一种基于多通道填充矩阵的非侵入式负荷识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112821380A(43)申请公布日2021.05.18(21)申请号202011641018.1(22)申请日2020.12.31(71)申请人广东电网有限责任公司地址510600广东省广州市越秀区东风东路757号申请人浙江大学(72)发明人郇嘉嘉洪海峰李家淇罗金满文福拴蒋雪冬刘伟斌黎伟文黄学劲隋宇张小辉(74)专利代理机构北京集佳知识产权代理有限公司11227代理人贾小慧(51)Int.Cl.H02J3/00(2006.01)权利要求书3页说明书9页附图3页(54)发明名称一种基于多通道填充矩阵的非侵入式负荷识别方法和系统(57)摘要本申请公开了一种基于多通道填充矩阵的非侵入式负荷识别方法和系统，利用了多特征之间的互补性，通过构造有功电流A、无功电流F以及融合相位和功率特征的M矩阵，实现了不同类别设备电气特征的有效表征，利用所得到的A通道矩阵、F通道矩阵和M通道矩阵叠加矩阵进行深度学习神经网络训练，利用训练好的深度学习神经网络进行负荷识别，可以大幅提高识别的准确率，对于开展用能监测服务、实现节能降损具有重要实用价值，解决了现有的V‑I轨迹特征法负荷识别仅保留了电压‑电流信号的形状特征，无法体现设备之间的电流、功率和相位的数值特征，导致负荷识别准确率较低的技术问题。CN112821380ACN112821380A权利要求书1/3页1.一种基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，包括：对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压‑电流采样点，形成电压‑电流采样点集；基于分段平均方法将所述电压‑电流采样点集中每台负荷设备的K个电压‑电流采样点转化为N个电压‑电流采样点；基于Fryze功率理论，将转化后的N个电压‑电流采样点的电流分解为有功电流和无功电流；基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：in为第n个采样点的电流值；计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；通过所述训练好的深度学习神经网络模型进行负荷识别。2.根据权利要求1所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述A通道矩阵为：其中，为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。3.根据权利要求2所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述F通道矩阵为：其中，为采样点i和采用点j无功电流的欧氏距离。4.根据权利要求3所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述M通道矩阵为：2CN112821380A权利要求书2/3页其中，pn＝vn·in/Pmax，δi,j＝arctan(Δvi,j/Δii,j)，θ′i，j＝θi,j/2π，Pmax为所有负荷的最大瞬时功率，vn为第n个采样点的电压值，Δvi,j为第i个采样点的电压与第j个采样点的电压差值，Δii,j为第i个采样点的电压与第j个采样点的电流差值，θi,j为采样点i和j之间的相位，θ′i,j为单位化后的相位值。5.根据权利要求1所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述深度学习神经网络模型为AlexNet。6.一种基于多通道填充矩阵的非侵入式负荷识别系统，其特征在于，包括：采样单元，用于对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压‑电流采样点，形成电压‑电流采样点集；分段单元，用于基于分段平均方法将所述电压‑电流采样点集中每台负荷设备的K个电压‑电流采样点转化为N个电压‑电流采样点；分解单元，用于基于Fryze功率理论，将转化后的N个电压‑电流采样点的电流分解为有功电流和无功电流；映射单元，用于基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：in为第n个采样点的电流值；第一矩阵单元，用于计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的