CN113420584A - 基于遗传优化神经网络的负荷识别方法、装置和存储介质 - Google Patents
基于遗传优化神经网络的负荷识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113420584A CN113420584A CN202110281525.7A CN202110281525A CN113420584A CN 113420584 A CN113420584 A CN 113420584A CN 202110281525 A CN202110281525 A CN 202110281525A CN 113420584 A CN113420584 A CN 113420584A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- digital signal
- neural network
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 45
- 238000012937 correction Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于遗传优化神经网络的负荷识别方法、装置及存储介质，本申请对非侵入式负荷检测与分解进行研究和应用，对负荷监测分解过程中数据采集、数据预处理、事件探测、特征提取和负荷识别五个关键步骤，并且负荷识别运用遗传优化神经网络算法，可有效的提高算法的识别速度和准确率。
Description
技术领域
本发明涉及电力系统技术领域，具体涉及一种基于遗传优化神经网络的负荷识别方法、装置和存储介质。
背景技术
随着电力系统的发展，电网的安全、可靠运行支撑着国民经济生活和发展。同时，需求侧管理也逐渐深入，传统的用户侧侵入式负荷监测方法已经不能满足需求，为了对用户侧的各个用电设备进行实时监测，了解用户的用电情况，非侵入式的负荷监测技术逐渐发展起来，如何采用非侵入式的方式识别用户设备的负荷类型是亟待解决的问题。
发明内容
本申请实施例提供了一种基于遗传优化神经网络的负荷识别方法、装置和存储介质，可以解决相关技术中非侵入式识别负荷类型存在的识别速度慢和准确率低的问题。所述技术方案如下：
第一方面，本申请实施例提供了一种基于遗传优化神经网络的负荷识别方法，所述方法包括：
步骤一，采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；
步骤二，对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；
步骤三，对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；
步骤四，对探测到的事件进行负荷特征提取；
步骤五，通过神经网络监督学习算法识别出所述负荷特征对应的负荷类型。
在一种可能的设计中，步骤二中的所述异常数据处理方法包括：数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。
在一种可能的设计中，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述置换法是将明显异常的数字信号进行替换；
所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中的坏数据的识别和修正；
所述缺失数据的补充是用相似日的数字信号取均值来进行补充。
在一种可能的设计中，步骤二所述数据归一化处理是将数字信号的幅值限制在0到1之间，具体的公式如下：
其中，x为原始的数字信号的幅值，xmin和xmax多个数字信号的幅值中最大值和最小值，为归一化的数字信号。
在一种可能的设计中，步骤三事件探测包括：
根据n个数字信号y0,y1,Λ,yn，来判断假设事件的A0和事件A1的真假；
其中，事件A0表示y0,y1,Λ,yn服从模型
事件A1表示存在某一时刻r，满足
其中，
表示参数为向量θ的模型，式中，Λ表示省略号。
在一种可能的设计中，步骤四所述的负荷特征提取是在事件中挖掘出有效表征事件特性的不同的LS特征。
在一种可能的设计中，步骤五的具体过程包括：对给定的用电设备特征库及从所述数字信号中提取的负荷特征，辨识负荷的成分，来实现负荷类型的识别。
第二方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第三方面，本申请实施例提供一种装置，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
本申请对非侵入式方式对用电设备的负荷进行监测与分解，对负荷监测分解过程中使用数据采集、数据预处理、事件探测、特征提取和负荷识别五个步骤，并且负荷识别运用遗传优化神经网络算法，可有效的提高算法的识别准确度和提高识别速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的原理示意图；
图2是本申请实施例提供的一种基于遗传优化神经网络的负荷识别方法的流程示意图；
图3是本申请实施例提供的一种基于遗传优化神经网络的负荷识别装置的结构示意图；
图4是本申请实施例提供的基于遗传优化神经网络的负荷识别装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/ 或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参见图1，为本申请实施例提供的一种原理示意图，本申请识别用户设备的负荷类型的过程包括：数据采集、数据处理、事件探测、特征提取和负荷识别，数据采集用户采集用电设备的模拟形式的负荷信号，然后将负荷信号转换为数字信号，数据处理对转换后的数字信号进行归一化、滤波等处理，事件探测基于处理后的数字信号进行事件探测，得到事件数据，然后基于事件数据提取负荷特征，最后根据遗传优化神经网络识别负荷特征对应的负荷类型。
基于图1的网络架构，请参见图2，为本申请实施例提供的一种基于遗传优化神经网络的负荷识别方法的流程示意图。如图2所示，本申请实施例的所述方法可以包括以下步骤：
S201，采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；强电模拟信号可以为用电设备上的电压信号和/或电流信号，数字信号的数量为多个，例如：数字信号的数据为n，n为大于2的整数；
S202，对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；
S203，对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；探测后得到事件数据，根据事件数据判断用电设备运行状态的变化，其中，运行状态表示设备的启动状态或暂停状态。
S204，对探测到的事件进行负荷特征提取；
S205，通过神经网络监督学习算法识别出所述负荷特征对应的负荷类型，其中，负荷类型表示用电设备的类型，例如：用电设备为洗衣机、冰箱或微波炉等。
在一个或多个实施例中，异常数据处理方法包括数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。
在一个或多个实施例中，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述置换法是将明显异常的数字信号进行替换；
所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中的坏数据的识别和修正；
所述缺失数据的补充是用相似日的数字信号取均值来进行补充。
在一个或多个实施例中，所述数据归一化处理是将数字信号的幅度在0到1之间，使得各个数字信号变得标准化，具体的公式如下：
其中，x为原始的数字信号的幅度，xmin和xmax是待处理的n个数字信号中幅度的最大值和最小值，
为归一化的数字信号的幅度。
在一个或多个实施例中，所述的事件探测可归结为变点检测问题，即把负荷的投切等过程定义成一个暂态的事件，负荷投入或者切除而引起的事件检测。具体的描述如下：
对n个数字信号组成的数列y0,y1,Λ,yn，来判断假设事件的A0和事件A1真假。
事件A0表示数列y0,y1,Λ,yn服从模型
事件A1表示存在某一时刻r，满足
其中，
表示参数为向量θ的模型。采用累积和(CUSUM)检测方法进行变点监测问题求解，式中，Λ表示省略号，下文表示相同。
在一个或多个实施例中，所述的负荷特征提取是在事件数据中挖掘出来一系列能有效表征事件特性的不同的LS特征。所述的负荷特征提取的两个难点为LS类型选择和特征提取方法。所述LS类型选择可分为稳态特征和暂态特征。所述的稳态特征是通过计算事件发生前后稳定状态的有功功率、无功功率、视在功率、电流有效值等的物理属性的变化得到的，所述的暂态特征是关注由事件引起的变化过程的特性，包括事件过渡的形状、持续事件等。所述的特征提取方法有傅里叶变换和小波变换等。
在一个或多个实施例中，所述的负荷类型识别是对给定的用电设备特征库及从量测数据中提取的负荷特征，辨识负荷的成分，来实现负荷分解，具体可以描述为以下数学问题：
假设Φ＝[A1,A2,ΛAM]，Ai＝[fi,1,fi,2,Λ,fin]T，B＝[F1,F2,Λ,Fn]T，X＝[x1,x2,ΛxM]T，求满足式(1)的解。
其中，Φ表示M个用电设备的负荷特征矩阵，Ai为第i个用电设备负荷特征组成的特征向量，fi,n为其中的第n个负荷特征；B表示总负荷的特征向量，Fn是第n个负荷特征；X表示M个用电设备的负荷状态向量，用0，1表示；d(C,B)为总负荷与负荷特征可能组合间的距离。
在数据采集、数据处理、事件探测和特征提取的基础上，通过遗传优化神经网络算法进行负荷识别，实现提高负荷识别准确性的目的，具体的算法过程如下：
以典型的三层前馈神经网络为例，构造遗传优化神经网络的染色体编码，用wij表示节点 i与节点j之间的权值，用bk表示节点k的阈值，设特征提取后的某采样时刻t的特征向量如下：
F(t)＝[F1(t),F2(t),Λ,FN(t)] (3)
其中，N为特征种类数，同时也代表神经网络的输出层的个数，Fi(t)表示神经网络的第i 个输入节点的输入值，相应的隐含层节点j的输入如下式所示：
隐含层神经元传递函数如式(5)所示，神经元j的输出值如式(6)所示。
其中，bj(t)为神经元j的阈值。
输出层神经元的传递函数如式(7)所示，神经元k的预期输出值如式(8)所示。
可得到神经网络的输出误差为：
其中，
为节点的实际输出。
本发明采用遗传算法对神经网络的权值和阈值进行优化调节，更新后的权值和阈值如下：
wij(t+1)＝wij(t)+Δwij(t) (10)
bj(t+1)＝bj(t)+Δbj(t) (11)
Δwij(t)＝((-η)·(-δj(t))·Oact,i(t)) (12)
Δbj(t)＝((-η)·δj(t)) (13)
其中，变量wij(t+1)是节点i与节点j之间的第(t+1)次迭代的权值，η为神经网络的学习速率，bj(t+1)是节点j第(t+1)次更新后的新阈值，bj(l)是节点j由遗传算法产生的第l次迭代产生的阈值，δj(t)为修正因子：δj(t)＝(Oexp,j(t)-Oact,j(t))Oexp,j。
举例来说，以某220V下的常见家用电器：空调、热水器、电视机、电风扇和音箱为样本进行实证研究。
表1
从表格中可以看出，本申请采用的基于遗传优化神经网络的负荷识别方法的识别准确率都在95％以上，远远高于传统神经网络；同时，本发明在保证识别准确率的基础上，相同样本的训练时间也相较传统神经网络低。综上，本发明可较好的进行非侵入式负荷监测与分解，对引导用户合理用电，准确的识别用电设备的类型，避开用电高峰期，保证电力系统的稳定、安全运行具有重要意义。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图3，其示出了本申请一个示例性实施例提供的基于遗传优化神经网络的负荷类型识别装置的结构示意图。该基于遗传优化神经网络的负荷类型识别装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置3包括：采集单元30、处理单元31、探测单元32、提取单元33和识别单元34。
采集单元30，用于采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；
处理单元31，用于对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；
探测单元32，用于对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；
提取单元33，用于对探测到的事件进行负荷特征提取；
识别单元34，用于通过神经网络监督学习算法识别出所述负荷特征对应的用户设备的负荷类型。
在一个或多个实施例中，所述异常数据处理方法包括：数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。
在一个或多个实施例中，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；
所述置换法是将明显异常的数字信号进行替换；
所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中的坏数据的识别和修正；
所述缺失数据的补充是用相似日的数字信号取均值来进行补充。
在一个或多个实施例中，所述数据归一化处理是将数字信号的幅值限制在0到1之间，具体的公式如下：
其中，x为原始的数字信号的幅值，xmin和xmax多个数字信号的幅值中最大值和最小值，
为归一化的数字信号。
在一个或多个实施例中，事件探测包括：
根据n个数字信号y0,y1,Λ,yn，来判断假设事件的A0和事件A1的真假；
其中，事件A0表示y0,y1,Λ,yn服从模型Mθ0，事件A1表示存在某一时刻r，满足
表示参数为向量θ的模型。
在一个或多个实施例中，所述的负荷特征提取是在事件中挖掘出有效表征事件特性的不同的负荷印记(load signatures，LS)特征。
在一个或多个实施例中，识别单元34对给定的用电设备特征库及从所述数字信号中提取的负荷特征，辨识负荷的成分，来实现负荷类型的识别。
需要说明的是，上述实施例提供的基于遗传优化神经网络的负荷类型识别装置在执行基于遗传优化神经网络的负荷类型识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于遗传优化神经网络的负荷类型识别装置与基于遗传优化神经网络的负荷类型识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图2所示实施例的方法步骤，具体执行过程可以参见图2所示实施例的具体说明，在此不进行赘述。
请参见图4，为本申请实施例提供了一种基于遗传优化神经网络的负荷类型识别装置结构示意图。如图4所示，以下简称装置1000，所述装置1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)、modbus总线。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个财务机器人1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行财务机器人1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital SignalProcessing， DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列 (Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001 的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图4所示的装置1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的配置应用程序接口的应用程序，并具体执行图2方法实施例所述的步骤。
本实施例的构思和图2的方法实施例相同，其带来的技术效果也相同，具体过程可参照图2实施例的描述，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
需要说明的是，以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传优化神经网络的负荷识别方法，其特征在于，包括以下步骤：
步骤一，采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；
步骤二，对所述数字信号进行数据处理；所述数据处理包括异常数据处理、去噪处理和归一化处理；
步骤三，对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；
步骤四，对探测到的事件进行负荷特征提取；
步骤五，通过神经网络监督学习算法识别出所述特征对应的负荷类型。
2.如权利要求1所述的负荷识别方法，其特征在于，步骤二中的所述异常数据处理方法包括：数据横向对比法、数据竖向对比方法、置换法、概率统计法和缺失数据的补充。
3.如权利要求2所述的负荷识别方法，其特征在于，所述横向对比法指将任一时刻的数字信号和其相邻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；所述数据竖向对比方法是将相邻日期的同一时刻的数字信号进行对比分析，若其幅值的差值大于预设阈值，则进行修正处理；所述置换法是将明显异常的数字信号进行替换；所述概率统计法是根据经验进行负荷数据的初选和修正，然后再根据与设置的置信区间，经过这两步达到对数字信号中坏数据的识别和修正；所述缺失数据的补充是用相似日的数字信号取均值来进行补充。
4.如权利要求1所述的负荷识别方法，其特征在于，步骤二所述数据归一化处理是将数字信号的幅值限制在0到1之间，具体的公式如下：
其中，x为原始的数字信号的幅值，xmin、xmax是多个数字信号的幅值中最大值和最小值，
为归一化的数字信号。
5.如权利要求1所述的负荷识别方法，其特征在于，步骤三所述的事件探测通过对电压、电流信号进行预处理来记录用电设备的启停情况，判断标准是负荷特征是否发生了变化，具体包括：
根据n个数字信号的数列y0,y1,Λ,yn，来判断假设事件的A0和A1真假；
其中，事件A0表示y0,y1,Λ,yn服从模型
事件A1表示存在某一时刻r，满足
其中，
表示参数为向量θ的模型，
式中，Λ表示省略号。
6.如权利要求1所述的负荷识别方法，其特征在于，步骤四所述的负荷特征提取是在事件数据中挖掘出有效表征事件特性的不同的负荷印记(load signatures，LS)特征。
7.如权利要求1所述的负荷识别方法，其特征在于，步骤五的具体过程包括：对给定的用电设备特征库及从所述数字信号中提取的负荷特征，辨识负荷的成分，来实现负荷类型的识别。
8.一种基于遗传优化神经网络的负荷类型识别装置，其特征在于，包括：
采集单元，用于采集用电设备的强电模拟信号，将所述强电模拟信号转换为弱电模拟信号，并通过模数转换器将弱电模拟信号转换成数字信号；
处理单元，用于对所述数字信号进行数据处理；其中，所述数据处理包括异常数据处理、去噪处理和归一化处理；
探测单元，用于对处理过后的数字信号进行事件探测，以判断所述用电设备的运行状态的变化；
提取单元，用于对探测到的事件进行负荷特征提取；
识别单元，用于通过神经网络监督学习算法识别出所述负荷特征对应的用户设备的负荷类型。
9.一种基于遗传优化神经网络的负荷类型识别装置，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～7任意一项的方法步骤。
10.一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281525.7A CN113420584A (zh) | 2021-03-16 | 2021-03-16 | 基于遗传优化神经网络的负荷识别方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281525.7A CN113420584A (zh) | 2021-03-16 | 2021-03-16 | 基于遗传优化神经网络的负荷识别方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420584A true CN113420584A (zh) | 2021-09-21 |
Family
ID=77711851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110281525.7A Pending CN113420584A (zh) | 2021-03-16 | 2021-03-16 | 基于遗传优化神经网络的负荷识别方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420584A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934303A (zh) * | 2019-03-25 | 2019-06-25 | 宁夏隆基宁光仪表股份有限公司 | 一种非入侵式家用电器负荷识别方法、装置及存储介质 |
| CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
| CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
| CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
| US20210049314A1 (en) * | 2019-08-15 | 2021-02-18 | Global Energy Interconnection Research Institute Co. Ltd | Systems and Methods of Composite Load Modeling for Electric Power Systems |
-
2021
- 2021-03-16 CN CN202110281525.7A patent/CN113420584A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934303A (zh) * | 2019-03-25 | 2019-06-25 | 宁夏隆基宁光仪表股份有限公司 | 一种非入侵式家用电器负荷识别方法、装置及存储介质 |
| US20210049314A1 (en) * | 2019-08-15 | 2021-02-18 | Global Energy Interconnection Research Institute Co. Ltd | Systems and Methods of Composite Load Modeling for Electric Power Systems |
| CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
| CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
| CN111830347A (zh) * | 2020-07-17 | 2020-10-27 | 四川大学 | 一种基于事件的两阶段非侵入式负荷监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋万清等: "《数据挖掘》", 北京：中国铁道出版社, pages: 112 - 118 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428755B (zh) | 非侵入式负荷监测方法 | |
| CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
| CN112149510A (zh) | 一种非侵入式负荷检测方法 | |
| KR100918313B1 (ko) | 지능형 전기품질 진단 분석 방법 | |
| Hu et al. | Hierarchical fault diagnosis for power systems based on equivalent-input-disturbance approach | |
| CN113542241A (zh) | 一种基于CNN-BiGRU混合模型的入侵检测方法及装置 | |
| CN111738348A (zh) | 一种电力数据异常检测方法和装置 | |
| CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
| CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
| CN113420584A (zh) | 基于遗传优化神经网络的负荷识别方法、装置和存储介质 | |
| CN112256732A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN113408210B (zh) | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 | |
| CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
| CN111563543A (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
| Xiong et al. | Research on Industrial Load Decomposition Based on Correlation Analysis and DNN | |
| CN118193954B (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN118449279B (zh) | 基于云服务的智慧安全用电管理系统 | |
| CN110133364A (zh) | 一种负载开关事件检测的方法和装置 | |
| CN114118289B (zh) | 基于数据驱动的成品油管道运行工况识别方法及系统 | |
| CN116093952B (zh) | 一种暂态电压稳定监视母线分析方法 | |
| Zheng | Research on Anti-stealing Algorithm of Distributed Photovoltaic Power System Based on Power Big Data | |
| Wang et al. | Anomaly monitoring in high-density data centers based on gaussian distribution anomaly detection algorithm | |
| Zhu et al. | Design and experiment of smart fire electric power monitoring system based on the cyber-physical model | |
| Luo et al. | Detection of abnormal power consumption patterns of power users based on machine learning | |
| CN115793598A (zh) | 一种针对配电网箱式设备的故障检测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |