一种基于智能学习的非侵入式非居民用户负荷辨识方法技术

本发明专利技术提供一种基于智能学习的非侵入式非居民用户负荷辨识方法。首先利用训练好的K最邻近算法模型对采集到的非居民用户负荷的数据进行负荷辨识，得到不同负荷对应的投切时间数据。然后，对得到的各个负荷的投切时间数据进行相关的统计整理。再将整理的负荷投切时间数据输入训练好的BP神经网络中，进行各个负荷的投切时间概率分布曲线的拟合。最后，根据拟合出的各个负荷的投切概率分布曲线来判断辨识出的负荷种类是否正确。本发明专利技术能保证非居民用户负荷辨识的准确度，通过智能学习方法拟合出非居民负荷的投切概率分布曲线，来了解非居民用户对不同负荷的使用习惯，帮助负荷辨识进行进一步的判断。

A non-invasive non residential user load identification method based on Intelligent Learning

【技术实现步骤摘要】
一种基于智能学习的非侵入式非居民用户负荷辨识方法
本专利技术属于智能用电及非侵入式负荷辨识
，具体涉及一种基于智能学习的非侵入式非居民用户负荷辨识方法。
技术介绍
随着智能电网建设的飞速发展，电力需求侧管理作为一种由客户参与负荷的控制和电能的挖掘的一种管理方法也随之不断发展，这也让我国能更加合理有效的配置电力资源和有效提高了终端的电能使用效率。同时，非侵入式负荷监测有着巨大的研究空间并且受到了国内外的广泛关注。但是目前多应用于居民用户的各类电器的监测，而对于电网负荷重要组成部分的非居民用户负荷，我们进行的相关研究却不多。非侵入负荷监测一般分为事件探测、特征提取和负荷识别三个主要步骤。然而，目前使用的负荷辨识方法都存在着部分负荷特征重叠难以辨识的问题，这也导致了现今非侵入式负荷监测系统中的负荷辨识准确性不足。
技术实现思路
本专利技术为了解决现有技术中部分负荷特征重叠难以辨识的问题，提供一种非侵入式非居民用户负荷辨识方法。具体而言本专利技术提供了一种基于智能学习的非侵入式非居民用户负荷辨识方法，其特征在于，所述协同管控方法包括以下步骤：步骤S1：采集非居民用户数据中的各个电器发生投切事件时的负荷特征样本数据，并进行预处理作为训练数据集；步骤S2：从非居民用户数据中随机选取数种未知电器发生投切事件时的负荷特征样本数据，并进行预处理作为测试数据集；步骤S3：通过K最邻近分类算法模型辨识出所述数种未知电器的种类；步骤S4：将所述训练数据集输入BP神经网络模型，直到所述训练数据集穷尽或者误差函数满足要求；步骤S5：将所述测试数据集输入BP神经网络模型，获得数种电器的投切概率与投切时间的关系；步骤S6：分析数种电器的投切概率与投切时间的关系是否符合对应电器使用习惯，验证辨识得到的电器种类是否正确。更进一步地，在步骤S1中，所述训练数据集通过采集到的非居民用户数据中的各个电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述训练数据集。更进一步地，步骤S2中，所述测试数据集通过采集到的非居民用户数据中的数种电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述测试数据集。更进一步地，步骤S3中，还包括以下步骤：步骤S31：向所述K最邻近分类算法模型输入所示训练数据集和测试数据集并设定K的值；步骤S32：采用加权欧式距离计算距离度量，并获得K个与测试数据相近的训练数据；步骤S33：将测试数据的类别判定为距离其更近的训练数据的类别，得出分类结果。更进一步地，步骤S32中，所述加权欧式距离表示为：其中，wk是每个样本的权重；xi是第i个测试数据向量，xj是第j个训练数据向量，xi和xj均具有n个特征分量；xik即第i个测试数据的第k个特征分量，xjk即第j个训练数据的第k个特征分量。更进一步地，步骤S33中，所述分类结果表示为：其中，是测试数据的预测分类结果，xtest是测试数据，x′j是和测试数据xtest第j近的训练数据，f(x′j)是x′j的类别标记；yi是第i类负荷；δ是一个0，1函数，只有a＝b的时候δ(a,b)＝1，否则δ(a,b)＝0；Y是i×1的向量，i是负荷种类的总量；wj是投票的权重。更进一步地，步骤S33中，所述投票的权重表示为：更进一步地，步骤S5中，所示数种电器的投切概率与投切时间的关系通过所示测试数据集获取数种电器的投切频数分布曲线图，并对数种电器的所述投切频数分布曲线进行积分得到各个曲线下的面积，再用数种电器的所述投切频数分布曲线除以所述面积，获取数种电器的投切概率分布图。本专利技术的有益效果是：本专利技术对于解决非居民用户负荷种类多，负荷辨识误差较大等问题具有显著优势。利用非侵入式负荷监测系统来采集非居民用户用电数据进而实现对各类非居民负荷的能耗进行监测和分时段计费，然后从这些数据中提取出负荷的各类特征。本专利技术通过K最邻近算法模型初步对多种非居民用户负荷进行分类，K0最邻近算法模型分类器不需要提前使用训练集进行训练，训练时间复杂度为0，使多种非居民用户负荷初步分类更加方便快捷。本专利技术通过利用这些特征进行负荷识别进而建立泛化的智能学习模型，来拟合非居民负荷的投切概率分布曲线，来了解大家对不同负荷的使用习惯，进而帮助负荷辨识进行进一步的判断。本方法准确性较高，对于负荷辨识精确度有显著提升，原理简单，实施方便。附图说明图1是本专利技术实施例提供的一种基于智能学习的非侵入式非居民用户负荷辨识方法的步骤示意图；图2是本专利技术实施例提供的教室电灯的电流波形图；图3是本专利技术实施例提供的投影仪的电流波形图；图4是本专利技术实施例提供的教室电灯的loss函数收敛趋势图；图5是本专利技术实施例提供的投影仪的loss函数收敛趋势图；图6是本专利技术实施例提供的教室电灯的概率分布图；图7是本专利技术实施例提供的投影仪的概率分布图。具体实施方式下面通过实施例，并结合附图1-7，对本专利技术的技术方案作进一步具体的说明。如附图1所示，本申请的实施例提供了一种基于智能学习的非侵入式非居民用户负荷辨识方法，包括以下步骤：步骤S1：采集非居民用户数据中的各个电器发生投切事件时的负荷特征样本数据，并进行预处理作为训练数据集；步骤S2：从非居民用户数据中随机选取数种未知电器发生投切事件时的负荷特征样本数据，并进行预处理作为测试数据集；步骤S3：通过K最邻近分类算法模型辨识出数种未知电器的种类；步骤S4：将所述训练数据集输入BP神经网络模型，直到所述训练数据集穷尽或者误差函数满足要求；步骤S5：将所述测试数据集输入BP神经网络模型，获得数种电器的投切概率与投切时间的关系；步骤S6：分析数种电器的投切概率与投切时间的关系是否符合对应电器使用习惯，验证辨识得到的电器种类是否正确。具体的，在步骤S1中，提取出采集到的非居民用户数据中的各个电器发生投切事件时的稳态工作电流数据，并对这些电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为负荷特征样本作为训练数据集。在步骤S2中，随机地再从采集到的非居民用户数据中，选取数种未知电器发生投切事件时的稳态工作电流数据，并对这些电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为负荷特征样本作为测试数据集。在步骤S3中，利用K最邻近分类算法进行非侵入式负荷辨识，K最邻近分类算法是一种基于距离的智能学习方法。由于用K最邻近分类算法建立的模型没有非常明显的训练过程，所以将训练数据集输入后它还不会开始计算，只有当将测试数据集输入进行分类时它才真正开始计算。对于输入的测试数据集，K最邻近分类算法模型首先会找出距离测试数据最近的K个训练数据，本文档来自技高网...

【技术保护点】
1.一种基于智能学习的非侵入式非居民用户负荷辨识方法，其特征在于，所述协同管控方法包括以下步骤：/n步骤S1：采集非居民用户数据中的各个电器发生投切事件时的负荷特征样本数据，并进行预处理作为训练数据集；/n步骤S2：从非居民用户数据中随机选取数种未知电器发生投切事件时的负荷特征样本数据，并进行预处理作为测试数据集；/n步骤S3：通过K最邻近分类算法模型辨识出所述数种未知电器的种类；/n步骤S4：将所述训练数据集输入BP神经网络模型，直到所述训练数据集穷尽或者误差函数满足要求；/n步骤S5：将所述测试数据集输入BP神经网络模型，获得数种电器的投切概率与投切时间的关系；/n步骤S6：分析数种电器的投切概率与投切时间的关系是否符合对应电器使用习惯，验证辨识得到的电器种类是否正确。/n

【技术特征摘要】
1.一种基于智能学习的非侵入式非居民用户负荷辨识方法，其特征在于，所述协同管控方法包括以下步骤：
步骤S1：采集非居民用户数据中的各个电器发生投切事件时的负荷特征样本数据，并进行预处理作为训练数据集；
步骤S2：从非居民用户数据中随机选取数种未知电器发生投切事件时的负荷特征样本数据，并进行预处理作为测试数据集；
步骤S3：通过K最邻近分类算法模型辨识出所述数种未知电器的种类；
步骤S4：将所述训练数据集输入BP神经网络模型，直到所述训练数据集穷尽或者误差函数满足要求；
步骤S5：将所述测试数据集输入BP神经网络模型，获得数种电器的投切概率与投切时间的关系；
步骤S6：分析数种电器的投切概率与投切时间的关系是否符合对应电器使用习惯，验证辨识得到的电器种类是否正确。


2.根据权利要求1所述用户负荷辨识方法，其特征在于，在步骤S1中，所述训练数据集通过采集到的非居民用户数据中的各个电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述训练数据集。


3.根据权利要求1所述协同管控方法，其特征在于，步骤S2中，所述测试数据集通过采集到的非居民用户数据中的数种电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述测试数据集。


4.根据权利要求1所述协同管控方法，其特征在于，步骤S3中，还包括以下步骤：
步骤S31：向所述K最邻近分类...

【专利技术属性】
技术研发人员：郝建军，赵国伟，顾袁杰，常波，陈瑜，樊晓峰，
申请(专利权)人：国网山西省电力公司大同供电公司，华北电力大学，
类型：发明
国别省市：山西;14