一种电器负荷识别方法及系统技术方案

本发明专利技术公开了一种电器负荷识别方法及系统，获取多个电气有功功率、无功功率、电流有效值、谐波电流幅值和相角数据后，将多个电气特征数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据相关性系数构建连通性矩阵，并将连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵，将更新后的连通性矩阵输入负荷识别模型中进行计算得到负荷识别结果，通过将负荷识别、图注意力网络和SVM进行结合后，利用图注意力网络解决负荷识别中遇到多电器融合特征量辨识精度不高的问题，提高了对多种电器进行负荷识别的准确度。识别的准确度。识别的准确度。

【技术实现步骤摘要】
一种电器负荷识别方法及系统


[0001]本专利技术涉及电器负荷识别
，尤其涉及一种电器负荷识别方法及系统。

技术介绍

[0002]负荷识别技术就是通过探测总负荷的电压、电流等电力信号，就能探测用户在使用什么电器，在解决电气安全隐患方面发挥着重大的作用。在智能电网的建设中，因电器的种类繁多,工作状态复杂多样,需要不断地采集电器负荷的变化信息。负荷识别技术能在电网和用户之间搭建起良好的信息互动机制，对用户用电实现精准分类计量。在负荷识别中，特征选择与识别算法的设计是两项关键技术，在特征选择上，目前多数算法将多种负荷特征进行结合，但是特征选择与构建仍停留在特征简单组合的层面，并没有进一步考虑不同特征之间的融合，且单纯的特征堆叠会造成特征冗余，难以挖掘出特征组合中蕴含的深层次信息，阻碍负荷识别精度的提升。在识别算法上，目前传统机器学习算法如聚类、决策树、支持向量机等算法均较为成熟，但是存在着单一模型难以综合考虑各种电器之间的特征差别，从而难以获得较高的学习精度，且泛化性能低。
[0003]在目前的现有技术中，专利CN202011095320.1用图卷积神经网络实现用户负荷辨识，但是存在对多特征融合计算时无法自由分配邻域节点权重；中国专利CN202211059655.7用朴素贝叶斯分类算法进行负荷识别，但是存在难以综合考虑不同电器之间多特征差别，且泛化能力较差。

技术实现思路

[0004]本专利技术提供了一种电器负荷识别方法及系统，通过将负荷识别、图注意力网络和SVM进行结合对多种电气负荷进行识别，提高了对多种电器进行负荷识别的准确度和泛化性。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种负荷识别方法及系统，包括：
[0006]获取多个电气特征数据，其中，电气特征数据包括有功功率、无功功率、电流有效值、谐波电流幅值和相角；
[0007]将多个电气特征数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据相关性系数构建连通性矩阵，并将连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵；
[0008]将更新后的连通性矩阵输入目标负荷识别模型中进行计算得到负荷值，以使电网根据负荷值判断出电器类型，其中，负荷识别模型包括SVM模型和图注意网络模型。
[0009]实施本实施例，获取多个电气有功功率、无功功率、电流有效值、谐波电流幅值和相角数据后，将多个电气特征数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据相关性系数构建连通性矩阵，并将连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵，将更新后的连通性矩阵输入负荷识别模型中进行计算得到负荷识别结果，通过将负荷识别、图注意力网络和SVM进行结合后，利用图注意
力网络解决负荷识别中遇到多电器融合特征量辨识精度不高的问题，提高了对多种电器进行负荷识别的准确度。
[0010]作为优选方案，将连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵，具体为:
[0011]根据连通性矩阵中的相关性高的节点进行注意力相关度计算后，并进行归一化得到注意力系数，其中，注意力系数具体为：
[0012][0013]其中，L表示激活函数LeakyReLU，α表示计算两个节点相关度的函数，W表示节点从输入特征维度变换到输出特征维度的权重参数矩阵，a
ij
表示注意力系数；
[0014]将连通性矩阵中各个节点的注意力系数进行加权求和得到各个节点的更新后的特征向量，根据各个节点的更新后的特征向量得到更新后的连通性矩阵，其中，各个节点的更新后的特征向量的计算公式为：
[0015][0016]其中，h
′
i
表示该层节点v
i
的新的特征向量，σ表示激活函数，W表示节点从输入特征维度变换到输出特征维度的权重参数矩阵，h
j
表示该层节点v
i
的特征向量。
[0017]实施本实施例，根据连通性矩阵中的相关性高的节点进行注意力相关度计算后，并进行归一化得到注意力系数后，将连通性矩阵中各个节点的注意力系数进行加权求和得到各个节点的更新后的特征向量，根据各个节点的更新后的特征向量得到更新后的连通性矩阵，通过利用图注意力网络实现了在特征量发生变化时可以自适应调整不同特征间的注意力系数，提高多电器融合特征量负荷识别精度。
[0018]作为优选方案，将更新后的连通性矩阵输入负荷识别模型中进行计算得到负荷识别结果，具体为：
[0019]利用多头注意力机制对更新后的连通性矩阵进行拼接和取平均操作得到第一特征向量，其中，拼接和取平均操作计算过程为：
[0020][0021][0022]其中，M表示的是注意力头的数量，||表示拼接操作，和W
m
分别表示第m组注意力机制的权重系数和学习参数；
[0023]采用最大池化对第一特征向量进行局部最大值运算得到第二特征向量；
[0024]利用softmax函数对第二特征向量展开的一维向量加权和进行计算后得到负荷识别结果；
[0025]利用构建的多层SVM模型的最佳分离超平面对负荷识别结果进行聚类得到最终的
负荷识别结果。
[0026]实施本实施例，利用多头注意力机制对所述更新后的连通性矩阵进行拼接和取平均操作得到第一特征向量后，采用最大池化对所述第一特征向量进行局部最大值运算得到第二特征向量后，然后利用softmax函数对所述第二特征向量展开的一维向量加权和进行计算后得到负荷识别结果，利用构建的多层SVM模型的最佳分离超平面对所述负荷识别结果进行聚类得到最终的负荷识别结果，本方法通过利用图注意力网络实现了在特征量发生变化时可以自适应调整不同特征间的注意力系数，提高多电器融合特征量负荷识别精度，并结合多层SVM进行后处理，避免单纯的特征堆叠造成的特征冗余，难以挖掘出特征组合中蕴含的深层次信息，阻碍负荷识别精度的提升。
[0027]作为优选方案，目标负荷识别模型是通过训练得来的，具体为：
[0028]获取多个电气特征样本数据，其中，电气特征数据包括有功功率、无功功率、电流有效值、谐波电流幅值和相角；
[0029]将多个电气特征样本数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据相关性系数构建连通性矩阵，并将连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵；
[0030]将更新后的连通性矩阵输入图注意网络模型中进行训练得到目标图注意网络模型并输训练结果；
[0031]将训练结果输入的多层SVM模型中进行聚类训练后得到目标SVM模型，根据目标SVM模型和目标图注意网络模型得到目标负荷识别模型。
[0032]作为优选方案，将更新后的连通性矩阵输入图注意网络模型中进行训练得到目标图注意网络模型并输训练结果，具体为：
[0033]利用多头注意力机制对更新后的连通性矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电器负荷识别方法，其特征在于，包括：获取多个电气特征数据，其中，所述电气特征数据包括有功功率、无功功率、电流有效值、谐波电流幅值和相角；将多个电气特征数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据所述相关性系数构建连通性矩阵，并将所述连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵；将所述更新后的连通性矩阵输入目标负荷识别模型中进行计算得到负荷值，以使电网根据所述负荷值判断出电器类型，其中，所述负荷识别模型包括SVM模型和图注意网络模型。2.如权利要求1所述的电器负荷识别方法，其特征在于，所述将所述连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵，具体为:根据所述连通性矩阵中的相关性高的节点进行注意力相关度计算后，并进行归一化得到注意力系数，其中，所述注意力系数具体为：其中，L表示激活函数LeakyReLU，α表示计算两个节点相关度的函数，W表示节点从输入特征维度变换到输出特征维度的权重参数矩阵，a
ij
表示注意力系数；将所述连通性矩阵中各个节点的注意力系数进行加权求和得到所述各个节点的更新后的特征向量，根据所述各个节点的更新后的特征向量得到更新后的连通性矩阵，其中，所述各个节点的更新后的特征向量的计算公式为：其中，h
′
i
表示该层节点v
i
的新的特征向量，σ表示激活函数，W表示节点从输入特征维度变换到输出特征维度的权重参数矩阵，h
j
表示该层节点v
i
的特征向量。3.如权利要求1所述的电器负荷识别方法，其特征在于，所述将所述更新后的连通性矩阵输入负荷识别模型中进行计算得到负荷识别结果，具体为：利用多头注意力机制对所述更新后的连通性矩阵进行拼接和取平均操作得到第一特征向量，其中，拼接和取平均操作计算过程为：征向量，其中，拼接和取平均操作计算过程为：其中，M表示的是注意力头的数量，||表示拼接操作，和W
m
分别表示第m组注意力机制的权重系数和学习参数；采用最大池化对所述第一特征向量进行局部最大值运算得到第二特征向量；
利用softmax函数对所述第二特征向量展开的一维向量加权和进行计算后得到负荷识别结果；利用构建的多层SVM模型的最佳分离超平面对所述负荷识别结果进行聚类得到最终的负荷识别结果。4.如权利要求1所述的电器负荷识别方法，其特征在于，所述目标负荷识别模型是通过训练得来的，具体为：获取多个电气特征样本数据，其中，所述电气特征数据包括有功功率、无功功率、电流有效值、谐波电流幅值和相角；将多个电气特征样本数据进行切分后，利用皮尔森系数计算两两通道间的相关性系数，根据所述相关性系数构建连通性矩阵，并将所述连通性矩阵输入图注意力层中进行图神经聚合邻居操作后，输出更新后的连通性矩阵；将所述更新后的连通性矩阵输入图注意网络模型中进行训练得到目标图注意网络模型并输训练结果；将所述训练结果输入的多层SVM模型中进行聚类训练后得到目标SVM模型，根据所述目标SVM模型和所述目标图注意网络模型得到目标负荷识别模型。5.如权利要求3所述的电器负荷识别方法，其特征在于，所述将所述更新后的连通性矩阵输入图注意网络模型中进行训练得到目标图注意网络模型并输训练结果，具体为：利用多头注意力机制对所述更新后的连通性矩阵进行拼接和取平均操作得到第一特征向量，其中，拼接和取平均操作计算过程为：征向量，其中，拼接和取平均操作计算过程为：其中，M表示的是注意力头的数量，||表示拼接操作，和W
m
分别表示第m组注意力机制的权...

【专利技术属性】
技术研发人员：刘佳乐，蔡新雷，孟子杰，郝文焕，董锴，喻振帆，崔艳林，周巍，王乃啸，廖鹏，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：