[发明专利]一种基于改进CNN的非侵入式负荷辨识方法

说明书

本发明提供了一种基于改进CNN的非侵入式负荷辨识方法，包括以下步骤：步骤S01：通过监测电力用户的入口处电流，采集用户的总负荷运行数据；步骤S02：提取负荷的暂态电流数据；步骤S03：用提取得到的暂态电流数据绘制电流波形图像并转为像素矩阵；步骤S04：对网络参数进行训练；步骤S05：使用卷积神经网络CNN进行分类；步骤S06：使用测试集数据对训练好的CNN进行验证，通过分类结果与测试集的标签计算负荷的辨识率。本发明提出一种基于改进CNN模型的负荷辨识方法通过采集特性相似的家用负荷运行数据，选取负荷投入时的暂态变化过程为负荷特征，结合卷积神经网络方法实现特征相似负荷的辨识，从而提高居民侧负荷辨识的效果。

技术领域

本发明属于非侵入式负荷监测，涉及一种基于改进CNN的非侵入式负荷辨识方法。

背景技术

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一，不仅有助于电力公司加强 负荷管理，还可以引导用户合理安排负荷的使用，为实现以家庭电力用户为主体的需求侧响 应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。现如今非侵入式负荷监 测中对负荷数据的低频采样虽然更利于推广，但是由于采样频率低，获取的负荷数据包含的 特征信息较少。卷积神经网络也并不能有效辨识具有相似波形特征负荷。因此，在低频采样 下特性相似的负荷辨识难度较大，现有方法虽然能够应用在低频采样场景下，但是对具有相 似特征的负荷辨识效果不佳。

发明内容

1.所要解决的技术问题：

现如今非侵入式负荷监测中对负荷数据，在低频采样下特性相似的负荷辨识难度较大， 现有方法虽然能够应用在低频采样场景下，但是对具有相似特征的负荷辨识效果不佳。

2.技术方案：

为了解决以上问题，本发明提供了一种基于改进CNN的非侵入式负荷辨识方法，包括以 下步骤：步骤S01：通过监测电力用户的入口处电流，采集用户的总负荷运行数据；步骤S02： 提取负荷的暂态电流数据；步骤S03：用提取得到的暂态电流数据绘制电流波形图像并转为 像素矩阵；步骤S04：对网络参数进行训练；步骤S05：使用卷积神经网络CNN进行分类； 步骤S06：使用测试集数据对训练好的CNN进行验证，通过分类结果与测试集的标签计算 负荷的辨识率。

所述卷积神经网络CNN由3个基本功能层：卷积层、池化层和全连接层组合而成，输入 数据按照网络结构，分别经过卷积层的卷积运算提取特征，池化层的池化运算降低维度，最 后全连接层将卷积层提取的特征进行整合，降低特征位置对分类结构的影响，通过将特征映 射到样本的标记空间得到分类结果。

3.有益效果：

本发明提出一种基于改进CNN模型的负荷辨识方法通过采集特性相似的家用负荷运行数 据，选取负荷投入时的暂态变化过程为负荷特征，结合卷积神经网络方法实现特征相似负荷 的辨识，从而提高居民侧负荷辨识的效果。

具体实施方式

下面对本发明进行详细说明。

一种基于改进CNN的非侵入式负荷辨识方法，首先通过监测电力用户的入口处电流，采 集用户的总负荷运行数据，通过事件检测确定负荷投入的时间点从而提取负荷的暂态电流数 据。用提取得到的暂态电流数据绘制电流波形图像，然后将图像转为像素矩阵。然后使用CNN 进行分类前需要对网络参数进行训练，其中网络参数初始化是关键步骤之一，理想的网络参 数初始化可以提高训练效率，反之会影响网络收敛甚至导致训练失败。最后使用测试集数据 对训练好的卷积神经网络CNN进行验证，通过分类结果与测试集的标签计算负荷的辨识率。