【技術實現步驟摘要】
本專利技術涉及非介入式負荷辨識，并且更具體地，涉及一種基于穩暫態特征融合的非介入式負荷辨識方法及系統。
技術介紹
1、專變用戶(使用專業變壓器的電力用戶)作為電力用戶的重要組成部分，其用電負荷特征呈高占比、多樣化的發展趨勢，對電網源、網、荷、儲的升級、運行和維護都有著重要的影響。用戶用電負荷及運行情況的實時感知對用戶保障用電安全、提高用電能效、響應雙碳戰略等都具有十分重要的意義。傳統的介入式負荷辨識因成本高、改造難度大等因素不適宜大范圍推廣，在此基礎上非介入式負荷辨識技術迅速發展。
2、然而，現有的非介入式負荷辨識技術往往計算速度慢且辨識準確率低，在很多場景下都無法實現落地應用，亟需提出一種新的非介入式負荷辨識技術，實現多種類多特征非介入式負荷的快速、準確辨識。
技術實現思路
1、針對上述問題，本專利技術提出了一種基于穩暫態特征融合的非介入式負荷辨識方法，包括：
2、獲取專變用戶使用專業變壓器的穩態特征數據和暫態特征數據，將基于穩態特征數據的非介入式負荷辨識結果和基于暫態特征數據的非介入式辨識結果，融合為復合特征數據；
3、在并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及復合特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型；
4、獲取目標專業變壓器的目標穩態特征數據及目標暫態特征數據，基于所述非介入式負荷辨識模型，對所述目標穩態特征數據及目標暫態特征數據進行識別，以得到所
5、可選的，獲取基于穩態特征數據的非介入式負荷辨識結果，包括：
6、將所述穩態特征數據中的v-i軌跡圖像以及功率特征進行融合，生成三維圖像穩態特征數據，基于卷積神經網絡cnn對所述三維圖像穩態特征數據進行辨識，以得到基于穩態特征數據的非介入式負荷辨識結果。
7、可選的，獲取基于暫態特征數據的非介入式辨識結果，包括：
8、通過fisher主元分析法，構造出所述暫態特征數據的暫態特征矩陣，基于長短期記憶遞歸神經網絡lstm對所述暫態特征矩陣進行識別，以得到基于暫態特征數據的非介入式辨識結果。
9、可選的，在所述并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及負荷特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型，包括：
10、在不同的并行池中同時，通過卷積神經網絡cnn對穩態特征數據進行特征辨識，以訓練得到穩態特征辨識模型，并通過長短期記憶遞歸神經網絡lstm對所述暫態特征數據進行特征辨識，以訓練得到暫態特征辨識模型，在所述不同的并行池中，將所述卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm得到的辨識結果進行融合，使用所述長短期記憶遞歸神經網絡lstm對辨識結果的融合數據，進行辨識，以訓練得到復合特征辨識模型，對所述穩態特征辨識模型、暫態特征辨識模型及復合特征辨識模型進行融合，得到非介入式負荷辨識模型。
11、再一方面，本專利技術還提出了一種基于穩暫態特征融合的非介入式負荷辨識系統，包括：
12、融合單元，用于獲取專變用戶使用專業變壓器的穩態特征數據和暫態特征數據，將基于穩態特征數據的非介入式負荷辨識結果和基于暫態特征數據的非介入式辨識結果，融合為復合特征數據；
13、建模單元，用于在并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及復合特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型；
14、辨識單元，用于獲取目標專業變壓器的目標穩態特征數據及目標暫態特征數據，基于所述非介入式負荷辨識模型，對所述目標穩態特征數據及目標暫態特征數據進行識別，以得到所述目標專業變壓器融合的非介入式負荷辨識結果。
15、可選的，融合單元獲取基于穩態特征數據的非介入式負荷辨識結果，包括：
16、將所述穩態特征數據中的v-i軌跡圖像以及功率特征進行融合，生成三維圖像穩態特征數據，基于卷積神經網絡cnn對所述三維圖像穩態特征數據進行辨識，以得到基于穩態特征數據的非介入式負荷辨識結果。
17、可選的，融合單元獲取基于暫態特征數據的非介入式辨識結果，包括：
18、通過fisher主元分析法，構造出所述暫態特征數據的暫態特征矩陣，基于長短期記憶遞歸神經網絡lstm對所述暫態特征矩陣進行識別，以得到基于暫態特征數據的非介入式辨識結果。
19、可選的，建模單元在并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及負荷特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型，包括：
20、在不同的并行池中同時，通過卷積神經網絡cnn對穩態特征數據進行特征辨識，以訓練得到穩態特征辨識模型，并通過長短期記憶遞歸神經網絡lstm對所述暫態特征數據進行特征辨識，以訓練得到暫態特征辨識模型，在所述不同的并行池中，將所述卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm得到的辨識結果進行融合，使用所述長短期記憶遞歸神經網絡lstm對辨識結果的融合數據，進行辨識，以訓練得到復合特征辨識模型，對所述穩態特征辨識模型、暫態特征辨識模型及復合特征辨識模型進行融合，得到非介入式負荷辨識模型。
21、再一方面，本專利技術還提供了一種計算設備，包括：一個或多個處理器；
22、處理器，用于執行一個或多個程序；
23、當所述一個或多個程序被所述一個或多個處理器執行時，實現如上述所述的方法。
24、再一方面，本專利技術還提供了一種計算機可讀存儲介質，其上存有計算機程序，所述計算機程序被執行時，實現如上述所述的方法。
25、與現有技術相比，本專利技術的有益效果為：
26、本專利技術提供了一種基于穩暫態特征融合的非介入式負荷辨識方法，包括：獲取專變用戶使用專業變壓器的穩態特征數據和暫態特征數據，將基于穩態特征數據的非介入式負荷辨識結果和基于暫態特征數據的非介入式辨識結果，融合為復合特征數據；在并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及復合特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型；獲取目標專業變壓器的目標穩態特征數據及目標暫態特征數據，基于所述非介入式負荷辨識模型，對所述目標穩態特征數據及目標暫態特征數據進行識別，以得到所述目標專業變壓器融合的非介入式負荷辨識結果。本專利技術通過對暫穩態特征數據進行辨識，有效的提升了非介入式負荷辨識的準確率。
本文檔來自技高網...【技術保護點】
1.一種基于穩暫態特征融合的非介入式負荷辨識方法，其特征在于，包括：
2.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，獲取基于穩態特征數據的非介入式負荷辨識結果，包括：
3.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，獲取基于暫態特征數據的非介入式辨識結果，包括：
4.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，所述在所述并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及負荷特征數據，對卷積神經網絡CNN及長短期記憶遞歸神經網絡LSTM進行訓練，得到非介入式負荷辨識模型，包括：
5.一種基于穩暫態特征融合的非介入式負荷辨識系統，其特征在于，包括：
6.根據權利要求5所述的非介入式負荷辨識系統，其特征在于，所述融合單元獲取基于穩態特征數據的非介入式負荷辨識結果，包括：
7.根據權利要求5所述的非介入式負荷辨識系統，其特征在于，所述融合單元獲取基于暫態特征數據的非介入式辨識結果，包括：
8.根據權利要求5所述的非介入式負荷辨識系統，其特征在于，所述建模單元在并
9.一種計算機設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，其上存有計算機程序，所述計算機程序被執行時，實現如權利要求1-4中任一所述的方法。
...【技術特征摘要】
1.一種基于穩暫態特征融合的非介入式負荷辨識方法，其特征在于，包括：
2.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，獲取基于穩態特征數據的非介入式負荷辨識結果，包括：
3.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，獲取基于暫態特征數據的非介入式辨識結果，包括：
4.根據權利要求1所述的非介入式負荷辨識方法，其特征在于，所述在所述并行池中通過并行處理方式，根據所述穩態特征數據、暫態特征數據及負荷特征數據，對卷積神經網絡cnn及長短期記憶遞歸神經網絡lstm進行訓練，得到非介入式負荷辨識模型，包括：
5.一種基于穩暫態特征融合的非介入式負荷辨識系統，其特征在于，包括：
6.根據權利要求5所...
【專利技術屬性】
技術研發人員：方田，周峰，殷小東，張軍，易姝慧，劉煒，劉俊杰，劉儉，王健，姚力，王朝亮，
申請(專利權)人：中國電力科學研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。