[发明专利]基于楼宇数据的多用户负载辨识方法

说明书

本发明基于楼宇数据的多用户负载辨识方法，具体按以下步骤实施：获取天气数据和充电桩数据，从监测负荷终端总电表中获取负荷楼宇的能耗数据；对获取的数据进行数据预处理；将预处理后的天气数据和交通数据、负荷楼宇的能耗数据中的分项负荷功率分为70％的训练矩阵与30％的验证矩阵，通过深度学习和迁移学习，进行负荷识别。本发明从楼宇的终端总电表处提取数据对楼宇多用户进行负荷辨识，方便快捷，并对天气信息和交通数据进行收集，整体辨识准确率高，且利用迁移学习来对不同楼宇进行负荷辨识，不仅可以对非住宅楼宇进行识别必要时也可对居民用户的电力负荷进行识别。

技术领域

本发明属于非侵入式智能家居负荷识别技术领域，涉及公共楼宇的整体负荷数据识别技术，具体涉及一种基于楼宇数据的多用户负载辨识方法。

背景技术

全球能源消耗中建筑电器消耗占比不小，节能潜力很大，现在许多城市里面公共楼宇巨大，电器复杂多样，单体能耗总量大。大负荷延迟是非侵入式智能家居负荷识别的重点，可以节省费用，同时避免高峰限电。在用电高峰期间推迟大负荷运行，也可以保证电网的稳定性，避免电网停电，实现能源的合理规划与调度。传统对负荷楼宇的电力识别都是非住宅区，且需要一定的前期数据进行基础来训练模型。现有很多非侵入负荷识别的技术和方法是基于单用户电表的测量和分析方法，需要对每个用户的电力数据进行采样或为其增添智能电表装置，成本巨大，对于电力部门，楼宇负载为所有用户的负载之和，其总电表的数量是远小于楼宇各用户电表数之和，这虽然可以节省装置费用，但也会使负荷识别的难度增大。

发明内容

本发明的目的提供一种基于楼宇数据的多用户负载辨识方法，能够辨识楼宇电器设备种类及数量。

本发明所采用的技术方案是，基于楼宇数据的多用户负载辨识方法，具体按以下步骤实施：

步骤1.获取当地天气数据；

步骤2.获取待辨识楼宇的总电表中的充电桩数据，即交通数据；

步骤3.从监测负荷终端总电表中获取负荷楼宇的能耗数据；

步骤4：将步骤1、2、3得到的数据进行数据预处理；

步骤5：将步骤4预处理后的天气数据和总负荷数据分为70％的训练矩阵一与30％的验证矩阵一，总负荷数据包括交通数据和能耗数据；

步骤6：将步骤4预处理后的负荷楼宇的总负荷数据中的分项负荷功率分为70％的训练矩阵二和30％的验证矩阵二；

步骤7：将步骤5的训练矩阵一放入深度学习模型层进行计算，得到数据一；再将数据一和步骤6的训练矩阵二进行损失函数计算和决策融合，直到找到最优解，视为学习完毕，得到训练好的网络和负荷识别深度学习结果；

步骤8：将步骤5的验证矩阵一放入步骤7训练好的网络，进行验证，然后将验证后的数据与步骤6的验证矩阵二融合，进行精度评估，得到负荷识别深度学习验证结果，对步骤7中的负荷识别深度学习结果进行验证。

本发明的特点还在于，

步骤1中，天气数据包括温度、湿度、能见度、紫外线强度、风速、雾霾和气压；步骤2中，充电桩数据包括需要用到充电桩的功率、电压和电流数据；步骤3中，能耗数据包括楼宇电器设备每一天的功率、电压、电流数据。

步骤4中，数据预处理具体为，将步骤2的交通数据和步骤3的能耗数据用工具包转化为适合深度学习模型层的数据类型，同时将步骤1获取的天气数据作为输入特征，按多元回归模型进行相关性分析去噪，得到温度、湿度、风速和气压数据。

步骤7中，深度学习模型层为分别利用多层感知器神经网络、LSTM模型、卷积神经网络进行计算，得到三组数据一，决策融合为将三组数据一分别与步骤6的训练矩阵二进行损失函数计算后放入优化器中进行CRITIC权重学习，找最优解。