[发明专利]基于BP神经网络模型的非侵入式负荷识别方法

说明书

本发明公开了一种基于BP神经网络模型的非侵入式负荷识别方法，涉及电力技术领域，包括以下步骤：A、特征分析样本的获取，B、特征样本集的获取，C、BP神经网络的优化和D、输出负荷识别结果四个步骤。本发明通过电能表计量芯采集不同家用负荷运行数据，提取家用负荷的暂态和稳态变化过程为负荷特征，结合BP神经网络模型实现家用负荷的辨识，从而提高居民侧负荷辨识的准确性和可靠性。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于BP神经网络模型的非侵入式负荷识别方法。

背景技术

负荷识别方法主要有侵入式负荷识别和非侵入式负荷识别两大类。虽然侵入式负荷识别方法的识别结果较为准确，但是由于成本高等原因不太受欢迎。而非侵入式负荷识别方法(non-intrusive load monitoring，NILM)成本低而且实用性强，所以NILM成为了当今电力系统智能计量领域的热点。NILM通过在入户电表上安装嵌入式非侵入电力识别模块，然后通过负荷识别算法来检测建筑内的负荷工作情况。负荷识别需要解决的问题是，建立已知用电设备的特征库和从采集数据中提取出来的负荷特征与已知特征库进行对比，识别总负荷的成分，实现负荷辨识。基于模式识别的负荷识别，实质是通过学习各种用电设备的负荷特征（暂态，稳态等），来达到辨识负荷的目标。基于模式识别的负荷识别算法众多，包括鸡群算法、隐形马尔科夫模型、支持向量机等，但该类算法处理负荷种类较为简单，而采用BP神经网络模型能够在复杂场景下进行多种电器负荷的辨识，应用前景良好。

发明内容

本发明要解决的技术问题是提供一种基于BP神经网络模型的非侵入式负荷识别方法，对用户的用电状况进行分析，加强居民用户负荷侧的预测和管理，唤醒用户侧沉睡的调节能力，合理引导与激励居民用户积极参与电力需求侧响应，提高电能使用的效率，达到削峰填谷的目的，提升新型电力系统的可靠性，灵活性和经济性。

为解决上述技术问题，本发明采用的技术方案是：包括以下步骤：

A、特征分析样本的获取：A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U^s_i和电流数据集合I^s_i；A.2、对电压数据集合U^s_i和电流数据集合I^s_i进行处理得到负荷的有功功率瞬时值集合P^s_i和无功功率瞬时值集合Q^s_i；A.3、根据有功功率瞬时值集合P^s_i和无功功率瞬时值集合Q^s_i进行数据截取获取特征分析样本；