一种基于inception神经网络的负荷分解方法

1.一种基于inception神经网络的负荷分解方法，其特征在于，包括：获取若干用电设备的参考负荷数据，所述的参考负荷数据包括所有用电设备的参考总能耗数据以及对应时间段的参考气象数据，将参考负荷数据输入训练好的inception神经网络，获得负荷分解结果，所述的负荷分解结果包括各个用电设备的工作状态类型以及对应的有功功率估计值，根据负荷分解结果分析所有用电设备的能耗情况及用电规律；所述的inception神经网络的训练过程包括：1）获取所有用电设备的历史总能耗数据和历史计量时序数据，以及对应时间段的历史气象数据；2）进行数据预处理；3）根据所有用电设备的历史计量时序数据，结合滑动窗算法和高斯混合模型聚类算法获取用电设备关于有功功率的工作状态分类结果；4）所述的历史总能耗数据、历史计量时序数据、工作状态分类结果以及对应时间段的历史气象数据构成训练集，利用训练集inception神经网络；步骤3）包括：31）根据用电设备的历史计量时序数据，通过滑动窗算法获取用电设备的启动时刻以及停止时刻；32）根据历史计量时序数据，提取用电设备在启动时刻和停止时刻之间的有功功率波形，所有用电设备的有功功率波形构成波形数据集；33）根据波形数据集，通过高斯混合模型聚类算法对用电设备的工作状态进行聚类，获取用电设备关于有功功率的工作状态分类结果；步骤31）包括：建立数据缓冲区，依次存放 N 个计量数据，每采进一个计量数据，则删除最早存入的一个计量数据；计算 t 时刻的工作状态特征 ，计算公式为：其中， 和 分别为数据缓冲区中 N 个计量数据的平均值和方差；当满足 且 时，判定用电设备启动，开始记录用电设备的有功功率波形，其中 、 和 为设定值，且 ；当再次满足 时，判定用电设备停止，停止记录用电设备的有功功率波形；步骤33）包括：根据波形数据集 对高斯混合模型中的参数 、 和 进行迭代计算，直至收敛或达到最大迭代轮数，迭代计算公式为：其中， 为后验分布概率， 表示第 j 个用电设备的有功功率波形，计算公式为：其中， 和 分别为第 i 个高斯混合成分的均值向量和协方差矩阵， 为混合系数，满足 且 ， 为高斯混合成分个数，即聚类中心数， 为高斯混合模型的第 i 个概率分布模型；迭代计算完成后高斯混合模型将波形数据集 划分为 K 类簇 ，每类簇标记 按下式确定：为每类簇对应设置一种工作状态类型标签，从而获得用电设备关于有功功率的工作状态分类结果。 2.根据权利要求1所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的inception神经网络包括卷积子神经网络、GRU子神经网络和BP子神经网络；将参考负荷数据分别输入各个子神经网络，融合各个子神经网络的负荷分解结果，获得最终的负荷分解结果。 3.根据权利要求1所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的波形数据集表示为 ，其中 表示第 j 个用电设备的有功功率波形；所述的高斯混合模型的表达式为：其中， 为概率密度函数， 和 分别为第 i 个高斯混合成分的均值向量和协方差矩阵， 为混合系数，满足 且 ， 为高斯混合成分个数，即聚类中心数， 为高斯混合模型的第 i 个概率分布模型。 4.根据权利要求1所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的数据预处理包括填补缺失值、去除异常值和去噪处理。 5.根据权利要求4所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的填补缺失值过程包括：对删除值以及缺失值进行补漏，对于离散缺失值，采用缺失值前一时刻数据进行补漏。 6.根据权利要求4所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的去除异常值过程包括：设置用户最大负荷值 ，将超过1.2 的用户负荷数据作为异常值进行删除。 7.根据权利要求1所述的一种基于inception神经网络的负荷分解方法，其特征在于，所述的气象数据包括温度、风速和气压。