[发明专利]一种基于宽度学习算法的非干涉式负荷分解方法

摘要

本发明提供的基于宽度学习算法的非干涉式负荷分解方法，其采集电器运行前后的运行数据作为输入数据，结合结合宽度学习算法，经过数据预处理、负荷分解模型初始训练、负荷分解模型增量学习、开关状态变化识别模型初始训练以及开关状态变化识别模型增量学习，充分考虑电气设备信息的多个因子，以非干涉的方式得到多电器设备场景的电力负荷运行状况，有效实现电气设备的负荷分解，提供更为精准的用电决策，且有较好的通用性与可推广性，极大地降低应用成本。

主权项

1.一种基于宽度学习算法的非干涉式负荷分解方法，其用于监测分析电器的电力运行状态及相关用电信息以实现所述电器的负荷分解，其特征在于，该方法包括以下步骤：步骤1：一类数据采集，选取所述电器开关状态无变化的多个时段，以K1的采用频率采集内电器运行数据，该运行数据包括电压、电流、瞬时有功功率、瞬时无功功率，将所述运行数据拼接构成输入向量并对所述运行数据作傅里叶变换后拼接构成输入向量将所述输入向量拼接成为输入向量同时，采集电器的开关状态数据，开启记作1，关闭记作0，将开关状态拼接构成标签向量其中，i＝1,2,…,I记为数据编号，I为数据总量；二类数据采集，以K2的采样频率采集电器开关状态变化后T个周期内电器运行数据，将该运行数据拼接构成输入向量其中，记j＝1,2,…,J为数据编号，J为数据总量，同时，构造标签向量为j维的全1向量，然后，以K2的采样频率采集电器开关状态无变化的T个周期内电器运行数据，将该运行数据拼接构成输入向量同时，构造标签向量为j维的全0向量；步骤2：数据预处理，一类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化并拼接为测试输入矩阵将所述标签向量拼接为标签矩阵其他标签向量拼接为测试标签矩阵二类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化拼接为测试矩阵将所述标签向量拼接为标签向量其他标签向量拼接为测试标签向量步骤3：负荷分解模型初始训练，基于所述输入矩阵利用第一随机初始化矩阵第一激活函数及第一偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第二随机初始化矩阵第二激活函数及第二偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第一增广矩阵通过该第一增广矩阵及所述标签矩阵求得第一权值矩阵步骤4：使用测试输入矩阵进行测试，若满足第一训练误差，则输出负荷分解模型，并进入步骤6；若训练误差不满足第一训练误差，则进入步骤5；步骤5：负荷分解模型增量学习，基于所述映射特征节点矩阵利用第三随机初始化矩阵第二激活函数及第三偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵以及第一增广矩阵构建第二增广矩阵通过第二增广矩阵及标签矩阵求得第二权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤4；步骤6：开关状态变化识别模型初始训练，基于所述输入矩阵利用第四随机初始化矩阵第三激活函数及第四偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第五随机初始化矩阵第四激活函数及第五偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第三增广矩阵通过该第三增广矩阵及所述标签矩阵求得第三权值矩阵步骤7：使用测试输入矩阵进行测试，若满足第二训练误差，则输出开关状态变化识别模型，并进入步骤9；若训练误差不满足第二训练误差，则进入步骤8；步骤8：开关状态变化识别模型增量学习，基于所述映射特征节点矩阵利用第六随机初始化矩阵第四激活函数及第六偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵及第三增广矩阵构建第四增广矩阵通过该第四增广矩阵及标签矩阵求得第四权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤7；步骤9：开关状态变化识别，持续以K2的采样频率采集K个周期的电器运行数据，拼接并归一化构成输入向量X_switch，将X_switch输入所述开关状态变化识别模型，识别电器开关状态是否变化，若是，则延迟T2个周期后进入步骤10，若否，则以固定时间间隔执行步骤10；以及步骤10：电器负荷分解，以K1的采样频率，采集单个周期的电器运行信息，拼接并归一化构成输入向量X₁，并对该运行信息作傅里叶变换，拼接并归一化构成输入向量X₂，将X₁、X₂拼接构成输入向量X_cycle，将该输入向量X_cycle输入所述负荷分解模型，得出电器负荷分解结果Y_cycle。