1.一种智能电力负载识别方法,其特征在于,包括:
步骤1、模拟日常用电情况,在电路中增减电器以实现电路总负载的变化,记录负载变化时的电路总进线的电参量变化量x(i),同时将x(i)对应的当前电路负载情况记为图节点数据g(i);
其中,在电参量发生变化的第i时刻,将电参量的变化数据加上当时的时间和环境附加数据,记为第i时刻的电参量变化量x(i);图节点数据g(i)由n个子节点
步骤2、因为子节点数目不固定,导致图节点数据g(i)维度不固定,对图节点数据g(i)进行快速傅里叶变换,将其转为固定维度的图节点频域数据h(i);所述电参量变化量x(i)和图节点频域数据h(i)构成训练样本;
步骤3、利用隐性马尔科夫模型对电参量变化量x(i)和图节点频域数据h(i)进行建模,将图节点频域数据视为电参量变化量的隐变量,而图节点频域数据h(i)只受到上一时刻的图节点频域数据h(i-1)的影响;
步骤4、使用自循环神经网络来实现隐马尔科夫模型;自循环神经网络的输入为i时刻的电参量变化量x(i)和i-1时刻的图节点频域数据h(i-1),输出为i时刻的图节点频域数据h(i);采用步骤2获取的训练样本对自循环神经网络进行循环训练;
步骤5、实际负载识别时,根据电路中的初始负载状态构建初始图节点数据g(0)并转化为初始图节点频域数据h(0);当电路中出现负载变化时,令i=1,获取电路中的电参量变化量x(1),将x(1)和h(0)输入到自循环神经网络中,输出h(1),对h(1)进行逆傅里叶变换即可得到图节点数据g(1);每当电路中负载变化时,i自加1,均进行一次自循环神经网络的循环计算,自循环神经网络利用x(i)和h(i-1)计算出输出h(i),对h(i)进行逆傅里叶变换获得图节点数据g(i),根据g(i)识别出电路中的当前负载状态。
2.如权利要求1所述的方法,其特征在于,所述步骤2中,对图节点数据g(i)进行傅里叶变换,将其转为固定维度的图节点频域数据h(i)为:
设g(i)中当前包含了n个子节点,每个子节点由2个数据组成,则g(i)可表示为一个n×2维的数组,利用快速傅里叶变换算法将g(i)的n×2维的数组转为m×2维的频域数据,其中m为预先设定的频域采样个数,取值上确保m总是大于实际使用中g(i)子节点的个数n。
3.如权利要求2所述的方法,其特征在于,所述步骤4中,对h(i)进行逆傅里叶变换获得图节点数据g(i)为:
对自循环神经网络输出的m×2维的h(i)进行逆傅里叶变换后,得到m×2维的数据记为原始数据
4.如权利要求2所述的方法,其特征在于,家用场景中m设置为100,工业用电环境中m设置为1000。
5.如权利要求1所述的方法,其特征在于,在步骤1在电路总负载的单次变化时,仅变更一个电器负载。
6.如权利要求1所述的方法,其特征在于,电路中出现负载变化的识别方式为:在电路的总进线处安装智能电表,实现电路中电参量的采集,根据电参量的突变识别负载变化。
7.如权利要求1所述的方法,其特征在于,所述电参量变化量x(i)中的所述电参量的变化数据包括电路中总的有功功率、无功功率、视在功率、电压电流真有效值、相角和频率的变化量。
8.如权利要求7所述的方法,其特征在于,对于x(1),其中的电参量的变化数据采用第一次记录的电参量数据,而不用变化量。
9.如权利要求1所述的方法,其特征在于,所述电参量变化量x(i)中的环境附加数据包括当前的时间、气温和空气湿度。