一种基于负荷电力指纹特征的非侵入式负荷识别方法技术

本发明专利技术公开了一种基于负荷电力指纹特征的非侵入式负荷识别方法，它包括步骤1、采集负荷的电力指纹特征数据；步骤2、对特征数据进行规范化处理，将处理后的数据划分为训练集和验证集；步骤3、将训练集数据转化为输入矩阵，建立并训练基于注意机制的卷积神经网络；步骤4、通过验证集判断模型的准确性；步骤5、将用户数据用于识别测试；解决了现有技术的负荷识别方法存在的不能应用到整个电力设备，尤其是它不能对分布式发电和储能设备进行有效识别，存在应用场景和业务场景不广泛等技术问题。应用场景和业务场景不广泛等技术问题。应用场景和业务场景不广泛等技术问题。

【技术实现步骤摘要】
一种基于负荷电力指纹特征的非侵入式负荷识别方法


[0001]本专利技术属于负荷识别技术，尤其涉及一种基于负荷电力指纹特征的非侵入式负荷识别方法。
技术背景
[0002]现有技术的负荷识别技术一般基于传统的功率指纹特征进行识别，功率指纹特征仅限于负载设备，不能应用到整个电力设备，尤其是它不能对分布式发电和储能设备进行有效识别，存在应用场景和业务场景不广泛等缺陷。

技术实现思路

[0003]本专利技术要解决的技术问题是：提供一种基于负荷电力指纹特征的非侵入式负荷识别方法，以解决现有技术的负荷识别方法存在的不能应用到整个电力设备，尤其是它不能对分布式发电和储能设备进行有效识别，存在应用场景和业务场景不广泛等技术问题。
[0004]本专利技术技术方案：
[0005]一种基于负荷电力指纹特征的非侵入式负荷识别方法，它包括：
[0006]步骤1、采集负荷的电力指纹特征数据；
[0007]步骤2、对特征数据进行规范化处理，将处理后的数据划分为训练集和验证集；
[0008]步骤3、将训练集数据转化为输入矩阵，建立并训练基于注意机制的卷积神经网络；
[0009]步骤4、通过验证集判断模型的准确性；
[0010]步骤5、将用户数据用于识别测试。
[0011]所述电力指纹特征数据包括：有功功率、无功功率、视在功率、功率因数、电压幅值、电流幅值、电流0
‑
11次谐波含量值和电压0
‑
11次谐波含量值。
[0012]步骤2所述对数据进行规范化处理的方法为：通过归一化处理公式进行处理：a'表示归一化后的结果，a表示特征数据，a
max
表示该类特征数据的最大值,a
min
表示该类特征数据的最小值。
[0013]所述将训练集数据转化为输入矩阵的方法为：将训练集数据转换为28
×
28
×
3的输入矩阵。
[0014]训练基于注意机制的卷积神经网络的方法为：利用单个负荷的电力指纹特征数据训练基于注意力机制的卷积神经网络；注意力机制是指学习权重的分布，即输入数据或特征图的不同部分具有不同的集中度。
[0015]步骤4所述用验证集判断模型的准确性时，如果模型的准确率达到要求，则结束模型的训练；否则调整模型网络的参数。
[0016]识别测试时，采用用户总线的电气数据用于识别测试。
[0017]识别测试时，采用滑动时间窗算法检测负荷投切事件的发生，并对投切事件前后
的电力指纹特征数据进行差分得到变化；将变化数据转化为神经网络的输入矩阵，训练后的模型识别变化中的负荷功率指纹特征，并将其分离为单个负荷的一组功率指纹特征，最终实现非侵入式负荷识别。
[0018]本专利技术有益效果：
[0019](1)基于负荷功率指纹特征的非侵入式负荷识别方法在实际中有着广阔的应用前景和业务场景。基于电力指纹特征，可以构建包含大量电力设备的电力指纹信息数据库。结合信息库，每个标识环节都可以生成相应的业务模型。
[0020](2)本专利技术设计了一种基于负载功率指纹特征的非侵入式负载识别方法，是功率指纹技术的应用。基于电力指纹技术和本专利技术，工商用户可以方便地使用需求响应等综合能源服务，电网企业还可以监控各种负荷信息，实现调峰填谷，降低发电成本，实现双赢。
[0021](3)本专利技术设计了一种基于负荷功率指纹特征的非侵入式负荷识别方法，采用了新的深度学习解决方案，性能更好；卷积神经网络不需要人工选择特征和训练权值，即具有良好的特征分类效果，因为网络具有具有共享卷积核的特点，因此不需要高维数据的处理压力。
[0022]解决了现有技术的负荷识别方法存在的不能应用到整个电力设备，尤其是它不能对分布式发电和储能设备进行有效识别，存在应用场景和业务场景不广泛等技术问题。
附图说明：
[0023]图1是本专利技术基于负荷电力指纹特征的非侵入式负荷识别方法的流程图；
[0024]图2是本专利技术基于注力意机制的卷积神经网络模型结构的示意图。
具体实施方式：
[0025]本专利技术电力指纹的定义概括为：通过对电网设备电气数据的监测，利用人工智能技术和大数据技术挖掘能够代表设备某些特征的特征点，而多维特征点的聚集就是设备的功率指纹特征。与传统的负载特征不同，功率指纹特征仅限于负载设备。电力指纹特征的应用对象可以扩展到整个电力设备领域。它不仅可以识别用户侧设备的功率指纹，还可以识别一些分布式发电和储能设备。非侵入式负荷识别通过记录用户总线的总负荷信息，对电力负荷分量进行分解，得到各用电设备的信息，进而得到用电设备的能耗信息和用户的用电规律。经济投入小，用户接受度高。电力指纹技术作为一种新的负荷识别技术，能够提供准确的负荷特征信息，两者的结合能够很好地满足负荷识别的实际要求。
[0026]一种基于负荷电力指纹特征的非侵入式负荷识别方法，它包括：
[0027]步骤1、采集负荷的电力指纹特征数据；
[0028]步骤2、对特征数据进行规范化处理，将处理后的数据划分为训练集和验证集；
[0029]步骤3、将训练集数据转化为输入矩阵，建立并训练基于注意机制的卷积神经网络；
[0030]步骤4、通过验证集判断模型的准确性；
[0031]步骤5、将用户总线电气数据用于识别测试。
[0032]所述电力指纹特征数据包括：有功功率、无功功率、视在功率、功率因数、电压幅值、电流幅值、电流0
‑
11次谐波含量值和电压0
‑
11次谐波含量值。
[0033]步骤2所述对数据进行规范化处理的方法为：通过归一化处理公式进行处理：a'表示归一化后的结果，a表示特征数据，a
max
表示该类特征数据的最大值,a
min
表示该类特征数据的最小值。
[0034]所述将训练集数据转化为输入矩阵的方法为：将训练集数据转换为28
×
28
×
3的输入矩阵。
[0035]训练基于注意机制的卷积神经网络的方法为：利用单个负荷的电力指纹特征数据训练基于注意力机制的卷积神经网络；注意力机制是指学习权重的分布，即输入数据或特征图的不同部分具有不同的集中度。
[0036]步骤4所述用验证集判断模型的准确性时，如果模型的准确率达到要求，则结束模型的训练；否则调整模型网络的参数。
[0037]识别测试时，采用用户总线的电气数据用于识别测试。
[0038]识别测试时，采用滑动时间窗算法检测负荷投切事件的发生，并对投切事件前后的电力指纹特征数据进行差分得到变化；将变化数据转化为神经网络的输入矩阵，训练后的模型识别变化中的负荷功率指纹特征，并将其分离为单个负荷的一组功率指纹特征，最终实现非侵入式负荷识别。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷电力指纹特征的非侵入式负荷识别方法，它包括：步骤1、采集负荷的电力指纹特征数据；步骤2、对特征数据进行规范化处理，将处理后的数据划分为训练集和验证集；步骤3、将训练集数据转化为输入矩阵，建立并训练基于注意机制的卷积神经网络；步骤4、通过验证集判断模型的准确性；步骤5、将用户数据用于识别测试。2.根据权利要求1所述的一种基于负荷电力指纹特征的非侵入式负荷识别方法，其特征在于：所述电力指纹特征数据包括：有功功率、无功功率、视在功率、功率因数、电压幅值、电流幅值、电流0
‑
11次谐波含量值和电压0
‑
11次谐波含量值。3.根据权利要求1所述的一种基于负荷电力指纹特征的非侵入式负荷识别方法，其特征在于：步骤2所述对数据进行规范化处理的方法为：通过归一化处理公式进行处理：a'表示归一化后的结果，a表示特征数据，a
max
表示该类特征数据的最大值,a
min
表示该类特征数据的最小值。4.根据权利要求1所述的一种基于负荷电力指纹特征的非侵入式负荷识别方法，其特征在于：所述将训练集数据转化为输入矩阵的方法为：将训...

【专利技术属性】
技术研发人员：谈竹奎，刘斌，张秋雁，颜霞，林呈辉，王灿华，徐长宝，周海，曾鹏，任召廷，唐赛秋，杨成，王秀境，徐玉韬，欧家祥，胡厚鹏，高吉普，王宇，王冕，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：