[发明专利]基于机器学习的电力负荷识别方法及系统

权利要求书

1.一种基于机器学习的电力负荷识别方法，其特征在于，所述方法包括：

获取各个电器的历史电气参数数据集；

清洗各个电器的所述历史电气参数数据集；

将单个电器的清洗后的历史电气参数数据集按照比例划分成原始训练集、验证集及测试集；

沿时间轴对所述原始训练集、验证集及测试集进行数据片段的截取，生成由数据片段组成的训练集、验证集和测试集；

对每个目标电器分别建立基于降噪自编码器的卷积神经网络模型；

对每个目标电器根据数据片段组成的训练集、验证集和测试集对所述基于降噪自编码器的卷积神经网络模型进行训练得到每个目标电器的优化模型；

采集用户电力负荷的当前数据，并将所述当前数据输入每个目标电器的优化模型中，分离出电器的工作状态，输出电力负荷的类别结果。

2.根据权利要求1所述的基于机器学习的电力负荷识别方法，其特征在于，所述获取各个电器的历史电气参数数据集，包括：

整合与汇总当今公共数据集得到第一数据集；

在用户总的进线端安装电能表获取一个或多个空间内的总体和单个用电负荷的电气参数得到第二数据集；

根据所述第一数据集和所述第二数据集汇总得到各个电器的历史电气参数数据集。

3.根据权利要求1所述的基于机器学习的电力负荷识别方法，其特征在于，所述沿时间轴对所述原始训练集、验证集及测试集进行数据片段的截取，生成由数据片段组成的训练集、验证集和测试集，包括：

使用长度为n，移动步长为1的滑动窗口沿时间轴方向对所述原始训练集、验证集及测试集进行数据片段的截取，生成由数据片段组成的训练集、验证集和测试集。

4.根据权利要求1所述的基于机器学习的电力负荷识别方法，其特征在于，所述清洗各个电器的所述历史电气参数数据集，包括：数据格式的统一、下采样到指定频率、电压归一化。

5.根据权利要求4所述的基于机器学习的电力负荷识别方法，其特征在于，所述数据格式的统一，包括：

根据将有功功率转化为[0，1]之间的数值，其中：

S[i]表示采样值即瞬时有功功率，C为电力负荷类型，sa为样本数据。

6.根据权利要求4所述的基于机器学习的电力负荷识别方法，其特征在于，所述下采样到指定频率，包括：

若采样率低于1Hz，则按原有采样率进行记录；

若采样率高于1Hz，则将采样率降采样至1Hz；

其中，所述将采样率降采样至1Hz包括：

使用每1秒间隔采样点的数值，抛弃所有1秒内的其他采样值；

计算相邻1秒钟内原始采样点的平均值作为1秒钟边界数据值；

计算相邻1秒钟内原始采样点的中值作为1秒钟边界数据值。

7.根据权利要求4所述的基于机器学习的电力负荷识别方法，其特征在于，所述电压归一化，包括：

根据将电压归一至同一波动范围内，其中：

Power_normalised表示归一化功率值，Power_observed表示测量功率值，Voltage_nominal表示名义电压值Voltage_observed表示测量电压值。

8.根据权利要求4所述的基于机器学习的电力负荷识别方法，其特征在于，所述清洗各个电器的所述历史电气参数数据集，还包括检测间隙、正常运行时间及识别能耗排名在前K位的电力负荷，其中k为可调整参数。