[发明专利]一种基于并行AANN的非侵入式负荷识别方法

说明书

本发明公开了一种基于并行AANN的非侵入式负荷识别方法，包括以下步骤：先验的采集电力系统内各负荷电压、电流数据，绘制V‑I轨迹，提取特征；将各类用电负荷特征数据分别训练AANN，形成并行结构；实时采集电力系统入口处电压电流数据、滤波、事件检测，提取引起暂态事件的待识别负荷的电压电流数据，提取V‑I轨迹特征；将提取的特征输入训练好的并行AANN，计算各AANN输入输出皮尔森相关系数；将各AANN输出相关系数均低于阈值的特征量识别为未知负荷；输出相关系数高于阈值的AANN中，输出值最大的AANN代表目标负荷种类；识别结果反馈给用户。与现有的识别技术相比，本发明能够有效识别未知负荷与噪声引起的干扰事件、识别准确率高、鲁棒性强。

技术领域：

本发明涉及智能电网领域，一种基于并行AANN的非侵入式负荷识别方法。

背景技术：

通过在电力系统入口出使用负荷识别技术，可以实时监测设备工作状态与优化负荷曲线，从而推动建筑节能，智能家居的发展，进一步完善智能电网。在智能家居的应用中，可通过该技术实时监测家庭负载运行状态。从能源分析的角度讲，通过负荷识别有助于分项统计能耗曲线，为用户、电力公司、设备制造商提供参考。在用户端，用户用电信息得到反馈，从而规范用电行为，减少电费支出，提高能效；在电力提供端，以较低投入实现电网负荷细粒度感知，提升电力系统负荷预测准确度；对于电器设备制造商而言，可据此识别出低效或故障设备，以采取适当的行动提升产品质量或减少功耗。

近年来，研究者从负荷特征与负荷辨识算法的角度出发，提出了不同的负荷识别方案。由于以V-I轨迹作为区分负载的特征，相对于常用的电流、功率等特征，表征了负荷更加丰富的电气特性，本专利选择V-I轨迹作为区分负荷的特征。进一步地，提出基于并行自联想神经网络(AANN)的负荷辨识算法，通过计算神经网络输入端与输出端之间特征的最大相关系数达到负荷辨识的目的，同时，在输出端设置阈值判断，能有效识别未知负荷或噪声引起的干扰事件，保证了负荷精准识别。

发明内容：

有鉴于现有技术对未知负荷识别或噪声引起的干扰事件识别存在缺陷，同时，提高负荷识别准确率，本发明提出一种基于并行AANN的非侵入式负荷识别方法。具体技术方案如下：

一种基于并行AANN的非侵入式负荷识别方法，其特征在于，包括两个重要部分：分类器训练、负荷识别。

所述分类器训练包括以下步骤：

步骤1：先验的测量电力系统内N种用电负荷稳态电压电流数据。

进一步地，分别将各用电负荷电压电流数据，以电压工作周期为单位绘制V-I轨迹，分别从每种负荷的V-I轨迹中提取特征，形成样本数据库。

进一步地，V-I轨迹特征包括：电流跨度、图形面积、图形循环方向、图形交点个数、中线曲率、中间段峰值、中间段斜率、左右部分面积、瞬时导纳变化、最大最小点距离。

步骤2：分别对N种样本库负荷训练N个AANN，使得AANN学习不同负荷的特征分布将其存储记忆在权重中，并将训练好的AANN形成并行结构，搭建负荷辨识模型。

进一步地，所述AANN输入神经元个数等于输出神将元个数，输入特征维度等于输出特征维度；若输入的负荷特征分布与训练该AANN的特征分布一致，则AANN产生输出与输入误差很小，若输入的负荷特征分布与训练该AANN的特征分布不一致，输出将返回与输入不匹配的结果。

进一步地，输入待识别特征后，计算各AANN输入输出特征之间皮尔森相关系数，若各AANN输出相关系数均低于阈值，则判断该组特征数据为非样本库负荷产生，避免未知负荷或干扰事件引起的错误辨识。在输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表了该组特征数据的负荷种类。

所述负荷识别具体步骤如下：

步骤3：实时采集总线处电压电流数据、低通滤波、事件检测、目标负荷特征提取。