一种基于LSTM学习的电力负荷智能识别方法技术

本发明专利技术公开了一种基于LSTM学习的电力负荷智能识别方法，获取原始电压电流数据，并进行归一化处理，建立负荷分类LSTM网络模型，调整网络内部超参数，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行模型训练，并设定两个网络训练终止指标，直至两个所述网络训练终止指标值都满足要求，完成模型训练，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，提高识别的准确率。

【技术实现步骤摘要】
一种基于LSTM学习的电力负荷智能识别方法
本专利技术涉及智能用电及负荷识别
，尤其涉及一种基于LSTM学习的电力负荷智能识别方法。
技术介绍
非侵入式负荷监测技术由Hart教授于20世纪80年代提出，负荷监测技术包括侵入式和非侵入式。侵入式负荷监测(Intrusiveloadmonitoring，ILM)是在用户家庭内部的每个电器都安装传感器从而记录其用电习惯，缺点是安装与维护困难、推广成本高、用户接受程度不一；而非侵入式电力负荷监测系统(Non-intrusiveloadmonitoring，NILM)，仅在用户入口处安装监测设备，通过分析用户入口处的用电，得到用户内部各个电器的使用情况，具有投入成本低、实用性强、维护简单、用户易接受等特点，目前电力负荷识别方法分为两大类：传统负荷识别方法和智能负荷识别方法。传统负荷识别方法主要是提取各类电器的特征值建立负荷特征库，通过模板匹配、最邻近和决策树等算法进行识别，其存在误判率较高、对小功率电器和多状态电器的识别精度不高等问题；智能负荷识别方法主要有遗传算法、隐式马可夫算法、支持向量机、卷积本文档来自技高网...

【技术保护点】
1.一种基于LSTM学习的电力负荷智能识别方法，其特征在于，包括：/n获取原始电压电流数据，并进行归一化处理；/n建立负荷分类LSTM网络模型，调整网络内部超参数；/n将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求；/n将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类。/n

【技术特征摘要】
1.一种基于LSTM学习的电力负荷智能识别方法，其特征在于，包括：
获取原始电压电流数据，并进行归一化处理；
建立负荷分类LSTM网络模型，调整网络内部超参数；
将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求；
将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类。


2.如权利要求1所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述获取原始电压电流数据，并进行归一化处理，包括：
获取原始电压电流数据，得到原始采样序列，并对所述原始采样序列中的数据进行归一化处理。


3.如权利要求2所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述建立负荷分类LSTM网络模型，调整网络内部超参数，包括：
根据所述原始电压电流数据，建立负荷分类LSTM网络模型，经过输入层的格式转换后，传输至LSTM层进行LSTM网络训练，依次经过全连接层和softmax层后，由分类输出层输出分类结果。


4.如权利要求3所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述建立负荷分类LSTM网络模型，调整网络内部超参数，还包括：
按照设定值调整学习率和迭代次数，获取输入权重、循环权...

【专利技术属性】
技术研发人员：高平航，邬永强，李兆刚，陈晨，陈炎，章为昆，丁剑飞，贾天有，
申请(专利权)人：浙江万胜智能科技股份有限公司，
类型：发明
国别省市：浙江;33