[发明专利]一种基于深度学习的台区负荷辨识及负荷响应评估方法

权利要求书

1.一种基于深度学习的台区负荷辨识及负荷响应评估方法，其特征在于：包括，

执行非侵入式负荷监测，获得用户运行的电器种类和负荷特征；

将得到的负荷特征数据使用三支决策高斯混合聚类算法进行聚类；

运用新型端侧神经网络架构，将一个台区所有用户的用电数据进行分类辨识，评估台区负荷需求响应能力。

2.如权利要求1所述的基于深度学习的台区负荷辨识及负荷响应评估方法，其特征在于：所述负荷特征包括稳态功率特征和稳态谐波特征，所述稳态功率特征包括稳态有功功率和稳态无功功率，所述稳态谐波特征包括电流高次谐波幅值及相角。

3.如权利要求1或2所述的基于深度学习的台区负荷辨识及负荷响应评估方法，其特征在于：

所述稳态有功功率通过如下公式表示，

所述稳态无功功率通过如下公式表示，

其中，P表示稳态有功功率，Q表示稳态无功功率，r表示采样点编号，u_r表示离散电压，i_r表示电流序列，m表示频率，n表示时间，N表示每周期采样点数。

4.如权利要求3所述的基于深度学习的台区负荷辨识及负荷响应评估方法，其特征在于：通过台区检测用电线路是否发生有功功率的较大改变，判定是否有用电事件发生，

用电器的电流通过如下公式表示：

i(t)＝I₀+I₁cos(ωt+θ₁)+I₂cos(2ωt+θ₂)+…+I_kcos(kωt+θ_k) (3)

其中，I₀表示直流电流分量，I₁表示基波电流幅值，I_k表示k(k1)次谐波电流幅值，ω表示角频率，t表示时间，θ_k表示k(k1)次谐波电流相角，

用户电路入口总功率通过如下公式表示：

其中，P_t为t时刻用户人口总有功功率；P_e为测量误差和未知电器的总有功功率；P_i,t为电器i在t时刻的有功功率；g为电器总数，

t时刻用户人口总有功功率P_t的波动范围通过如下公式表示：

|ΔP_t|＝|P_t+1-P_t|≤T_e

其中，T_e为总有功功率波动阈值，当发生|ΔP_t|T_e时，系统判定发生电器事件，

事件发生后进行监测，当检测到事件结束时提取负荷特征就可得到这个事件从开始到结束的电器特征，其中包括有功功率，无功功率和电流谐波变化等

有功功率计算方法如下：

其中，P_j+1表示电器动作达到稳态后的一段时间有功功率平均值；P_j表示电器动作前的稳态有功功率平均值。

5.如权利要求4所述的基于深度学习的台区负荷辨识及负荷响应评估方法，其特征在于：所述电器种类的判定为在实际运行的状态切换中，通过归纳每种电器所提取的特征向量，将一种电器的特征向量归位一个镞。