基于BP神经网络模型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BP神经网络模型的非侵入式负荷识别方法，涉及电力技术领域，包括以下步骤：A、特征分析样本的获取，B、特征样本集的获取，C、BP神经网络的优化和D、输出负荷识别结果四个步骤。本发明专利技术通过电能表计量芯采集不同家用负荷运行数据，提取家用负荷的暂态和稳态变化过程为负荷特征，结合BP神经网络模型实现家用负荷的辨识，从而提高居民侧负荷辨识的准确性和可靠性。识的准确性和可靠性。识的准确性和可靠性。

【技术实现步骤摘要】
基于BP神经网络模型的非侵入式负荷识别方法


[0001]本专利技术涉及电力
，尤其涉及一种基于BP神经网络模型的非侵入式负荷识别方法。

技术介绍

[0002]负荷识别方法主要有侵入式负荷识别和非侵入式负荷识别两大类。虽然侵入式负荷识别方法的识别结果较为准确，但是由于成本高等原因不太受欢迎。而非侵入式负荷识别方法(non
‑
intrusive load monitoring，NILM)成本低而且实用性强，所以NILM成为了当今电力系统智能计量领域的热点。NILM通过在入户电表上安装嵌入式非侵入电力识别模块，然后通过负荷识别算法来检测建筑内的负荷工作情况。负荷识别需要解决的问题是，建立已知用电设备的特征库和从采集数据中提取出来的负荷特征与已知特征库进行对比，识别总负荷的成分，实现负荷辨识。基于模式识别的负荷识别，实质是通过学习各种用电设备的负荷特征（暂态，稳态等），来达到辨识负荷的目标。基于模式识别的负荷识别算法众多，包括鸡群算法、隐形马尔科夫模型、支持向量机等，但该类算法处理负荷种类较为简单，而采用BP神经网络模型能够在复杂场景下进行多种电器负荷的辨识，应用前景良好。

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BP神经网络模型的非侵入式负荷识别方法，对用户的用电状况进行分析，加强居民用户负荷侧的预测和管理，唤醒用户侧沉睡的调节能力，合理引导与激励居民用户积极参与电力需求侧响应，提高电能使用的效率，达到削峰填谷的目的，提升新型电力系统的可靠性，灵活性和经济性。
[0004]为解决上述技术问题，本专利技术采用的技术方案是：包括以下步骤：A、特征分析样本的获取：A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U
si
和电流数据集合I
si
；A.2、对电压数据集合U
si
和电流数据集合I
si
进行处理得到负荷的有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
；A.3、根据有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行数据截取获取特征分析样本；B、特征样本集的获取：B.1、对有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集；B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集；C、BP神经网络的优化：通过特征样本集对BP神经网络进行训练，并通过最速下降法对训练结果进行优化；D、输出负荷识别结果：对于待识别的负荷，将待识别的负荷中的最优负荷特征值输入至优化后的BP神经网络模型，获取负荷识别结果。
[0005]本专利技术的有益技术效果是：通过电能表计量芯采集不同家用负荷运行数据，提取家用负荷的暂态和稳态变化过程为负荷特征，结合BP神经网络模型实现家用负荷的辨识，
从而提高居民侧负荷辨识的准确性和可靠性。
[0006]下面结合附图对本专利技术进行详细说明。
附图说明
[0007]图1是本专利技术的训练流程图；图2是本专利技术的识别流程图。
[0008]参见附图1和2，本专利技术提供了一种基于BP神经网络模型的非侵入式负荷识别方法，包括以下步骤。
[0009] A、特征分析样本的获取。
[0010]A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U
si
和电流数据集合I
si
。
[0011]A.2、对电压数据集合U
si
和电流数据集合I
si
进行处理得到负荷的有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
。
[0012]具体地，采用窗口滑差的方式分别对电压数据集合U
si
和电流数据集合I
si
每周期内的数据进行FFT变换得到每个采集周波下的电压的基波的初始相位
Ø
u和电流信号的基波的初始相位
Ø
i，根据公式分别计算有功功率的瞬时值集合P
si
和无功功率的瞬时值集合Q
si
。
[0013]A.3、根据有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行数据截取获取特征分析样本。
[0014]具体地，根据有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
，采用逐差法查找并截取包含有暂态启动的3个周期的有功功率和无功功率的时间段作为一个样本并通过滑动窗口以及双边CUSUM变点检测法对样本进行优化。通过滑动窗口以及双边CUSUM变点检测法对样本进行优化包括：采用滑差法对集合P
si
和Q
si
进行按周期数滑差分组，周期为T，滑差窗口为N，计算每组的均值S
i
，如果在连接时间t内均有
∆
η
i
≥H，则此时间段内该负荷处于启动状态并截取该时间段内3个周期的有功功率和无功功率数据作为一个样本，其中，
∆
η
i
=S
i
‑
S
i
‑1，H为最小功率变化差值，其值为经验值。
[0015] B、特征样本集的获取。
[0016] B.1、对有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集。
[0017]具体地，在步骤B.1中特征数据集包括时域下特征和频域下特征。所述时域下特征包括最大值、最小值、平均值、峰
‑
峰值、绝对值平均值、方差、标准值、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子。所述频域下特征包括频率均值、重心频率、频率均方根、频率标准差、基波相位和幅值、1、2、3、4、5次谐波相位和幅值。
[0018] B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集。
[0019]记特征值N
j
的取值。
[0020]可以将N
j
与N
k
两特征量的相关系数作为两特征量之间的相似性度。
[0021]具体地，通过计算N
j
与N
k
特征量间的相似度，其中，对于一切j，k，|r
jk
|≤1，r
jk
=r
kj
。
[0022]|r
jk
|越接近1，N
j
与N
k
越相关或越相似。|r
jk
|越接近零，N...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络模型的非侵入式负荷识别方法，其特征在于，包括以下步骤：A、特征分析样本的获取：A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U
si
和电流数据集合I
si
；A.2、对电压数据集合U
si
和电流数据集合I
si
进行处理得到负荷的有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
；A.3、根据有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行数据截取获取特征分析样本；B、特征样本集的获取：B.1、对有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集；B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集；C、BP神经网络的优化：通过特征样本集对BP神经网络进行训练，并通过最速下降法对训练结果进行优化；D、输出负荷识别结果：对于待识别的负荷，将待识别的负荷中的最优负荷特征值输入至优化后的BP神经网络模型，获取负荷识别结果。2.根据权利要求1所述的基于BP神经网络模型的非侵入式负荷识别方法，其特征在于，在步骤A.2中采用窗口滑差的方式分别对电压数据集合U
si
和电流数据集合I
si
每周期内的数据进行FFT变换得到每个采集周波下的电压的基波的初始相位
Ø
u和电流信号的基波的初始相位
Ø
i，根据公式分别计算有功功率的瞬时值集合P
si
和无功功率的瞬时值集合Q
si
。3.根据权利要求1所述的基于BP神经网络模型的非侵入式负荷识别方法，其特征在于，在步骤A.3中根据有功功率瞬时值集合P
si
和无功功率瞬时值集合Q
si
，采用逐差法查找并截取包含有暂态启动的3个周期的有功功率和无功功率的时间段作为一个样本并通过滑动窗口以及双边CUSUM变点检测法对样本进行优化。4.根据权利要求3所述的基于BP神经网络模型的非侵入式负荷识别方法，其特征在于，通过滑动窗口以及双边CUSUM变点检测法对样本进行优化包括：采用滑差法对集合P
si
和Q
si
进行按周期数滑差分组，周期为T，滑差窗口为N，计算每组的均值S...

【专利技术属性】
技术研发人员：张权，王世勇，王强，李峥，李伟，孙天运，白明，郭红梅，张辉，李科，刘狄，李建华，张磊，张祖，
申请(专利权)人：石家庄科林电气股份有限公司，
类型：发明
国别省市：