[发明专利]一种基于深度学习的非入侵式用电负荷识别方法及装置

说明书

本发明涉及公开了基于深度学习的非入侵式用电负荷识别方法，包括：获取数据，其中，所述数据包括：历史负荷数据和外部影响因素数据；对所述数据进行预处理，其中，所述预处理具体为：对所述历史负荷数据进行剔除坏值、填补空值、计算特征值和归一化处理；并对所述外部影响数据进行量化处理；将预处理后的数据依次输入到预设的深度学习模型、时序模型以及分类模型，输出结果并得到负荷识别的结果。本发明能够通过现有的家庭负荷电力监测装置(家用电表)，实现对家庭用户不同类型负荷(电器)的状态识别的目的。

技术领域

本发明涉及电力系统用电负荷监测技术领域，特别是涉及一种基于深度学习的非入侵式用电负荷识别方法及装置。

背景技术

非侵入式负荷监测(non－intrusive load monitoring，NILM)系统，是指通过电力入口处安装的监测设备的量测数据，分析得到负荷集群中单个负荷的种类和运行情况。居民用户非侵入式负荷监测指通过家用电表实现对用电行为的识别，电器运行状态的监控。用户通过NILM，可以减少不必要的能源开销，达到节能降耗的目的。电力公司通过NILM，可以了解电力用户负荷的构成，加强负荷侧管理，通过引导用户合理消费、合理安排负荷的使用时间达到调节峰谷差和降低网损等目的；有助于改善电力负荷的预测精度，为电力系统仿真分析、系统规划提供更准确的数据。

深度学习是机器学习的一种，深度学习的根本是人工神经网络，人工神经网络可以自适应处理复杂的非线性关系，挖掘深层关系。目前深度学习广泛应用于图像、语音与文字识别，负荷预测等领域。深度学习模型类型众多，模型结构不同，适用范围和利弊差异较大，对于不同的应用场景，应选择合适的模型结构和模型参数。

非侵入式居民负荷监测目前主要有两类方法：一是通过对不同电器的负荷特征提取，在总负荷曲线中进行识别和分析。二是通过应用和研究不同的负荷识别算法，以提高负荷识别的准确率，主要有决策树、支持向量机、隐马尔科夫链、K最近邻等方法实现非侵入式负荷监测。但是以上方法存在几个方面的问题，一是部分方案需额外加装负荷监测装置，二是可识别电器类别单一，整体识别率低，三是方案的可移植能力较弱。

发明内容

本发明的目的是：提供一种基于深度学习的非入侵式用电负荷识别方法及装置，能够通过现有的家庭负荷电力监测装置(家用电表)，实现对家庭用户不同类型负荷(电器)的状态识别的目的。

为了实现上述目的，本发明提供了基于深度学习的非入侵式用电负荷识别方法，包括：

获取数据，其中，所述数据包括：历史负荷数据和外部影响因素数据；

对所述数据进行预处理，其中，所述预处理具体为：对所述历史负荷数据进行剔除坏值、填补空值、计算特征值和归一化处理；并对所述外部影响数据进行量化处理；

将预处理后的数据依次输入到预设的深度学习模型、时序模型以及分类模型，输出结果并得到负荷识别的结果。

进一步地，所述历史负荷数据包括：总负荷数据和电器负荷数据；所述外部因素影响数据包括：最高气温、最低气温和日期。

进一步地，所述计算特征值包括：计算第一预设时间的负荷变化值作为数据变化特征；计算第二预设时间的负荷均值作为数据均值特征；计算第三预设时间的负荷方差值作为数据方差特征。

进一步地，所述归一化处理，采用如下公式：

其中，D_max和D_min分别为序列最大值与最小值。

进一步地，所述时序模型为预设长短期记忆神经网络；其中，所述长短期记忆神经网络的单元公式如下：

进一步，，所述分类模型包括：支持向量机模型、随机森林模型和多层感知器模型。