一种基于深度学习的分行业电力负荷行为识别方法与流程
本发明涉及电力负荷识别,具体为一种基于深度学习的分行业电力负荷行为识别方法。
背景技术:
1、电力负荷精准感知、用电行为精细化识别是智能电网调度、需求响应管控、配网安全运维、分时电价精益执行的核心基础支撑。不同行业用户生产作息、设备类型、产能工况差异巨大,工业制造、商业商超、居民社区、农业灌溉、公共楼宇等行业负荷曲线形态、波动规律、用电特征截然不同;精准区分行业类别、辨识各行业内部负荷用电行为模式,能够支撑电网实现差异化负荷调控、故障精准定位、窃电异常稽查、新能源消纳匹配以及行业能耗双控统计核算,对新型电力系统稳定经济运行具备关键现实意义。
2、但是现阶段的电力负荷行为识别方法仍然存在以下缺陷:
3、现有电力负荷识别大多依托单一负荷时序数据,缺少行业属性、生产工况、环境等多维度辅助信息支撑,无法区分工业、商业、公共服务、居民四类用户差异化用电规律;常规统计算法难以自主提取负荷曲线的周期、爬坡、突变、持续高载隐性特征,行业用电行为划分粗放,异常负荷甄别准确率低,直接造成负荷预测偏差大、用电稽查、需求侧精细化管控落地难。
4、为此,现提出一种基于深度学习的分行业电力负荷行为识别方法来解决上述提出的问题。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的分行业电力负荷行为识别方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于深度学习的分行业电力负荷行为识别方法,该方法的具体步骤如下:
3、步骤一、多源异构数据分层采集:分别采集工业、商业、公共服务、居民四大类用户数据,用户数据包括用电侧、行业属性数据、设备工况数据和外部环境数据;
4、步骤二、构建标准化原始数据集:剔除断线、电表故障导致的失真空值、超量程异常坏数据;采用线性插值、同行业同期均值填充空缺负荷点位;连续量采用min-max归一化统一量纲,行业类型、生产班次做独热编码离散量化,按工业、商业、公服、居民四个大类标签对样本初步分类;
5、步骤三、构建深度学习专用负荷样本集:以用户所属行业为基础标签,绑定对应生产班次、设备配置、环境参数作为附属特征,划分训练集、验证集、测试集,完成样本集分层封装,适配深度学习模型输入格式;
6、步骤四、搭建多分支融合深度学习负荷特征提取模型:主干采用cnn和lstm混合深度学习网络,模型输入端同步接入行业、设备、环境辅助特征,实现多源信息融合训练;
7、步骤五、模型监督训练与收敛优化:使用标注好行业、用电行为标签的样本集做有监督训练,以负荷行为分类损失、异常识别损失联合优化网络权重;利用验证集迭代调参,防止过拟合,收敛后保存最优识别模型;
8、步骤六、全维度负荷特征自动提取:将待识别用户负荷样本输入训练完成的深度学习模型,网络自主从负荷曲线中分离四类核心特征;
9、步骤七、分行业用电行为智能识别指标输出:依托提取特征完成行为研判,批量输出三类结果;
10、步骤八、负荷预测与需求侧管理:将识别的行业用电规律、异常标签接入电网业务系统。
11、优选的,所述步骤一中,用户侧包括用户历史小时和日用电负荷时序数据;所述行业属性数据包括企业注册行业分类、产能规模、生产工艺、排班作息;所述设备工况数据包括生产设备启停台账、大功率设备投切记录、空调暖通装机容量;所述外部环境数据包括日气温、湿度、节假日、工作日、休息日和季节变化数据。
12、优选的,所述cnn分支模型用于提取负荷短时局部特征,局部特征包括负荷突变尖峰、短时段爬坡、瞬时启停跳变特征;所述lstm分支模型用于挖掘长时序周期规律,周期规律包括日周期、周周期、季节性用电规律和长期持续高载特征。
13、优选的,所述步骤六中,核心特征包括突变特征、周期特征、爬坡特征和持续高载特征;突变特征包括设备启停、临时加班、故障停机带来的负荷骤升骤降;周期特征包括固定生产班次、工作日、周末形成的周期性用电规律;爬坡特征包括开机逐步升负荷、停产逐步降负荷的缓慢变化曲线;持续高载特征包括连续24h和多日不间断满负荷生产的稳态用电特征。
14、优选的,所述步骤七中,三类结果包括行业负荷归属类别、典型用能时段和异常负荷风险;行业负荷归属类别包括精准判定用户归属工业、商业、公共服务和居民细分行业;典型用能时段包括各行业高峰用电区间、低谷休息时段、错峰生产时段;异常负荷风险包括超产能异常耗电、窃电类突增负荷、设备故障空载耗电异常标记。
15、优选的,所述步骤八的详细步骤如下:按行业精细化修正分区负荷预测模型,提升短期、中长期负荷预报精度,依托异常负荷清单开展靶向用电稽查、违规用电监管,根据各行业典型用能时段制定有序用电、需求响应、错峰生产方案,优化需求侧资源管控。
16、与现有技术相比,本发明的有益效果是:
17、本发明通过获取工业、商业、公共服务和居民类用户的历史负荷数据,结合企业类型、生产班次、设备运行状态和外部环境信息,生成行业负荷样本集;将行业负荷样本集输入深度学习模型,提取负荷曲线中的突变、周期、爬坡和持续高载特征,识别行业用电行为模式;根据识别结果输出行业负荷类别、典型用能时段和异常负荷风险,实现对不同行业负荷特征的精细化分析,提高负荷预测、用电监管和需求侧管理的准确性。
18、(1)本发明通过步骤一、步骤二与步骤三,突破传统负荷识别数据维度单一、数据质量差、无行业专属样本体系的技术问题。不再单一依赖负荷时序数据,分层采集工业、商业、公共服务、居民四大类用户的用电时序数据、行业属性数据、设备工况数据及外部环境数据,覆盖产能工艺、生产排班、设备启停、温湿度、节假季节等多维度关联信息,彻底解决传统模型仅依靠少量电气特征、忽略行业生产规律与环境干扰因素的缺陷。同时通过异常坏数据剔除、缺失数据插值补全、数据归一化与离散特征编码、行业标签分类封装,完成多源异构数据标准化处理,构建适配深度学习训练的分行业专用负荷样本集,解决了传统数据集混杂无序、行业特征耦合严重、无法支撑精细化建模的技术问题,为后续精准识别行业用电行为奠定高质量数据基础;
19、(2)本发明通过步骤四搭建cnn与lstm多分支融合深度学习模型,解决传统浅层机器学习模型特征提取能力弱、无法兼顾短时瞬态特征与长周期规律、分行业适配性差的核心技术瓶颈。其中cnn分支专门挖掘负荷短时局部特征,精准捕捉设备启停、负荷尖峰、短时爬坡、瞬时跳变等瞬态用电变化;lstm分支深度挖掘日、周、季节长时序周期性用电规律与持续高载稳态特征,克服了传统模型只能识别简单线性规律、无法拆解多尺度耦合负荷特征的缺陷。同时模型输入端融合行业属性、设备工况、外部环境辅助特征,实现多源信息深度融合训练,解决了传统统一模型对不同行业负荷特征辨识度低、中小行业特征被稀释、行业错判率高的问题;
20、(3)本发明通过步骤五的联合损失监督训练与迭代优化机制,解决传统模型易过拟合、鲁棒性差、泛化能力弱的问题。采用行业分类损失与异常识别损失联合优化策略,依托标注完备的分行业样本集进行有监督训练,结合验证集迭代调参抑制模型过拟合,保留最优收敛模型,大幅提升模型在复杂工况、噪声数据下的识别稳定性与跨场景泛化能力,避免了传统模型因数据噪声、工况波动导致的识别精度大幅下降的问题;
21、(4)本发明通过步骤六自主提取突变特征、周期特征、爬坡特征、持续高载特征四类核心负荷特征,精准对应不同行业的生产用电行为规律,解决传统技术无法精细化拆解行业用电行为的缺陷。通过区分设备启停、临时加班、故障停机形成的突变负荷,生产班次、作息制度形成的周期负荷,设备启停升降负荷形成的爬坡负荷,以及连续满产的稳态高载负荷,实现对工业、商业、公服、居民各行业差异化用能模式的精准拆解,突破了传统技术仅能粗略判别负荷大类、无法细分生产工况与用电状态的技术短板;
22、(5)本发明通过步骤七批量输出行业负荷归属类别、典型用能时段、异常负荷风险三类识别结果,解决了传统负荷识别无精细化行为研判、无异常风险筛查的问题。可精准区分用户细分行业归属、定位各行业峰谷用电时段与错峰生产规律,同时智能标记超产能耗电、窃电突增、设备空载故障等异常负荷,实现从单一负荷识别升级为行业归类、行为分析、风险预警的全维度精细化研判,弥补了传统用电监管依赖人工阈值、精准度低、靶向性差的缺陷;
23、(6)本发明通过步骤八将分行业负荷识别结果深度联动电网实际业务,解决传统负荷识别与电网调度、需求侧管理、用电监管脱节、负荷预测精度低的技术问题。依托各行业真实用电规律修正分区负荷预测模型,大幅提升长短时负荷预报精度;基于异常负荷清单实现靶向用电稽查与违规监管,同时根据各行业差异化用能时段制定有序用电、错峰生产、需求响应策略,实现分行业、精细化、智能化的需求侧资源管控,彻底解决了传统技术无法适配多行业差异化电网业务、管控粗放、预判准确率低的行业痛点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com