[发明专利]基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法

说明书

本发明公开了一种基于AdaBoost特征提取和深度学习RNN模型的非侵入式负荷识别方法，采用基于自适应变点寻优算法的负荷检测机制对负荷事件进行检测。当检测到负荷事件时，提取电器的负荷特征并存入MySQL数据库中，建立负荷特征库。设计适用于非侵入式负荷识别的RNN网络，通过RNN网络得到负荷特征识别结果，计算针对单个电器的识别准确率和N个电器组合时的识别准确率。最后改变RNN模型的参数，比较不同设置下的负荷辨识准确率，通过调整网络参数实现最佳网络性能。本发明解决了在非侵入式负荷监测中家用电器识别准确率不高，多种电器设备组合和小功率电器难以正确识别的问题。

技术领域

本发明属于电力负荷用电细节监测领域，涉及一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法。

背景技术

合理的能效管理有助于减少电能消耗、保证电网安全运行。随着近年来居民用电量的快速增长和电力系统的深化改革，负荷监测技术成为人们关注的热点。负荷监测技术包括传统的侵入式负荷监测和更加先进的非侵入式负荷监测技术。其中，侵入式负荷监测通常是在每种负荷成分或每个电器接入处安装一个智能传感器来监测其工作状态。这种侵入式测量方法的成本高、维护难度大。相比之下，非侵入式电力监测(Non-intrusive loadmonitoring,NILM)是一种对用户非常友好且经济便利的新方法。它只需在配电进线处安装监测设备，通过软件程序来分析用户的用电信息、监测负荷类型。非侵入式电力监测是智能电表时代的必然趋势，它不仅能为用户提供用电明细信息，还能为电力公司精准预测负荷构成比例，因此该方面的研究具有重要意义。

不少研究人员已经将机器学习算法应用在了非侵入式负荷监测技术领域。但是这些现有方法对于多种电器设备的组合和功率偏小的电器设备(如计算机、电视机)仍存在着识别准确率较低的问题，这严重影响了非侵入式负荷监测的实施和智能用电的实现。

因此希望有一种深度学习非侵入式负荷辨识方法能实现较高的识别准确率。

发明内容

本发明目的在于针对现有技术的不足，提出了一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法，以解决在非侵入式负荷监测中家用电器识别准确率不高，多种电器设备组合和小功率电器难以正确识别的问题。

本发明的目的是通过以下技术方案实现的：一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法，包括以下步骤：

步骤一：根据家庭配电进线处发生功率变化来判断投切事件，当发生投切事件时，在家庭配电进线处采集发生投切事件的电器电流样本，构成后续Adaboost特征提取和RNN模型训练使用的数据集；

步骤二：对采集到的电流样本进行频域分析，提取其频域谐波幅值作为各电器的负荷特征，每一类电器的负荷特征形成一个特征域，所有特征域形成负荷特征库，该特征库包含每一类电器的负荷特征；

步骤三：对步骤二得到的负荷特征库进行精简，使用AdaBoost算法筛选并保留特征库中每一类电器特征域的域边界样本，减少域内样本。

步骤四：设计适用于非侵入式负荷识别的RNN网络，确定RNN网络的输入层和输出层神经元个数、RNN网络隐含层层数和神经元个数、网络各层的激活函数，为RNN网络选取损失函数；输入层神经元个数由输入负荷特征向量的维数决定，而相应期望负荷标签向量的维数则决定输出层神经元的个数。隐含层层数和神经元个数根据实际工程需要进行选择。

步骤五：初始化RNN网络参数。其中参数包括：输入层-隐含层之间的权重ω_ij、隐含层-输出层之间的权重ω_jk、学习率、最大迭代次数以及误差限值(error-gate)；