[发明专利]一种基于RBF神经网络的非侵入式电力负荷分解方法

说明书

本发明公开了一种基于RBF神经网络的非侵入式电力负荷分解方法，采集电力负荷的稳态电压、电流波形数据，采用RBF神经网络以电压数据为输入，电流数据为输出训练神经网络单负荷特征模型，得到电力负荷组的特征模型；然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下，各种负荷的模拟输出电流波形；使用遗传算法对模拟输出电流波形进行组合寻优，与实际的电流波形进行匹配，得到适应度最高的负荷组合，该组合即为分解辨识得到的电力负荷组合的结果。该方法解决了现有技术在多负荷同时工作场景中不能工作或负荷分解辨识准确率低、辨识速度慢的问题。

技术领域

本发明属于智能用电及能效监测领域，具体涉及一种基于RBF神经网络的非侵入式电力负荷分解方法。

背景技术

电能是现代社会人类生存与发展的基础，我们的衣食住行，工业生产以及几乎我们或有的活动都已经离不开电能。近年来，全球都面临着能源危机，以煤炭、石油为代表的化石能源储量逐年下降。但是全社会的能源利用效率仍比较低，有巨大的提升空间。根据相关研究表明，用户在详细地得知自己的用电行为后，自愿会调整用电行为，有效减少不必要用电自主节能约15％-20％。传统的获得用户用电行为的方法是在每个用电负荷前加装电能传感器，不仅需要大量的前期投入、建设周期长、对用户生产生活干扰大，而且后期维护工作量巨大，维护成本高。

非侵入式负荷监测法通过在用户电力输入端口测量用户的用电数据(电压、电流、有功功率、无功功率等)，通过对端口数据的分析得到用户的用电行为。但是当前的非侵入式负荷监测法的分解精度比较低，主要存在问题是用电负荷的负荷特征选择与提取时不同程度上都存在着特征信息丢失的情况，一般都是针对特征用电环境下的特定负荷种类而制定的，一旦迁移到其他用电环境或加入特征相似的电力负荷辨识正确性明显下将。其次，基于暂态特征的非侵入式负荷监测法对监测系统的软硬件要求都特别高，需要在100毫秒左右的电力负荷开启/关闭切换瞬间，捕捉到电力负荷特征变化。最后，当系统中存在大量负荷同时工作或同时开启/关闭时，大多数监测方案不能对负荷的工作状态准确地辨识。

例如，申请号201610992916.9的中国专利申请(公开号106646026A、公开日2017.05.10)中公开了一种非侵入式家电负荷识别方法，首先将家电负荷看作独立系统，采集各家电负荷单独运行时的稳态电压和稳态电流数据，依据稳态电流波峰系数将负荷分为近似线性负荷和非线性负荷两类；然后将稳态电压作为输入数据，稳态电流作为输出数据，利用系统辨识方法分别为两类负荷建立模型，形成模型库；最后采集待识别负荷的稳态电压和稳态电流，通过预筛选确定模型库类型，依据模型匹配的原则识别负荷。该方法就存在只能识别模型库中单一负荷运行时的场景，而实际生产生活中常常是多个负荷同时运行，该方法在多负荷同时运行时不能识别出负荷。

发明内容

本发明的目的是提供一种基于RBF神经网络的非侵入式电力负荷分解方法，解决了现有非侵入式电力负荷分解方法不能在复杂多负荷同时工作环境中工作或运行时辨识分解的准确性与快速性差的问题。

本发明所采用的技术方案是，一种基于RBF神经网络的非侵入式电力负荷分解方法，包括以下步骤：

步骤1，建立单负荷组运行模型数据库

利用电力数据采集装置对每个电力负荷采集其的稳态电压、电流波形数据，采用RBF神经网络以电压数据为输入，电流数据为输出训练神经网络单负荷特征模型，训练达到精度后根据训练所得模型得到神经网络输入输出数据前向表达式，作为该电力负荷组的特征模型；再将所有单负荷组运行模型组成模型数据库。

步骤2，实际运行时，采集稳态电压、电流波形数据，先进行数据预处理，然后根据单负荷组运行模型数据库的各负荷模型计算在实际工作电压下，各种负荷的模拟输出电流波形；

步骤3，使用遗传算法找出最佳的负荷组合