基于深度学习的用电负荷辨识方法-《中国新通信》(2021年2期).docx

龙源版权所有 基于深度学习的用电负荷辨识方法作者：潘世博??陈思睿?潘楠 沈鑫 潘地林来源：《中国新通信》2021年第02期 【摘要】 新时期国民经济发展迅速，社会生活及生产对电能的质量提出新的要求。用电负荷的有效辨识可便于工作人员了解电力系统负荷实际构成，从而掌握电力负荷实时运行变化，实现电力系统科学监测。此外，对电力负荷的电能消耗分析，可实现电力系统的节能发展，为节省电能提供有效的数据支持，对构建节约型电网具有深远意义。传统电力负荷识别以人工方式支持，该方式实施监测效果不理想，故文章提出基于深度学习的用电负荷辨识方式，以此方式可灵活应对用电负荷发生的变化，可促进电网智能化进一步发展。 【关键词】 深度学习 用电负荷 辨识 方法 基于深度学习的监测网络，简称为深度置信网络，英文简称为（Deep Belief Network）DBN[1]，将其应用到用电负荷的监测中，其结合神经网络框架，再配合图像识别、语音识别及电能质量扰动识别，可起到很好的电力负荷监测作用[2]。DBN经各个受限玻尔兹曼机及一层后向构成，受限玻尔兹曼机简称为RBM。DBN以对比散度算法为支持，先对首个RBM训练，使其获取初始特征，之后将此类的初始特征值作为训练的实际数据，对下一个RBM获取高级特征，延续此步骤，完成全部的RBM操作。之后，再根据反向传播算法，以科学监督方式对DBN进行调整。 一、基于深度学习的用电负荷辨识方法背景 电能是保证生产、交通、通信等各个行业稳定发展的基础，也是国家经济增长、科技进步的有力支撑。而电能质量也是电力用户和电网企业所关心的重点内容[3]。近年来，随着国家各县鼓励政策出台，国民经济的增长有达到新的高速。而社会发展对电能质量的要求也在逐年增加。提高电能质量成为电力企业发展所围绕的核心。针对多元化的电能质量问题，应积极展开电力负荷类型的相关研究，注重对家用电器、工业生产负荷的运行规律分析，掌握不同电力负荷运行的特征，构建典型的负荷特征数据库，为有效监测打下坚实基础[4]。文章以大数据及深度学习方式结合的思想，积极展开深度学习的电力负荷类型分类识别，以此掌握不同动态信号电压、电流波形特征，构建专业的电力负荷数据库，从而提取出可反馈电力负荷特征的量，优化工业电力负荷分类识别。 二、电力负荷 电力负荷包含电弧炉、电气铁路、光伏发电、冲压机等，大量生产及运输中存在大量非线性负荷，一些新兴能源，如太阳能、风能等，其能源接入电网中，也会导致电网中电压、电流信号出现更多畸变几率[5]。此外，空调、冰箱等家用电气升级，其技术上也多采用变频技术，导致居民用电中电力非线性负荷增多。非线性设备会导致设备自身产生过多的谐波，也导致电流自身出现不同程度的畸变。例如，在整流设备、变频装置当中，就会产生大量谐波电流，谐波电流的产生和电路自身非线性负荷有不可分割的联系。 三、基于深度学习的用电负荷辨识方法 3.1概述 对于当下工业生产当中，其设备电力负荷自动识别中的人工选择特征困难问题，为进一步提高负荷的有效识别，提高识别精度及效率，特引入深度学习的理念，以DBN技术支持对实时的电力负荷数据有效分类识别，DBN经各个受限玻尔兹曼机及一层后向构成，其结合神经网络框架，再配合图像识别、语音识别及电能质量扰动识别，可起到很好的电力负荷监测作用[6]。深度学习和传统的神经网络训练方式有诸多不同，深度学习主要采取分层预训练的机制，其可从海量的数据中探索有用数据，从而学习到更多的隐含特征，可解决人工神经网络在学习中容易受局部最优解的影响问题。 3.2受限玻尔兹曼机 受限玻尔兹曼机是DBN的重要构成，其英文为Restricted Boltzmann Machine，简称RBM，其由可见层和隐藏层共同构成，属于概率图的模型，各层神经元以权值相互连接。正常情况下，可见层的单元可描述出数据···试读结束