一种基于自学习神经网络的负荷辨识方法及系统与流程

1.本发明涉及用电监测及信号处理技术领域，并且更具体地，涉及一种基于自学习神经网络的负荷辨识方法及系统。


背景技术：

2.专变用户(使用专业变压器的电力用户)作为电力用户的重要组成部分，其用电负荷特征呈高占比、多样化的发展趋势，对电网源、网、荷、储的升级、运行和维护都有着重要的影响。
3.用户的用电负荷及运行情况的实时感知对用户保障用电安全，提高用电能效，响应双碳战略具有十分重要的意义。
4.在用户的用电设备处直接安装介入式监测设备投资较大，维护成本高，因此对于大部分用电用户可以选择非介入式负荷监测的方案。由于专变用户负荷类型多，用于进行负荷辨识的特征选取及后续辨识参数的选择是非介入式负荷监测技术的核心，基于自动化的特征提取与负荷辨识模型训练的方案，需要保证特征提取的完备性和负荷辨识的有效性，因此需要一种适用于不同场景下从多维特征簇中实现自动化提取关键特征的负荷特征训练与自学习方法。


技术实现要素：

5.针对上述问题，本发明提出了一种基于自学习神经网络的负荷辨识方法，包括：
6.在接入混合类型负荷的用户计量点处，采集用户的用电网络数据，针对用电网络数据生成负荷多维特征样本，并针对负荷多位特征样本构建用电网络的负荷特征空间；
7.确定负荷特征空间中识别度最高的主成分特征指标；
8.将主成分特征指标中的不同负荷特征输入自学习神经网络进行训练并学习，获取负荷辨识模型；
9.将待识别的用电网络数据输入至负荷辨识模型中，通过负荷辨识模型对待识别的用电网络数据进行负荷辨识。
10.可选的，负荷多维特征样本，包括：负荷工作方式特征、暂态启动过程特征、暂态停机过程特征和稳态过程特征。
11.可选的，针对用电网络数据生成负荷多维特征样本的过程中，对不同设备存在的启停过程重叠的特征进行剔除。
12.可选的，确定负荷特征空间中识别度最高的主成分特征指标，具体包括：
13.对负荷特征空间进行标准化处理，公式如下：
14.[0015][0016]
其中，x
it
是第i个样本负荷的第t项特征值，n为负荷特征空间中的负荷样本个数，d为样本负荷的特征维度，y为为标准化后的负荷特征空间，为标准化后的负荷特征空间；
[0017]
计算标准化处理后的负荷样本空间中样本的协方差矩阵，公式如下：
[0018][0019]
c＝xx
t
ꢀꢀꢀ
(4)
[0020]
其中，c为计算协方差矩阵，m
ij
为为对数中心化后的第i个样本负荷的第t项特征值，y
it
为为标准化后的第i个样本负荷的第t项特征值；
[0021]
计算协方差矩阵c的d个特征值λ1≤λ2≤
…
≤λd及对应的特征向量е1，е2，
…
，еd，获取特征值的方差贡献率v和累计方差贡献率t：
[0022][0023][0024]
其中，d为特征值个数，λ
j
为第j个特征值，通过计算单个特征值在整体中的占比获得方差贡献率v
j
；
[0025]
当累计方差贡献率达到设定值时，选取前a个负荷特征作为主成分特征指标，a取值范围为(3,5)。
[0026]
可选的，获取负荷辨识模型，具体包括：
[0027]
设神经网络的输入值为x1，x2，
…
，xn，神经网络的预测值y1，y2，
…
，yn，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，进行训练；
[0028]
隐含层期望输出以及预测输出，如下式所示：
[0029][0030][0031]
式中，i为隐含层节点数，f为隐含层激励函数，n为输出节点数，a
j
和b
k
为节点阈值；
[0032]
根据神经网络预测输出和期望输出，计算预测误差，对网络连接权值和节点阈值按负梯度方向更新，公式如下：
[0033]
e
k
＝y
k
‑
o
k k＝1,2,...,n
ꢀꢀꢀ
(9)
[0034][0035]
w
jk
＝w
jk
+ηh
j
e
k k＝1,2,...,n；j＝1,2,...,l
ꢀꢀꢀ
(11)
[0036][0037]
b
k
＝b
k
+e
k k＝1,2,...,n
ꢀꢀꢀ
(13)
[0038]
其中，o
k
为预测输出，y
k
为训练样本的期望输出值，e
k
为误差值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，η是设置的参数，h
j
为隐含层输出，l为隐含层节点数，n为输出节点数；
[0039]
使用矩阵向量的方式对式(9
‑
13)进行运算求解，获取负荷辨识模型。
[0040]
本发明还提出了一种基于自学习神经网络的负荷辨识系统，包括：
[0041]
信息采集单元，在接入混合类型负荷的用户计量点处，采集用户的用电网络数据，针对用电网络数据生成负荷多维特征样本，并针对负荷多位特征样本构建用电网络的负荷特征空间；
[0042]
特征指标确定单元，确定负荷特征空间中识别度最高的主成分特征指标；
[0043]
模型生成单元，将主成分特征指标中的不同负荷特征输入自学习神经网络进行训练并学习，获取负荷辨识模型；
[0044]
负荷辨识单元，将待识别的用电网络数据输入至负荷辨识模型中，通过负荷辨识模型对待识别的用电网络数据进行负荷辨识。
[0045]
可选的，负荷多维特征样本，包括：负荷工作方式特征、暂态启动过程特征、暂态停机过程特征和稳态过程特征。
[0046]
可选的，针对用电网络数据生成负荷多维特征样本的过程中，对不同设备存在的启停过程重叠的特征进行剔除。
[0047]
可选的，确定负荷特征空间中识别度最高的主成分特征指标，具体包括：
[0048]
对负荷特征空间进行标准化处理，公式如下：
[0049][0050][0051]
其中，x
it
是第i个样本负荷的第t项特征值，n为负荷特征空间中的负荷样本个数，d为样本负荷的特征维度，y为为标准化后的负荷特征空间，为标准化后的负荷特征空间；
[0052]
计算标准化处理后的负荷样本空间中样本的协方差矩阵，公式如下：
[0053][0054]
c＝xx
t
[0055]
其中，c为计算协方差矩阵，m
ij
为为对数中心化后的第i个样本负荷的第t项特征
值，y
it
为为标准化后的第i个样本负荷的第t项特征值；
[0056]
计算协方差矩阵c的d个特征值λ1≤λ2≤
…
≤λd及对应的特征向量е1，е2，
…
，еd，获取特征值的方差贡献率v和累计方差贡献率t：
[0057][0058][0059]
其中，d为特征值个数，λ
j
为第j个特征值，通过计算单个特征值在整体中的占比获得方差贡献率v
j
；
[0060]
当累计方差贡献率达到设定值时，选取前a个负荷特征作为主成分特征指标，a取值范围为(3,5)。
[0061]
可选的，获取负荷辨识模型，具体包括：
[0062]
设神经网络的输入值为x1，x2，
…
，xn，神经网络的预测值y1，y2，
…
，yn，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，进行训练；
[0063]
隐含层期望输出以及预测输出，如下式所示：
[0064][0065][0066]
式中，i为隐含层节点数，f为隐含层激励函数，n为输出节点数，a
j
和b
k
为节点阈值；
[0067]
根据神经网络预测输出和期望输出，计算预测误差，对网络连接权值和节点阈值按负梯度方向更新，公式如下：
[0068]
e
k
＝y
k
‑
o
k k＝1,2,...,n
[0069][0070]
w
jk
＝w
jk
+ηh
j
e
k k＝1,2,...,n；j＝1,2,...,l
[0071][0072]
b
k
＝b
k
+e
k k＝1,2,...,n
[0073]
其中，o
k
为预测输出，y
k
为训练样本的期望输出值，e
k
为误差值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，η是设置的参数，h
j
为隐含层输出，l为隐含层节点数，n为输出节点数；
[0074]
使用矩阵向量的方式对式(9
‑
13)进行运算求解，获取负荷辨识模型。
[0075]
本发明基于多维负荷特征样本可以建立用电网络的负荷空间，主成分分析与神经网络训练的配合可实现有效特征筛选与自调参，减少了特征及参数人工选择的工作量，保
证了已建立特征库用户的内部用电负荷状态辨识的有效性。
附图说明
[0076]
图1为本发明方法的流程图；
[0077]
图2为本发明系统的结构图。
具体实施方式
[0078]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0079]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0080]
下面结合实施例及附图对本发明进行进一步说明：
[0081]
本发明提出了一种基于自学习神经网络的负荷辨识方法，如图1所示，包括：
[0082]
步骤1：在用户计量点处采集混合类型负荷接入情况下的用电网络数据，形成负荷多维特征样本，在关键用电设备侧安装实时状态监测装置，当关键用电设备开启/关闭时，实时状态监测装置可记录设备的状态变化及时间并将信息发送到指定记录装置中，从而可从总线侧录到的波形中将关键用电设备的用电特征波形进行分离，对未知的特征波形打上标签，构建用电网络的负荷特征空间；
[0083]
步骤2：用电设备的负荷特征量较多，仅使用单一特征量对负荷类型进行判断可能存在负荷类型重叠的问题，判定准确率较低，需要结合其他的特征量进行判定，过多的特征量所建立的特征高维空间具有稀疏性，工作量极大，且特征量之间的多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯，利用主成分分析方法对特征空间进行有效降维，降低不同负荷之间和多维电能特征之间的数据关联度，获取识别度最高的主成分和评估值；
[0084]
步骤3：使用人工神经网络训练主成分，实现不同负荷特征的有效学习，将训练完毕的模型用于后续负荷辨识中。
[0085]
在步骤1中，具体包括：
[0086]
在计量点处采集混合类型负荷接入的高频电气数据，根据独立设备的启停时间在计量点获取的高频混合波形打上对应的标签，剔除不同设备存在启停过程重叠的标签；
[0087]
采集独立设备在混合类型负荷接入情况下的用电特征变化量，形成负荷多维特征样本，包含负荷工作方式、暂态启动过程、暂态停机过程和稳态过程的相关特征，负荷特征库，如表1所示：
[0088]
表1
[0089][0090]
步骤2中，具体包括：
[0091]
使用主成分分析方法对特征空间进行有效降维，首先对特征空间x进行数据标准化处理：
[0092][0093][0094]
其中x
it
是第i个样本负荷的第t项特征值，n为负荷样本个数，d为样本负荷的特征维度，为第i个样本负荷的特征均值，y为标准化后的负荷特征空间。
[0095]
对样本对数中心化后，计算样本的协方差矩阵c，如下：
[0096][0097]
c＝mm
t
ꢀꢀꢀ
(4)
[0098]
其中y
it
为标准化后的第i个样本负荷的第t项特征值，m
ij
为对数中心化后的第i个样本负荷的第t项特征值，m为对数中心化后的负荷特征空间；
[0099]
计算协方差矩阵c的d个特征值λ1≤λ2≤
…
≤λd及对应的特征向量е1，е2，
…
，еd，并得到特征值的方差贡献率v和累计方差贡献率t：
[0100][0101][0102]
式中d为特征值个数，λ
j
为第j个特征值，通过计算单个特征值在整体中的占比获得方差贡献率v
j
。按方差贡献率从大到小对特征值进行排序，并按从大到小的顺序计算累计方差贡献率。当累计贡献率t达到设定值时，选取前a个负荷特征作为主成分特征指标，在工商业用户的关键负荷辨识中，通常a取值范围为(3,5)。
[0103]
步骤3中，具体为：
[0104]
人工神经网络模型分类较多，大部分模型训练及运行计算所需硬件资源较高，考虑后续搭载模型的硬件资源有限，本专利选取前馈神经网络，设x1，x2，
…
,xn为神经网络的输入值，y1，y2，
…
,yn是神经网络的期望输出值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值。隐含层输出h以及预测输出o如下式所示：
[0105][0106][0107]
式中，l为隐含层节点数，f为隐含层激励函数，n为输出节点数，a
j
和b
k
为节点阈值。
[0108]
步骤3.2：
[0109]
根据神经网络预测输出和期望输出，计算出网络的预测误差后，对网络连接权值和节点阈值按负梯度方向更新：
[0110]
e
k
＝y
k
‑
o
k k＝1,2,...,n
ꢀꢀꢀ
(9)
[0111][0112]
w
jk
＝w
jk
+ηh
j
e
k k＝1,2,...,n；j＝1,2,...,l
ꢀꢀꢀ
(11)
[0113][0114]
b
k
＝b
k
+e
k k＝1,2,...,n
ꢀꢀꢀ
(13)
[0115]
式中o
k
为预测输出，y
k
为训练样本的期望输出值，e
k
为误差值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，η是设置的参数，h
j
为隐含层输出，a
j
和b
k
为节点阈值，l为隐含层节点数，n为输出节点数。通过矩阵化参数，使用矩阵
‑
向量的方式进行运算，可以快速的对神经网络进行求解。
[0116]
完成神经网络训练后，将模型可直接进行移植，用于后续已建立特征库用户的内
部用电负荷状态辨识与功率分解。
[0117]
本发明还提出了一种基于自学习神经网络的负荷辨识系统200，如图2所示，包括：
[0118]
信息采集单元201，在接入混合类型负荷的用户计量点处，采集用户的用电网络数据，针对用电网络数据生成负荷多维特征样本，并针对负荷多位特征样本构建用电网络的负荷特征空间；
[0119]
特征指标确定单元202，确定负荷特征空间中识别度最高的主成分特征指标；
[0120]
模型生成单元203，将主成分特征指标中的不同负荷特征输入自学习神经网络进行训练并学习，获取负荷辨识模型；
[0121]
负荷辨识单元204，将待识别的用电网络数据输入至负荷辨识模型中，通过负荷辨识模型对待识别的用电网络数据进行负荷辨识。
[0122]
其中，负荷多维特征样本，包括：负荷工作方式特征、暂态启动过程特征、暂态停机过程特征和稳态过程特征。
[0123]
其中，针对用电网络数据生成负荷多维特征样本的过程中，对不同设备存在的启停过程重叠的特征进行剔除。
[0124]
其中，确定负荷特征空间中识别度最高的主成分特征指标，具体包括：
[0125]
对负荷特征空间进行标准化处理，公式如下：
[0126][0127][0128]
其中，x
it
是第i个样本负荷的第t项特征值，n为负荷特征空间中的负荷样本个数，d为样本负荷的特征维度，y为为标准化后的负荷特征空间，为标准化后的负荷特征空间；
[0129]
计算标准化处理后的负荷样本空间中样本的协方差矩阵，公式如下：
[0130][0131]
c＝xx
t
[0132]
其中，c为计算协方差矩阵，m
ij
为为对数中心化后的第i个样本负荷的第t项特征值，y
it
为为标准化后的第i个样本负荷的第t项特征值；
[0133]
计算协方差矩阵c的d个特征值λ1≤λ2≤
…
≤λd及对应的特征向量е1，е2，
…
，еd，获取特征值的方差贡献率v和累计方差贡献率t：
[0134]
[0135][0136]
其中，d为特征值个数，λ
j
为第j个特征值，通过计算单个特征值在整体中的占比获得方差贡献率v
j
；
[0137]
当累计方差贡献率达到设定值时，选取前a个负荷特征作为主成分特征指标，a取值范围为(3,5)。
[0138]
可选的，获取负荷辨识模型，具体包括：
[0139]
设神经网络的输入值为x1，x2，
…
，xn，神经网络的预测值y1，y2，
…
，yn，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，进行训练；
[0140]
隐含层期望输出以及预测输出，如下式所示：
[0141][0142][0143]
式中，i为隐含层节点数，f为隐含层激励函数，n为输出节点数，a
j
和b
k
为节点阈值；
[0144]
根据神经网络预测输出和期望输出，计算预测误差，对网络连接权值和节点阈值按负梯度方向更新，公式如下：
[0145]
e
k
＝y
k
‑
o
k k＝1,2,...,n
[0146][0147]
w
jk
＝w
jk
+ηh
j
e
k k＝1,2,...,n；j＝1,2,...,l
[0148][0149]
b
k
＝b
k
+e
k k＝1,2,...,n
[0150]
其中，o
k
为预测输出，y
k
为训练样本的期望输出值，e
k
为误差值，ωij和ωjk分别是输入层到隐含层以及隐含层到输出层的网络权值，η是设置的参数，h
j
为隐含层输出，l为隐含层节点数，n为输出节点数；
[0151]
使用矩阵向量的方式对式(9
‑
13)进行运算求解，获取负荷辨识模型。
[0152]
本发明基于多维负荷特征样本可以建立用电网络的负荷空间，主成分分析与神经网络训练的配合可实现有效特征筛选与自调参，减少了特征及参数人工选择的工作量，保证了已建立特征库用户的内部用电负荷状态辨识的有效性。
[0153]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设
计语言java和直译式脚本语言javascript等。
[0154]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0155]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0156]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0157]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0158]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。