[发明专利]一种融合事件检测和神经网络的负荷识别方法

权利要求书

1.一种融合事件检测和神经网络的负荷识别方法，其特征在于：包括以下步骤：

S1、获取用户总负荷历史运行数据，并根据设备的状态在用户总负荷历史运行数据上标记时间；

S2、对所述S1标记后的用户总负荷历史运行数据中的有功功率进行事件检测，确定用电设备的暂态和稳态运行区段，通过相邻稳态运行区段的稳态电流之间的矢量差获取每个用电设备各工作状态的稳态电流波形；

所述S2包括以下步骤：

S21、对S1标记的用户总负荷历史运行数据中的有功功率进行事件检测，将用户有标记历史数据划分为交替分布的暂态区段和稳态区段；事件检测方法的采用变点检测的方法：

将用户有标记历史数据的有功功率通过式(1)表示，P为有功功率序列，对P进行逐点检测；

P＝[P₁,P₂,P₃,...P_i,...P_m] (1)

式(1)中，P_i表示第i个时刻点的总负荷有功功率值，m表示用户总负荷历史运行数据的时间总长度；

ΔP_i＝|P_i+1-P_i| (2)

当式(2)所示的某一时刻点有功功率值与后一时刻点的有功功率值的差值的绝对值大于一定的阈值时ΔP_th，则该时刻点视为变点，当非变点连续出现的次数超过一定的阈值t_th时，包含非变点的区段视为稳态区段，剩余区段为事件暂态区段；

S22、在每个设备启动前后的稳态区段选取一定时间长度的电压、电流进行电压、电流模拟信号重构，得到重构的电压、电流模拟信号；

一定时间长度的电压、电流如式(3)所示：

式(3)中，V_i，I_i是选中的时间段中第i个采样点处电压和电流的瞬时值，n表示稳态区段中选中的该时间段所包含的采样点总数；

采用三次样条插值函数V(t)，I(t)对式(3)拟合，且V(t)，I(t)是定义在区间[1，n]上的函数，满足三次样条插值函数的限制条件；

S23、选择电压信号过零点作为选取的电流波形起点，即满足式(5)的限制条件；从S22重构的电压模拟信号中第一个满足式(5)的过零点t₁₀开始，第四个满足式(5)的过零点t₄₀停止，对应时标下的电流模拟信号波形作为稳态电流波形；

S24、根据步骤S23获得的稳态电流波形，将事件启动后稳态区段的稳态电流波形与事件启动前的稳态电流波形进行相减，得到单个设备的稳态电流波形差量；

所述S24前需要对所述电流模拟信号波形进行式(6)所示的时间长度伸缩，至此完成稳态电流波形获取；

式(6)中，I_tr(t)表示进行时间长度伸缩后的电流模拟信号表达式，f₀表示电压标准频率50Hz，f_s表示电压、电流采样频率；

S25、重复S21-S24能够获取到所有用电设备各工作状态的稳态电流波形；

S3、对S2获得的有标记的设备稳态电流波形和无电器运行区段电流波形进行随机组合，得到多设备电流随机组合；

所述无电器运行区段电流波形是在S1标记的用户历史数据中取一段无电器运行的区段，对所述区段的电压、电流信号通过S22-S23获得背景电流波形；然后将各设备电流与背景电流波形随机组合；

S4、从所述多设备电流随机组合中提取组合电流特征，即对模拟场景的组合电流进行快速傅里叶变换，多次获取谐波电流的幅值和相角；

S5、将S1-S4处理得到的数据作为训练样本，通过训练过的神经网络模型输出各个设备的状态；

S6、对用户实时运行的总负荷数据进行采集，重复S1-S5输出各个设备的状态。

2.根据权利要求1所述的融合事件检测和神经网络的负荷识别方法，其特征在于：用户总负荷历史运行数据的数据类型包括原始电压波形数据、电流波形数据及有功功率数据。