[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

说明书

本发明属于电力设备领域，具体涉及一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。S1：通过物联表计量芯获取典型电器运行的电力数据；并归一化得到训练集和测试集。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。S3：设计一个基于改进遗传算法的参数优化模型。S4：采用实数编码的方式对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参数优化模型进行迭代优化。S5：对权值优化后的识别网络模型进行训练。S6：实时获取物联表采集的电压和电流数据，归一化后输入到识别网络模型中进行负荷识别。

技术领域

本发明属于电力设备领域，具体涉及一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。

背景技术

随着经济社会的快速发展，社会对电力能源的需求量急剧增加，海量智能电表投入电网运营并不断发展。随着智能物联电能表的应用，针对物联表的智能应用也得到发展，其中，非侵入式电力负荷识别(nonintrusive load monitoring，NILM)能够分析识别所得到的总功率或总电流数据，来获知用户各类用电设备的功率情况和工作状态，充分发挥智能物联电能表连接大量用户负荷的优势，为电网智能运行和管理带来便利。

非侵入式电力负荷识别算法不断改进，利用遗传算法优化神经网络进行负荷特征的群智能优化算法得到了广泛的应用，标准遗传算法(Genetic Algorithm，GA)就是通过选择，交叉变异等一系列操作使种群里的个体相结合，从而使个体不断优化，最终达到最优的群智能优化算法。该算法不能直接对获取的初始参数进行处理，需要先进行编码处理后，才能导入算法模型中计算。由于当前遗传算法在单目标寻优中局部搜索能力较差、易陷入局部最优，导致模型的预测精度较低、收敛速度慢。

此外，现有的各类非侵入式电力负荷识别算法大多依赖较大的设备算力才能完成，通常需要在电网数据中心进行部署应用，无法在电表本地进行在线预测，这限制了物联表的应用。

发明内容

为了解决现有方法在电力负荷识别中的局限性，节点负荷类型无法在物联表本地完成识别预测的问题；本发明提供一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。

本发明采用以下技术方案实现：

一种基于改进遗传神经网络的物联表电力负荷识别方法，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的识别网络模型，并初始化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，参数优化模型的改进如下：

(1)将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，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。