一种基于GRNN与均值漂移算法的非侵入式负荷识别方法与流程

技术特征：
1.一种基于grnn与均值漂移算法的非侵入式负荷识别方法，其特征在于：包括以下步骤：步骤一：根据家庭电表处功率数据的变化判断投切事件的发生；步骤二：当发生投切事件时，采集发生投切事件的电器电压和电流信号特征，并对其进行平滑处理，然后根据v
‑
i轨迹特征的量化算法得出轨迹的十个特征值；步骤三：设计适用于非侵入式负荷识别的grnn网络，所述grnn网络由输入层、模式层、求和层和输出层组成，设置输入层的神经元数目，模式层神经元传递函数、求和层神经元计算公式和传递函数、输出层神经元数目，输入层神经元数目等于学习样本中输入向量的维度，输出层中的神经元个数等于训练样本中输出向量维度，输出层输出是第二个节点除以第一个节点；步骤四：将负荷的特征作为grnn模型的输入，电器类别作为grnn模型的输出，使用公开数据集对grnn网络进行训练，然后将经过处理的轨迹特征值输入到训练完毕的grnn模型中，得到负荷辨识的结果；步骤五：将grnn模型处理之后的低维特征向量运用均值漂移算法进行聚类，减少因部分电器v
‑
i轨迹近似而带来的辨识错误。2.根据权利要求1所述的一种基于grnn与均值漂移算法的非侵入式负荷识别方法，其特征在于：在步骤五中，所述漂移算法的具体步骤如下：s1：确定滑动窗口半径r，以随机选取的中心点c为半径r的圆形滑动窗口开始滑动，在每一次迭代中向密度更高的区域移动，直到收敛；s2：每一次滑动到新的区域，计算滑动窗口内的均值来作为中心点，滑动窗口内的点的数量为窗口内的密度，在每一次的移动中，窗口会向密度更高的区域移动；s3：移动窗口，计算窗口内的中心点以及窗口内的密度，直到没有方向在窗口内可以容纳更多的点，即一直移动到圆内密度不再增加为止；s4：在步骤一到步骤三中会产生多个滑动窗口，当多个滑动窗口重叠时，保留包含最多点的窗口，然后根据数据点所在的滑动窗口进行聚类。3.根据权利要求1所述的一种基于grnn与均值漂移算法的非侵入式负荷识别方法，其特征在于：在步骤二中，选取v
‑
i轨迹特性曲线作为投切监测识别特征；接着引入基于grnn的神经网络架构对v
‑
i图像进行特征提取得到轨迹图像的低维表示。4.根据权利要求1所述的一种基于grnn与均值漂移算法的非侵入式负荷识别方法，其特征在于：在步骤二中，轨迹特征的量化是对轨迹上点的数值运算，因此，轨迹数据的准确性将直接影响特征提取和负载识别过程，考虑ton前t秒和toff后t秒每秒的电压和电流波形数据周期，vvon，vvoff，iion和iioff分别表示事件之前和之后的t个周期中的电压和电流数据集，由于v
‑
i轨迹的提取需要在不同的电压和电流波形周期上运行，因此每个周期的vvon，vvoff，iion和iioff的初始相位角必须相同，取每个周期vvon，vvoff，iion和iioff的相同点的平均值，以获得事件前后循环中的稳定电压和电流数据，它们表示为von，voff，ion和ioff，电器的电压和电流分别定义为（von voff）/2和ioff
‑
ion。

技术总结
本发明公开了一种基于GRNN与均值漂移算法的非侵入式负荷识别方法，包括选取V


技术研发人员：卞海红 孙鑫 李丙华
受保护的技术使用者：南京工程学院
技术研发日：2021.08.18
技术公布日：2021/11/30