一种基于模型仿真的负荷识别方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种基于模型仿真的负荷识别方法、系统、装置及介质，其中方法包括：构建多种电气设备的电路仿真模型；更新设置电路仿真模型的参数后，运行电路仿真模型，获取负荷的电力指纹特征数据；将获得的电力指纹特征数据进行归一化处理，获得去量纲的数据集；根据数据集获取训练集和测试集，采用训练集对负荷识别模型进行训练，采用测试集对训练后的负荷识别模型进行测试。本发明专利技术基于仿真软件实现对电气设备电路模型的仿真，能够轻松通过改变模型的参数从而得到多样化数据，同时可以得到多数量的负荷模型数据，对于进行负荷分解和识别算法的研究具有极大的意义。本发明专利技术可广泛应用于非侵入式负荷识别技术领域。于非侵入式负荷识别技术领域。于非侵入式负荷识别技术领域。

【技术实现步骤摘要】
一种基于模型仿真的负荷识别方法、系统、装置及介质


[0001]本专利技术涉及非侵入式负荷识别
，尤其涉及一种基于模型仿真的负荷识别方法、系统、装置及介质。

技术介绍

[0002]非侵入式电力负荷监测，是指仅需在电力总口处安装传感器，通过采集和分析电力总口处的电压和电流可以获得总负荷内部每个用电设备的工作状态和耗电功率等设备信息。电力负载分解技术是实现智能电网的一项关键技术，通过分析家庭的电表数据估算各个设备的用电情况，并且采取适当的节电措施，提供个性化的反馈。实现负荷分解与识别技术能够对电网预测负荷曲线、提高电力资源的有效利用率等产生极大地帮助。在对负荷模型进行训练时，模型的识别能力与训练集的数据量有关，现有的训练集通过采集用电设备的物理数据(如电压数据、电流数据)，这种获取数据的方法比较繁琐，严重影响训练集的数据量，进而影响模型识别的性能。

技术实现思路

[0003]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种基于模型仿真的负荷识别方法、系统、装置及介质。
[0004]本专利技术所采用的技术方案是：
[0005]一种基于模型仿真的负荷识别方法，包括以下步骤：
[0006]构建多种电气设备的电路仿真模型；
[0007]更新设置电路仿真模型的参数后，运行电路仿真模型，获取负荷的电力指纹特征数据；
[0008]将获得的电力指纹特征数据进行归一化处理，获得去量纲的数据集；
[0009]根据数据集获取训练集和测试集，采用训练集对负荷识别模型进行训练，采用测试集对训练后的负荷识别模型进行测试。
[0010]进一步，所述电力指纹特征数据包括电压有效值、电流有效值、视在功率、电流畸变率、电流1
‑
21次奇次谐波或电压电流相位差中的至少一种。
[0011]进一步，所述根据数据集获取训练集和测试集，包括：
[0012]采用主成分分析法对所述数据集进行特征降维处理，获得有用数据；
[0013]按照预设比例将有用数据划分为训练集和测试集。
[0014]进一步，所述采用主成分分析法对所述数据集进行特征降维处理，获得有用数据，包括：
[0015]采用主成分分析法对所述数据集进行特征降维处理，获取特征向量和特征值，得到的特征值表征每个指纹特征数据的主成分，即该指纹特征数据所包含的原始数据集的信息大小；
[0016]对特征值进行降序排序，检测并确定累计贡献度达到达到预设阈值，停止特征降
维处理，获得表达性强的特征集作为有用数据。
[0017]进一步，所述特征向量和特征值的计算公式为：
[0018]Aυ＝λυ
[0019]式中，A表示协方差矩阵，υ表示特征向量，λ表示特征值；
[0020]累积贡献度的计算公式为：
[0021][0022]式中，n
′
表示达到目标累计贡献率时的指纹特征个数，n表示指纹特征数据的种类，t表示目标累计贡献率。
[0023]进一步，所述负荷识别模型为RBF神经网络；其中，采用高斯核函数作为径向基函数，以确定输入层到隐含层的映射关系，将输入层的低维度p映射到高维度的h。
[0024]进一步，所述RBF神经网络的核函数的表达式为：
[0025][0026]式中，x表示某指纹特征的数据，c表示该指纹特征的均值，σ表示函数的宽度参数；
[0027]所述RBF神经网络的输出为：
[0028][0029]式中，x
p
表示输入的低维度p，w
ij
表示隐层的第j个节点与输出层第i个节点的权重；
[0030]所述RBF神经网络的损失函数为：
[0031][0032]式中，p表示输入数据的维度，m表示输出层神经元的个数，d
j
表示第j个输出神经元的网络输出值。
[0033]本专利技术所采用的另一技术方案是：
[0034]一种基于模型仿真的负荷识别系统，包括：
[0035]电路构建模块，用于构建多种电气设备的电路仿真模型；
[0036]循环设置模块，用于更新设置电路仿真模型的参数后，运行电路仿真模型，获取负荷的电力指纹特征数据；
[0037]数据处理模块，用于将获得的电力指纹特征数据进行归一化处理，获得去量纲的数据集；
[0038]模型训练模块，用于根据数据集获取训练集和测试集，采用训练集对负荷识别模型进行训练，采用测试集对训练后的负荷识别模型进行测试。
[0039]本专利技术所采用的另一技术方案是：
[0040]一种基于模型仿真的负荷识别装置，包括：
[0041]至少一个处理器；
[0042]至少一个存储器，用于存储至少一个程序；
[0043]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0044]本专利技术所采用的另一技术方案是：
[0045]一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0046]本专利技术的有益效果是：本专利技术基于仿真软件实现对电气设备电路模型的仿真，能够轻松通过改变模型的参数从而得到多样化数据，同时可以得到多数量的负荷模型数据，对于进行负荷分解和识别算法的研究具有极大的意义。
附图说明
[0047]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0048]图1是本专利技术实施例中一种基于模型仿真的负荷识别方法的步骤流程图；
[0049]图2是本专利技术实施例中基于电气设备的模型仿真和RBF网络的识别方法的步骤流程图；
[0050]图3是本专利技术实施例中常见电阻负载的电路模型图；
[0051]图4是本专利技术实施例中阻抗负荷的电路模型图；
[0052]图5是本专利技术实施例中小功率风机的电路模型图；
[0053]图6是本专利技术实施例中RBF神经网络模型结构的示意图。
具体实施方式
[0054]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，仅用于解释本专利技术，而不能理解为对本专利技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0055]在本专利技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型仿真的负荷识别方法，其特征在于，包括以下步骤：构建多种电气设备的电路仿真模型；更新设置电路仿真模型的参数后，运行电路仿真模型，获取负荷的电力指纹特征数据；将获得的电力指纹特征数据进行归一化处理，获得去量纲的数据集；根据数据集获取训练集和测试集，采用训练集对负荷识别模型进行训练，采用测试集对训练后的负荷识别模型进行测试。2.根据权利要求1所述的一种基于模型仿真的负荷识别方法，其特征在于，所述电力指纹特征数据包括电压有效值、电流有效值、视在功率、电流畸变率、电流1
‑
21次奇次谐波或电压电流相位差中的至少一种。3.根据权利要求1所述的一种基于模型仿真的负荷识别方法，其特征在于，所述根据数据集获取训练集和测试集，包括：采用主成分分析法对所述数据集进行特征降维处理，获得有用数据；按照预设比例将有用数据划分为训练集和测试集。4.根据权利要求3所述的一种基于模型仿真的负荷识别方法，其特征在于，所述采用主成分分析法对所述数据集进行特征降维处理，获得有用数据，包括：采用主成分分析法对所述数据集进行特征降维处理，获取特征向量和特征值，得到的特征值表征每个指纹特征数据的主成分，即该指纹特征数据所包含的原始数据集的信息大小；对特征值进行降序排序，检测并确定累计贡献度达到达到预设阈值，停止特征降维处理，获得表达性强的特征集作为有用数据。5.根据权利要求1所述的一种基于模型仿真的负荷识别方法，其特征在于，所述特征向量和特征值的计算公式为：Aυ＝λυ式中，A表示协方差矩阵，υ表示特征向量，λ表示特征值；累积贡献度的计算公式为：式中，n
′
表示达到目标累计贡献率时的指纹特征个数，n表示指纹特征数据的种类，t表示目标累计贡献率。6.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：李锦辉，瞿凯平，余涛，史守圆，杨胜春，李亚平，高冠中，荆江平，叶婷，笪涛，蓝超凡，刘易锟，
申请(专利权)人：中国电力科学研究院有限公司国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：