一种基于深度神经网络的非侵入式负荷分解方法及系统

本发明属于电力系统智能用电，具体涉及一种基于深度神经网络的非侵入式负荷分解方法及系统。

背景技术：

1、在绿色转型的社会背景下，新能源发展迅速，并网容量不断增加，成为电网的重要组成部分；然而，随着新能源规模的急剧增加，电网的稳定运行面临了严峻挑战。

2、电网的新能源接纳能力不足导致了严重的弃风、弃光现象，因此如何有效地消纳新能源出力成为当前研究的热点问题；仅靠传统模式下调整发电侧资源的方式，很难保证电网的安全、稳定、经济运行，因此，未来电力系统的发展势必需要需求侧用户负荷资源的积极参与和系统的调控。需求响应技术使得用户负荷成为一种相对可控的资源，电力系统可以通过分时电价、尖峰电价、直接负荷控制等手段实现负荷用能管理，达到削峰填谷、负荷转移的目的。

3、然而，负荷种类复杂、数量众多、分布零散，如何获得较准确的负荷构成类型、可控信息，有效提取负荷可调节部分成为一项关键课题。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度神经网络的非侵入式负荷分解方法及系统，用于解决电力系统大量用户用能数据特征分析的技术问题。

2、本发明采用以下技术方案：

3、一种基于深度神经网络的非侵入式负荷分解方法，采集用户总负荷的电压电流数据；基于得到的用户总负荷的电压电流数据，确定有功功率曲线并检测有功功率曲线中的突变点，得到负荷工作信号；利用深度神经网络方法学习各用电负荷的特征模式，识别所述负荷工作信号。

4、优选地，采集用户总负荷的电压电流数据具体为：

5、在采样电流的数据基础上进行频域分析，完成对总负荷的电压电流数据预处理，通过快速傅里叶变换提取频域特征，获得一个周期内的多次谐波。

6、更优选地，一个周期内的多次谐波具体为：

7、

8、其中，k＝0,1,2,…n-1，ik为电流k次谐波分量，uk为电压k次谐波分量，n为采样次数，i(n)为第n次采样得到的电流，u(n)为第n次采样得到的电压，为k次谐波分量，j为虚数。

9、优选地，检测有功功率曲线中的突变点具体为：

10、基于电压电流数据确定有功功率曲线；

11、对有功功率曲线进行差分和运算，得到差分和信号；

12、将差分和运算结果与设定阈值进行比较，得到的突变点即为用电负荷开关事件。

13、更优选地，差分和运算具体为：

14、对负荷总功率进行差分和运算，得到差分和信号s(n)；再对s(n)进行硬阈值滤波，得到差分和信号s′(n)；最后对s′(n)内所有值进行判断，当该值为变号零点，则为负荷开关事件。

15、进一步优选地，差分和信号s(n)为：

16、

17、其中，p为用户有功功率；h为某一时间点为中心的最大差分半径；ω为局部分析窗口长度，k＝0,1,2,…n-1。

18、优选地，利用深度神经网络方法学习各用电负荷的特征模式，识别所述负荷工作信号具体为：

19、根据不同用电设备的运行周期，采用长度不一的滑动窗口读取总功率时间序列；

20、采用深度神经网络生成各用电设备的负荷识别模型，提取相应的用电设备功率曲线。

21、更优选地，以一天为周期，深度神经网络的输入为当前时刻t、当前时刻各用电设备开关状态st(j)、当前总功率pt、下一时刻总功率pt+1；深度神经网络输出为各用电设备下一时刻开关状态st+1(j)；深度神经网络具体包括：

22、输入层：m+3个输入神经元，对应当前时刻t、当前时刻各用电设备开关状态st(j)、当前总功率pt、下一时刻总功率pt+1；隐藏层1：200个神经元；隐藏层2-4：400个神经元；隐藏层5：k个神经元；输出层：输出层神经元数量为m，将k个样本根据设备状态数分为m组，得到输出st+1(j)，j＝1,2,…m。

23、进一步优选地，深度神经网络的适应度函数mse(l)为：

24、

25、其中，tj(l)为设备j的第l次迭代的期望输出，aj(l)为设备j的第l次迭代的网络输出。

26、第二方面，本发明实施例提供了一种基于深度神经网络的非侵入式负荷分解系统，包括：

27、数据模块，采集用户总负荷的电压电流数据；

28、分解模块，基于数据模块得到的用户总负荷的电压电流数据，确定有功功率曲线并检测有功功率曲线中的突变点，得到负荷工作信号；

29、识别模块，利用深度神经网络方法学习各用电负荷的特征模式，识别分解模块得到的负荷工作信号。

30、与现有技术相比，本发明至少具有以下有益效果：

31、一种基于深度神经网络的非侵入式负荷分解方法，利用深度神经网络对用户总负荷数据进行识别分解，提高负荷分解的精度，为分析用户用能规律提供数据依据。。

32、进一步的，利用快速傅里叶变换得到负荷的各次谐波作为识别特征，可以区分功率近似的负荷，提高负荷分解准确性。

33、进一步的，分和计算的负荷开关事件检测方法，并使用硬阈值滤波去除差分和数据的噪声，可降低开关事件的漏检，提高开关事件发生时刻的检测准确性，并提高运行速度。

34、进一步的，基于深度神经网络利用负荷数据训练，得到各个用电设备的负荷识别模型，从而降低负荷识别的错误率，提高负荷分解精度。

35、进一步的，利用深度神经网络对负荷类型进行分类，提高了负荷分解的精度。

36、可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

37、综上所述，本发明方法能够应用于需求响应，分析得到的设备用能情况、用户用电习惯等数据将帮助电网采取措施调整用户用电行为，进而实现供需互动平衡。

38、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于深度神经网络的非侵入式负荷分解方法，其特征在于，采集用户总负荷的电压电流数据；基于得到的用户总负荷的电压电流数据，确定有功功率曲线并检测有功功率曲线中的突变点，得到负荷工作信号；利用深度神经网络方法学习各用电负荷的特征模式，识别所述负荷工作信号。

2.根据权利要求1所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，采集用户总负荷的电压电流数据具体为：

3.根据权利要求2所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，一个周期内的多次谐波具体为：

4.根据权利要求1所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，检测有功功率曲线中的突变点具体为：

5.根据权利要求4所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，差分和运算具体为：

6.根据权利要求5所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，差分和信号s(n)为：

7.根据权利要求1所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，利用深度神经网络方法学习各用电负荷的特征模式，识别所述负荷工作信号具体为：

8.根据权利要求7所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，以一天为周期，深度神经网络的输入为当前时刻t、当前时刻各用电设备开关状态st(j)、当前总功率pt、下一时刻总功率pt+1；深度神经网络输出为各用电设备下一时刻开关状态st+1(j)；深度神经网络具体包括：

9.根据权利要求8所述的基于深度神经网络的非侵入式负荷分解方法，其特征在于，深度神经网络的适应度函数mse(l)为：

10.一种基于深度神经网络的非侵入式负荷分解系统，其特征在于，包括：

技术总结
本发明公开了一种基于深度神经网络的非侵入式负荷分解方法及系统，通过差分和方法检测总有功功率曲线中的突变特征；选择电流谐波作为特征值，通过快速傅里叶变换提取不同用电设备谐波电流的频域特征，得到一个电流周期内的多次谐波；使用深度神经网络方法提取负荷特征，辨识总负荷的成分，以实现负荷的识别和分解。本发明能够得到用户用电负荷特征和分解后的负荷曲线，使用的快速傅里叶变换方法可以检测同时性时间，辨识带开关模式的用电设备，利用深度神经网络进行负荷识别，保证了辨识结果的准确度；能够应用于需求响应研究，利用分解得到的用电设备运行信息，综合考虑用户舒适度、用电习惯等因素实现对用户设备的调控，实现负荷的削峰填谷。

技术研发人员：李更丰,胡欣月,张理寅,闫泽辉,尹冰若,黄奇峰,庄重,杨世海,段梅梅,盛举,黄艺璇
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/2/29