基于特征优选及改进自组织神经网络的非侵入式负荷辨识

负荷辨识是非侵入式负荷监测的关键，随着需求侧负荷数据的持续增长，利用智能算法对海量用电数据进行准确辨识成为目前的研究热点。该文在已有研究的基础上，建立非侵入式负荷辨识的有效处理方法，包括事件检测、负荷特征提取、特征筛选和负荷辨识算法。利用Fisher算法对提取的典型居民负荷特征进行筛选，降低了负荷特征的冗余度，将波形数据转化为可辨识的结构化数据。提出非侵入式负荷监测下基于粒子群优化的改进自组织神经网络负荷辨识算法。考虑不同负荷设备的物理特性差异，提取用电设备通用负荷特征，构建低时间复杂度和高辨识准确率的改进自组织神经网络系统，完成对负荷种类的判定。实验验证了该算法能够在非侵入式负荷监测条件下，实现对居民用户负荷种类的有效辨识，且算法收敛速度较快，准确度高。