[发明专利]用于电力负荷识别的机器学习模型训练方法及系统

说明书

本实施例提供的用于电力负荷识别的机器学习模型训练方法及系统，具体地以实测的电气参数数据为基础，将基础电气参数数据统一格式、训练及输入神经网络模型中不断优化，通过验证数据集中不断调整模型的参数从而选择最优模型，同时利用测试数据集评估模型的表现，以达到最优的效果，便于模型进一步被用于电力负荷的识别系统，本申请中的方法可以根据输入的采样数据训练模型从而实现根据特定的电压、电流、有功功率的波形采样数据等识别出正在使用的用电设备，因此本申请不需要人为进行手动调节参数以及进行特征提取，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高了模型的适用范围，提高了电力负荷识别的准确率。

技术领域

本申请涉及电力负荷监测技术领域，尤其涉及一种用于电力负荷识别的机器学习模型训练方法及系统。

背景技术

电力负荷特征是电力负荷从电力系统的电源吸取的有功功率和无功功率随负荷端点的电压及系统频率变化而改变的规律；电力负荷特征是电力系统的重要组成部分；通过电力负荷特征识别用电设备对于智能电网技术的发展有重要作用。

电力负荷识别最为常用的方法为侵入式和非侵入式识别方法。其中，侵入式识别方法需要建立监测系统把传感器安装至各负荷处，这种方法虽然可以直接获得负荷的测量数据，但是安装成本高、安装过程复杂且维护也相对困难；而非侵入式识别方法只需要在电力供给的总入口处安装监测设备即可以对整个系统内的各负荷分解、监测和识别。具体地，非侵入式识别方法是基于电器负荷印记特征提取和识别的；其中，电器负荷印记特征能反映用电设备在运行中的独特的信息，如电压、有功的波形、启动电流等；在设备运行中这些负荷印记特征会重复出现，基于此，我们就可以把用电设备识别出来。

其中，负荷印记特征的设计和提取是整个方法的主要难点；特征设计一般采用较为简单的电流、电压、有功功率和无功功率的稳/暂态特征及其组合。更复杂的方法除了考虑相关信号的时域特征外，还考虑频域特征，通过傅立叶变换、小波变换和谐波分析等数学工具，提取有价值的信号特征，建立匹配数据库，并以此为依据对实时采集的负荷数据进行匹配，检测用电情况。但是，人工设计的信号特征需要人为手动调节参数，存在复杂度和维度较低的问题，往往不能充分反映信号的内在特点和提升不同信号之间的分辨率；同时，传统的匹配算法例如时域的波形匹配，特征点匹配以及谱分析等方法匹配准确率不高，进而用电负荷识别准确率不高，实际应用效果不甚理想。

发明内容

本申请提供了一种用于电力负荷识别的机器学习模型训练方法及系统，以解决现有方法中人工设计的信号特征需要人为手动调节参数从而导致用电负荷识别准确率低的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

第一方面，本申请提供的一种用于电力负荷识别的机器学习模型训练方法，、所述方法包括：

获取各个电器的历史电气参数数据集；

清洗各个电器的所述历史电气参数数据集；

将单个电器的清洗后的历史电气参数数据集按照比例划分成训练集、验证集及测试集；

对所述训练集做平衡化处理得到新的训练集；

使用平衡化后新的训练集训练目标电器的机器学习模型的参数，再根据训练集和测试集得到优化模型；

采集用户电力负荷的当前数据，并将所述当前数据输入每个目标电器的优化模型中，分离出电器的工作状态，输出电力负荷的类别结果。

可选的，所述对所述训练集做平衡化处理得到新的训练集，包括：

按一定比例从已清洗的用户数据片段集合中划分出训练集、验证集和测试集；

将数据片段按照是否包含电器开启状态的标准划分为两类；