[发明专利]一种结合电力指纹知识和神经网络的设备类型识别方法

说明书

本发明公开了一种结合电力指纹知识和神经网络的设备类型识别方法，该方法包括步骤：S1、获取设备使用时的电压电流采样数据；S2、设置时间区间，则将S1得到的数据进行分割；S3、将S2获得的数据转换为常用的电气特征量；S4、将S3获得的电气特征量输入至知识提取模型得到设备的电力指纹知识点；S5、将S4获得的电力指纹知识点进行编码，并与S3获得的电气特征量进行拼接得到总特征向量；S6、将S5获得的总特征向量输入至训练好的神经网络中，得到设备类型。相比传统的负荷识别方法，本发明将机器学习方法和知识驱动方法的有机结合，能极大降低数据量的要求，并且能够加快模型的收敛数据和判断速度，且能够提高模型的准确性。

技术领域

本发明涉及一种结合电力指纹知识和神经网络的设备类型识别方法，属于负荷识别技术领域。

背景技术

随着电网的电气量测系统逐步完善，越来越多电气测量装置投入使用，利用监测数据进行负荷识别成为可能。目前所提出的负荷识别方法众多，但主要集中在完全数据驱动的机器学习方法，较少人考虑结合专家经验和知识来进行负荷识别。如中国专利申请(公告号CN105974219B)提出利用电压、电流及功率因数进行负荷识别，是基于完全数据驱动的识别方法，缺点是这三个数据量比较接近的设备无法识别；如中国专利(公布号CN111914899A)提出结合人工规则与机器学习进行识别，虽然是结合部分知识进行识别，但是所述知识来源于数据驱动的决策树，并不属于可解释性的专家经验和知识。

基于此，如何合理结合专家知识体系和机器学习方法是提高负荷识别准确率的重点。

发明内容

本发明要解决的技术问题是：提供一种结合电力指纹知识和神经网络的设备类型识别方法，以解决现有技术中存在的技术问题。

本发明采取的技术方案为：一种结合电力指纹知识和神经网络的设备类型识别方法，该方法包括以下步骤：

步骤S1、获取设备使用时的电压、电流采样数据；

步骤S2、设置时间区间，则将步骤S1得到的电压、电流采样数据进行切割；

步骤S3、将步骤S2获得的数据转换为常用的电气特征量；

步骤S4、将步骤S3获得的电气特征量输入至知识提取模型中，得到设备的电力指纹知识点；

步骤S5、将步骤S4获得的电力指纹知识点进行编码，并与步骤S3获得的电气特征量进行拼接，得到总特征向量。

步骤S6、将步骤S5获得的总特征向量输入至训练好的神经网络中，得到设备类型。

其中，步骤S1所获取的电压、电流采样数据是采样频率大于100Hz的原始采样数据。

其中，步骤S3所述的常用电气特征量为有功功率、无功功率、视在功率、电压幅值、电流幅值、功率因数、0-31次谐波电流幅值和相位。

其中，步骤S4所述的电力指纹知识点为：电气外特性、状态时变特性等。电气外特性描述设备在外电路中体现的特性，具体表现为阻性、感性、非线性等，如热水壶等加热设备多为阻型、含有电机的设备多为感性、具有电子显示屏等设备如电脑、电视机多为非线性。状态时变特性描述设备在工作时电气特征量是否趋于稳定，如热水壶、充电器等设备工作状态较为稳定，电视机、电脑则依据实际情况而定。

电气外特性的知识提取模型的实现方法如下：

①根据步骤S3得到的电压谐波U_i和电流谐波I_i计算每一次谐波的阻抗值Z_i：

②计算各次谐波阻抗值的变异系数c_v