本发明涉及智能电网领域,具体地,涉及一种非侵入式用电负荷识别方法。
背景技术:
在智能电网环境下,智能量测设备会逐步得到广泛应用,从而能够得到用户负荷准确的、海量的数据。利用数据挖掘方法对用户负荷大数据进行处理,能够从中提取出有用信息,从而能够对电力负荷有更系统和深入的理解进而改善负荷管理水平及系统运行的安全性与经济性。负荷识别是大数据挖掘在电力系统中应用的重要领域。
居民用电负荷设备识别现在大都采用侵入式监测方法,侵入式监测方法需要在用电设备和插座之间安装中间监测装置来记录设备操情况。该方法通常依靠中间装置监测负荷设备操作记录、设备能耗数据等。
侵入式负荷识别方法需要在用电设备和插座之间安装硬件设备,当监测的用户数多时,需要采购大量的硬件设备,在一定程度上增加了采购成本,其次,硬件设备本身需要消耗电能,此外,安装时需要进入用户室内,给安装和维护带来不便。
技术实现要素:
本发明提供了一种非侵入式用电负荷识别方法,解决了现有的侵入式负荷识别方法存在的成本较高,耗能大,安装维护不便的技术问题,实现了本申请中的居民用户负荷识别方法所需安装采集终端数量少、安装简便、维护简单的技术效果。
为实现上述发明目的,本申请提供了一种基于神经网络的非侵入式负荷识别方法。直接在用户总的进线端安装硬件设备测量,根据进线端的用电信息进行负荷设备识别,以有功功率和电流谐波作为识别特征,首先进行投切辨识,其次应用正则化的RBF神经网络算法识别负荷设备,具体步骤如下:
步骤:2.1数据采集。采集用户总线上电气负荷特征数据。
步骤:2.2投切辨识。基于有功功