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、卷积神经网络算法和bp神经网络等，这些算法都需要大量的训练数据，导致识别的准确率较低等缺点。
技术实现思路
本专利技术的目的在于提供一种基于LSTM学习的电力负荷智能识别方法，提高识别的准确率。为实现上述目的，本专利技术提供了一种基于LSTM学习的电力负荷智能识别方法，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。其中，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。其中，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。其中，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、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、备选门和输出门的超参数。其中，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，包括：将所述归一化处理后得到的数据通过所述输入层输入所述负荷分类LSTM网络模型中进行模型训练，并设定两个网络训练终止指标，并判断两个所述网络训练终止指标值与设定值是否相等。其中，判断两个所述网络训练终止指标值与设定值是否相等，包括：若两个所述网络训练终止指标值都大于或等于设定值，则完成模型训练；若两个所述网络训练终止指标值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直至两个所述网络训练终止指标值都大于或等于设定值。其中，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，包括：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网络模型中进行负荷预测和分类，并设置召回率、准确度、平衡分数和准确率对结果进行评价。本专利技术的一种基于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。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术提供的一种基于LSTM学习的电力负荷智能识别方法的步骤示意图。图2是本专利技术提供的一种基于LSTM学习的电力负荷智能识别方法的流程示意图。图3是本专利技术提供的负荷分类LSTM网络模型图。图4是本专利技术提供的LSTM网络单元图。1-数据采集层、2-数据处理层、3-输入层、4-LSTM层、5-dropout层、6-全连接层、7-softmax层、8-分类输出层。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。请参阅图1至图4，本专利技术提供一种基于LSTM学习的电力负荷智能识别方法，包括：S101、获取原始电压电流数据，并进行归一化处理。具体的，获取各个家用电器运行时的原始电压电流数据，得到原始采样序列St＝{xt(1),xt(2),…,xt(T)},xt∈{U,I}，然后对所述原始采样序列进行归一化处理，计算公式为：其中，T＝fs/f,fs为采样频率，f为工频50Hz，t为采样周波数。S102、建立负荷分类LSTM网络模型，调整网络内部超参数。具体的，根据所述原始电压电流数据，建立负荷分类LSTM网络模型，参见图3，所述负荷分类LSTM网络模型包括数据采集层1、数据处理层2、输入层3、LSTM层4、dropout层5、全连接层6、softmax层7和分类输出层8，其中，所述数据采集层1，用于采集家用电器设备的原始电压电流数据，所述数据处理层2，用于对所述数据采集层1采集的原始电压电流数据进行归一化处理，所述输入层3，用于将归一化处理后的数据转换为网络输入的格式，所述LSTM层4，用于LSTM网络训练，所述dropout层5，用于防止网络过拟合，最后经过全连接层6、softmax层7和分类输出层8，输出电器识别的分类结果，并按照设定值调整学习率和迭代次数，获取输入权重W、循环权重R和偏差b，并分别利用门激活函数和状态激活函数调整对应的传入门i、遗忘门f、备选门g和输出门o的超参数，参见图4，网络内部学习权重为：W＝[Wi,Wf,Wg,Wo]TR＝[Ri,Rf,Rg,Ro]Tb＝[bi,bf,bg,bo]T所述负荷分类LSTM网络模型一次迭代的过程为：其中，其中σg为门激活函数，使用sigmoid函数，即σ(x)＝(1+e-x)-1，σc为状态本文档来自技高网...

【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