[发明专利]一种基于RBF神经网络的非侵入式电力负荷分解方法

权利要求书

1.一种基于RBF神经网络的非侵入式电力负荷分解方法，其特征在于，包括以下步骤：

步骤1，建立单负荷组运行模型数据库

利用电力数据采集装置对每个电力负荷采集其的稳态电压、电流波形数据，采用RBF神经网络以电压数据为输入，电流数据为输出训练神经网络单负荷特征模型，训练达到精度后根据训练所得模型得到神经网络输入输出数据前向表达式，作为该电力负荷组的特征模型；

步骤1所述采集到的稳态电压、电流波形数据先依次经过低通滤波、标幺化、归一化预处理，再采用RBF神经网络进行训练；

步骤2，实际运行时，采集稳态电压、电流波形数据，先进行数据预处理，然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下，各种负荷的模拟输出电流波形；

步骤3，使用遗传算法找出最佳的负荷组合

使用遗传算法对步骤2得到的各种负荷的模拟输出电流波形进行组合寻优，与实际的电流波形进行匹配，得到适应度最高的负荷组合，该组合即为分解辨识得到的电力负荷组合的结果；

所述步骤3包括以下子步骤：

Step1编码：采用M位长度的二进制数对每种负荷的数量进行编码，每一个负荷的编码看做一个基因，对于负载种类为N的系统，每个染色体的编码长度为MN，每一个染色体代表的负荷组合为一个个体，每种负荷可以辨识的最大数量为2^M-1个；

Step2初始化：采用随机法生成N₀个个体作为初始群体；

Step3计算适应度：根据适应度函数式计算第k代种群每个个体的适应值记具有最高适应值的个体为以适应度作为群体进化时的方向依据；

适应度函数为：

其中，y为实际的监测目标总电流波形采样数据，为单负荷组特征模型下模拟的电流波形数据的线性组合；corr(·)为两变量相关系数；V_δ(·)两变量相关的相关熵；err(·)为两变量的均方根误差；a、b、c均为常系数；

Step4选择复制：由父种群根据每个个体的相对适应度，根据轮盘赌法计算每个个体的再生概率与次数，下一代群体中产生新的个体；轮盘赌法选出子种群其中被选中的概率为：

Step5交叉：交叉操作，从子种群中随机选出两个个体，这两个个体的染色体之间以交叉概率P_c决定是否进行交叉，随机选取的待交换基因，产生两个新个体，重复这一过程直至所有个体均进行过交叉；

Step6变异操作：先根据变异概率P_m选择一个个体染色体的一个基因，然后对该基因随机选择某一位进行翻转，产生一个新的个体，对所有个体重复这一过程使其全部变为新的个体；然后并入Step2中所述最高适应值的个体最终形成新一代群体

若遗传代数满足终止条件，则停止运算，输出适应值最高的个体作为辨识分解的结果；否则令k＝k+1转到Step3继续向下执行，直至满足终止条件。

2.根据权利要求1所述的基于RBF神经网络的非侵入式电力负荷分解方法，其特征在于，步骤1所述电力数据采集装置可以采集几个电力负荷组成的电力负荷组的稳态电压、电流波形数据，所述电力负荷组为经常同时工作的负荷组合，或者各种负荷待机时微弱电流与其他系统消耗电流组成的系统背景电流组合。

3.根据权利要求1所述的基于RBF神经网络的非侵入式电力负荷分解方法，其特征在于，步骤1所述RBF神经网络建立单负荷模型时，输入层神经元数量为5个以上，隐层神经元数量为5到100个，输出层的神经元数量为1个。