图节点频域数据h(0)；当电路中出现负载变化时，令i＝1，获取电路中的电参量变化量x(1)，将x(1)和h(0)输入到自循环神经网络中，输出h(1)，对h(1)进行逆傅里叶变换即可得到图节点数据g(1)；每当电路中负载变化时，i自加1，均进行一次自循环神经网络的循环计算，自循环神经网络利用x(i)和h(i-1)计算出输出h(i)，对h(i)进行逆傅里叶变换获得图节点数据g(i)，根据g(i)识别出电路中的当前负载状态。优选地，所述步骤2中，对图节点数据g(i)进行傅里叶变换，将其转为固定维度的图节点频域数据h(i)为：设g(i)中当前包含了n个子节点，每个子节点由2个数据组成，则g(i)可表示为一个n×2维的数组，利用快速傅里叶变换算法将g(i)的n×2维的数组转为m×2维的频域数据，其中m为预先设定的频域采样个数，取值上确保m总是大于实际使用中g(i)子节点的个数n。优选地，所述步骤4中，对h(i)进行逆傅里叶变换获得图节点数据g(i)为：对自循环神经网络输出的m×2维的h(i)进行逆傅里叶变换后，得到m×2维的数据记为原始数据若前一时刻g(i-1)中的子节点个数为j，则在原始数据中分别保留前j-1,j,j+1个数据得到三个数组并在这三个数组后部进行补0操作，将其均扩充至m×2，之后再对扩充后的数组进行快速傅里叶变换，将变换结果与自循环神经网络输出的h(i)进行对比，选取平方差最小的结果作为最终的g(i)，用于识别电路中的当前负载状态。优选地，家用场景中m设置为100，工业用电环境中m设置为1000。优选地，在步骤1在电路总负载的单次变化时，仅变更一个电器负载。优选地，电路中出现负载变化的识别方式为：在电路的总进线处安装智能电表，实现电路中电参量的采集，根据电参量的突变识别负载变化。优选地，所述电参量变化量x(i)中的所述电参量的变化数据包括电路中总的有功功率、无功功率、视在功率、电压电流真有效值、相角和频率的变化量。优选地，对于x(1)，其中的电参量的变化数据采用第一次记录的电参量数据，而不用变化量。优选地，所述电参量变化量x(i)中的环境附加数据包括当前的时间、气温和空气湿度。有益效果：(1)本专利技术从电路总进线获取电参量变化量，并获取当前电路负载情况，将这些数据组成训练样本对自循环神经网络进行训练，令自循环神经网络能够反映电参量变化量与电路负载情况的映射关系。通过这样的深度学习方法，不需要在各个负载前加装传感器，只需要获取电路总的电参量数据即可实现负载的智能识别。(2)本专利技术利用了时间、温度以及湿度等环境状态数据，辅助电路中负载的识别，有效的提升了识别的精度；(3)本专利技术使用图与子节点的编码方式对电路中电参量变化引起的负载变化进行记录，能够快速的建立训练数据集。(4)本专利技术利用傅里叶变换方法，将图中非结构化的子节点映射至频域空间，实现数据的结构化，方便后续自循环数据网络的训练与使用。附图说明图1为本专利技术图节点的组成示意图。图2为本专利技术隐形马尔科夫模型的示意图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了一种智能电力负载识别方法，该方法从电路总进线获取电参量变化量，并获取当前电路负载情况，将这些数据组成训练样本对自循环神经网络进行训练，令自循环神经网络能够反映电参量变化量与电路负载情况的映射关系。本专利技术提供的智能电力负载识别方法，包括如下步骤：步骤1、在电路的总进线处安装智能电表，实现电路中总的电参量数据的测量和采集。本专利技术选取的电参量包括有功功率、无功功率、视在功率、电压电流真有效值、相角、频率等电参量。步骤2、当电路中的电参量发生变化时，将第i次电参量的变化量数据加上此时的时间和环境附加数据，组成表征当前负载变化情况的特征参量，记为电参量变化量x(i),N表示电参量变化量的维度。i表示负载的第i次变化。若此次为系统开机后第一次记录到的参量变化，则将此时的电参量数值作为变化量数据进行记录。其中，本专利技术在电参量数据上增加时间和环境数据，是考虑到用电习惯的问题。可能在特定时间开启洗衣机，或者在特定时间使用微波炉，可能气温高时使用空调几率大。因此，增加环境和时间数据能够令神经网络的学习更为准确。优选地，环境附加数据选取当前时间(精确到秒)、气温、空气湿度。步骤3、将电参量变化量x(i)所对应的当前电路负载情况记为图节点g(i)。如图1所示，图节点中包含n个子节点n为此时电路中所具有的可变的负载总数；每个对应一个单独的用电负载，k∈[0，n-1本文档来自技高网...

【技术保护点】
1.一种智能电力负载识别方法，其特征在于，包括：/n步骤1、模拟日常用电情况，在电路中增减电器以实现电路总负载的变化，记录负载变化时的电路总进线的电参量变化量x

【技术特征摘要】
1.一种智能电力负载识别方法，其特征在于，包括：
步骤1、模拟日常用电情况，在电路中增减电器以实现电路总负载的变化，记录负载变化时的电路总进线的电参量变化量x(i)，同时将x(i)对应的当前电路负载情况记为图节点数据g(i)；
其中，在电参量发生变化的第i时刻，将电参量的变化数据加上当时的时间和环境附加数据，记为第i时刻的电参量变化量x(i)；图节点数据g(i)由n个子节点组成，n为此时电路中所具有的可变的负载总数；每个子节点对应电路中一个单独的用电负载，k∈[0，n-1]，记录了负载类型与当时的负载功率图节点数据g(i)由前一时刻的图节点数据g(i-1)增减子节点得到；
步骤2、因为子节点数目不固定，导致图节点数据g(i)维度不固定，对图节点数据g(i)进行快速傅里叶变换，将其转为固定维度的图节点频域数据h(i)；所述电参量变化量x(i)和图节点频域数据h(i)构成训练样本；
步骤3、利用隐性马尔科夫模型对电参量变化量x(i)和图节点频域数据h(i)进行建模，将图节点频域数据视为电参量变化量的隐变量，而图节点频域数据h(i)只受到上一时刻的图节点频域数据h(i-1)的影响；
步骤4、使用自循环神经网络来实现隐马尔科夫模型；自循环神经网络的输入为i时刻的电参量变化量x(i)和i-1时刻的图节点频域数据h(i-1)，输出为i时刻的图节点频域数据h(i)；采用步骤2获取的训练样本对自循环神经网络进行循环训练；
步骤5、实际负载识别时，根据电路中的初始负载状态构建初始图节点数据g(0)并转化为初始图节点频域数据h(0)；当电路中出现负载变化时，令i＝1，获取电路中的电参量变化量x(1)，将x(1)和h(0)输入到自循环神经网络中，输出h(1)，对h(1)进行逆傅里叶变换即可得到图节点数据g(1)；每当电路中负载变化时，i自加1，均进行一次自循环神经网络的循环计算，自循环神经网络利用x(i)和h(i-1)计算出输出h(i)，对h(i)进行逆傅里叶变换获得图节点数据g(i)，根据g(i)识别出电路中的当前负载状态。


2.如权利要求1所...

【专利技术属性】
技术研发人员：兰海，魏宪，郭杰龙，唐晓亮，俞辉，李炜曦，余光敏，郑心城，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：福建;35