[发明专利]一种基于S_Kohonen非侵入式居民负荷识别方法

权利要求书

1.一种基于S_Kohonen的非侵入式居民负荷识别方法，其特征在于，包括以下步骤：

步骤一：根据家庭电力入口处有功功率的变化判断投切事件，当发生投切事件时，在家庭电力入口处采集发生投切事件的电器电流样本，具体为利用安装在所述家庭电力入口处的采集装置进行电压、电流和有功功率值的采集，根据规则判断法，当家庭电力入口处有功功率值的变化超过20W时，判定发生投切事件，以投切事件发生前的稳态电流值与投切事件发生后的稳态电流值之差作为发生投切事件的负荷的电流样本，并记录发生投切事件的电器种类作为事件标签；

步骤二：对采集到的电器电流样本进行频域分析，提取其频域谐波幅值作为各电器的负荷特征，形成负荷特征库；

步骤三：设计适用于居民负荷识别的S_Kohonen神经网络，确定S_Kohonen神经网络输入层和输出层的神经元个数以及竞争层的规模，以确定获胜神经元的选择方式和权值调整的学习算法；所述S_Kohonen神经网络包括输入层，竞争层和输出层；所述输入层神经元个数为所述负荷特征的维数，所述竞争层神经元为二维阵列排布，根据负荷聚类数目确定所述S_Kohonen神经网络的规模，所述输出层神经元个数为居民家中待识别的负荷类别数目；所述竞争层获胜神经元的选择方式为欧氏距离法，即计算输入向量X＝(x₁，x₂，...x_m)与竞争层神经元j之间的距离d_j，m为输入的所述负荷特征向量的维数，距离计算公式为：

选择与输入向量X距离最小的竞争层神经元c作为获胜神经元，即实现输入向量X与竞争层神经元c之间的映射；此外，调整获胜神经元及其周围邻域神经元的权值，邻域规定为：

N_c(j)＝(j|find(norm(pos_j，pos_c)＜r))

j＝1，2，...，l

pos_j、pos_c分别为神经元j和c的位置；norm是计算两个神经元之间的欧式距离；r为选择的邻域半径，l为竞争层神经元的个数；最优匹配神经元c和其邻域N_c(j)内神经元与输入层之间的权值ω_ij根据X_i调整，逐渐趋向X_i，而与输出层的权值ω_jk则根据负荷期望输出Y_k调整：

ω_ij＝ω_ij+y(j)*η₁(X_i-ω_ij)

ω_jk＝ω_jk+y(j)*η₂(Y_k-ω_jk)

其中y(j)为权值调整的学习算法，此处采用厨师帽学习函数：

即在半径r邻域内的神经元与获胜神经元采用相同方式调整权值，而邻域以外的神经元不调整权值，分别调整神经元c和其邻域N_c(j)内包含的节点与输入层节点之间的权系数ω_ij以及与输出层节点之间的权系数ω_jk；η₁和η₂分别是权值ω_ij和ω_jk的学习速率；r和η₁随进化次数的增加而下降，η₂随进化次数的增加而增加，其中n为迭代次数，三者的变化规律分别如下：

步骤四：初始化参数，其中参数包括：输入层与竞争层之间连接权值ω_ij、输出层与竞争层之间连接权值ω_jk、邻域半径r、ω_ij的学习速率η₁和ω_jk的学习速率η₂，其中，ω_ij初始化为随机数，ω_jk初始化为0，η_1max，η_1min，η_2max和η_2min取值0～1，邻域半径r根据所述竞争层规模进行选择，r_min取值0～1；

步骤五：各电器的负荷特征向量作为网络输入，电器类别作为网络输出，通过训练集对S_Kohonen网络进行训练，训练结束使用网络对测试集样本进行测试，得到识别结果，计算各电器的识别准确率以及总体识别准确率以测试网络性能，具体为，用训练集样本对设计的网络进行训练，当总体识别准确率变化量小于阈值或者达到迭代次数时停止训练；用训练好的网络对测试集样本进行识别测试，检验各电器识别准确率及总体识别准确率，准确率定义如下：

单个电器识别准确率＝该类电器正确识别个数/该类电器样本个数，

总体识别准确率＝所有电器正确识别个数/所有电器总样本个数；

步骤六：调整S_Kohonen神经网络的竞争层规模、终止阈值或最大迭代次数，研究网络参数与网络性能的关系，选择合适参数实现最佳网络性能。