一种基于LSTM模型的电力负荷辨识方法

文中针对非侵入式负荷检测技术,提出了一种基于LSTM网络深度学习模型的负荷辨识方法。在该方法中,为避免电压、电流等信号的干扰,提出一种基于高斯窗移动变点寻优算法监测负荷事件,提取谐波分量作为负荷特征标签作为LSTM模型的输入,进而建立起内在信息间的映射关系,并依次进行模型的离线训练与负荷数据的在线辨识,实现对用电设备类型及其运行状态的精准辨识。经实验数据证明所提出的方法能准确完成对用电设备状态的辨识。     

一种关联RNN模型的非侵入式负荷辨识方法

为了进一步拓展监督学习方法在非侵入式负荷辨识中的应用,提出了一种关联循环神经网络(Recurrent Neural Networks, RNN)模型的负荷辨识方法。在该方法中,首先引入了时间窗负荷事件检测方法,提取谐波分量作为负荷特征,并将负荷特征作为RNN模型的输入。然后根据其对历史输入特征量的记忆建立由输入映射到输出的内在关联,从而建立面向时间序列输入的RNN负荷辨识方法。进一步地,为了避免"梯度消失"问题,选择了最佳的激活函数和损失函数。最后,通过单负荷辨识、多负荷辨识的实测实验,证实了所提关联RNN模型的负荷辨识方法能够有效地实现用户内部负荷设备状态的辨识要求。