基于自适应谐振网络的电力需求侧设备辨识方法和系统技术方案

本发明专利技术公开了基于自适应谐振网络的电力需求侧设备辨识方法和系统，通过采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，利用未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；将所述特征数据进行分类得到输入数据和测试数据，将输入数据和测试数据进行归一化和编码处理；通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果。本发明专利技术的自适应谐振网络既能使用标准数据训练，进行监督学习，又能对无标记数据进行分类，识别未知设备。

Identification method and system of power demand side equipment based on adaptive resonance network

【技术实现步骤摘要】
基于自适应谐振网络的电力需求侧设备辨识方法和系统
本专利技术属于非侵入式负荷辨识领域，特别是基于自适应谐振网络的电力需求侧设备辨识方法和系统。
技术介绍
非侵入式负荷辨识技术是目前电力系统智能计量领域的研究热点，近年来发展迅速。通过在电力需求侧安装非侵入式电力辨识装置，利用智能解析技术可以获得用电范围内未知设备的类型、运行状态及其能耗，从而实现对不同设备的启停和功率消耗的实时监测。该技术可以帮助用户及电网公司分析电力需求侧用电行为，为节能减排、能耗管理、智能家居管理以及电力需求侧维护提供有力的数据支撑。在当前泛在电力物联网的倡导下，了解居民和工商业的用电构成，统筹规划电力调度方案以及削峰平谷对电网公司有着重要的意义。非侵入式负荷辨识技术是当前智能电网发展的一个重要方向，本领域现已研究出了多种不同类型的辨识方法。但是由于电力需求侧未知设备种类繁多，用户新添置设备较为复杂，品牌及型号层次不穷，现有的辨识方法无法实时更新本地数据库，难以适配用户新接入的未知设备，导致目前非侵入式辨识装置对未知设备的识别准确率不高，并且现有技术对于未识别的未知设备，无法进行自我学习重新分类，导致识别效率降低。
技术实现思路
鉴于上述问题，提出了本以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于自适应谐振网络的电力需求侧设备辨识方法和系统。一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，包括：S100.采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，通过未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；S200.将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类得到输入数据和测试数据，并将所述输入数据和测试数据进行归一化和编码处理；S300.通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；S400.根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；S500.根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果；S600.通过人机交互界面对辨识结果进行修正，并将所述修正结果加入预存数据库，更新预存数据库。进一步地，将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类，获取输入数据和测试数据的方法为：获取电力需求侧未知设备个数l，每种设备运行时随机进行开启和关闭。以采集频率f记录其m种特征，然后在两个暂态事件之间随机取n个特征点，因此可以获得n个m维数据组成的矩阵An×m；其中用于测试的数据记作a＝{a1,a2,…,am}，用于学习的数据记作b＝{b1,b2,…,bi}，其中i为数据序列的最大量。进一步地，使用最小-最大化特征法将输入数据和测试数据进行归一化，所述归一化公式如式(1)：其中，a′i是归一化后的第i个采样点。进一步地，对输入数据和测试数据进行编码，输入数据和测试数据编码方法分别按式(2)和式(3)来计算：xa＝[a,ac]＝[a,1-a](2)xb＝[b,bc]＝[b,1-b](3)进一步地，所述自适应谐振网络横向分为测试数据辨识区ARTa、标准数据学习区ARTb和连接两区域的映射区域xab，纵向分为输入层、编码层和辨识层。进一步地，映射区域xab表示为其中运算符∧定义为wi∧yi＝min(ωi,yi)。进一步地，S400包括：S401确定测试数据辨识区ARTa选择函数Tia，选择函数Tia如式(4)：其中，α为选择参数，xα为输入数据，wiα为ARTa层权重向量；S402确定胜出类别J，胜出类别J如下公式(5)：S403根据胜出类别J、数据序列x、胜出节点有关的权值向量WJ和共振警戒参数ρ判断数据序列x类别，若满足如下公式(6)：则可以产生共振，序列x属于类别J；如果不满足公式(6)，则Tiα被重置为0，权值w根据学习速率β更新为wJnew，如下公式(7)进一步地，S500包括：S501.利用预存数据库中大类数据库对类别J进行基础识别，所述大类数据库包括暂稳态功率数据、谐波数据、电器运行周期、常用时段以及对应的具体电器类型，识别未知设备具体电器类型；S502.利用预存数据库中精细数据库对类别J进行精确识别，所述精细数据库包括电器设备型号的单个电器特性，用于识别未知设备具体型号。另一方面，本专利技术还公开了一种基于自适应谐振网络的电力需求侧设备辨识系统，包括：电力数据采集与检测模块，特征输入模块，学习训练模块，辨识模块和数据库匹配模块；电力数据采集与检测模块，用于采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，通过未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；特征输入模块，将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类，获取输入数据和测试数据，并将所述输入数据和测试数据进行归一化和编码处理；学习训练模块，通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；辨识模块，根据自适应谐振网络新训练模型对测试数据进行辨识，得到辨识结果；数据库匹配模块，通过预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果。进一步地，还包括人机交互模块，通过人机交互模块对辨识结果进行修正，并将所述修正结果加入预存数据库，更新预存数据库。本专利技术的有益效果是：相比现有技术，本专利技术所提供的一种基于自适应谐振网络的电力需求侧设备辨识方法和系统，以自适应谐振网络映射作为主要辨识方法，根据其竞争特性和扩展性，可以将未知设备与现有设备特征分离开，进行单独辨识。该方法通过预先训练的结果对实时数据进行处理，检测到未知设备接入时可以启用大类数据库进行类别辨识，随后用户可以根据实际值修正该特征数据，将其添加进精细数据库中，以便下次算法可以进行自主识别。该方法可以在多设备混叠运行时进行高精度电力负荷辨识，并在新设备接入时自主加以区分，给出类别建议供用户参考。因此本方法可以有效提高升当前非侵入式辨识装置的准确度和易用性，扩充传统设备对新设备、复杂设备的兼容性，具有广阔的应用前景。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例一中，一种基于自适应谐振网络的电力需求侧设备辨识方法流程图；图2为本专利技术实施例一中有功功率数据原始采集波形；图3为本发本文档来自技高网...

【技术保护点】
1.一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，包括：/nS100.采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，通过未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；/nS200.将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类得到输入数据和测试数据，并将所述输入数据和测试数据进行归一化和编码处理；/nS300.通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；/nS400.根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；/nS500.根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果；/nS600.通过人机交互界面对辨识结果进行修正，并将所述修正结果加入预存数据库，更新预存数据库。/n

【技术特征摘要】
1.一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，包括：
S100.采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，通过未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；
S200.将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类得到输入数据和测试数据，并将所述输入数据和测试数据进行归一化和编码处理；
S300.通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；
S400.根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；
S500.根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果；
S600.通过人机交互界面对辨识结果进行修正，并将所述修正结果加入预存数据库，更新预存数据库。


2.如权利要求1的一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类，获取输入数据和测试数据的方法为：获取电力需求侧未知设备个数l，每种设备运行时随机进行开启和关闭。以采集频率f记录其m种特征，然后在两个暂态事件之间随机取n个特征点，因此可以获得n个m维数据组成的矩阵An×m；其中用于测试的数据记作a＝{a1,a2,…,am}，用于学习的数据记作b＝{b1,b2,…,bi}，其中i为数据序列的最大量。


3.如权利要求1的一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，使用最小-最大化特征法将输入数据和测试数据进行归一化，所述归一化公式如式(1)：



其中，a′i是归一化后的第i个采样点。


4.如权利要求1的一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，对输入数据和测试数据进行编码，输入数据和测试数据编码方法分别按式(2)和式(3)来计算：
xa＝[a,ac]＝[a,1-a](2)
xb＝[b,bc]＝[b,1-b](3)。


5.如权利要求1的一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，所述自适应谐振网络横向分为测试数据辨识区ARTa、标准数据学习区ARTb和连接两区域的映射区域xab，纵向分为输入层、编码层和辨识层。


6.如权利要求5的一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，映射区域xab表示为


<...

【专利技术属性】
技术研发人员：周洪，要若天，周东国，胡文山，邓其军，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42