作者：陈克绪1, 徐春华1, 刘玲2, 胡涛1
作者单位：1. 国网江西省电力有限公司供电服务管理中心，江西 南昌 330096;
2. 国网江西省电力有限公司南昌供电分公司，江西 南昌 330012
关键词：电力负荷;深度学习;堆栈降噪自编码网络;负荷识别
摘要：
电力系统中负荷识别需要进行特征选择，而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题，采用一种基于堆栈降噪自编码网络（SDAE）的电力负荷识别方法，能有效选取现场真实负荷波形的特征并加以识别，该方法是由一层后向传播的神经网络和多层降噪自编码器（DAE）构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”，然后采用“破坏”后的信号重构原始信号，进而得到数据信号的波形特征，最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证，相较于BP神经网络算法，该方法的识别效果更佳。实验结果显示，采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。
Recognition of power loads based on stacked de-noising auto-encoder
CHEN Kexu1, XU Chunhua1, LIU Ling2, HU Tao1
1. Power Supply Service and Management Center, State Grid Jiangxi Electric Power Ltd., Nanchang 330096, China;
2. Nanchang Power Supply Branch of State Grid Jiangxi Electric Power Co., Ltd., Nanchang 330012, China
Abstract: In power system, load characteristics selection is needed for load identification, but it is difficult to select load characteristics by conventional manual method. In order to solve the problem, a load identification method based on SDAE is adopted, which can effectively select and identify the characteristics of real load waveform . SDAE is composed of a back propagation neural network and a multi-layer de-noising auto-encoder (DAE). Firstly, it “destroys” the data signal by doping a certain proportion of noise, and then uses the “destroyed” signal to reconstruct the original signal, and then obtains the waveform characteristics of the data signal. Finally, BP neural network is used to effectively supervise and fine tune the whole data processing network. Verified by the real collected power load waveform data, this method is better than BP neural network. The experimental results show that the discrimination recognition rate of SDAE method is more than 96%.
Keywords: power loads;deep learning;de-noising auto-encoder;loads recognition
2022, 48(5):163-168 收稿日期: 2020-10-26;收到修改稿日期: 2021-01-22
基金项目: 国网江西省电力有限公司科技项目资助(521820180014)
作者简介: 陈克绪(1979-)，男，山东济宁市人，高级工程师，研究方向为电网动态负荷测量及智能仪器
参考文献
[1] 刘继东. 电力需求侧响应的效益评估与特性分析[D]. 济南: 山东大学, 2013.
[2] 娄藕蝶. 非侵入式负荷特征提取与识别研究[D]. 南京: 东南大学, 2018.
[3] 李艳玲. 基于神经网络的电力系统负荷预测问题研究[D]. 沈阳: 沈阳工业大学, 2014.
[4] 肖露欣. 基于深度学习的电能质量扰动识别[D]. 南昌: 南昌大学, 2017.
[5] 黎鹏. 非侵入式电力负荷分解与监测[D]. 天津: 天津大学, 2009.
[6] 祁兵, 董超, 武昕, 等. 基于DTW 算法与稳态电流波形的非侵入式负荷辨识方法[J]. 电力系统自动化, 2018, 42(3): 70-76
[7] 宋旭帆, 周明, 涂金, 等. 基于 k-NN结合核 Fisher 判别的非侵入式负荷监测方法[J]. 电力系统自动化, 2018, 42(6): 73-80
[8] 祁兵, 韩璐. 基于遗传优化的非侵入式居民负荷辨识算法[J]. 电测与仪表, 2017, 54(17): 11-17
[9] 孙毅, 崔灿, 陆俊, 等. 基于差量特征提取与模糊聚类的非侵入式负荷检测方法[J]. 电力系统自动化, 2017, 41(4): 86-91
[10] 高云，杨洪耕. 基于明可夫斯基距离的家用负荷分类计量[J].电测与仪表,2013, 50（5）:86-90
[11] 黄友金, 熊炜, 袁旭峰, 等. 深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法[J]. 电力科学与工程, 2020, 36(4): 10-16
[12] 江帆, 杨洪耕. 基于广义回归神经网络的非侵入式负荷识别方法[J]. 电测与仪表, 2020, 57(3): 1-6
[13] 徐春华, 陈克绪, 马建, 等. 基于深度置信网络的电力负荷识别[J]. 电工技术学报, 2019, 34(19): 4135-4142
[14] DONG M, MEIRA PC, XU W, et al. Non-intrusive signature extractionfor major residentialloads[J]. IEEE Transactions on Smart Grid, 2013, 4(3): 1421-1430
[15] 殷鹰, 谢罗峰, 黄泰博. 基于深度学习的磁瓦内部缺陷声振检测方法[J]. 中国测试, 2020, 46(3): 32-38
