CN112307675A - 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 - Google Patents

Abstract

一种基于神经网络的温度敏感型负荷分离辨识方法，该方法通过总负荷功率与影响因素的关联度分析，确定了常规负荷功率与温度之间的线性相关性在满足一定条件的情况下趋向于0，以温度与常规负荷之间的线性相关性最小为目标评价函数，进行神经网络算法训练，最终得到温度与温度敏感型负荷功率之间的非线性映射函数关系，从而实现总负荷功率中温度敏感型负荷功率的分离。经该方法分离辨识的负荷功率能够应用于后续负荷预测领域，有效提高负荷预测精度，并且该方法适用于10kV及以上电压等级的馈线负荷预测领域，所得结果能够作为区域性调度策略制定的数据。

Description

一种基于神经网络的温度敏感型负荷分离辨识方法及系统

技术领域

本发明属于电力负荷分离辨识技术领域，更具体地，涉及一种基于神经网络的温度敏感型负荷分离辨识方法及系统。

背景技术

近些年来，随着智能电网和电力需求侧管理技术的发展，以及社会节能意识的不断增强，非侵入式负荷监测与辨识受到了国内外研究人员的广泛关注。在现有的负荷分离辨识研究方法中，应用最为广泛的是非侵入式负荷辨识技术，它最早是由Hart教授于1992年提出的。非侵入式负荷辨识技术主要针对家庭级别用电设备的特征提取、负荷识别算法两个主要方面进行负荷的分离辨识，通过在用户入口处安装监控设备，以获取用户的负载类型和工作状态，从而获得总功耗信息。该项技术具有成本低、通信网络简单、维护方便等优点，能够获得负载的工作状态和能耗，根据能耗、分时电价和电能计量等信息制定有效的节能措施，例如调整电器使用时间或选择节能电器等，从而有效缓解能源危机、减少环境污染。

然而，非侵入式负荷辨识技术仅适用于家庭级别大功率负荷识别，并且由于实际功率受到多种因素影响，而导致负荷预测精度不高，其中温度是一个重要的影响因素，大多数的电力负荷预测并没有实现温度敏感型负荷的分离，而只是将温度作为影响因素之一来进行总负荷功率的预测。随着我国社会经济水平的发展与提高，越来越多的制冷、取暖设备进入到居民生活当中，这些温度敏感型负荷在电力总负荷中占比的提高会对电力系统产生显著影响，例如夏季降温负荷、冬季取暖负荷均直接受到气温影响。

此外，对于一个电力系统而言，仅仅掌握家庭级别的分离负荷数据是远远无法满足电网宏观调控的需求，对于调度区域内各种级别用户的数据类型均需要掌握，才能制作及时有效的调度策略。而且，受制于量测装置的技术和投资成本等因素，目前10kV馈线级以及更高电压等级的系统均缺乏有效的量测装置，导致单独获取实际的温度敏感型负荷数据较为困难，对电网的调度与控制产生不利的影响。

因此，研究一种能将总负荷功率中的温度敏感型负荷有效分离出来的技术，实现对温度敏感型负荷和常规负荷分别进行预测，最终再将二者的预测结果进行叠加，有助于提高负荷预测的精度，更有利于电网调度与控制。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于神经网络的温度敏感型负荷分离辨识方法，引入关联度分析并构建基于神经网络的负荷分离模型，实现总负荷功率中温度敏感型负荷功率的分离，分离结果应用于广义负荷预测系统，能够有效提高负荷预测精度。

本发明采用如下的技术方案。

一种基于神经网络的温度敏感型负荷分离辨识方法，通过总负荷功率与环境影响因素之间的关联度分析，以温度与常规负荷功率之间的线性相关性最小为目标评价函数，进行神经网络算法训练，最终得到温度与温度敏感型负荷功率之间的非线性映射函数关系，实现总负荷功率中温度敏感型负荷功率的分离。

基于神经网络的温度敏感型负荷分离辨识方法包括以下步骤：

步骤1，采集待分离辨识负荷的总负荷功率值，并获取总负荷功率值采样时刻对应的环境影响因素；

步骤2，计算总负荷功率值与环境影响因素之间的关联度；

步骤3，将总负荷功率分为温度敏感型负荷功率与常规负荷功率两部分，满足如下关系式：

P_S＝P_T+P_C

式中：

P_S为总负荷功率，

P_T为温度敏感型负荷功率，

P_C为常规负荷功率；

步骤4，以相同时刻为基准，将温度、总负荷功率作为神经网络的输入，将温度与温度敏感型负荷功率之间非线性映射关系作为神经网络的输出，以温度与常规负荷功率之间的线性相关性作为目标评价函数，对神经网络进行训练；

步骤5，基于神经网络，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型；

优选地，

在步骤1中，总负荷功率值为基于分钟级采样间隔的总负荷功率时间序列；

优选地，

在步骤2中，环境影响因素包括对应采样时刻的温度、辐照度、风向、风速和气压；

所获取总负荷功率值采样时刻对应的环境影响因素为温度的时间序列、辐照度的时间序列、风向的时间序列、风速的时间序列和气压的时间序列；

优选地，

步骤2具体包括：

步骤2.1，构建参考序列和比较序列；

参考序列为总负荷功率的时间序列，其表达式为：

x₀＝{x₀(k)|k＝1，2，......，n}

式中：

x₀为参考序列，

k为不同采样时刻，

n为采样点数，

x₀(k)表示第k个采样时刻的总负荷功率值；

比较序列为不同环境影响因素的时间序列，其表达式为：

x_i＝{x_i(k)|k＝1，2，......，n}，i＝1，2，......，m

式中：

x_i为比较序列，其下标i为不同种类的环境影响因素，

m为环境影响因素的种类数量，

x_i(k)表示第k个采样时刻第i种环境影响因素值；

步骤2.2，对参考系列和比较序列归一化处理；

步骤2.3，按照下式计算不同环境影响因素的关联系数；

式中：

ζ_i为第i种环境影响因素的关联系数，

σ为分辨系数；

步骤2.4，按照下式计算不同环境影响因素的关联度；

式中：

r_i为第i种环境影响因素的关联度，

ζ_i(k)表示第i种环境影响因素在第k个采样时刻的关联系数；

步骤2.5，按从大到小的顺序对不同环境影响因素的关联度进行排序；

优选地，

在步骤2.3中，分辨系数σ优选为0.5；

优选地，

在步骤4中，对神经网络进行训练的总负荷功率是电网内全部用户的用电有功负荷，

温度敏感型负荷包括居民和小商业的用电有功负荷、宾馆饭店商城的用电有功负荷、写字楼金融的用电有功负荷、公用事业的用电有功负荷、连续性生产企业的用电有功负荷，

常规负荷包括非生产性单位的用电有功负荷、非连续性生产企业的用电有功负荷、其它行业的用电有功负荷；

优选地，

在步骤4中，按照下式计算温度与常规负荷功率之间的线性相关性：

式中：

ρ为线性相关系数，

为温度T的均值，

为常规负荷功率P_C的均值，

以时刻t为基准，T(t)为时刻t的温度值，P_C(t)为时刻t的常规负荷功率值；

优选地，

在步骤4中，神经网络的权重矩阵满足如下表达式：

式中：

V是第一层权重矩阵，

W是第二层权重矩阵，

以时刻t为基准，P_S(t)为时刻t的总负荷功率值，P_T(t)为时刻t的温度敏感型负荷功率值；

优选地，

神经网络的隐层神经元数量采用下式确定：

式中：

N_hid表示隐层神经元的个数，

N_in表示输入层节点的个数，

N_out表示输出层节点的个数，

α表示1到10之间的常数，根据实际情况而定；

神经网络的激活函数采用sigmoid函数；

神经网络的输出层函数采用线性函数；

优选地，

在步骤5中，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)具体包括：

步骤5.1，按照下式计算目标评价函数对权重矩阵的梯度：

式中：

θ为神经网络模型的权重系数，

Y(t)为神经网络的输出；

步骤5.2，采用梯度下降法对神经网络模型的权重矩阵进行调整；

一种基于神经网络的温度敏感型负荷分离辨识系统，包括负荷功率采集模块、环境影响因素获取模块、负荷功率与环境影响因素关联度计算模块、温度敏感型负荷分离辨识模块、数据输出模块；

负荷功率采集模块采集待分离辨识负荷的总负荷功率值，环境影响因素获取模块获取总负荷功率值采样时刻对应的环境影响因素；

负荷功率与环境因素关联度计算模块计算总负荷功率值与环境影响因素之间的关联度；

温度敏感型负荷分离辨识模块，内置神经网络单元和最优映射函数计算单元；其中，神经网络单元以温度、总负荷功率作为输入，以温度与温度敏感型负荷功率之间非线性映射关系作为输出，以温度与常规负荷功率之间的线性相关性作为评价函数，通过训练获得；最优映射函数计算单元基于神经网络单元，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型；

数据输出模块，用于将温度敏感型负荷和常规负荷进行输出显示；

优选地，

神经网络单元采用改进的BP神经网络，在传统BP神经网络的基础之上，以线性相关性趋于0为修正量进行网络寻优；

数据输出模块输出的温度敏感型负荷和常规负荷作为广义负荷预测系统的输入数据。

本发明的有益效果在于，与现有技术相比，经该方法分离辨识的负荷功率能够应用于后续负荷预测领域，有效提高负荷预测精度，并且该方法适用于10kV及以上电压等级的馈线负荷预测领域，所得结果能够作为区域性调度策略制定的数据。

附图说明

图1为本发明的一种基于神经网络的温度敏感型负荷分离辨识方法的流程图；

图2为本发明的一种基于神经网络的温度敏感型负荷分离辨识方法的分离原理图；

图3为本发明的一种基于神经网络的温度敏感型负荷分离辨识方法的常规负荷与温度的相关性系数曲线图；

图4本发明的一种基于神经网络的温度敏感型负荷分离辨识方法的神经网络训练流程图；

图5为本发明的一种基于神经网络的温度敏感型负荷分离辨识系统的框架示意图；

图6为本发明的一种基于神经网络的温度敏感型负荷分离辨识方法应用于广义负荷预测系统的原理图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明提供了一种基于神经网络的温度敏感型负荷分离辨识方法，包括以下步骤：

步骤1，采集待分离辨识负荷的总负荷功率值P_S，并获取总负荷功率值采样时刻对应的环境影响因素。

具体地，

总负荷功率值P_S为基于分钟级采样间隔的总负荷功率时间序列，P_Sk表示第k个采样点的总负荷功率值，k＝1，2，…，n，n表示采样点数，P_S＝[P_S1，P_S2，…P_Sn]。

环境影响因素包括对应采样时刻的温度T、辐照度I、风向WD、风速WS和气压A；所获取总负荷功率值采样时刻对应的环境影响因素为温度的时间序列T＝[T₁，T₂，…，T_n]、辐照度的时间序列I＝[I₁，I₂，…，I_n]、风向的时间序列WD＝[WD₁，WD₂，…，WD_n]、风速的时间序列WS＝[WS₁，WS₂，…，WS_n]和气压的时间序列A＝[A₁，A₂，…，A_n]。

值得注意的是，所属领域技术人员可以任意选择环境影响因素的种类和种类数量，本发明的优选实施例所采用的五种环境影响因素仅用于证实温度与负荷功率之间存在相关性的较佳选择，所属领域技术人员可以采用更多或者更少，或者其他种类的环境影响因素进行计算。

步骤2，计算总负荷功率值与环境影响因素之间的关联度；

本发明的优选实施例采用灰色关联度分析方法，该方法具体包括：

步骤2.1，构建参考序列x₀和比较序列x_i；

参考序列x₀为总负荷功率时间序列，其表达式为：

x₀＝{x₀(k)|k＝1，2，......，n}

式中：

x₀为参考序列，

k为不同采样时刻，

x₀(k)为第k个采样点的总负荷功率值，具体地，本发明的优选实施例中x₀(k)＝P_Sk。

比较序列x_i为不同环境影响因素的时间序列，其表达式为：

x_i＝{x_i(k)|k＝1，2，......，n}，i＝1，2，......，m

式中：

x_i为比较序列，其下标i为不同种类的环境影响因素，

k为不同采样时刻，

m为环境影响因素的种类数量，

x_i(k)为第i种环境影响因素在第k个采样点的环境影响因素值，具体地，本发明的优选实施例中，x₁(k)＝T_k，x₂(k)＝I_k，x₃(k)＝WD_k，x₄(k)＝WS_k，x₅(k)＝WA_k。

步骤2.2，对参考序列x₀和比较序列x_i归一化处理；

经过归一化处理后，能够减少数据绝对值的差异，突出数据趋势的变化。

步骤2.3，按照下式计算不同环境影响因素的关联系数；

式中：

ζ_i为第i种环境影响因素的关联系数，

σ为分辨系数；由于归一化处理的目的是减少数据绝对值的差异，重点关注数据的趋势变化，分辨系数用于调节输出结果的差距大小，当分辨系数取值越大，不同关联度的差距就越小，本发明的优选实施例中，分辨系数σ优选为0.5。

值得注意的是，所属领域的技术人员可以根据实际数据处理能力和数据精度要求，选取不同的分辨系数，本优选实施例中的分辨系数仅是较优的非限制性选择。

步骤2.4，按照下式计算不同环境影响因素的关联度；

式中：

r_i为第i种环境影响因素的关联度，

ζ_i(k)表示第i种环境影响因素在第k个采样时刻的关联系数；

步骤2.5，按从大到小的顺序对不同环境影响因素的关联度进行排序。

根据相关性定义，结果越接近1，则相关性越高，反之。结果为正数呈正相关性，结果为负呈负相关性。本发明的优选实施例对某10kV馈线级系统总负荷功率P_S和不同环境影响因素的相关性进行计算，结果如下：

环境影响因素	相关性系数
		温度	0.729
辐照度	0.667
		风向	0.561
风速	0.658
		气压	0.464

可以看出，不同环境影响因素的相关性系数数值各不相同，除了温度以外，其它环境影响因素对于总负荷功率也有一定的影响，但是将温度和其它多种环境影响因素一起作为神经网络的输入，使得神经网络的输入个数增多，网络结构复杂，训练时间增长。因此，仅将温度作为神经网络的输入，可以在保证提高精确度的同时，也能保证网络训练的时间。

步骤3，如图2所示，将总负荷功率分为温度敏感型负荷功率与常规负荷功率两部分，满足如下关系式：

P_S＝P_T+P_C

式中：

P_S为总负荷功率，

P_T为温度敏感型负荷功率，

P_C为常规负荷功率。

具体地，本发明的优选实施例根据某10kV馈线级系统运行参数，在不考虑网损等因素时，将总负荷功率P_S划分为温度敏感型负荷P_T和常规负荷P_C；

对神经网络进行训练的总负荷功率是电网内全部用户的用电有功负荷。

温度敏感型负荷包括居民和小商业的用电有功负荷、宾馆饭店商城的用电有功负荷、写字楼金融的用电有功负荷、公用事业的用电有功负荷、连续性生产企业的用电有功负荷。

具体地，

温度敏感型负荷P_T为基于分钟级采样间隔的温度敏感型负荷时间序列，P_Tk表示第k个采样点的总负荷功率值，k＝1，2，…，n，n表示采样点数，P_T＝[P_T1，P_T2，…P_Tn]。

常规负荷包括非生产性单位的用电有功负荷、非连续性生产企业的用电有功负荷、其它行业的用电有功负荷。

具体地，

常规负荷P_C为基于分钟级采样间隔的常规负荷时间序列，P_Ck表示第k个采样点的总负荷功率值，k＝1，2，…，n，n表示采样点数，P_C＝[P_C1，P_C2，…P_Cn]。

本发明的优选实施例中，以统计学手段对大量实测的常规负荷功率P_C与温度T之间的线性相关性进行分析，如图3所示，分钟级的温度时间序列与常规负荷功率P_C之间的线性相关性更加接近于0。因此，本发明优选实施例，在步骤1中提出基于分钟级的采样间隔。

步骤4，如图4所示，以历史数据对神经网络进行训练。以相同时刻为基准，将温度T、总负荷功率P_S作为神经网络的输入，将温度T与温度敏感型负荷功率P_T之间非线性映射关系作为神经网络的输出，以温度T与常规负荷功率之间P_C的线性相关性作为目标评价函数，对神经网络进行训练；

如图4所示，神经网络训练时，首先初始化神经网络中的各类主要参数，包括第一层权重矩阵V、第二层权重矩阵W、线性相关系数设定值ρ_set、模型的学习率η以及训练次数p；

具体地，

按照下式计算温度T与常规负荷功率之间P_C之间的线性相关性：

式中：

ρ为线性相关系数，

为温度T的均值，

为常规负荷功率P_C的均值，

以时刻t为基准，T(t)为时刻t的温度值，P_C(t)为时刻t的常规负荷功率值。

设置线性相关系数设定值ρ_set＝0；设置训练次数p＝0。

神经网络的权重矩阵满足如下表达式：

式中：

V是第一层权重矩阵，

W是第二层权重矩阵，

以时刻t为基准，P_S(t)为时刻t的总负荷功率值，P_T(t)为时刻t的温度敏感型负荷功率值。

神经网络的隐层神经元数量采用下式确定：

式中：

N_hid表示隐层神经元的个数，

N_in表示输入层节点的个数，

N_out表示输出层节点的个数，

α表示1到10之间的常数，根据实际情况而定。

神经网络的激活函数采用sigmoid函数，如下表达式：

神经网络的输出层函数采用线性函数，便于降低模型计算复杂度，如下表达式：

f(x)＝kx+c

从图4中可以看出，当训练次数p不超过最大训练次数p_max，且线性相关系数ρ小于线性相关系数设定值ρ_set，或者当训练次数p超过最大训练次数p_max，神经网络训练结束。

当训练次数p不超过最大训练次数p_max，但线性相关系数ρ不小于线性相关系数设定值ρ_set，需要进一步对神经网络进行训练。

步骤5，基于神经网络，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型。

如图4所示，在步骤5中，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，就是对神经网络进行训练的过程，具体包括：

步骤5.1，按照下式计算目标评价函数对权重矩阵的梯度：

式中：

θ为神经网络模型的权重系数，

Y(t)为神经网络的输出；

具体地，

本发明的优选实施例，采用适量求导法则计算

采用经典的误差反向传播计算

步骤5.2，如图4所示，采用梯度下降法对神经网络模型的第一层权重矩阵V、第二层权重矩阵W进行调整。

值得注意的是，所属领域技术人员可以任意选择神经网络模型和训练算法，例如但不限于，对于神经网络有多种选择，如改进BP神经网络、BP神经网络、卷积神经网络、贝叶斯神经网络等各种人工智能学习模型，训练算法还有共轭梯度法、牛顿法、梯度下降法等。

一种利用基于神经网络的温度敏感型负荷分离辨识系统，如图5所示，包括负荷功率采集模块、环境影响因素获取模块、负荷功率与环境影响因素关联度计算模块、温度敏感型负荷分离辨识模块、数据输出模块。

负荷功率采集模块采集待分离辨识负荷的总负荷功率值，环境影响因素获取模块获取总负荷功率值采样时刻对应的环境影响因素。

负荷功率与环境因素关联度计算模块计算总负荷功率值与环境影响因素之间的关联度。

温度敏感型负荷分离辨识模块，内置神经网络单元和最优映射函数计算单元；其中，神经网络单元以温度、总负荷功率作为输入，以温度与温度敏感型负荷功率之间非线性映射关系作为输出，以温度与常规负荷功率之间的线性相关性作为评价函数，通过训练获得；最优映射函数计算单元基于神经网络单元，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型。

数据输出模块，用于将温度敏感型负荷和常规负荷进行输出显示。

神经网络单元采用改进的BP神经网络，在传统BP神经网络的基础之上，以线性相关性趋于0为修正量进行网络寻优。

如图6所示，本发明的优选实施例中，数据输出模块输出的温度敏感型负荷和常规负荷作为广义负荷预测系统的输入数据。

本发明的有益效果在于，与现有技术相比，经该方法分离辨识的负荷功率能够应用于后续负荷预测领域，有效提高负荷预测精度，并且该方法适用于10kV及以上电压等级的馈线负荷预测领域，所得结果能够作为区域性调度策略制定的数据。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (14)

1.一种基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，通过总负荷功率与环境影响因素之间的关联度分析，以温度与常规负荷功率之间的线性相关性最小为目标评价函数，进行神经网络算法训练，最终得到温度与温度敏感型负荷功率之间的非线性映射函数关系，实现总负荷功率中温度敏感型负荷功率的分离。

2.根据权利要求1所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，所述基于神经网络的温度敏感型负荷分离辨识方法包括以下步骤：

步骤1，采集待分离辨识负荷的总负荷功率值，并获取总负荷功率值采样时刻对应的环境影响因素；

步骤2，计算总负荷功率值与环境影响因素之间的关联度；

步骤3，将总负荷功率分为温度敏感型负荷功率与常规负荷功率两部分，满足如下关系式：

P_S＝P_T+P_C

式中：

P_S为总负荷功率，

P_T为温度敏感型负荷功率，

P_C为常规负荷功率；

步骤4，以相同时刻为基准，将温度、总负荷功率作为神经网络的输入，将温度与温度敏感型负荷功率之间非线性映射关系作为神经网络的输出，以温度与常规负荷功率之间的线性相关性作为目标评价函数，对神经网络进行训练；

步骤5，基于神经网络，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型。

3.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，在步骤1中，所述总负荷功率值为基于分钟级采样间隔的总负荷功率时间序列。

4.根据权利要求3所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，在步骤2中，

所述环境影响因素包括对应采样时刻的温度、辐照度、风向、风速和气压；

所获取总负荷功率值采样时刻对应的环境影响因素为温度的时间序列、辐照度的时间序列、风向的时间序列、风速的时间序列和气压的时间序列。

5.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

步骤2具体包括：

步骤2.1，构建参考序列和比较序列；

参考序列为总负荷功率的时间序列，其表达式为：

x₀＝{x₀(k)|k＝1，2，......，n}

式中：

x₀为参考序列，

k为不同采样时刻，

n为采样点数，

x₀(k)表示第k个采样时刻的总负荷功率值；

比较序列为不同环境影响因素的时间序列，其表达式为：

x_i＝{x_i(k)|k＝1，2，......，n}，i＝1，2，......，m

式中：

x_i为比较序列，其下标i为不同种类的环境影响因素，

m为环境影响因素的种类数量，

x_i(k)表示第k个采样时刻第i种环境影响因素值；

步骤2.2，对参考系列和比较序列归一化处理；

步骤2.3，按照下式计算不同环境影响因素的关联系数；

式中：

ζ_i为第i种环境影响因素的关联系数，

σ为分辨系数；

步骤2.4，按照下式计算不同环境影响因素的关联度；

式中：

r_i为第i种环境影响因素的关联度，

ζ_i(k)表示第i种环境影响因素在第k个采样时刻的关联系数；

步骤2.5，按从大到小的顺序对不同环境影响因素的关联度进行排序。

6.根据权利要求5所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，在步骤2.3中，所述分辨系数σ优选为0.5。

7.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

在步骤4中，对神经网络进行训练的总负荷功率是电网内全部用户的用电有功负荷，

所述温度敏感型负荷包括居民和小商业的用电有功负荷、宾馆饭店商城的用电有功负荷、写字楼金融的用电有功负荷、公用事业的用电有功负荷、连续性生产企业的用电有功负荷，

所述常规负荷包括非生产性单位的用电有功负荷、非连续性生产企业的用电有功负荷、其它行业的用电有功负荷。

8.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

在步骤4中，按照下式计算温度与常规负荷功率之间的线性相关性：

式中：

ρ为线性相关系数，

为温度T的均值，

为常规负荷功率P_C的均值，

以时刻t为基准，T(t)为时刻t的温度值，P_C(t)为时刻t的常规负荷功率值。

9.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

在步骤4中，神经网络的权重矩阵满足如下表达式：

式中：

V是第一层权重矩阵，

W是第二层权重矩阵，

以时刻t为基准，P_S(t)为时刻t的总负荷功率值，P_T(t)为时刻t的温度敏感型负荷功率值。

10.根据权利要求2或9所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

神经网络的隐层神经元数量采用下式确定：

式中：

N_hid表示隐层神经元的个数，

N_in表示输入层节点的个数，

N_out表示输出层节点的个数，

α表示1到10之间的常数，根据实际情况而定；

神经网络的激活函数采用sigmoid函数；

神经网络的输出层函数采用线性函数。

11.根据权利要求2所述的基于神经网络的温度敏感型负荷分离辨识方法，其特征在于，

在步骤5中，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)具体包括：

步骤5.1，按照下式计算目标评价函数对权重矩阵的梯度：

式中：

θ为神经网络模型的权重系数，

Y(t)为神经网络的输出；

步骤5.2，采用梯度下降法对神经网络模型的权重矩阵进行调整。

12.一种利用权利要求2-11任一项权利要求所述的基于神经网络的温度敏感型负荷分离辨识方法的温度敏感型负荷分离辨识系统，包括负荷功率采集模块、环境影响因素获取模块、负荷功率与环境影响因素关联度计算模块、温度敏感型负荷分离辨识模块、数据输出模块；其特征在于，

所述负荷功率采集模块采集待分离辨识负荷的总负荷功率值，环境影响因素获取模块获取总负荷功率值采样时刻对应的环境影响因素；

负荷功率与环境因素关联度计算模块计算总负荷功率值与环境影响因素之间的关联度；

温度敏感型负荷分离辨识模块，内置神经网络单元和最优映射函数计算单元；其中，神经网络单元以温度、总负荷功率作为输入，以温度与温度敏感型负荷功率之间非线性映射关系作为输出，以温度与常规负荷功率之间的线性相关性作为评价函数，通过训练获得；最优映射函数计算单元基于神经网络单元，求解温度与温度敏感型负荷功率之间的非线性映射关系所对应的最优映射函数F(·)，得到温度敏感型负荷的分离辨识模型；

数据输出模块，用于将温度敏感型负荷和常规负荷进行输出显示。

13.根据权利要求12所述的基于神经网络的温度敏感型负荷分离辨识系统，其特征在于，

所述神经网络单元采用改进的BP神经网络，在传统BP神经网络的基础之上，以线性相关性趋于0为修正量进行网络寻优。

14.根据权利要求12所述的基于神经网络的温度敏感型负荷分离辨识系统，其特征在于，

数据输出模块输出的温度敏感型负荷和常规负荷作为广义负荷预测系统的输入数据。

Images