基于神经网络的异常用电负荷曲线辨识方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115186777A(43)申请公布日2022.10.14(21)申请号202211110014.X(22)申请日2022.09.13(71)申请人北京邮电大学地址100089北京市海淀区西土城路10号(72)发明人刘梓航喻鹏(74)专利代理机构北京惟盛达知识产权代理事务所(普通合伙)11855专利代理师陈钊(51)Int.Cl.G06K9/62(2022.01)H02J3/00(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于神经网络的异常用电负荷曲线辨识方法(57)摘要本发明公开了一种基于神经网络的异常用电负荷曲线辨识方法，包括获取正常用电负荷曲线数据和异常用电负荷曲线数据，并构建无标记训练样本集和半标记训练样本集；构建异常用电负荷曲线辨识模型；按照回合标记概率准则对训练样本集进行更新；采用更新后的训练样本集训练异常用电负荷曲线辨识模型得到最优的模型参数；采用最优的模型参数所对应的异常用电负荷曲线辨识模型对待辨识的用户用电负荷曲线进行异常用电负荷曲线辨识。本发明有效减少了训练所需的数据量，提升了采用辨识模型的收敛性和泛化能力，而且可靠性高，效率较高，适用范围广。CN115186777ACN115186777A权利要求书1/2页1.一种基于神经网络的异常用电负荷曲线辨识方法，包括如下步骤：S1.获取用户的正常用电负荷曲线数据和异常用电负荷曲线数据；S2.根据步骤S1获取的负荷曲线数据，构建无标记训练样本集和半标记训练样本集；S3.构建异常用电负荷曲线辨识模型；S4.按照回合标记概率准则对训练样本集进行更新；S5.采用更新后的训练样本集，基于最小分类误差准则，异常用电负荷曲线辨识模型进行训练，得到最优的模型参数；S6.采用步骤S5得到的最优的模型参数所对应的异常用电负荷曲线辨识模型，对待辨识的用户用电负荷曲线进行异常用电负荷曲线辨识。2.根据权利要求1所述的基于神经网络的异常用电负荷曲线辨识方法，其特征在于步骤S1所述的获取用户的正常用电负荷曲线数据和异常用电负荷曲线数据，具体包括如下步骤：某用电系统包括个用电用户，其中第个用电用户在第小时的用电负荷量为，为正整数且，为正整数且；第个用电用户一天内的用电负荷曲线表示为；获取所有个用电用户的用电负荷曲线，构成用电负荷曲线训练样本集，并随机抽取其中的条曲线构成验证集，为正整数且；存在类异常用电负荷曲线，其中第类异常用电负荷曲线为。3.根据权利要求2所述的基于神经网络的异常用电负荷曲线辨识方法，其特征在于步骤S2所述的构建无标记训练样本集和半标记训练样本集，具体包括如下步骤：计算用电负荷曲线训练样本集中的一条用电负荷曲线，与第类异常用电负荷曲线之间的样本距离；对于用电负荷曲线，选择样本距离取值最小时对应的类，并将用电负荷曲线放入第类半标记样本子集；选择第类半标记样本子集中样本距离最小的条曲线，构成大小为的半标记样本集；随机抽取用电负荷曲线训练样本集中的条用电负荷曲线，构成无标记训练样本集。4.根据权利要求3所述的基于神经网络的异常用电负荷曲线辨识方法，其特征在于步骤S3所述的构建异常用电负荷曲线辨识模型，具体为采用卷积神经元网络模型作为异常用2CN115186777A权利要求书2/2页电负荷曲线辨识模型。5.根据权利要求4所述的基于神经网络的异常用电负荷曲线辨识方法，其特征在于步骤S4所述的按照回合标记概率准则对训练样本集进行更新，具体包括如下步骤：若当前训练轮次为第一轮，则训练样本集不更新；若当前训练轮次为第轮，为大于1的正整数，则获取第轮次训练的训练误差；定义为第轮次训练的关联上回合训练标记因子，且，；计算回合标记概率为，用于表示第次选取的训练样本为从半标记样本集合中选取的概率；从半标记样本集中选取个训练样本，从无标记训练样本集中选取个训练样本，构成当前第次训练的大小为的训练样本集；为向下取整符号，为向上取整符号。6.根据权利要求5所述的基于神经网络的异常用电负荷曲线辨识方法，其特征在于步骤S5所述的采用更新后的训练样本集，基于最小分类误差准则，异常用电负荷曲线辨识模型进行训练，得到最优的模型参数，具体包括如下步骤：若当前训练轮次为第轮，以训练误差最小为优化目标，采用训练样本集对当前的异常用电负荷曲线辨识模型进行优化训练；为大于4的正整数；训练完成后，采用异常用电负荷曲线辨识模型对验证集中的第i条用电负荷曲线进行分类，对应的分类结果为，且该条用电负荷曲线的实际分类为；采用平均累加类间距离计算当前轮次的训练误差为，并进行判断：若满足收敛条件，则以当前的第轮的训练后的参数作为最优的模型参数；为设定的阈值；若不满足收敛条件，则返回步骤S4，进行下一轮次的训练；直至满足设定的训练停止条件，最终得到异常用电