[发明专利]一种在线家庭负荷用电组合识别与耗电预测的方法

权利要求书

1.一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，包括步骤：

S10,通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；

S20,利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；

S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；

所述利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别，包括步骤：利用强化学习蒙特卡洛树搜索作为决策算法，通过迭代，每次迭代操作都包括选择、扩展、模拟和结果回传四个部分；

所述选择，是从根结点开始，根据树的遍历操作函数，搜索到叶子结点；

所述扩展，对叶子结点扩展一个或多个合法的子节点；

所述模拟，对子结点采用随机的方式模拟若干次实验，模拟到最终状态时即可得到当前模拟器所得的分；

所述结果回传，根据子结点若干次模拟的得分，更新当前子结点的模拟次数与得分值，同时将模拟次数与得分值回传到其所有祖先结点并更新祖先结点；

S40,针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；

S50,针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。

2.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。

3.根据权利要求2所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：

F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+…Fn(Xn，t)，n∈(1，2，3…)；

其中，F1，F2，F3，…，Fn表示负荷设备，X1，X2，X3，…，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。

4.根据权利要求1-3任一所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，对所采集的时域信号进行预处理，包括步骤：

采样电压在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：

u(j-1)＜u(j)＜u(j+1)

|u(j)|＜|u(j-1)|

|u(j-1)|＜|u(j+1)|；

其中：u(j)为第j采样点的电压信号；

采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；

负荷组合总电流的表示为：

其中：f_i，j表示负荷i、特征值j的数据值；θ_j(t)为有K个负荷同时在t时刻工作的特征值j的数值之和，f_l，j为在(t+Δt)时刻工作的负荷l、特征值j的数值；

负荷组合总功率的表示为：

其中，P_L(t)∈R表示t时刻的负荷有功总功率；P_i，m(t)∈R表示负荷i在t时刻处于状态m时的有功功率；S_i，m(t)是布尔型变量，表示负荷i的工作状态，S_i，m(t)＝1表示负荷i在时刻t处于状态m；m＝1表示停机状态；N表示负荷总数；M(i)表示负荷i的工作状态总数，M(I)∈{2，3，4，…}；e(t)表示噪声或误差。