[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

说明书

本发明公开了一种基于深度学习的台区负荷辨识及负荷响应评估方法，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。本发明提供了一种神经网络主导的台区负荷辨识和负荷需求响应的评估方法，为负荷的监控和预测提供了有效的技术支持。提高聚类结果质量和辨识精度，以及智能性。

技术领域

本发明涉及用电负荷辨识和负荷需求响应技术领域，特别是一种基于深度学习的台区负荷辨识及负荷响应评估方法。

背景技术

近年来随着智能电网技术的不断发展，人们对智能用电的要求正在不断上升，其中的用电辨识技术更是智能用电的首要环节，对用户用电器进行精准监测辨识可以使供电侧更合理地配置电力资源。对于用电方来讲，可以更加方便地了解所使用电器用电情况，便于用户调整自身的用电习惯达到节约用电，高效用电的目的。如何准确聚类辨识居民用户详细的用电信息，做出及时的负荷需求响应是执行上述负荷调控技术的关键，目前对于用户负荷聚类的主流算法是基于欧氏距离来衡量相似度，此方法只通过负荷曲线的时间点的分布特性来进行聚类，而对于负荷曲线的动态趋势特征方面考虑欠佳，而随着用电器用电情况日趋复杂，单纯应用欧氏距离进行聚类的效果也随之变差。传统的k-means聚类方法需要在执行前确定聚类数K，而现阶段用户的用电器种类越来越多，这种模式明显不能满足现阶段负荷聚类要求。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的基于深度学习的台区负荷辨识及负荷响应评估方法中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何提供一种基于深度学习的台区负荷辨识及负荷响应评估方法。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述基于深度学习的台区负荷辨识及负荷响应评估方法的一种优选方案，其中：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。

作为本发明所述基于深度学习的台区负荷辨识及负荷响应评估方法的一种优选方案，其中：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。

作为本发明所述基于深度学习的台区负荷辨识及负荷响应评估方法的一种优选方案，其中：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)