(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 (43)申请公布日 (21)申请 号 202111097344.5 (22)申请日 2021.09.18 (71)申请人 国网江苏省电力有限公司信息通信 分公司 地址 210002 江苏省南京市北京西路20号 (72)发明人 滕昌志　缪巍巍　曾锃　张瑞　 张明轩　李世豪　张震　张厦千　 马洲俊　夏飞　张利　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 孙永生 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/08(2020.01) G06F 119/12(2020.01) (54)发明名称 一种耦合神经网络与动态时间规划的居民 负荷辨识方法及装置 (57)摘要 本发明提出一种耦合神经网络与动态时间 规划的居民负荷辨识方法及装置， 方法包括以下 步骤： （1） 稳态运行状态提取； （2） V ‑I特性曲线灰 度图提取； （3） 特征向量提取； （4） 神经网络训练； （5） 负荷辨识。 其技术领域为非侵入式负荷监测， 解决了常见辨识方法辨识正确率低的技术难点， 优点在于方法所选辨识特征具有更好的辨识性 能且数据维度更小， 辨识结果相比常见方法具有 更高的辨识准确率以及可信度。 权利要求书3页 说明书10页 附图2页 CN 113987910 A 2022.01.28 CN 113987910 A 1.一种耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征在于， 包括以下步 骤： 获取待识别的电器的电流和电压时间序列； 通过概率质量函数提取待识别的电器的稳态运行状态； 提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理， 获得 处理后序列， 并根据所述处 理后序列绘制V ‑I特性曲线灰度图； 将所述V‑I特性曲线灰度图输入至卷积神经网络， 提取 出特征向量； 将所述特征向量输入至训练完毕的长短期记忆人工神经网络 中进行辨识， 得到第 一概 率向量集合PBiLSTM； 利用动态时间归整算法与负荷数据库中的特征向量进行相似度对比， 得 到第二概率向量集合PDTW， 耦合第一概率向量集合PBiLSTM与第二概率向量集合PDTW得到最终 辨识结果。 2.根据权利要求1所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 所述负荷数据库的构造方法包括以下步骤： 采集多种电器的电流和电压时间序列， 通过概率质量函数提取各种电器的稳态运行状 态； 提取各种电器的稳态运行状态下的电流和电压时间序列并进行归一化处理， 获得各种 电器的处 理后序列， 并根据各种电器的处 理后序列绘制各种电器的V ‑I特性曲线灰度图； 将各种电器的V ‑I特性曲线灰度图输入至卷积神经网络， 提取 出各种电器的特 征向量； 多种电器的特 征向量组合 起来形成负荷数据库。 3.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 通过概 率质量函数PMF提取 稳态运行状态的方法包括： 按如下方法计算： PM为电器M的离散有功功率序列， 其中最大功率值为Pmax； 设置分级功率间隔为20W， 将 Pmax按分级功率间隔分级， 并统计PM中各级功率 出现的次数Num， 并计 算PM中各级功率出 现的 分级概率； 若某级的分级概率同时大于该级上一级的分级概率与 该级下一级的分级概率， 则认为 该级的分级概率为一个P MF峰值， 所述P MF峰值对应的有功功 率分级范围为该电器的一个稳 态运行状态。 4.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 对稳态运行状态下 的电流和电压时间序列进行归一化处理， 获得处理后序列的方法 包括： 取各一周期的稳态波形的电流和电压时间序列， 取其一个周期为a个数据点， 通过归一 化将电流、 电压数据转换为统一大小0～l， 其公式如下： 式中， bc与uc表示归一化后电流、 电压的第c个采样点数据； Ic与Uc表示原电流、 电压的第权　利　要　求　书 1/3 页 2 CN 113987910 A 2c个采样点数据； minI与maxI分别表 示原电流一个周期内的最小值与最大值； minU与maxU分 别表示原电压一个周期内的最小值与最大值； [ ]表示取整符号,l是指一个固定数值， 即将 电流、 电压数据转换为固定l大小内。 5.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 根据所述处 理后序列绘制V ‑I特性曲线灰度图的方法包括以下步骤： 将所述处理后序列中各一个周期的电器稳态运行时波形的电流和电压数据分别作为 纵坐标和横坐标绘制V ‑I特性曲线； 将所述V‑I特性曲线转换为47*47的矩阵， 所述矩阵的矩阵元素范围为0到255； 通过用 所述矩阵的矩阵元素代表 图像256个灰度等级， 转换成灰度图片形式的V ‑I特性曲线灰度 图。 6.根据权利要求2所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 所述卷积神经网络的结构包括： 一层维度为(47， 47， 1)的输入层； 一层维度为(4 4， 44， 20)的卷积层， 核函数维度为5 ×5(20)， 激活函数为tanh； 一层维度为(2 2， 22， 20)的平均池化层， 核函数维度为2 ×2； 一层维度为(1， 10 0)的全连接层， 激活函数为Relu； 通过所述卷积神经网络提取的特 征向量为1*100大小的特 征向量。 7.根据权利要求1所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 所述长短期记忆人工神经网络的结构包括： 一层维度为(1， 100)的输入层， 一层维度 为(1， 100)的BiLS TM层， 其中激活函数为sigmoid和tanh； 一层维度为(1， 11)的全连接层； 一 层维度为(1， 9)的分类层， 其中激活函数为Softmax； 所述长短期记 忆人工神经网络的训练方法包括： 将所述负荷数据库中的电器特 征向量输入至 长短期记 忆人工神经网络进行训练； 训练过程中， 设置梯度阈值为1， 训练周期为60， 每周期迭代54次， 训练过程使用自适应 矩估计优化 算法。 8.根据权利要求1所述的耦合神经网络与动态时间规划的居民负荷辨识方法， 其特征 在于， 耦合第一概率向量集合PBiLSTM与第二概率向量集合PDTW得到最终辨识结果的方法包 括： 将两个算法的概率向量集合通过下面的公式结合， 形成最终辨识向量集合Pfinal＝ {Pfinal(1),Pfinal(2),…,Pfinal(i)…,Pfinal(k)}： 式中， Pfinal(i)代表待识别电器被识别为电器i的最终概率值， i的取值范围为1到k， k为 数据库中可被识别的电器的总数， PBiLSTM＝{PBiLSTM(1),PBiLSTM(2),…,PBiLSTM(i)…,PBiLSTM (k)}代表着BILSTM模型输 出的概率值集合,PBiLSTM(i)代表待识别电器经CNN ‑BiLSTM网络辨 识为电器i的概率值； PDTW＝{PDTW(1),PDTW(2),…,PDTW(i)…,PDTW(k)}代表D TW算法输出的DTW 概率向量集， PDTW(i)代表待识别电器经DTW 算法辨识为电器i的概 率值； 比较最终辨识向量集合Pfinal中各元素的大小， 选取出其集合中最大的元素， 即可获得 此待识别电器的最终辨识结果。权　利　要　求　书 2/3 页 3 CN 113987910 A 3