[发明专利]一种用于负荷电流信号识别的一维卷积神经网络构建方法

说明书

本发明提出一种用于负荷电流信号识别的一维卷积神经网络构建方法，包括以下步骤：步骤S1：采集用户负荷数据作为训练集和测试集；步骤S2：搭建一维卷积神经网络模型；步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。本发明在传统卷积神经网络模型进行改进，采用一维卷积神经网络通过降低算法复杂度使负荷辨识效率得到提高；利用卷积核作为观察窗在信号上滑动保证了信号的时变性和频带的相关性。通过卷积核自动的提取时序特征，提高了负荷识别的准确率。

技术领域

本发明属于电力负荷识别技术领域，具体涉及一种用于负荷电流信号识别的一维卷积神经网络构建方法。

背景技术

非侵入式负荷监测方式是依靠一种安装、维护方便，且高效率的监测工具，将总的用电数据反馈给数据处理中心，并实时传送给电网，使电网可以获得住宅用户的电能配置和消耗，从而制定出更合理的输配电方案。随着生活的多样性需求和电器种类的多样性发展，非侵入式负荷监测的研究也在不断深入和扩展。

传统的侵入式负荷监测方法，在每个负荷处装设硬件传感器，通过载波传输将采集到的用电信息送至处理中心。这种方法优点是计量较为准确，缺点是当被监测系统内的用电设备数量较多时，传统的负荷检测方式不仅成本高，并且在传感器装置的安装和系统维护方面也很不方便。非侵入式负荷检测不需要安装传感器在每一个监测负荷处，而是在进户总干线上提取所有电器消耗的用电数据，尽量小的影响到被监测设备，提取相应用电信息。而目前的监测设施中对电力负荷监测不具备储存和自学功能，为非入侵式电力负荷监测带来困难。

发明内容

本发明为了解决上述技术问题，本发明解决了对非入侵式电力负荷的监测困难，自学功能差的问题，实现智能化技术效果。

具体而言本发明提供了一种用于负荷电流信号识别的一种用于负荷电流信号识别的一维卷积神经网络构建方法，其特征在于，所述神经网络构建方法包括以下步骤：

步骤S1：采集用户负荷数据作为训练集和测试集；

步骤S2：搭建一维卷积神经网络模型；

步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；

步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。

更进一步地，在步骤S1中，所述用户负荷数据是多种单个负荷电流数据，当前时刻电流与上一时刻的电流信号和新投入的所述单个负荷电流可表示为：

其中，I(t)是当前时刻电流，I′(t)为上一时刻的电流，I_m(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。

更进一步地，步骤S1中，所述用户负荷数据按2：1的比例分为所述训练集和所述测试集。

更进一步地，步骤S2中，所述一维卷积神经网络中序列数据经一维卷积运算映射为卷积层，生成的特征图为：

f(z)＝max(z，0)

式中：X表示输入的序列数据，*表示一维卷积运算，表示由卷积核生成的j个特征图，j∈[1,n_c]，n_c表示卷积核个数，b为偏置，f(z)为激活函数，所述激活函数采用ReLu函数加速模型收敛。

更进一步地，步骤S2中，所述生成的特征图进行最大值抽样，所述最大值抽样模型可表示为：

其中，是特征图中最大的抽样值，2k是特征图长度。