[发明专利]一种基于智能学习的非侵入式非居民用户负荷辨识方法

说明书

本发明提供一种基于智能学习的非侵入式非居民用户负荷辨识方法。首先利用训练好的K最邻近算法模型对采集到的非居民用户负荷的数据进行负荷辨识，得到不同负荷对应的投切时间数据。然后，对得到的各个负荷的投切时间数据进行相关的统计整理。再将整理的负荷投切时间数据输入训练好的BP神经网络中，进行各个负荷的投切时间概率分布曲线的拟合。最后，根据拟合出的各个负荷的投切概率分布曲线来判断辨识出的负荷种类是否正确。本发明能保证非居民用户负荷辨识的准确度，通过智能学习方法拟合出非居民负荷的投切概率分布曲线，来了解非居民用户对不同负荷的使用习惯，帮助负荷辨识进行进一步的判断。

技术领域

本发明属于智能用电及非侵入式负荷辨识技术领域，具体涉及一种基于智能学习的非侵入式非居民用户负荷辨识方法。

背景技术

随着智能电网建设的飞速发展，电力需求侧管理作为一种由客户参与负荷的控制和电能的挖掘的一种管理方法也随之不断发展，这也让我国能更加合理有效的配置电力资源和有效提高了终端的电能使用效率。同时，非侵入式负荷监测有着巨大的研究空间并且受到了国内外的广泛关注。但是目前多应用于居民用户的各类电器的监测，而对于电网负荷重要组成部分的非居民用户负荷，我们进行的相关研究却不多。非侵入负荷监测一般分为事件探测、特征提取和负荷识别三个主要步骤。然而，目前使用的负荷辨识方法都存在着部分负荷特征重叠难以辨识的问题，这也导致了现今非侵入式负荷监测系统中的负荷辨识准确性不足。

发明内容

本发明为了解决现有技术中部分负荷特征重叠难以辨识的问题，提供一种非侵入式非居民用户负荷辨识方法。

具体而言本发明提供了一种基于智能学习的非侵入式非居民用户负荷辨识方法，其特征在于，所述协同管控方法包括以下步骤：

步骤S1：采集非居民用户数据中的各个电器发生投切事件时的负荷特征样本数据，并进行预处理作为训练数据集；

步骤S2：从非居民用户数据中随机选取数种未知电器发生投切事件时的负荷特征样本数据，并进行预处理作为测试数据集；

步骤S3：通过K最邻近分类算法模型辨识出所述数种未知电器的种类；

步骤S4：将所述训练数据集输入BP神经网络模型，直到所述训练数据集穷尽或者误差函数满足要求；

步骤S5：将所述测试数据集输入BP神经网络模型，获得数种电器的投切概率与投切时间的关系；

步骤S6：分析数种电器的投切概率与投切时间的关系是否符合对应电器使用习惯，验证辨识得到的电器种类是否正确。

更进一步地，在步骤S1中，所述训练数据集通过采集到的非居民用户数据中的各个电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述训练数据集。

更进一步地，步骤S2中，所述测试数据集通过采集到的非居民用户数据中的数种电器发生投切事件时的稳态工作电流数据，对所述电流数据进行傅里叶级数展开，将展开后得到的幅值比较大的电流谐波幅值作为所述测试数据集。

更进一步地，步骤S3中，还包括以下步骤：

步骤S31：向所述K最邻近分类算法模型输入所示训练数据集和测试数据集并设定K的值；

步骤S32：采用加权欧式距离计算距离度量，并获得K个与测试数据相近的训练数据；

步骤S33：将测试数据的类别判定为距离其更近的训练数据的类别，得出分类结果。

更进一步地，步骤S32中，所述加权欧式距离表示为：