CN115622034A - 一种基于改进遗传神经网络的物联表电力负荷识别方法 - Google Patents

一种基于改进遗传神经网络的物联表电力负荷识别方法 Download PDF

Info

Publication number
CN115622034A
CN115622034A CN202211269507.8A CN202211269507A CN115622034A CN 115622034 A CN115622034 A CN 115622034A CN 202211269507 A CN202211269507 A CN 202211269507A CN 115622034 A CN115622034 A CN 115622034A
Authority
CN
China
Prior art keywords
data
network
internet
load
things
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211269507.8A
Other languages
English (en)
Inventor
宗海乐
左勇
林乃奇
朱若兰
潘植鑫
沈石雨
李昊一
钟文豪
戴鹏翔
王钰
杨宝童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Nanrui Zhongtian Electric Power Electronics Co ltd
Original Assignee
Anhui Nanrui Zhongtian Electric Power Electronics Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Nanrui Zhongtian Electric Power Electronics Co ltd filed Critical Anhui Nanrui Zhongtian Electric Power Electronics Co ltd
Priority to CN202211269507.8A priority Critical patent/CN115622034A/zh
Publication of CN115622034A publication Critical patent/CN115622034A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/70—Load identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Physiology (AREA)
  • Human Computer Interaction (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力设备领域，具体涉及一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。S1：通过物联表计量芯获取典型电器运行的电力数据；并归一化得到训练集和测试集。S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型。S3：设计一个基于改进遗传算法的参数优化模型。S4：采用实数编码的方式对识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到参数优化模型进行迭代优化。S5：对权值优化后的识别网络模型进行训练。S6：实时获取物联表采集的电压和电流数据，归一化后输入到识别网络模型中进行负荷识别。

Description

一种基于改进遗传神经网络的物联表电力负荷识别方法
技术领域
本发明属于电力设备领域，具体涉及一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。
背景技术
随着经济社会的快速发展，社会对电力能源的需求量急剧增加，海量智能电表投入电网运营并不断发展。随着智能物联电能表的应用，针对物联表的智能应用也得到发展，其中，非侵入式电力负荷识别(nonintrusive load monitoring，NILM)能够分析识别所得到的总功率或总电流数据，来获知用户各类用电设备的功率情况和工作状态，充分发挥智能物联电能表连接大量用户负荷的优势，为电网智能运行和管理带来便利。
非侵入式电力负荷识别算法不断改进，利用遗传算法优化神经网络进行负荷特征的群智能优化算法得到了广泛的应用，标准遗传算法(Genetic Algorithm，GA)就是通过选择，交叉变异等一系列操作使种群里的个体相结合，从而使个体不断优化，最终达到最优的群智能优化算法。该算法不能直接对获取的初始参数进行处理，需要先进行编码处理后，才能导入算法模型中计算。由于当前遗传算法在单目标寻优中局部搜索能力较差、易陷入局部最优，导致模型的预测精度较低、收敛速度慢。
此外，现有的各类非侵入式电力负荷识别算法大多依赖较大的设备算力才能完成，通常需要在电网数据中心进行部署应用，无法在电表本地进行在线预测，这限制了物联表的应用。
发明内容
为了解决现有方法在电力负荷识别中的局限性，节点负荷类型无法在物联表本地完成识别预测的问题；本发明提供一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。
本发明采用以下技术方案实现：
一种基于改进遗传神经网络的物联表电力负荷识别方法，包括如下步骤：
S1：通过物联表计量芯获取典型电器设备在一个月度内不同采样时刻对应的电压和电流数据。并对采样数据进行归一化得到原始数据，将原始数据构成的数据集分为训练集和测试集。
S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷的识别网络模型，并初始化识别网络模型的权值和阈值。
S3：设计一个基于改进遗传算法的参数优化模型，参数优化模型的改进如下：
(1)将识别网络模型反向传播过程中误差函数值的倒数作为改进遗传算法的适应度函数。
(2)在改进遗传算法中引入局部搜索算子，局部搜索算子用于将选择、交叉和变异操作得到的所有个体按适应度值排序，然后从排名前1/3的个体中搜索最优个体。
(3)将最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值作为改进遗传算法的迭代条件。
S4：采用实数编码的方式对识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到参数优化模型进行迭代优化；具体过程如下：
S41：通过适应度函数更新初始种群中每个个体的适应度值，按照适应度值对初始种群进行排序。
S42：对初始种群分别进行选择操作、交叉操作和变异操作，每次操作中得到n个子代个体。
S43：采用局部搜索算子从得到的3n个子代个体选择出最优个体，并判断最优个体是否满足迭代终止条件：
(1)是则输出当前轮次的最优个体，并结束参数优化的迭代过程。
(2)否则将适应度值排序靠前的N-5各个体和适应度值最差的5个个体作为下一轮次的初始种群，返回到步骤S42进行迭代优化。
S5：对输出的最优个体进行解码得到优化后的权值和阈值，并赋值给识别网络模型对模型进行训练，训练过程具体如下：
S51：将训练集中的数据输入到权值和阈值更新后的识别网络模型中，进行误差反向传播，不断训练权值和阈值并更新。
S52：获取每次训练中识别网络模型的平方误差，判断平方误差是否满足要求：是则返回步骤S51继续训练，否则进入步骤S53进行测试。
S53：利用测试集中的数据对完成训练的识别网络模型进行测试。
S6：实时获取物联表采集的电压和电流数据，对采样数据进行归一化处理后输入的上步骤训练完成的所述识别网络模型中，得到当前物联表电力负荷的识别结果。
作为本发明进一步的改进，步骤S1中，典型电器设备包括电视、空调、电冰箱、微波炉、电热水器、饮水机、空气净化器或其它家庭常用的高频用电设备。
作为本发明进一步的改进，步骤S1中，电压和电流的采样数据的归一化公式如下：
Figure BDA0003894599250000031
上式中，max|V|、max|I|分别为月度周期内物联表计量芯采集到的电压、电流的最大绝对值；Vq，Iq分别为物联表计量芯第q个采样时刻的电压、电流值；vq、iq分别为数据中第q个采样时刻归一化后的电压、电流值。
作为本发明进一步的改进，步骤S2中，构建的识别网络模型的正向传递过程如下；
Figure BDA0003894599250000032
上式中，xi表示输入层节点的特征量；m表示输入层的节点数，i＝1……m；xj表示输出层节点的特征量；Sj表示隐含层节点特征量；ωij表示两个节点i和j之间的权值；bj表示节点j的阀值；f(·)表示激活函数。
识别网络模型采用均方误差MSE作为性能评价指标，MSE的计算公式为：
Figure BDA0003894599250000033
上式中，tj为网络中第j个神经元的期望输出，aj为网络实际输出。
作为本发明进一步的改进，步骤S3中，参数优化模型中的适应度函数Fitness如下：
Figure BDA0003894599250000034
上式中，E表示反向传播过程中的误差函数，k表示网络参数更新的迭代次数，k＝1……N；dik表示网络模型反向传播过程中的期望输出，yik表示网络模型反向传播过程中的实际输出。
作为本发明进一步的改进，在步骤S4的参数优化模型中，采用精英个体迁移算子作为选择操作的选择算子。采用线性重组作为交叉操作中的交叉算子。采用随机变异算子在取值范围内随机选取数值与原值替换，实现变异操作。
作为本发明进一步的改进，变异操作在任意两个个体间完成，变异方式如下：
Figure BDA0003894599250000041
上式中，
Figure BDA0003894599250000042
和
Figure BDA0003894599250000043
是变异前种群中任意选定的个体；变异操作的变异率取值为0.0001-0.1之间；
Figure BDA0003894599250000044
和
Figure BDA0003894599250000045
为变异后的个体。
本发明还包括一种基于改进遗传神经网络的物联表电力负荷识别系统，该系统采用如前述的基于改进遗传神经网络的物联表电力负荷识别方法，对物联表采集到的电力数据进行分析，预测出物联表测量的电力节点的负荷类型。物联表电力负荷识别系统包括：样本输入模块、数据获取模块、归一化处理模块、负荷识别网络，以及参数优化网络。
其中，样本输入模块用于获取用于训练一个负荷识别网络的数据集。数据集为不同的典型电器设备在一个月度内不同采样时刻对应的电压和电流数据经归一化处理后得到。
数据获取模块用于获取物联表的计量芯片实时采集到的电力数据。
归一化处理模块用于对数据获取模型获取的原始电力数据进行归一化处理，归一化处理后数据作为负荷识别网络的输入。
负荷识别网络基于BP神经网络设计得到，经过训练后的负荷识别网络根据输入的归一化数据输出一个对应的负荷类型预测结果。负荷识别网络在训练阶段的初始权值和阈值由一个参数优化网络迭代更新得到；并利用所述样本输入模块获取的数据集进行训练和测试。
参数优化网络基于一个改进的遗传算法设计得到，参数优化网络用于生成负荷识别网络训练阶段优化网络模型的初始权值和阈值。参数优化网络包括种群更新单元、适应度计算单元、选择单元、交叉单元、变异单元、局部搜索单元，以及解码输出单元。种群更新单元用于生成初始化种群并在每轮迭代中根据选择单元、交叉单元、变异单元输出的结果对种群进行更新。适应度计算单元用于根据预设的适应度函数计算种群中所有个体的适应度值。选择单元、交叉单元、变异单元依次用于对每轮的种群进行选择操作、交叉操作和变异操作。局部搜索单元用于从每轮迭代后的种群中发现最优个体。解码输出单元用于评估每轮迭代中的最优个体是否满足优化条件，是则将其解码后作为负荷识别网络的权值和阈值。
作为本发明进一步的改进，适应度计算单元采用的适应度函数为负荷识别网络反向传播过程中误差函数值的倒数；解码输出单元中采用的优化条件为最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值。
本发明还包括一种嵌入式的负荷识别装置，其安装在物联表中，负荷识别装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现如前述的基于改进遗传神经网络的物联表电力负荷识别方法的步骤，进而利用一个经过训练的识别网络模型，根据物联表实时采集的电力数据，识别出当前节点对应的电力负荷类型。
本发明提供的技术方案，具有如下有益效果：
本发明通过改进遗传算法的适应度函数和迭代终止条件，并在最优个体生成阶段引入加速搜索策略，提高了遗传算法的局部搜索能力。再利用改进遗传算法优化BP神经网络的权值和阈值参数，通过误差反向传播寻得最优解，进一步提高网络模型的预测精度。
本发明提供的物联表电力负荷识别方法以及对应的系统和装置，具有预测精度高、实时性好，对终端的算力要求较低的特点。因而可以直接内置在物联表相关模组中，在末端计量处快速高效地实现负荷精准识别；实现用电数据实时测量和负荷类型在线预测。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中提供的一种基于改进遗传神经网络的物联表电力负荷识别方法的步骤流程图。
图2为本发明实施例1中提供的基于改进遗传神经网络的物联表电力负荷识别方法的原理示意图。
图3为本发明实施例2中提供的一种基于改进遗传神经网络的物联表电力负荷识别系统的系统框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种基于改进遗传神经网络的物联表电力负荷识别方法，如图1所示，该物联表电力负荷识别方法包括如下步骤：
S1：通过物联表计量芯获取典型电器设备在一个月度内不同采样时刻对应的电压和电流数据。并对采样数据进行归一化得到原始数据，将原始数据构成的数据集划分为训练集和测试集。
本实施例设计的电力负荷识别方法主要针对电网上数量占比最多的各个家庭电力用户，因此，获取的原始数据也主要是各类典型的家庭电器的复合曲线。具体地，本实施例中采样的家电设备包括电视、空调、电冰箱、微波炉、电热水器、饮水机、空气净化器或其它家庭常用的高频用电设备。
电压和电流的采样数据的归一化公式如下：
Figure BDA0003894599250000061
上式中，max|V|、max|I|分别为月度周期内物联表计量芯采集到的电压、电流的最大绝对值；Vq，Iq分别为物联表计量芯第q个采样时刻的电压、电流值；vq、iq分别为数据中第q个采样时刻归一化后的电压、电流值。
S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型，并初始化识别网络模型的权值和阈值。
BP神经网络算法(Back Propagation)是一种典型的多层前馈神经网络，通常包含大量训练参数，主要作用是用来对图像进行识别分类。将预处理后的图像导入神经网络，在隐藏层进行特征提取，网络的最后一层输出预测值，借助反向传播算法将预测值与真实值之间的误差值逐层向前反馈，通过随机梯度下降算法更新每层参数，更新后再次前向计算，如此反复直至误差降到最小或精度达到最高，从而完成神经网络的训练。本实施例将其应用到电力数据的分析中，用于根据大量电力数据学习其中包含的大量隐含特征，进而识别出特定类型的电力负荷。
本实施例构建的识别网络模型的正向传递过程如下；
Figure BDA0003894599250000062
上式中，xi表示输入层节点的特征量；m表示输入层的节点数，i＝1……m；xj表示输出层节点的特征量；Sj表示隐含层节点特征量；ωij表示两个节点i和j之间的权值；bj表示节点j的阀值；f(·)表示激活函数。
识别网络模型采用均方误差MSE作为性能评价指标，MSE的计算公式为：
Figure BDA0003894599250000063
上式中，tj为网络中第j个神经元的期望输出，aj为网络实际输出。
S3：设计一个基于改进遗传算法的参数优化模型。
标准遗传算法(Genetic Algorithm，GA)本质上是通过选择，交叉变异等一系列操作使种群里的个体相结合，从而使个体不断优化，最终达到最优的群智能优化算法。GA算法的基本操作包括选择、交叉和变异，该算法在搜索之前首先需要对输入数据进行编码，然后随机产生N个个体的初始种群，作为迭代初始化参数，种群的好坏用适应度值来评价检测，在算法进行优化时适应度值高的易保留，适应度值低的易淘汰。而本实施例为了使得遗传算法可以适用于本案中的权值和阈值更新，而对标准遗传算法进行改良，改进点主要如下：
(1)适应度函数是衡量种群中个体能力大小的标准，一般情况下会将目标函数选作遗传算法的适应度函数。本实施例将识别网络模型反向传播过程中误差函数值的倒数作为改进遗传算法的适应度函数。参数优化模型中的适应度函数Fitness如下：
Figure BDA0003894599250000071
上式中，E表示反向传播过程中的误差函数，k表示网络参数更新的迭代次数，k＝1……N；dik表示网络模型反向传播过程中的期望输出，yik表示网络模型反向传播过程中的实际输出。
(2)在改进遗传算法中引入局部搜索算子，局部搜索算子用于将选择、交叉和变异操作得到的所有个体按适应度值排序，然后从排名前1/3的个体中搜索最优个体。
(3)将最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值作为改进遗传算法的迭代条件。
S4：采用实数编码的方式对识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到参数优化模型进行迭代优化；具体过程如下：
S41：通过适应度函数更新初始种群中每个个体的适应度值，按照适应度值对初始种群进行排序。
S42：对初始种群进分别进行选择操作、交叉操作和变异操作，每次操作中得到n个子代个体。
具体地，本实施例采用精英个体迁移算子作为选择操作的选择算子。进行迁移操作后，得到n个子代个体。
本实施例采用线性重组作为交叉操作中的交叉算子。变异操作在任意两个个体间完成，变异方式如下：
Figure BDA0003894599250000072
上式中，
Figure BDA0003894599250000081
和
Figure BDA0003894599250000082
是变异前种群中任意选定的个体；变异操作的变异率取值为0.0001-0.1之间；
Figure BDA0003894599250000083
和
Figure BDA0003894599250000084
为变异后的个体。每轮交叉运算结束后也可以得到n个子代个体。
采用随机变异算子在取值范围内随机选取数值与原值替换，实现变异操作。变异操作后也可获得n个子代个体。
S43：采用局部搜索算子从得到的3n个子代个体选择出最优个体，并判断最优个体是否满足迭代终止条件：
(1)是则输出当前轮次的最优个体，并结束参数优化的迭代过程。
(2)否则将适应度值排序靠前的N-5各个体和适应度值最差的5个个体作为下一轮次的初始种群，返回到步骤S42进行迭代优化。
S5：对输出的最优个体进行解码得到优化后的权值和阈值，并赋值给识别网络模型对模型进行训练，训练过程具体如下：
S51：将训练集中的数据输入到权值和阈值更新后的识别网络模型中，进行误差反向传播，不断训练权值和阈值并更新。
S52：获取每次训练中识别网络模型的平方误差，判断平方误差是否满足要求：是则返回步骤S51继续训练，否则进入步骤S53进行测试。
S53：利用测试集中的数据对完成训练的识别网络模型进行测试。
S6：实时获取物联表采集的电压和电流数据，对采样数据进行归一化处理后输入的上步骤训练完成的所述识别网络模型中，得到当前物联表电力负荷的识别结果。
图2为本实施例提供的基于改进遗传神经网络的物联表电力负荷识别方法的原理框架图，结合图2可知，本发明对传统遗传算法的遗传算子进行改进引入加速搜索策略。在进行选择操作时，选择精英个体迁移算子，然后将选择后的最差个体进行变异操作，对交叉算子进行分段取点。同时，通过引入局部搜索算法将满足适应度值条件的个体加入到子代个体中，将改进的遗传算法用于BP神经网络中进行超参数的最优查找。并用于对BP神经网络的权值和阈值参数进行更新优化，训练网络模型，最后利用神经网络的全局搜索能力求解最优解。
特别地，本实施例提供的方法可以极大提高遗传算法的局部搜索能力，“跳出”局部最优，有效地提高网络模型的寻优能力和收敛速度，提高负荷识别的准确率。
实施例2
在实施例1的基础上，本实施例进一步提供一种基于改进遗传神经网络的物联表电力负荷识别系统。该系统采用如实施例1中的基于改进遗传神经网络的物联表电力负荷识别方法，对物联表采集到的电力数据进行分析，预测出物联表测量的电力节点的负荷类型。
如图3所示，本实施例提供的物联表电力负荷识别系统包括：样本输入模块、数据获取模块、归一化处理模块、负荷识别网络，以及参数优化网络。
其中，样本输入模块用于获取用于训练一个负荷识别网络的数据集。数据集为不同的典型电器设备在一个月度内不同采样时刻对应的电压和电流数据经归一化处理后得到。
数据获取模块用于获取物联表的计量芯片实时采集到的电力数据。
归一化处理模块用于对数据获取模型获取的原始电力数据进行归一化处理，归一化处理后数据作为负荷识别网络的输入。
负荷识别网络基于BP神经网络设计得到，经过训练后的负荷识别网络根据输入的归一化数据输出一个对应的负荷类型预测结果。负荷识别网络在训练阶段的初始权值和阈值由一个参数优化网络迭代更新得到；并利用所述样本输入模块获取的数据集进行训练和测试。
参数优化网络基于一个改进的遗传算法设计得到，参数优化网络用于生成负荷识别网络训练阶段优化网络模型的初始权值和阈值。参数优化网络包括种群更新单元、适应度计算单元、选择单元、交叉单元、变异单元、局部搜索单元，以及解码输出单元。种群更新单元用于生成初始化种群并在每轮迭代中根据选择单元、交叉单元、变异单元输出的结果对种群进行更新。适应度计算单元用于根据预设的适应度函数计算种群中所有个体的适应度值。选择单元、交叉单元、变异单元依次用于对每轮的种群进行选择操作、交叉操作和变异操作。局部搜索单元用于从每轮迭代后的种群中发现最优个体。解码输出单元用于评估每轮迭代中的最优个体是否满足优化条件，是则将其解码后作为负荷识别网络的权值和阈值。
其中，适应度计算单元采用的适应度函数为负荷识别网络反向传播过程中误差函数值的倒数；解码输出单元中采用的优化条件为最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值。
实施例3
本实施例提供一种嵌入式的负荷识别装置，其安装在物联表中，负荷识别装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现如实施例1中的基于改进遗传神经网络的物联表电力负荷识别方法的步骤，进而利用一个经过训练的识别网络模型，根据物联表实时采集的电力数据，识别出当前节点对应的电力负荷类型。
除了采用前述的嵌入式芯片的部署方案之外，本实施例提供的负荷识别装置还可以采用其它离线终端的部署方案。例如，计算机设备可以是能够执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。
本实施例中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，该处理器执行计算机程序时实现如实施例1中的基于改进遗传神经网络的物联表电力负荷识别方法的步骤，进而根据物联表实时采集的电力数据，识别出当前节点对应的电力负荷类型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于，其包括如下步骤：
S1：通过物联表计量芯获取典型电器设备在一个月度内不同采样时刻对应的电压和电流数据；并对采样数据进行归一化得到原始数据，将原始数据构成的数据集划分为训练集和测试集；
S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型，并初始化所述识别网络模型的权值和阈值；
S3：设计一个基于改进遗传算法的参数优化模型，所述参数优化模型的改进如下：
(1)将所述识别网络模型反向传播过程中误差函数值的倒数作为改进遗传算法的适应度函数；
(2)在改进遗传算法中引入局部搜索算子，所述局部搜索算子用于将选择、交叉和变异操作得到的所有个体按适应度值排序，然后从排名前1/3的个体中搜索最优个体；
(3)将最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值作为改进遗传算法的迭代条件；
S4：采用实数编码的方式对所述识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到所述参数优化模型进行迭代优化；具体过程如下：
S41：通过适应度函数更新初始种群中每个个体的适应度值，按照适应度值对初始种群进行排序；
S42：对初始种群分别进行选择操作、交叉操作和变异操作，每次操作中得到n个子代个体；
S43：采用局部搜索算子从得到的3n个子代个体选择出最优个体，并判断最优个体是否满足迭代终止条件：
(1)是则输出当前轮次的最优个体，并结束参数优化的迭代过程；
(2)否则将适应度值排序靠前的N-5各个体和适应度值最差的5个个体作为下一轮次的初始种群，返回到步骤S42进行迭代优化；
S5：对输出的最优个体进行解码得到优化后的权值和阈值，并赋值给所述识别网络模型进行训练，训练过程具体如下：
S51：将所述训练集中的数据输入到权值和阈值更新后的识别网络模型中，进行误差反向传播，不断训练权值和阈值并更新；
S52：获取每次训练中识别网络模型的平方误差，判断平方误差是否满足要求：是则返回步骤S51继续训练，否则进入步骤S53进行测试；
S53：利用测试集中的数据对完成训练的所述识别网络模型进行测试；
S6：实时获取物联表采集的电压和电流数据，对采样数据进行归一化处理后输入到上步骤训练完成的所述识别网络模型中，得到当前物联表电力负荷的识别结果。
2.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S1中，所述典型电器设备包括电视、空调、电冰箱、微波炉、电热水器、饮水机、空气净化器或其它家庭常用的高频用电设备。
3.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S1中，所述电压和电流的采样数据的归一化公式如下：
Figure FDA0003894599240000021
上式中，max|V|、max|I|分别为月度周期内物联表计量芯采集到的电压、电流的最大绝对值；Vq，Iq分别为物联表计量芯第q个采样时刻的电压、电流值；vq、iq分别为数据中第q个采样时刻归一化后的电压、电流值。
4.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S2中，构建的所述识别网络模型的正向传递过程如下；
Figure FDA0003894599240000022
上式中，xi表示输入层节点的特征量；m表示输入层的节点数，i＝1……m；xj表示输出层节点的特征量；Sj表示隐含层节点特征量；ωij表示两个节点i和j之间的权值；bj表示节点j的阀值；f(·)表示激活函数；
识别网络模型采用均方误差MSE作为性能评价指标，MSE的计算公式为：
Figure FDA0003894599240000023
上式中，tj为网络中第j个神经元的期望输出，aj为网络实际输出。
5.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：步骤S3中，所述参数优化模型中的适应度函数Fitness如下：
Figure FDA0003894599240000031
上式中，E表示反向传播过程中的误差函数，k表示网络参数更新的迭代次数，k＝1……N；dik表示网络模型反向传播过程中的期望输出，yik表示网络模型反向传播过程中的实际输出。
6.如权利要求1所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：在步骤S4的参数优化模型中，采用精英个体迁移算子作为选择操作的选择算子；采用线性重组作为交叉操作中的交叉算子；采用随机变异算子在取值范围内随机选取数值与原值替换，实现所述变异操作。
7.如权利要求6所述的基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于：变异操作在任意两个个体间完成，变异方式如下：
Figure FDA0003894599240000032
上式中，
Figure FDA0003894599240000033
和
Figure FDA0003894599240000034
是变异前种群中任意选定的个体；变异操作的变异率取值为0.0001-0.1之间；
Figure FDA0003894599240000035
和
Figure FDA0003894599240000036
为变异后的个体。
8.一种基于改进遗传神经网络的物联表电力负荷识别系统，其特征在于：其采用如权利要求1-7任意一项所述基于改进遗传神经网络的物联表电力负荷识别方法，对物联表采集到的电力数据进行分析，预测出物联表测量的电力节点的负荷类型；所述物联表电力负荷识别系统包括：
样本输入模块，其用于获取用于训练一个负荷识别网络的数据集，所述数据集为不同的典型电器设备在一个月度内不同采样时刻对应的电压和电流数据经归一化处理后得到；
数据获取模块，其用于获取物联表的计量芯片实时采集到的电力数据；
归一化处理模块，其用于对数据获取模型获取的原始电力数据进行归一化处理，归一化处理后数据作为所述负荷识别网络的输入；
负荷识别网络，其基于BP神经网络设计得到，经过训练后的负荷识别网络模型根据输入的归一化数据输出一个对应的负荷类型预测结果；所述负荷识别网络在训练阶段的初始权值和阈值由一个参数优化网络迭代更新得到；并利用所述样本输入模块获取的数据集进行训练和测试；
参数优化网络，其基于一个改进的遗传算法设计得到，所述参数优化网络用于生成所述负荷识别网络训练阶段优化网络模型的初始权值和阈值；所述参数优化网络包括种群更新单元、适应度计算单元、选择单元、交叉单元、变异单元、局部搜索单元，以及解码输出单元；所述种群更新单元用于生成初始化种群并在每轮迭代中根据选择单元、交叉单元、变异单元输出的结果对种群进行更新；所述适应度计算单元用于根据预设的适应度函数计算种群中所有个体的适应度值；所述选择单元、交叉单元、变异单元依次用于对每轮的种群进行选择操作、交叉操作和变异操作；所述局部搜索单元用于从每轮迭代后的种群中发现最优个体；所述解码输出单元用于评估每轮迭代中的最优个体是否满足优化条件，是则将其解码后作为所述负荷识别网络的权值和阈值。
9.如权利要求8所述的基于改进遗传神经网络的物联表电力负荷识别系统，其特征在于：所述适应度计算单元采用的适应度函数为所述负荷识别网络反向传播过程中误差函数值的倒数；所述解码输出单元中采用的优化条件为最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值。
10.一种嵌入式的负荷识别装置，其安装在物联表中，所述负荷识别装置包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的基于改进遗传神经网络的物联表电力负荷识别方法的步骤，进而利用一个经过训练的识别网络模型，根据物联表实时采集的电力数据，识别出当前节点对应的电力负荷类型。
CN202211269507.8A 2022-10-18 2022-10-18 一种基于改进遗传神经网络的物联表电力负荷识别方法 Pending CN115622034A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211269507.8A CN115622034A (zh) 2022-10-18 2022-10-18 一种基于改进遗传神经网络的物联表电力负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211269507.8A CN115622034A (zh) 2022-10-18 2022-10-18 一种基于改进遗传神经网络的物联表电力负荷识别方法

Publications (1)

Publication Number Publication Date
CN115622034A true CN115622034A (zh) 2023-01-17

Family

ID=84861994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211269507.8A Pending CN115622034A (zh) 2022-10-18 2022-10-18 一种基于改进遗传神经网络的物联表电力负荷识别方法

Country Status (1)

Country Link
CN (1) CN115622034A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982862A (zh) * 2023-02-22 2023-04-18 成都赛力斯科技有限公司 一种整车动态参数优化方法、模型训练方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982862A (zh) * 2023-02-22 2023-04-18 成都赛力斯科技有限公司 一种整车动态参数优化方法、模型训练方法及系统
CN115982862B (zh) * 2023-02-22 2023-05-26 成都赛力斯科技有限公司 一种整车动态参数优化方法、模型训练方法及系统

Similar Documents

Publication Publication Date Title
CN105391083B (zh) 基于变分模态分解和相关向量机的风功率区间短期预测方法
CN112633604B (zh) 一种基于i-lstm的短期用电量预测方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN112085111B (zh) 一种负荷辨识方法和装置
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN114399021A (zh) 一种基于多尺度信息的概率风速预测方法和系统
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN115622034A (zh) 一种基于改进遗传神经网络的物联表电力负荷识别方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
Zhao et al. A hybrid learning method for constructing compact rule-based fuzzy models
CN115100466A (zh) 一种非侵入式负荷监测方法、装置及介质
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111563203A (zh) 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN113762355A (zh) 一种基于非侵入式负荷分解的用户异常用电行为检测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN116613732A (zh) 一种基于shap值选择策略的多元负荷预测方法及系统
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
CN116307199A (zh) 一种电力系统负荷预测方法
CN115952928A (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN115967092A (zh) 一种数据驱动的新能源电力系统非参数概率最优潮流预测-分析一体化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination