本发明涉及智能电网领域，具体地，涉及一种非侵入式用电负荷识别方法。

背景技术：

在智能电网环境下，智能量测设备会逐步得到广泛应用，从而能够得到用户负荷准确的、海量的数据。利用数据挖掘方法对用户负荷大数据进行处理，能够从中提取出有用信息，从而能够对电力负荷有更系统和深入的理解进而改善负荷管理水平及系统运行的安全性与经济性。负荷识别是大数据挖掘在电力系统中应用的重要领域。

居民用电负荷设备识别现在大都采用侵入式监测方法，侵入式监测方法需要在用电设备和插座之间安装中间监测装置来记录设备操情况。该方法通常依靠中间装置监测负荷设备操作记录、设备能耗数据等。

侵入式负荷识别方法需要在用电设备和插座之间安装硬件设备，当监测的用户数多时，需要采购大量的硬件设备，在一定程度上增加了采购成本，其次，硬件设备本身需要消耗电能，此外，安装时需要进入用户室内，给安装和维护带来不便。

技术实现要素：

本发明提供了一种非侵入式用电负荷识别方法，解决了现有的侵入式负荷识别方法存在的成本较高，耗能大，安装维护不便的技术问题，实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。

为实现上述发明目的，本申请提供了一种基于神经网络的非侵入式负荷识别方法。直接在用户总的进线端安装硬件设备测量，根据进线端的用电信息进行负荷设备识别，以有功功率和电流谐波作为识别特征，首先进行投切辨识，其次应用正则化的RBF神经网络算法识别负荷设备，具体步骤如下：

步骤：2.1数据采集。采集用户总线上电气负荷特征数据。

步骤：2.2投切辨识。基于有功功率数据，应用CUSUM算法进行设备的投切辨识，并记录投切事件。设有功功率时间序列为P＝{p(k)},(k＝1,2,...,∞)，具体步骤如下：

1)在该时间序列上定义1个连续的滑动窗口，窗口的长度为m,计算窗口的均值Mm

2)定义和用于检测事件是投入还是切除，其计算方法如下公式：

其中β表示该时间序列稳定时的波动水平，

3)设置阈值H,引入时间延迟因子d,若是令d＝d+1,计算直至于是投入时刻可根据k-d推导出。对于切除事件也是用同样的原理进行检测。

步骤2.3负荷特征提取。

设获取的用户总线上的电流谐波时间序列为由步骤2.2中得知k时刻有设备投入或者切除时，于是该设备的负荷特征为

步骤2.4负荷设备识别。基于电流谐波的数据，应用正则化rbf神经网络来进行负荷设备识别。具体步骤如下：

1)对电流谐波数据进行正则化rbf神经网络训练。具体步骤如下：

步骤1构建训练集。选取各种不同品牌、不同型号、不同类型的电器的电流谐波数据，并对设备进行编号，去重，构建训练集。设训练集中各设备的谐波数据为X1,X2...,Xn,对应的设备编号为b1,b2,...,bn。

步骤2计算训练集的扩展宽度其中dmax为训练集中X1,X2...,Xn数据之间的最大欧式距离，n为训练集中的数据观测数。

步骤3选取训练集中所有的谐波数据均为隐含层的中心点，设输入层输入样本Xi，计算输入样本与隐含层所有中心点的径ρij，其中ρij为Xi与Xj之间的欧式距离，i＝1,2,...,n,j＝1,2,...,n.

步骤4计算隐含层节点，选取高斯函数为径向基函数，高斯函数为于是隐含层节点为输入样本Xi与隐含层中心点Xj的径向基函数值i＝1,2,...,n,j＝1,2,...,n.

步骤5设隐含层节点与输出层之间的权重为w＝(w1,w2,...,wn)，对于输入样本Xi,其输出层为

步骤6求解方程组i＝1,2,...,n。若可逆，其中b＝(b1,...,bn)'.若不可逆时，令λ为参数，λ∈[0.0000001,0.1]，I为单位矩阵。

2)应用正则化RBF神经网络训练出来的模型进行负荷设备识别。

已知电流谐波特征数据为Y,识别该负荷的设备。

步骤1Y为输入层数据，将Y映射到隐含层每个中心点，隐含层的中心点为训练集中所有谐波数据，于是隐含层第j个节点为j＝1,2,...n.

步骤2输出层为则识别的负荷设备编号为负荷设备为该编号对应的设备。

本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：

1)与现有技术相比，本发明提出的负荷设备识别方法是非侵入式的，在用户总进线端安装传感器监测即可，所需安装硬件设备少，一定程度上减少了采购硬件设备的成本，无需进入用户住宅里面安装，安装和维护简便，有利于推广。

2)本发明提出的负荷设备识别方法采用CUSUM算法来辨识设备的投切，该算法可以对样本数据信息累加，将过程的小偏移累积起来，达到放大的效果，不仅可识别逐渐变化的过程，对瞬时突变的过程也可以识别。

3)本发明提出的负荷设备识别方法采用正则化的RBF神经网络算法识别负荷设备，该算法是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意非线性函数，具有全局逼近能力，拓扑结构紧凑，收敛速度快。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本申请中非侵入式用电负荷识别方法的流程示意图。

具体实施方式

本发明提供了一种非侵入式用电负荷识别方法，解决了现有的侵入式负荷识别方法存在的成本较高，耗能大，安装维护不便的技术问题，实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

由图1可知本发明采用非侵入式的方式进行负荷设备识别，在用户总线上安装硬件设备监测即可，其具体步骤如下：

1通过硬件设备采集用户总线上的数据，采集的数据包括：有功功率、不低于10次的电流谐波数据；数据采集频率不低于1秒。

2基于有功功率数据，应用CUSUM算法进行投切辨识，在CUSUM算法中设置窗口长度m＝3,阈值H＝300，参数值可根据具体情况做适当的调整。识别出任意时刻是否有设备投入进来或者切除出去。

3若某时刻存在投切，提取出投切时刻的电流谐波特征。电流谐波为标量可直接加减，因此，设备投入时，该设备谐波特征为投入时刻的电流谐波减去投入时刻前1秒的电流谐波数据；设备切除时，该设备谐波特征切除时刻前秒的电流谐波数据减去切除时刻的电流谐波数据。

4应用正则化RBF神经网络算法训练模型，正则化RBF神经网络算法是一种非常经典机器学习算法，首先需要构建训练集，训练集中的数据包含各类电器的特征数据，需准确和具备多样性等特点。训练集的构建方式如下：

1)采集多个设备叠加的电流谐波数据，这些设备包含不同品牌和不同型号的各类设备，以及不同的叠加组合形式，人工记录投切设备和投切时间。

2)投切设备电流谐波特征数据提取，电流谐波为标量具有可加减性，因此，设备投入时，该设备谐波特征为投入时刻的电流谐波减去投入时刻前1秒的电流谐波数据，设备切除时，该设备谐波特征切除时刻前秒的电流谐波数据减去切除时刻的电流谐波数据。

由于叠加的设备、投切的设备以及投切的时间均由人工控制和记录，保证了训练集中数据的准确性。此外，叠加的设备包含有不同的品牌不同型号的各类设备，保证训练集中数据的多样性。

5基于电流谐波特征，应用正则化RBF神经网络训练出来的模型识别出投入或者切除的具体是什么负荷设备。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。