[发明专利]基于机器学习的电力负荷识别方法及系统

说明书

本申请提供的基于机器学习的电力负荷识别方法及系统，以实测的电气参数数据包括电流、电压、和功率等为基础，将基础电气参数数据统一格式，在长时间针对电力负荷特征提取、采集、分析、归纳和训练的基础上，可以在已知一段时间的若干用电负荷总体基础电气参数数据包括电压、电流、有功功率、无功功率等的情况下，正确识别出正在使用的电器种类。因此本申请提供的用于电力负荷识别的机器学习模型训练方法及系统不需要人为手动调节参数，较传统方法相比如时域的波形匹配，特征点匹配以及谱分析等匹配准确率高，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高模型的适用范围，提高电力负荷识别的准确率。

技术领域

本申请涉及电力负荷检测技术领域，尤其涉及一种基于机器学习的电力负荷识别方法及系统。

背景技术

电力负荷特征是电力负荷从电力系统的电源吸取的有功功率和无功功率随负荷端点的电压及系统频率变化而改变的规律；电力负荷特征是电力系统的重要组成部分；通过电力负荷特征识别用电设备对于智能电网技术的发展有重要作用。

电力负荷识别最为常用的方法为侵入式和非侵入式识别方法。其中，侵入式识别方法需要建立监测系统把传感器安装至各负荷处，这种方法虽然可以直接获得负荷的测量数据，但是安装成本高、安装过程复杂且维护也相对困难；而非侵入式识别方法只需要在电力供给的总入口处安装监测设备即可以对整个系统内的各负荷分解、监测和识别。具体地，非侵入式识别方法是基于电器负荷印记特征提取和识别的；其中，电器负荷印记特征能反映用电设备在运行中的独特的信息，如电压、有功的波形、启动电流等；在设备运行中这些负荷印记特征会重复出现，基于此，我们就可以把用电设备识别出来。

其中，负荷印记特征的设计和提取是整个方法的主要难点；特征设计一般采用较为简单的电流、电压、有功功率和无功功率的稳/暂态特征及其组合。但是，人工设计的信号特征需要人为手动调节参数，存在复杂度和维度较低的问题，同时，传统的匹配算法例如时域的波形匹配，特征点匹配以及谱分析等方法匹配准确率不高，进而用电负荷识别准确率不高，实际应用效果不甚理想；且数据建模是一个非常必要和重要的工作。针对运行状态比较稳定的用电设备，例如电视机、电水壶、电脑等，负荷识别难度相对较低，如果对于工作状态较多，例如全自动洗衣机，因为工作中用电情况变化比较多，负荷识别的难度也非常大。针对以上问题，基于稳态特征的提取技术不能有效应对一些识别难度较高的场景。

发明内容

本申请提供了一种基于机器学习的电力负荷识别方法及系统，以解决现有方法中人工设计的信号特征需要人为手动调节参数从而导致用电负荷识别准确率低的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

第一方面，本申请实施例公开了一种基于机器学习的电力负荷识别方法，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。

可选的，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；