随着国民经济的稳步健康发展,社会对电能质量的要求进一步提高。电力负荷的分类识别有助于了解电力系统的负荷组成,有利于掌握电力负荷的特征以及运行规律,有利于实现电力负荷的智能化监测。此外,分析电力负荷的电能消耗构成,可为电力行业的节能提供强有力的数据支撑。在建设节约型社会、建设智能电网等方面意义深远。针对目前电力负荷识别中存在的人工选择特征困难的问题及为了进一步提高分类识别精度,本文提出了两种基于深度学习的电力负荷识别方法。本文提出一种基于深度置信网络(DBN)的电力负荷分类识别方法。DBN是一种深度神经网络框架,在图像识别、语音识别及电能质量扰动识别等领域有着成功的应用。DBN由多个受限玻尔兹曼机(RBM)和一层后向传播神经网络组成。使用对比散度算法,首先对第一个RBM进行充分训练,获取其初始特征,其次将这些初始特征值作为训练数据训练下一个RBM以获取高级特征,以此类推,完成所有RBM的训练。最后,通过反向传播算法采用有监督方式微调整个DBN。本文提出一种基于堆栈稀疏降噪自编码网络(SSDAE)的电力负荷分类识别方法。与深度置信网络(DBN)相同,SSDAE也是一种深度神经网络框架,已初步应用于数据分类、风险预测等多个领域。SSDAE由多层稀疏降噪自编码器(SDAE)和一层后向传播神经网络组成。而SDAE是一种改进的自编码器(AE),既有稀疏自编码器(SAE)的稀疏性约束条件,也兼有降噪自编码器(DAE)的特点,因此SDAE具有更好的分类性能。首先构建多层SDAE用于提取电力负荷数据特征,之后通过反向传播算法对SSDAE进行微调并对电力负荷进行分类。值得一提的是,本文使用的电力负荷数据是实地采集的现场运行工况下的数据,并非仿真数据。实验结果表明所提方法在八种以及十种工业电力负荷类型的分类识别上有着比较理想的效果。