一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置制造方法及图纸

本发明专利技术提出一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置，方法包括以下步骤：（1）稳态运行状态提取；（2）V

【技术实现步骤摘要】
一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置


[0001]本专利技术涉及一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置，属于非侵入式负荷识别领域


技术介绍

[0002]负荷监测技术可以分为侵入式负荷监测和非侵入式负荷监测(Non
‑
intrusive Load Monitoring，NILM)。
[0003]其中侵入式负荷监测技术需要在家庭内部每一被测量电器处安装测量设备，具有住户接纳度低、安装繁琐、后期维护成本高等缺点，而非侵入式负荷监测技术是指只需在电力系统入口处安装测量装置，通过采集总线的电压、电流等电气参数从而实现对系统内部负荷种类、负荷运行状态等的监测。
[0004]现有非侵入式住宅负荷监测技术可分为监督学习方法和无监督学习方法。其中监督学习方法发展相对成熟，但其对于未训练数据具有辨识准确率低的问题，在工程上也难以实现。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置，可有效降低电器误检率，提高整体辨识准确率。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种耦合神经网络与动态时间规划的居民负荷辨识方法，其中包括以下步骤：
[0008]获取待识别的电器的电流和电压时间序列；
[0009]通过概率质量函数提取待识别的电器的稳态运行状态；
[0010]提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得处理后序列，并根据所述处理后序列绘制V
‑
I特性曲线灰度图；
[0011]将所述V
‑
I特性曲线灰度图输入至卷积神经网络，提取出特征向量；
[0012]将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到第一概率向量集合P
BiLSTM
；利用动态时间归整算法与负荷数据库中的特征向量进行相似度对比，得到第二概率向量集合P
DTW
，耦合第一概率向量集合P
BiLSTM
与第二概率向量集合P
DTW
得到最终辨识结果。
[0013]进一步的，所述负荷数据库的构造方法包括以下步骤：
[0014]所述负荷数据库的构造方法包括以下步骤：
[0015]采集多种电器的电流和电压时间序列，通过概率质量函数提取各种电器的稳态运行状态；
[0016]提取各种电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得
各种电器的处理后序列，并根据各种电器的处理后序列绘制各种电器的V
‑
I特性曲线灰度图；
[0017]将各种电器的V
‑
I特性曲线灰度图输入至卷积神经网络，提取出各种电器的特征向量；
[0018]多种电器的特征向量组合起来形成负荷数据库。
[0019]进一步的，通过概率质量函数PMF提取稳态运行状态的方法包括：
[0020]按如下方法计算：
[0021]P
M
为电器M的离散有功功率序列，其中最大功率值为P
max
；设置分级功率间隔为20W，将P
max
按分级功率间隔分级，并统计P
M
中各级功率出现的次数Num，并计算P
M
中各级功率出现的分级概率；
[0022]若某级的分级概率同时大于该级上一级的分级概率与该级下一级的分级概率，则认为该级的分级概率为一个PMF峰值，所述PMF峰值对应的有功功率分级范围为该电器的一个稳态运行状态。
[0023]进一步的，对稳态运行状态下的电流和电压时间序列进行归一化处理，获得处理后序列的方法包括：
[0024]取各一周期的稳态波形的电流和电压时间序列，取其一个周期为a个数据点，通过归一化将电流、电压数据转换为统一大小0～l，其公式如下：
[0025][0026][0027]式中，b
c
与u
c
表示归一化后电流、电压的第c个采样点数据；I
c
与U
c
表示原电流、电压的第c个采样点数据；minI与maxI分别表示原电流一个周期内的最小值与最大值；minU与maxU分别表示原电压一个周期内的最小值与最大值；[]表示取整符号,l是指一个固定数值，即将电流、电压数据转换为固定l大小内。
[0028]进一步的，根据所述处理后序列绘制V
‑
I特性曲线灰度图的方法包括以下步骤：
[0029]将所述处理后序列中各一个周期的电器稳态运行时波形的电流和电压数据分别作为纵坐标和横坐标绘制V
‑
I特性曲线；
[0030]将所述V
‑
I特性曲线转换为47*47的矩阵，所述矩阵的矩阵元素范围为0到255；通过用所述矩阵的矩阵元素代表图像256个灰度等级，转换成灰度图片形式的V
‑
I特性曲线灰度图。
[0031]进一步的，所述卷积神经网络的结构包括：
[0032]一层维度为(47，47，1)的输入层；
[0033]一层维度为(44，44，20)的卷积层，核函数维度为5
×
5(20)，激活函数为tanh；
[0034]一层维度为(22，22，20)的平均池化层，核函数维度为2
×
2；
[0035]一层维度为(1，100)的全连接层，激活函数为Relu；
[0036]通过所述卷积神经网络提取的特征向量为1*100大小的特征向量。
[0037]进一步的，所述长短期记忆人工神经网络的结构包括：一层维度为(1，100)的输入
层，一层维度为(1，100)的BiLSTM层，其中激活函数为sigmoid和tanh；一层维度为(1，11)的全连接层；一层维度为(1，9)的分类层，其中激活函数为Softmax；
[0038]所述长短期记忆人工神经网络的训练方法包括：
[0039]将所述负荷数据库中的电器特征向量输入至长短期记忆人工神经网络进行训练；
[0040]训练过程中，设置梯度阈值为1，训练周期为60，每周期迭代54次，训练过程使用自适应矩估计优化算法。
[0041]进一步的，耦合第一概率向量集合P
BiLSTM
与第二概率向量集合P
DTW
得到最终辨识结果的方法包括：
[0042]将两个算法的概率向量集合通过下面的公式结合，形成最终辨识向量集合P
final
＝{P
final
(1),P
final
(2),
…
,P
final
(i)
…
,P
final
(k)}：
[0043本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，包括以下步骤：获取待识别的电器的电流和电压时间序列；通过概率质量函数提取待识别的电器的稳态运行状态；提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得处理后序列，并根据所述处理后序列绘制V
‑
I特性曲线灰度图；将所述V
‑
I特性曲线灰度图输入至卷积神经网络，提取出特征向量；将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到第一概率向量集合P
BiLSTM
；利用动态时间归整算法与负荷数据库中的特征向量进行相似度对比，得到第二概率向量集合P
DTW
，耦合第一概率向量集合P
BiLSTM
与第二概率向量集合P
DTW
得到最终辨识结果。2.根据权利要求1所述的耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，所述负荷数据库的构造方法包括以下步骤：采集多种电器的电流和电压时间序列，通过概率质量函数提取各种电器的稳态运行状态；提取各种电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得各种电器的处理后序列，并根据各种电器的处理后序列绘制各种电器的V
‑
I特性曲线灰度图；将各种电器的V
‑
I特性曲线灰度图输入至卷积神经网络，提取出各种电器的特征向量；多种电器的特征向量组合起来形成负荷数据库。3.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，通过概率质量函数PMF提取稳态运行状态的方法包括：按如下方法计算：P
M
为电器M的离散有功功率序列，其中最大功率值为P
max
；设置分级功率间隔为20W，将P
max
按分级功率间隔分级，并统计P
M
中各级功率出现的次数Num，并计算P
M
中各级功率出现的分级概率；若某级的分级概率同时大于该级上一级的分级概率与该级下一级的分级概率，则认为该级的分级概率为一个PMF峰值，所述PMF峰值对应的有功功率分级范围为该电器的一个稳态运行状态。4.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，对稳态运行状态下的电流和电压时间序列进行归一化处理，获得处理后序列的方法包括：取各一周期的稳态波形的电流和电压时间序列，取其一个周期为a个数据点，通过归一化将电流、电压数据转换为统一大小0～l，其公式如下：化将电流、电压数据转换为统一大小0～l，其公式如下：式中，b
c
与u
c
表示归一化后电流、电压的第c个采样点数据；I
c
与U
c
表示原电流、电压的第
c个采样点数据；minI与maxI分别表示原电流一个周期内的最小值与最大值；minU与maxU分别表示原电压一个周期内的最小值与最大值；[]表示取整符号,l是指一个固定数值，即将电流、电压数据转换为固定l大小内。5.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，根据所述处理后序列绘制V
‑
I特性曲线灰度图的方法包括以下步骤：将所述处理后序列中各一个周期的电器稳态运行时波形的电流和电压数据分别作为纵坐标和横坐标绘制V
‑
I特性曲线；将所述V
‑
I特性曲线转换为47*47的矩阵，所述矩阵的矩阵元素范围为0到255；通过用所述矩阵的矩阵元素代表图像256个灰度等级，转换成灰度图片形式的V
‑
I特性曲线灰度图。6.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法，其特征在于，所述卷积神经网络的结构包括：一层维度为(47，47，1)的输入层；一层维度为(44，44，20)的卷积层，核函数维度为5

【专利技术属性】
技术研发人员：滕昌志，缪巍巍，曾锃，张瑞，张明轩，李世豪，张震，张厦千，马洲俊，夏飞，张利，
申请(专利权)人：国网江苏省电力有限公司信息通信分公司，
类型：发明
国别省市：