[发明专利]基于知识图谱的电力负荷特征量训练的数据库建模方法

说明书

本发明公开了一种基于知识图谱的电力负荷特征量训练的数据库建模方法，包括如下步骤：获取电器的使用情况；得到稳态下进行处理后的波形数据；将波形数据执行波形分解算法，以获取到负荷特征矩阵数据；处理后的波形数据执行S3中所述的波形分解算法所获取到的负荷特征矩阵数据导入数据库；调用K‑Means聚类算法对S4中经过小波变换后的数据进行分类；对负荷特征矩阵数据执行CNN算法进行识别；通过高斯模糊去除边缘矩阵影响，寻找数据库中与输入矩阵相等的中心子矩阵，给出置信度并输出中心子矩阵。本发明，有效解决了电力系统分析过程中产生的谐波效应使复合负荷难以分类的问题。

技术领域

本发明涉及电气信息化技术领域，具体是一种基于知识图谱的电力负荷特征量训练的数据库建模方法。

背景技术

电力负荷，又称用电负荷，电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，称为用电负荷。电力负荷的特征量包括但不仅限于电流、电流、功率、峰值、电压与电流的相角变化、功率因数、谐波成分等的信息。

从电压、电流、功率、峰值、电压与电流的相角变化、功率因数、谐波成分等的波形中提取可以唯一识别电器的有效稳态特征，总的电力消耗分解为每个用电设备的电力消耗并对其进行收集存储，而目前的电气监测使用的传感器设施中对电力负荷不具备存储和自学功能，特别电力设备通常处于串并联连结且存在多电力设备共端运行的工作方式，为电力负荷的特征量提取与分析带来困难。

为了解决这些问题，研究利用各种基于神经网络而衍生的学习算法进行非侵入式电力负荷识别的方法受到了密切关注，诚然神经网络算法在人工智能领域特别是人脸识别与语音识别取得重大进展，但面对电力设备的多态多连结方多设备并行的复杂实际运行状态，传统的神经网络算法在识别分析繁杂的电力负荷和在识别分析电力潮流方面并不能取得良好效果。

发明内容

本发明的目的在于提供一种基于知识图谱的电力负荷特征量训练的数据库建模方法，以解决上述背景技术中提出的问题，解决了对电力负荷特征量提取困难，通过神经网络的训练算法来使得电力负荷识别具有自学功能、联想储存功能、自激励高阶数据库功能，进化数据库功能，实现智能化分析电力负荷效果。

为实现上述目的，本发明提供如下技术方案：

一种基于知识图谱的电力负荷特征量训练的数据库建模方法，包括如下步骤：

S1、通过物联网在用户电表上采集用户电压、电流、功率、峰值、电压与电流的相角变化、功率因数、谐波成分等信息，以获取电器的使用情况；

S2、初始化波形数据第一次去噪声，高斯模糊多段周期波形，得到稳态下进行处理后的波形数据；

S3、将波形数据执行波形分解算法，以获取到负荷特征矩阵数据；

S4、处理后的波形数据执行S3中所述的波形分解算法所获取到的负荷特征矩阵数据导入数据库，对其输入的数据调用数据库中的特征矩阵数据执行K-Means算法进行识别。若存在则返回负荷识别结果；若不存在则输出未存在数据库，选择导入数据库，不导入则删除该负荷特征矩阵数据；

S5、调用CNN算法对S4中经过小波变换后的数据进行分类，生成多成分电力设备去干扰负荷特征矩阵数据导入数据库；

S6、对负荷特征矩阵数据执行K-Means算法进行识别，若存在则返回负荷识别结果，若不存在则解析矩阵；

S7、通过高斯模糊去除边缘矩阵影响，强化中心矩阵在CNN算法中识别的偏置作用，寻找数据库中与输入矩阵相等的中心子矩阵，给出置信度并输出中心子矩阵。

作为本发明进一步的方案：S1中，物联网指通过传感器装置与技术，实时采集电力设备的信息。

作为本发明进一步的方案：S4中，负荷特征矩阵数据是指电力负荷的各个特征量组成的矩阵数据。