[发明专利]一种基于改进遗传神经网络的物联表电力负荷识别方法

权利要求书

1.一种基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于，其包括如下步骤：

S1：通过物联表计量芯获取典型电器设备在一个月度内不同采样时刻对应的电压和电流数据；并对采样数据进行归一化得到原始数据，将原始数据构成的数据集划分为训练集和测试集；

S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型，并初始化所述识别网络模型的权值和阈值；

S3：设计一个基于改进遗传算法的参数优化模型，所述参数优化模型的改进如下：

(1)将所述识别网络模型反向传播过程中误差函数值的倒数作为改进遗传算法的适应度函数；

(2)在改进遗传算法中引入局部搜索算子，所述局部搜索算子用于将选择、交叉和变异操作得到的所有个体按适应度值排序，然后从排名前1/3的个体中搜索最优个体；

(3)将最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值作为改进遗传算法的迭代条件；

S4：采用实数编码的方式对所述识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到所述参数优化模型进行迭代优化；具体过程如下：

S41：通过适应度函数更新初始种群中每个个体的适应度值，按照适应度值对初始种群进行排序；

S42：对初始种群分别进行选择操作、交叉操作和变异操作，每次操作中得到n个子代个体；

S43：采用局部搜索算子从得到的3n个子代个体选择出最优个体，并判断最优个体是否满足迭代终止条件：

(1)是则输出当前轮次的最优个体，并结束参数优化的迭代过程；

(2)否则将适应度值排序靠前的N-5各个体和适应度值最差的5个个体作为下一轮次的初始种群，返回到步骤S42进行迭代优化；

S5：对输出的最优个体进行解码得到优化后的权值和阈值，并赋值给所述识别网络模型进行训练，训练过程具体如下：

S51：将所述训练集中的数据输入到权值和阈值更新后的识别网络模型中，进行误差反向传播，不断训练权值和阈值并更新；

S52：获取每次训练中识别网络模型的平方误差，判断平方误差是否满足要求：是则返回步骤S51继续训练，否则进入步骤S53进行测试；

S53：利用测试集中的数据对完成训练的所述识别网络模型进行测试；

S6：实时获取物联表采集的电压和电流数据，对采样数据进行归一化处理后输入到上步骤训练完成的所述识别网络模型中，得到当前物联表电力负荷的识别结果。

2.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S1中，所述典型电器设备包括电视、空调、电冰箱、微波炉、电热水器、饮水机、空气净化器或其它家庭常用的高频用电设备。

3.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S1中，所述电压和电流的采样数据的归一化公式如下：

上式中，max|V|、max|I|分别为月度周期内物联表计量芯采集到的电压、电流的最大绝对值；V_q，I_q分别为物联表计量芯第q个采样时刻的电压、电流值；v_q、i_q分别为数据中第q个采样时刻归一化后的电压、电流值。

4.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S2中，构建的所述识别网络模型的正向传递过程如下；

上式中，x_i表示输入层节点的特征量；m表示输入层的节点数，i＝1……m；x_j表示输出层节点的特征量；S_j表示隐含层节点特征量；ω_ij表示两个节点i和j之间的权值；b_j表示节点j的阀值；f(·)表示激活函数；

识别网络模型采用均方误差MSE作为性能评价指标，MSE的计算公式为：

上式中，t_j为网络中第j个神经元的期望输出，a_j为网络实际输出。