[发明专利]一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统

说明书

本发明提供一种基于Bi‑LSTM算法的非侵入式负荷检测方法，包括获取负荷系统入口处的有功功率，并根据有功功率，得到负荷投入及切除事件时刻；确定时间特征向量，并获取负荷投入及切除事件时刻各自对应时间特征向量的时间序列数据；构建Bi‑LSTM神经网络模型，该模型输入为负荷投入与切除事件的时间序列数据组合，输出为待辨识设备的概率值；基于投入及切除事件时刻，建立匹配的时间序列数据组合，基于Bi‑LSTM神经网络模型计算同一次负荷投入或负荷切除事件的概率值，将每次所得概率值最大的待辨识设备为对应负荷投入或切除事件发生的设备。实施本发明，能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。

技术领域

本发明涉及电力系统非侵入式负荷监测技术领域，尤其涉及一种基于Bi-LSTM(Bilateral long-term and Short-term Memory network，双向长短期记忆网络)算法的非侵入式负荷检测方法及系统。

背景技术

非侵入式负荷监测(non-intrusive load monitoring，NILM)技术通过将监测装置安装于电力系统入口处，对用户内部的用电负荷数据进行采集和分析，实现用户家庭内部负荷细分、能耗管理等。相较于传统的侵入式负荷监测，NILM具有经济、可靠、数据完整性好和易于推广应用等优点。

负荷辨识是非侵入式负荷监测中的重要一环，并在该辨识算法研究中，神经网络技术因具有良好的分类性能而受到了广泛关注。目前，已有研究者采用长短期记忆网络开发出能耗分解方法，通过电器运行时体现的时间序列特性进行负荷分解，但仅使用有功功率作为负荷特征，却未涉及对小功率电器的辨识，尤其是在针对多状态负荷(如电采暖)和小功率负荷(如电视)时，其辨识性能仍有待进一步提升。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统，能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。

为了解决上述技术问题，本发明实施例提供了一种基于Bi-LSTM算法的非侵入式负荷检测方法，所述方法包括以下步骤：

获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；

确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；

构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；

基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备。

其中，所述方法进一步包括：

基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。

其中，所述获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻的具体步骤包括：

定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；