(19)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 202210912955.9 (22)申请日 2022.07.31 (71)申请人 云南电网有限责任公司 地址 650200 云南省昆明市拓东路73号 (72)发明人 杨晓华　赵永辉　代盛国　茶建华　 杨茗　杨子阳　李家浩　任建宇　 孙立元　艾渊　张益鸣　杨昊　 刘兴龙　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 赵荔 (51)Int.Cl. G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的台区负荷辨识及负荷 响应评估方法 (57)摘要 本发明公开了一种基于深度学习的台区负 荷辨识及负荷响应评估 方法， 包括执行非侵入式 负荷监测， 获得用户运行的电器种类和负荷特 征； 将得到的负荷特征数据使用三支决策高斯混 合聚类算法进行聚类； 运用新型端侧神经网络架 构， 将一个台区所有用户的用电数据进行分类辨 识， 评估台区负荷需求响应能力。 本发明提供了 一种神经网络主导的台区负荷辨识和负荷需求 响应的评估 方法， 为负荷的监控和预测提供了有 效的技术支持。 提高聚类结果质量和辨识精度， 以及智能性。 权利要求书3页 说明书7页 附图3页 CN 115358885 A 2022.11.18 CN 115358885 A 1.一种基于深度学习的台区负荷辨识及负荷响应评估方法， 其特 征在于： 包括， 执行非侵入式负荷监测， 获得用户运行的电器种类和负荷特 征； 将得到的负荷特 征数据使用三支决策高斯混合聚类算法进行聚类； 运用新型端侧神经网络架构， 将一个台区所有用户的用电数据进行分类辨识， 评估台 区负荷需求响应能力。 2.如权利要求1所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在 于： 所述负荷特征包括稳态功率特征和稳态谐波特征， 所述稳态功率特征包括稳态有功功 率和稳态无功 功率， 所述稳态 谐波特征包括电流高次谐波幅值及相角。 3.如权利要求1或2所述的基于深度 学习的台区负荷辨识及负荷响应评估方法， 其特征 在于： 所述稳态有功 功率通过如下公式表示， 所述稳态无功 功率通过如下公式表示， 其中， P表示稳态有功功率， Q表示稳态 无功功率， r表示采样 点编号， ur表示离散电压， ir 表示电流序列， m表示频率， n表示时间， N表示每周期采样点数。 4.如权利要求3所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在 于： 通过台区检测用电线路是否发生有功 功率的较大改变， 判定是否有用电事 件发生， 用电器的电流 通过如下公式表示： i(t)＝I0+I1cos(ωt+θ1)+I2cos(2ωt+θ2)+…+Ikcos(kωt+θk)    (3) 其中， I0表示直流电流分量， I1表示基波电流幅值， Ik表示k(k>1)次谐波电流幅值， ω表 示角频率， t 表示时间， θk表示k(k>1)次谐波电流相角， 用户电路入口总功率 通过如下公式表示： 其中， Pt为t时刻用户人 口总有功功率； Pe为测量误差和未知电器的总有功功率； Pi,t为 电器i在t时刻的有功 功率； g为电器总数， t时刻用户人口总有功 功率Pt的波动范围通过如下公式表示： |ΔPt|＝|Pt+1‑Pt|≤Te 其中， Te为总有功 功率波动阈值， 当发生|ΔPt|>Te时， 系统判定发生电器事 件， 事件发生后进行监测， 当检测到事件结束时提取负荷特征就可得到这个事件从开始到 结束的电器特 征， 其中包括有功 功率， 无功 功率和电流谐波变化 等 有功功率计算方法如下： 权　利　要　求　书 1/3 页 2 CN 115358885 A 2其中， Pj+1表示电器动作达到稳态后的一段时间有功功率平均值； Pj表示电器动作前的 稳态有功 功率平均值。 5.如权利要求4所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在 于： 所述电器种类的判定为在实际运行 的状态切换中， 通过归纳每种电器所提取 的特征向 量， 将一种电器的特 征向量归位 一个镞。 6.如权利要求1所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在 于： 将得到的负荷特征数据进行多元高斯模型处理， 得到多元高斯特征值后对所得 的数据 做归一化处理得到 Yi＝[yi1,yi2,…,yin] Yi′＝[yi1′,yi2′,…,yi(n‑1)′] 定义聚类 中心个数L和迭代次数I， 并根据数据的密集值获取L个初始聚类 中心矩阵C＝ [C1,C2,…,CL]T和局部趋势特征矩阵C′＝[C1′,C2′,…,CL′]T。 7.如权利要求6所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在 于： 所述高斯混合聚类算法由多个单高斯模型组合而成， 通过高斯概率分布模型进行聚类 操作， 设定任意n维样本空间M中有随机向量x， 如果x服从高斯分布则其概率密度通过如下 公式所示： 其中， 其中Σ为n ×n维协方差矩阵， 为n维均值向量。 其概率函数表示为p(x| μ,Σ|)。 对于一个聚类样本， 将其分为k个混合成分， 每个成分各 由一个高斯分布所对应， 设为混合 系数， 高斯混合分布通过如下公式表示： 8.如权利要求6或7所述的基于深度 学习的台区负荷辨识及负荷响应评估方法， 其特征 在于： 高斯混合聚类根据 ai的不同进行不 同的概率密度采集以生产样本， 高斯三支决策理 论基于决策粗糙集， 分为正域， 负域和边界域， 在三支聚类中， 用CL,CM,CR,来分别表 示接受、 拒绝和不承诺三种决策 结果。 引入相关参数α， β， 0 <β <α <1， 聚类规则如下： P(Ci|xj)≥α， xi∈POS(Ci)， β <P(Ci|xj)<α， xi∈BND(Ci)， P(Ci|xj)≤β， xi∈NEG(Ci) 其中， P， B， N分别表示将对象分至正域， 负域和边界域， λPP、 λBP、 λNP分别代表当x属于X 时， x被划分到正域、 负域、 边界域的损失； λPN、 λBN、 λNN则分别代表当x不属于X时， x被划分到 正域、 负域、 边界域的损失， α， β 具体 计算如下： 其中， 聚类结果 为CS＝{(C1L,C1M),(C2L,C2M),…,(CkL,CkM)}。 9.如权利要求1所述的基于深度学习的台区负荷辨识及负荷响应评估方法， 其特征在权　利　要　求　书 2/3 页 3 CN 115358885 A 3