[发明专利]基于遗传优化神经网络的负荷识别方法、装置和存储介质

权利要求书

1.一种基于遗传优化神经网络的负荷识别方法，其特征在于，包括以下步骤：

步骤一，采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；

步骤二，对所述数字信号进行数据处理；所述数据处理包括异常数据处理、去噪处理和归一化处理；

步骤三，对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；

步骤四，对探测到的事件进行负荷特征提取；

步骤五，通过神经网络监督学习算法识别出所述特征对应的负荷类型。

2.如权利要求1所述的负荷识别方法，其特征在于，步骤二中的所述异常数据处理方法包括：数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。

3.如权利要求2所述的负荷识别方法，其特征在于，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；所述置换法是将明显异常的数字信号进行替换；所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中坏数据的识别和修正；所述缺失数据的补充是用相似日的数字信号取均值来进行补充。

4.如权利要求1所述的负荷识别方法，其特征在于，步骤二所述数据归一化处理是将数字信号的幅值限制在0到1之间，具体的公式如下：

其中，x为原始的数字信号的幅值，x_min、x_max是多个数字信号的幅值中最大值和最小值，为归一化的数字信号。

5.如权利要求1所述的负荷识别方法，其特征在于，步骤三所述的事件探测通过对电压、电流信号进行预处理来记录用电设备的启停情况，判断标准是负荷特征是否发生了变化，具体包括：

根据n个数字信号的数列y₀,y₁,Λ,y_n，来判断假设事件的A₀和A₁真假；

其中，事件A₀表示y₀,y₁,Λ,y_n服从模型事件A₁表示存在某一时刻r，满足其中，表示参数为向量θ的模型，

式中，Λ表示省略号。

6.如权利要求1所述的负荷识别方法，其特征在于，步骤四所述的负荷特征提取是在事件数据中挖掘出有效表征事件特性的不同的负荷印记(load signatures，LS)特征。

7.如权利要求1所述的负荷识别方法，其特征在于，步骤五的具体过程包括：对给定的用电设备特征库及从所述数字信号中提取的负荷特征，辨识负荷的成分，来实现负荷类型的识别。

8.一种基于遗传优化神经网络的负荷类型识别装置，其特征在于，包括：

采集单元，用于采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；

处理单元，用于对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；

探测单元，用于对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；

提取单元，用于对探测到的事件进行负荷特征提取；

识别单元，用于通过神经网络监督学习算法识别出所述负荷特征对应的用户设备的负荷类型。

9.一种基于遗传优化神经网络的负荷类型识别装置，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～7任意一项的方法步骤。

10.一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。