CN107392391A - 一种基于深度学习的电力负荷用电分解方法 - Google Patents
一种基于深度学习的电力负荷用电分解方法 Download PDFInfo
- Publication number
- CN107392391A CN107392391A CN201710678688.2A CN201710678688A CN107392391A CN 107392391 A CN107392391 A CN 107392391A CN 201710678688 A CN201710678688 A CN 201710678688A CN 107392391 A CN107392391 A CN 107392391A
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- target
- power consumption
- data
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005611 electricity Effects 0.000 title claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 32
- 210000002569 neuron Anatomy 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 abstract 1
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的电力负荷用电分解方法。本方法包括五个步骤,第一步,根据需要,获取目标用电场景内所有目标电器设备的关于某一种或几种用电参数的完整工作曲线;第二步,利用第一步获取的电器设备的完整工作曲线,根据目标场景中的实际用电情况,合成模拟目标场景内各电器设备混合使用情形的仿真数据;第三步,构建用于电力负荷分解的深度神经网络,包括确定神经网络分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系;第四步,利用第二步中合成出的仿真数据建立训练数据集,用以训练在第三步搭建的深度神经网络;第五步,在线应用训练所得深度神经网。本发明属于电力负荷用电细节监测领域,能够实现各目标电器设备用电量的非侵入式估计。
Description
技术领域:
本发明属于电力负荷用电细节监测领域,涉及一种基于深度学习的电力负荷用电分解方法。
背景技术:
电能正逐步成为社会的主要终端能源。电网是电能传输、分配及使用的载体,维持电能的供需平衡与系统安全稳定是电力系统规划、运行与管理的根本目标。在智能电网深入发展的背景下,电力需求侧管理是实现这一目标的重要手段之一。负荷用电监测是电力需求侧管理的基础。基于智能电表的传统负荷用电监测只能获取负荷用电总量信息,这制约着电力需求侧管理所能带来的价值。基于高级传感与数据分析技术的用电细节监测能够获得精确到电器设备的用电信息。对于电力公司而言,利用用电细节信息不仅可以构建更加准确的负荷模型,还可以更加科学地制定需求侧响应协议以及动态电价;对于电力用户而言,用电细节信息能够帮助用户优化用电行为,及实现电器设备故障监测等高级功能。
随着中央处理器(CPU)与图像处理器(GPU)的处理能力的提高,由简单神经网络拓展出的深度神经网络重新被世界范围内的研究人员发掘,成为人工智能领域的重要工具。而且,深度学习已经在计算机视觉、语音识别、文本处理等领域获得巨大成功。电器设备用电量估计是非侵入式电力负荷监测与分解技术系统的核心问题之一。对于复杂电器设备(如变频空调、洗衣机、洗碗机、热泵等)和功率偏小的电器设备(如计算机、电视机),现有技术的用电量估计的准确度较低。
发明内容:
本发明的目的是提供一种基于深度学习的电力负荷用电分解方法,它采用深度学习技术实现在家居、商业办公、工厂车间等不同场景下各电器设备用电量的非侵入式估计。
上述目的可通过下述技术方案实现:
一种基于深度学习的电力负荷用电分解方法,本方法包括五个步骤:第一步,根据需要,获取目标用电场景内所有目标电器设备的关于某一种或几种用电参数的完整工作曲线;第二步,利用第一步获取的电器设备的完整工作曲线,根据目标场景中的实际用电情况,合成模拟目标场景内各电器设备混合使用情形的仿真数据;第三步,构建用于电力负荷分解的深度神经网络,包括确定神经网络分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系;第四步,利用第二步中合成出的仿真数据建立训练数据集,训练在第三步搭建的深度神经网络;第五步,在线应用训练所得深度神经网。
所述的一种基于深度学习的电力负荷用电分解方法,所述的第一步中将某个电器设备从启动到停止的过程定义为一个完整工作循环,在一个完整工作循环中,由某种用电参数数据点按时间所绘制的曲线被定义为该电器设备的关于所述用电参数的完整工作曲线;其中,所述用电参数数据可以是基波或谐波有功功率、无功功率或电流有效值。
所述的一种基于深度学习的电力负荷用电分解方法,目标电器设备的关于某种用电参数的完整工作曲线的获取方式是,在目标用电场景中,对目标电器设备的用电过程进行单独量测。
所述的一种基于深度学习的电力负荷用电分解方法,所述的第二步中模拟目标场景内各电器设备混合使用情形的仿真数据生成方法的具体步骤如下所述:
①创建数据时间序列X,并将各时刻的数据的初始取值设为0;
②为电器设备i遍历一次第①步中已创建的序列X中的全部时刻点,每到一时刻点,随机判断电器设备i此刻是否设置为“开启”状态;若设置为“开启”状态,则跳至第③步;若设置为“没有开启”,则继续对相邻的下一个时刻点进行同样的随机判断;若对于电器设备i,序列X中的各个时刻点均已被遍历,则跳至第④步;
③由“开启”时刻起,将电器设备i的完整工作曲线中的数据点与序列X中对应时刻点的数据叠加,以叠加结果替换序列X在对应时刻点的原值;而后,跳至第②步,并以所添加的完整工作曲线结束时相邻的下一个时刻点作为遍历序列X过程中的下一个随机判断时刻点;
④若仍有某目标电器设备的完整工作曲线未被加入序列X,则跳至第②步,电器设备i被设置为下一个未被添加的电器设备,重新遍历序列X;若全部目标电器设备的完整工作曲线均已被加入序列X,则执行第⑤步;
⑤结束。
所述的一种基于深度学习的电力负荷用电分解方法,所述的第三步中神经网络包含但不限于卷积层、递归层、全连接层结构层;网络输入经过多个结构层的非线性变换,再经过一个激活函数为线性函数的全连接神经元后,最终得到对应的网络输出。
所述的一种基于深度学习的电力负荷用电分解方法,所述的第四步用于电力负荷分解的深度神经网络以某段时间内的总量用电数据序列为输入,以该时间段内各目标电器的用电量估计结果为输出;每条训练数据样本由所述输入数据和对应的真实输出结果共同构成,所述训练数据集由多条所述训练数据样本组成;根据需要,在建立训练数据集合时,将第三步中获取的序列X划分为多个长度为L的时间序列,并计算每个时间序列对应时段内,目标电器设备i的真实用电量。
所述的一种基于深度学习的电力负荷用电分解方法,利用反向传播算法训练神经网络,采用基于梯度的算法优化网络参数以使得网络输出与真实值之间的误差函数达到较小值。
所述的一种基于深度学习的电力负荷用电分解方法,所述的第五步将实际场景中采集得到的与训练数据序列长度相同、用电参数数据类型相同的任意时间段内的总量量测数据序列输入第四步所构建的深度神经网络,直接计算出所在时间段内的各目标电器的用电量,并据此记录该时间段内各目标电器的工作状态。
有益效果:
1.本发明技术方法能够仅通过分析电力负荷总量用电数据实现对负荷内部每种目标电器设备用电量的估计,即实现电力负荷用电分解,而且该方法能够显著提高用电量估计的准确度,尤其对于复杂电器设备和功率偏小的电器设备,能够获得比现有技术更好的效果。
本发明技术方法在完成电力负荷用电分解时,无需像其他现有技术方法那样依靠人工显示地选择和提取所需的各类负荷特征,仅需将关于某一种或几种用电参数的原始用电总量数据输入神经网络,这不仅使得本发明技术方案具有很好的易用性,而且能够习得人工难以处理和辨别的复杂模式。从而,本发明技术方法在大范围推广实用方面更具优势。
在获得较高水平的电量估计准确度的情况下,本发明技术方案对原始数据采集和分析频率的要求低于多数基于负荷事件的现有技术方案(L.K. 诺夫, S.B. 里布. 基于稳态和暂态负荷检测算法的商业建筑非侵入式电力负荷监测[J]. 电能和建筑, 24:51-64,1996(L.K. Norford and S.B. Leeb. Nonintrusive electrical load monitoring incommercial buildings based on steady-state and transient load-detectionalgorithms[J]. Energy and Buildings, 24: 51-64, 1996);S B 里布,S R 邵,J L 科特利. 用于非侵入式电力负荷监测的暂态负荷事件检测[J]. IEEE 电能输送事务,1995,10(3):1200-1210(S B Leeb, S R Shaw, J L Kirtley. Transient Event Detection inSpectral Envelope Estimates for Nonintrusive Load Monitoring[J]. IEEETransactions on Power Delivery, 1995, 10(3): 1200-1210);刘博,栾文鹏,余贻鑫.基于动态时间规整算法的非侵入式负荷暂态过程辨识[J].能源应用,2017,195:634-645(Liu B, Luan W, Yu Y. Dynamic time warping based non-intrusive load transientidentification[J]. Applied Energy, 2017, 195:634-645.))。
本发明技术方案中的深度神经网络可以离线训练、在线应用。在投入使用时,本发明技术方案的计算效率明显高于基于隐式马尔科夫模型的现有技术方案(佐哈 A, 格鲁哈克 A, 那提 M, 艾穆兰 M A. 基于分层隐马尔科夫模型的低功率电器监测[C]. IEEE关于智能传感器,传感网络以及信号处理的第八次国际会议论文集,2013,:527-32(Zoha A,Gluhak A, Nati M, Imran M A. Low-power appliance monitoring using factorialhidden Markov models[C]. Proceedings of the IEEE eighth internationalconference on intelligent sensors, sensor networks and informationprocessing, 2013, : 527–32.))。
附图说明:
附图1是本发明的总体实施流程框架图。
具体实施方式:
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1:
一种基于深度学习的电力负荷用电分解方法,本方法包括五个步骤:第一步,根据需要,获取目标用电场景内所有目标电器设备的关于某一种或几种用电参数的完整工作曲线;第二步,利用第一步获取的电器设备的完整工作曲线,根据目标场景中的实际用电情况,合成模拟目标场景内各电器设备混合使用情形的仿真数据;第三步,构建用于电力负荷分解的深度神经网络;包括确定神经网络分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系;第四步,利用第二步中合成出的仿真数据建立训练数据集合,训练第三步中搭建的深度神经网络;第五步,在线应用训练所得深度神经网。
实施例2:
实施例1所述的一种基于深度学习的电力负荷用电分解方法,所述的第一步中将某个电器设备从启动到停止的过程定义为一个完整工作循环,在一个完整工作循环中,由某种用电参数数据点按时间所绘制的曲线被定义为该电器设备的关于所述用电参数的完整工作曲线;其中,所述的用电参数数据可以是但不限于基波(及各次谐波)有功功率、无功功率或电流有效值。
实施例3:
实施例2所述的一种基于深度学习的电力负荷用电分解方法,目标电器设备的关于某种用电参数的完整工作曲线的获取方式是,在目标用电场景中,对目标电器设备的用电过程进行单独量测。
实施例4:
实施例1所述的一种基于深度学习的电力负荷用电分解方法,所述的第二步中模拟用电场景内各电器设备混合使用的仿真数据生成方法的具体步骤如下所述:
①创建数据时间序列X,并将各时刻的数据的初始取值设为0;
②为电器设备i遍历一次第①步中已创建的序列X中的全部时刻点,每到一时刻点,随机判断电器设备i此刻是否设置为“开启”状态;若设置为“开启”状态,则跳至第③步;若设置为“没有开启”,则继续对相邻的下一个时刻点进行同样的随机判断;若对于电器设备i,序列X中的各个时刻点均已被遍历,则跳至第④步;
③由“开启”时刻起,将电器设备i的完整工作曲线中的数据点与序列X中对应时刻点的数据叠加,以叠加结果替换序列X在对应时刻点的原值;而后,跳至第②步,并以所添加的完整工作曲线结束时相邻的下一个时刻点作为遍历序列X过程中的下一个随机判断时刻点;
④若仍有某目标电器设备的完整工作曲线未被加入序列X,则跳至第②步,电器设备i被设置为下一个未被添加的电器设备,重新遍历序列X;若全部目标电器设备的完整工作曲线均已被加入序列X,则执行第⑤步;
⑤结束。
实施例5:
实施例1所述的一种基于深度学习的电力负荷用电分解方法,所述的第三步中神经网络包含但不限于卷积层、递归层、全连接层结构层;网络输入经过多个结构层的非线性变换,再经过一个激活函数为线性函数的全连接神经元后,最终得到对应的网络输出。
实施例6:
实施例1所述的一种基于深度学习的电力负荷用电分解方法,所述的第四步用于电力负荷分解的深度神经网络以某段时间内的总量用电数据序列为输入,以该时间段内各目标电器的用电量估计结果为输出;每条训练数据样本由所述输入数据和对应的真实输出结果共同构成,所述训练数据集由多条所述训练数据样本组成;根据需要,在建立训练数据集合时,将第三步中获取的序列X划分为多个长度为L的时间序列,并计算每个时间序列对应时段内,目标电器设备i的真实用电量。
实施例7:
实施例6所述的一种基于深度学习的电力负荷用电分解方法,它利用反向传播算法训练神经网络,采用基于梯度的算法优化网络参数以使得网络输出与真实值之间的误差函数达到较小值(不一定是最小值)。
实施例8:
实施例1所述的一种基于深度学习的电力负荷用电分解方法,所述的第五步将实际场景中采集得到的与训练数据序列长度相同、用电参数数据类型相同的任意时间段内的总量量测数据序列输入第四步所得深度神经网络,直接计算出所在时间段内的各目标电器的用电量,据此记录该时间段内各目标电器的工作状态。
实施例9:
上述实施例所述的一种基于深度学习的电力负荷用电分解方法,首先,以包含大量复杂用电情形的合成数据集对深度神经网络进行训练,学习得到输入(总量用电信息)与输出(各电器设备的用电量)间的映射关系;在这个过程中,深度神经网络能够自动提取目标电器设备用电量估计所需的用电特征。而后,只需将任意某段时间内的总量用电信息输入训练得到的神经网络,便可直接得到每种目标电器设备在这段时间内的用电量估计结果。
实施例10:
上述实施例所述的一种基于深度学习的电力负荷用电分解方法,为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图1及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1-9采用一套关于英国居民的公开数据集(名称为UK DALE)中住户1(house1)的数据(凯莉 J, 诺森贝尔 W. UK-DALE数据集:五个英国家庭的家用电器级别及总量电能消耗[J]. 科学数据, 2015, 2: 150007. (Kelly J, Knottenbelt W. The UK-DALEdataset, domestic appliance-level electricity demand and whole-house demandfrom five UK homes[J]. Scientific data, 2015, 2: 150007.))。对于这个公开数据采集的用电参数是有功功率,其中,单独量测装置的数据采集频率为1/6 Hz,总量用电数据的采集频率为1 Hz。本次测试选定的目标电器设备为:微波炉、热水壶、电冰箱、洗衣机和洗碗机,其中,电冰箱属于小功率电器设备,洗衣机和洗碗机属于运行特性复杂的电器设备。
参考本发明的总体实施流程框架图,执行以下实施步骤:
第一步,获取目标电器设备的完整工作曲线:使用住户1(house 1)中单独量测数据的前1/6,从中分别提取该住户所含的各个电器设备关于有功功率的完整工作曲线。
第二步,生成模拟用电场景内各电器设备混合使用的仿真数据:利用第一步中提取出的各个电器设备的完整工作波形,合成训练用数据集。具体地,所创建的序列X持续48小时,包含28800个有功功率数据点。
第三步,构建深度神经网络结构:使用开源的卡菲(Caffe)深度学习框架分别针对上述5个目标电器设备构建5个深度神经网络,每个神经网络的结构相同。至于神经网络的分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系,可以直接参考经典网络结构进行设置(克里哲夫斯基 A,萨斯克艾芙,希顿 G E. 深度神经网络用于图片网络分类[C].神经信号处理系统会议.合作人柯伦. 2012:1097-1105.(Krizhevsky A,Sutskever I, Hinton G E. ImageNet classification with deep convolutionalneural networks[C]. International Conference on Neural Information ProcessingSystems. Curran Associates Inc. 2012:1097-1105.))。
第四步,建立训练数据集合,训练深度神经网络:每个训练样本的输入时间序列长度L(包含的数据点数)为1200。误差函数采用开源的卡菲(Caffe)框架提供的平均绝对误差(Mean Absolute Error),训练采用基于梯度的Adam算法(金玛 D P, 贝 J. 亚当算法:一种用于随机优化的方法[J]. 计算机科学, 2014.(Kingma D P, Ba J. Adam: A Methodfor Stochastic Optimization[J]. Computer Science, 2014.)),学习率设为0.0001。
第五步,获得分项计量结果:将住户1(house1)中后5/6时间区间内的有功总功率数据降频至1/6Hz,而后,任取长度为L的有功总功率时间序列,将其输入神经网络,得出该时段内各目标电器的用电量估计值。
这里,采用下式定义的准确度(Accuracy)作为本发明的性能评价指标:
其中,为目标电器设备i的真实用电量,为目标电器设备i的用电量估计值。结果如表1所示的实施例测试结果。
表1
电器名称 | 洗衣机 | 洗碗机 | 热水壶 | 电冰箱 | 微波炉 |
准确度(Accuracy) | 99.03 | 97.34 | 93.90 | 99.30 | 84.96 |
Claims (8)
1.一种基于深度学习的电力负荷用电分解方法,其特征是: 本方法包括五步,第一步,根据需要,获取目标用电场景内所有目标电器设备的关于某一种或几种用电参数的完整工作曲线;第二步,利用第一步获取的电器设备的完整工作曲线,根据目标场景中的实际用电情况,合成模拟目标场景内各电器设备混合使用情形的仿真数据;第三步,构建用于电力负荷分解的深度神经网络,包括确定神经网络分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系;第四步,利用第二步中合成出的仿真数据建立训练数据集,用以训练在第三步搭建的深度神经网络;第五步,在线应用训练所得深度神经网。
2.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法,其特征是: 所述的第一步中将某个电器设备从启动到停止的过程定义为一个完整工作循环,在一个完整工作循环中,由某一种用电参数数据点按时间所绘制的曲线被定义为该电器设备的关于所述用电参数的完整工作曲线;其中,所述用电参数数据可以是基波或谐波有功功率、无功功率或电流有效值。
3.根据权利要求2所述的一种基于深度学习的电力负荷用电分解方法,其特征是:目标电器设备的关于某种用电参数的完整工作曲线的获取方式是,在目标用电场景中,对目标电器设备的用电过程进行单独量测。
4.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法,其特征是: 所述的第二步中模拟目标场景内各电器设备混合使用情形的仿真数据生成方法的具体步骤如下所述:
创建数据时间序列X,并将各时刻的数据的初始取值设为0;
为电器设备i遍历一次第①步中已创建的序列X中的全部时刻点,每到一时刻点,随机判断电器设备i是否设置为“开启”状态;若设置为“开启”状态,则跳至第③步;若设置为“没有开启”,则继续对相邻的下一个时刻点进行同样的随机判断;若对于电器设备i,序列X中的各个时刻点均已被遍历,则跳至第④步;
由“开启”时刻起,将电器设备i的完整工作曲线中的数据点与序列X中对应时刻点的数据叠加,以叠加结果替换序列X在对应时刻点的原值;而后,跳至第②步,并以所添加的完整工作曲线结束时相邻的下一个时刻点作为遍历序列X过程中的下一个随机判断时刻点;
若仍有某目标电器设备的完整工作曲线未被加入序列X,则跳至第②步,电器设备i被设置为下一个未被添加的电器设备,重新遍历序列X;若全部目标电器设备的完整工作曲线均已被加入序列X,则执行第⑤步;
结束。
5.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法,其特征是: 所述的第三步中神经网络包含但不限于卷积层、递归层、全连接层结构层;网络输入经过多个结构层的非线性变换,再经过一个激活函数为线性函数的全连接神经元后,最终得到对应的网络输出。
6.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法,其特征是: 所述的第四步用于电力负荷分解的深度神经网络以某段时间内的总量用电数据序列为输入,以该时间段内各目标电器的用电量估计结果为输出;每条训练数据样本由所述输入数据和对应的真实输出结果共同构成,所述训练数据集由多条所述训练数据样本组成;根据需要,在建立训练数据集合时,将第三步中获取的序列X划分为多个长度为L的时间序列,并计算每个时间序列对应时段内,目标电器设备i的真实用电量。
7.根据权利要求6所述的一种基于深度学习的电力负荷用电分解方法,其特征是:利用反向传播算法训练神经网络,采用基于梯度的算法优化网络参数以使得网络输出与真实值之间的误差函数达到较小值。
8.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法,其特征是:所述的第五步将实际场景中采集得到的与训练数据序列长度相同、用电参数数据类型相同的任意时间段内的总量量测数据序列输入第四步所得深度神经网络,直接计算出所在时间段内的各目标电器的用电量,据此记录该时间段内各目标电器的工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710678688.2A CN107392391A (zh) | 2017-08-10 | 2017-08-10 | 一种基于深度学习的电力负荷用电分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710678688.2A CN107392391A (zh) | 2017-08-10 | 2017-08-10 | 一种基于深度学习的电力负荷用电分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392391A true CN107392391A (zh) | 2017-11-24 |
Family
ID=60354588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710678688.2A Pending CN107392391A (zh) | 2017-08-10 | 2017-08-10 | 一种基于深度学习的电力负荷用电分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392391A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229660A (zh) * | 2017-12-30 | 2018-06-29 | 天津求实智源科技有限公司 | 基于深度学习的经背景筛选的电能分解方法 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN108879702A (zh) * | 2018-06-21 | 2018-11-23 | 浙江大学 | 一种基于家居负荷分解的用电控制系统 |
CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
CN108960586A (zh) * | 2018-06-14 | 2018-12-07 | 华中科技大学 | 一种适应场景变化的非入侵式负荷识别方法 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109840691A (zh) * | 2018-12-31 | 2019-06-04 | 天津求实智源科技有限公司 | 基于深度神经网络的非侵入式分项电量估计方法 |
CN111486915A (zh) * | 2020-04-17 | 2020-08-04 | 苏州燃气集团有限责任公司 | 气量分解监控智能燃气表和气量分解监控方法 |
CN111738521A (zh) * | 2020-06-24 | 2020-10-02 | 山东大学 | 非侵入式电力负荷监测序列生成方法、系统、设备及介质 |
CN112950405A (zh) * | 2021-02-05 | 2021-06-11 | 国网浙江省电力有限公司杭州供电公司 | 基于电力数据的企业用电情况的监测方法及装置 |
US11334847B2 (en) | 2020-10-08 | 2022-05-17 | Coupang Corp. | Systems and methods for dynamic balancing of virtual bundles |
CN114549922A (zh) * | 2021-12-31 | 2022-05-27 | 清华大学 | 卷积神经网络识别与评估系统动态特性的方法和装置 |
TWI819232B (zh) * | 2020-04-21 | 2023-10-21 | 動聯國際股份有限公司 | 健康管理系統和健康管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632031A (zh) * | 2013-10-22 | 2014-03-12 | 国家电网公司 | 一种基于负荷曲线分解的农村负荷类型负荷建模方法 |
US20150142347A1 (en) * | 2013-11-15 | 2015-05-21 | Rahul Mohan | Solar Energy Disaggregation Techniques for Whole-House Energy Consumption Data |
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
-
2017
- 2017-08-10 CN CN201710678688.2A patent/CN107392391A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632031A (zh) * | 2013-10-22 | 2014-03-12 | 国家电网公司 | 一种基于负荷曲线分解的农村负荷类型负荷建模方法 |
US20150142347A1 (en) * | 2013-11-15 | 2015-05-21 | Rahul Mohan | Solar Energy Disaggregation Techniques for Whole-House Energy Consumption Data |
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
Non-Patent Citations (4)
Title |
---|
JACK KELLY 等: "Neural NILM: Deep Neural Networks Applied to Energy Disaggregation", 《PROCEEDINGS OF THE 2ND ACM INTERNATIONAL CONFERENCE ON EMBEDDED SYSTEMS FOR ENERGY-EFFICIENT BUILT ENVIRONMENTS》 * |
YAO-CHUNG FAN 等: "Efficient Time Series Disaggregation for Non-intrusive Appliance Load Monitoring", 《IEEE 9TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE AND COMPUTING (UIC) / IEEE 9TH INTERNATIONAL CONFERENCE ON AUTONOMIC AND TRUSTED COMPUTING (ATC)》 * |
刘博 等: "基于负荷分解的用电数据云架构方案及应用场景", 《电网技术》 * |
程祥 等: "非侵入式负荷监测与分解研究综述", 《电网技术》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229660A (zh) * | 2017-12-30 | 2018-06-29 | 天津求实智源科技有限公司 | 基于深度学习的经背景筛选的电能分解方法 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN108616120B (zh) * | 2018-04-28 | 2021-09-10 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
CN108960586A (zh) * | 2018-06-14 | 2018-12-07 | 华中科技大学 | 一种适应场景变化的非入侵式负荷识别方法 |
CN108960586B (zh) * | 2018-06-14 | 2021-06-11 | 华中科技大学 | 一种适应场景变化的非入侵式负荷识别方法 |
CN108879702B (zh) * | 2018-06-21 | 2020-10-27 | 浙江大学 | 一种基于家居负荷分解的用电控制系统 |
CN108879702A (zh) * | 2018-06-21 | 2018-11-23 | 浙江大学 | 一种基于家居负荷分解的用电控制系统 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109116100B (zh) * | 2018-07-09 | 2019-09-27 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109840691A (zh) * | 2018-12-31 | 2019-06-04 | 天津求实智源科技有限公司 | 基于深度神经网络的非侵入式分项电量估计方法 |
CN111486915A (zh) * | 2020-04-17 | 2020-08-04 | 苏州燃气集团有限责任公司 | 气量分解监控智能燃气表和气量分解监控方法 |
CN111486915B (zh) * | 2020-04-17 | 2022-06-21 | 苏州燃气集团有限责任公司 | 气量分解监控智能燃气表和气量分解监控方法 |
TWI819232B (zh) * | 2020-04-21 | 2023-10-21 | 動聯國際股份有限公司 | 健康管理系統和健康管理方法 |
CN111738521A (zh) * | 2020-06-24 | 2020-10-02 | 山东大学 | 非侵入式电力负荷监测序列生成方法、系统、设备及介质 |
CN111738521B (zh) * | 2020-06-24 | 2024-04-05 | 山东大学 | 非侵入式电力负荷监测序列生成方法、系统、设备及介质 |
US11334847B2 (en) | 2020-10-08 | 2022-05-17 | Coupang Corp. | Systems and methods for dynamic balancing of virtual bundles |
CN112950405A (zh) * | 2021-02-05 | 2021-06-11 | 国网浙江省电力有限公司杭州供电公司 | 基于电力数据的企业用电情况的监测方法及装置 |
CN112950405B (zh) * | 2021-02-05 | 2024-07-26 | 国网浙江省电力有限公司杭州供电公司 | 基于电力数据的企业用电情况的监测方法及装置 |
CN114549922A (zh) * | 2021-12-31 | 2022-05-27 | 清华大学 | 卷积神经网络识别与评估系统动态特性的方法和装置 |
CN114549922B (zh) * | 2021-12-31 | 2024-08-02 | 清华大学 | 卷积神经网络识别与评估系统动态特性的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
CN108693499B (zh) | 一种用户用电负荷辨识智能电能表检测方法及装置 | |
CN109840691B (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及系统 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN108333423A (zh) | 非侵入式居民电力负荷检测方法 | |
CN110580502A (zh) | 基于高斯混合的因子隐马尔可夫负荷分解方法 | |
CN105514993A (zh) | 一种电力负荷分解方法及装置 | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
CN109697548A (zh) | 用电分析服务器及其用电分析方法 | |
CN108229660B (zh) | 基于深度学习的经背景筛选的电能分解方法 | |
CN112633924A (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
CN116031887B (zh) | 一种电网仿真分析算例数据生成方法、系统、设备及介质 | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
CN112396098A (zh) | 非嵌入式公寓电器负荷识别分析方法、系统及应用 | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
CN106295877A (zh) | 一种智能电网电能使用量预测方法 | |
Ramadan et al. | Towards energy‐efficient smart homes via precise nonintrusive load disaggregation based on hybrid ANN–PSO | |
Shabbir et al. | Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM) | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN115859190A (zh) | 一种基于因果关系的非侵入式家庭电气分类方法 | |
CN109521296B (zh) | 一种稳态工况下的非侵入式电力负载识别优化算法 | |
CN111125630B (zh) | 一种基于l1/2范数和同质性约束的能源分解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |