[发明专利]一种基于非监督优化的深度学习非侵入式负荷监测方法

说明书

本发明公开一种基于非监督优化的深度学习非侵入式负荷监测方法，第一部分为建立监督式神经网络深度学习模型；第二部分为利用非监督式学习方式对于模型的优化，第一部分包括：从目标负荷集群中监测一段时间内所有负荷信息；利用算法对数据预处理，对数据归一化；预处理过的数据进行神经网络训练；评估网络训练结果；第二部分为非监督式学习对模型的优化，利用K均值聚类算法对于各目标负荷聚类中心迭代，重新构成训练数据训练模型，利用非监督算法优化监督式学习算法，再对于用电行为分析。本发明非侵入式负荷监测方法，大幅提高利用深度学习算法处理非侵入式负荷监测问题的自学习能力、广泛性、灵敏度及准确度。

技术领域

本发明涉及一种非侵入式负荷监测方法，具体是一种基于非监督优化的深度学习非侵入式负荷监测方法。

背景技术

在广泛建设电力物联网、实现电网透明化以及实现信息网与电网并存的智能电网的未来发展背景下，对于得知各个负荷运行特征为用户提供负荷运行状态变化以及优化用电方案会是未来电网运行商重要的服务模式之一，所以负荷监测便成为智能用电的重要一环。而目前负荷监测分为侵入式负荷监测以及非侵入式负荷监测，侵入式负荷监测具有误差小，反应速度快等优点，但其高昂的成本不适合大规模推广，所以非侵入式负荷监测则具有非常明显的成本优势。

非侵入式负荷监测是指在电力入口处安装监测设备，通过该处对于负荷集群数据的收集与分析来得到各单个负荷的种类以及运行情况，而高频特征的分析对于监测设备的高要求也在与低频分析的对比中显现出成本劣势，但低频NILM精度由于信息量的缺少导致存在复杂且不精准等问题。而监督式学习本身具有自学习能力差，非监督式学习本身存在的分析结果精度差、不能适应进行非侵入式负荷监测的缺点。

发明内容

本发明的目的在于提供一种基于非监督优化的深度学习非侵入式负荷监测方法，通过电力监测设备在负荷集群上提取低频数据，利用低频数据进行预处理后采用PQ特征法与神经网络的结合进行训练，对于参数进行优化，利用训练得到的网络，结合K均值聚类算法对于监督式学习进行非监督式的优化，增强自学习能力、广泛性、灵敏度及准确度，对用户负荷集群低频数据进行负荷分析，得到负荷种类以及运行状态，得出用电行为报告，提高低频非侵入式负荷监测精确程度，节约电能支出。

本发明的目的可以通过以下技术方案实现：

一种基于非监督优化的深度学习非侵入式负荷监测方法，所述非侵入负荷监测方法包括以下步骤：

S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息；

S2、针对目标负荷，构建训练数据集与测试数据集；

S3、利用算法对数据进行预处理和归一化；

S4、将S3中得到的训练数据以一定的训练参数进行网络训练；

S5、对训练结果以及网络返回参数进行评估，并判断是否达标，若达标，则执行S8；若不达标，则执行S6；

S6、优化神经网络参数；

S7、根据S6中优化神经网络参数重建网络，并返回执行S4，重新训练；

S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告；

S9、若新增负荷导致训练网络分析能力下降，导致S8中分析结果出现较大误差，则对目标负荷进行非侵入式算法的优化，对于目前训练得到的深度学习网络进行自学习能力的提高，对于新增未知负荷进行非监督式学习；

S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据。

进一步的，所述S1包括利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作，以时间排列；