1.一种基于深度CNN‑HMM的非侵入式负荷辨识方法,其特征在于,包括以下步骤:步骤1:采用互信息算法对总负荷数据进行特征选择,并进行差分处理以强化特征的表达能力;
步骤2:根据待辨识负荷的电流有效值的大小确定其运行状态,生成设备的标签数据;
步骤3:将步骤1所得的负荷特征数据与步骤2所得的标签数据合成模型的训练数据集,选择残差神经网络ResNet‑50作为深度CNN的基础架构,并训练深度CNN模型;
步骤4:将深度CNN网络的初辨识结果作为观测序列,训练HMM模型的参数,从而优化CNN算法辨识结果中的非连续性问题;
步骤5:得到完整的深度CNN‑HMM非侵入式负荷辨识模型,实现对工商业电力负荷的有效辨识。
2.根据权利要求1所述的基于深度CNN‑HMM的非侵入式负荷辨识方法,其特征在于,步骤1中采用互信息算法进行特征选择的方法如下:互信息计算相关性的公式如下:
其中,I(x,y)是随机变量x和y的互信息值大小,随机变量x={x1,x2,…,xT}表示总负荷数据中任意一种特征的差值时间序列,随机变量y={y1,y2,…,yT}表示待辨识负荷的运行状态序列,p(x)和p(y)分别是随机变量x和y的边缘概率密度函数,p(x,y)则是x和y的联合概率密度函数。互信息值越大,表明随机变量之间的相关性越强;
互信息进行特征选择的具体步骤包括:
(1)计算每个负荷特征与待辨识负荷运行状态之间的互信息值;
(2)按照互信息的大小对所有特征按从大到小进行排序;
(3)选择前n个互信息最大的特征,构成负荷辨识的初始特征集合{f1,f2,…,fn};
(4)计算fi与fj,(i
(5)重新计算新的特征子集中特征之间的互信息值,重复筛选直到两两特征之间的互信息值皆小于阈值,并构建新的特征集合。
3.根据权利要求1所述的基于深度CNN‑HMM的非侵入式负荷辨识方法,其特征在于,步骤1中采集的任一负荷特征数据,可用时间序列R={R0,R1,R2…,RT}表示,其中T是负荷数据的时间长度,进行差分处理可得到负荷的差值特征序列x={x1,x2,…,xT},其中xt=Rt‑Rt‑1(1≤t≤T);给定时间窗口长度w,负荷特征个数n,可生成模型的输入负荷数据input=(1) (2) (n) (j)
{Η1,H2,…,HL},其中Hi={Xi ,Xi ,…,Xi },Xi 代表第j种负荷特征的第i个窗口的差(j) (j) (j) (j) T
值时间序列,Xi =[xi ,xi+1 ,…,xi+w‑1 ],其中1≤i≤T‑w+1,1≤j≤n。
4.根据权利要求1所述的基于深度CNN‑HMM的非侵入式负荷辨识方法,其特征在于,步骤2中采集的待辨识负荷数据,以其电流有效值Irms的大小为标准,生成设备的标签状态集target={y1,y2,…,yL},其中yi表示第i个时间窗口内的i+w/2时刻点的负荷的运行状态,
5.根据权利要求1所述的基于深度CNN‑HMM的非侵入式负荷辨识方法,其特征在于,步骤4中HMM模型的参数λ={U,V,A,B,π}定义如下:隐含状态集合U={u1,u2,…,uN},其中N为隐含状态数目,系统在t时刻的隐含状态Qt∈U;
观测状态集合V={v1,v2,…,vM},其中M是每一个隐含状态可能输出的不同的观测值的数目,系统在t时刻的观测状态St∈V;
状态转移概率矩阵A={aij},aij表示在t时刻状态为ui的条件下,在t+1时刻状态为uj的概率,aij=P(Qt+1=uj|Qt=ui),其中1≤i,j≤N,观测状态转移概率矩阵B={bi(k)},bi(k)表示在t时刻隐含状态为ui的条件下,观测状态为vk的概率,bi(k)=P(St=vk|Qt=ui),其中1≤i≤N,1≤k≤M,初始状态概率矩阵π={πi},是t=1时刻初始状态的概率分布,πi=P(Q1=ui),其中1≤i≤N,