CN109840691B

CN109840691B - 基于深度神经网络的非侵入式分项电量估计方法

Info

Publication number: CN109840691B
Application number: CN201811650998.4A
Authority: CN
Inventors: 栾文鹏; 刘博�; 余贻鑫; 崔高辰; 刘浩; 杜伟强; 王岩
Original assignee: Tianjin Transenergy Technologies Co ltd
Current assignee: Tianjin Transenergy Technologies Co ltd
Priority date: 2018-12-31
Filing date: 2018-12-31
Publication date: 2023-04-28
Anticipated expiration: 2038-12-31
Also published as: CN109840691A

Abstract

本发明公开了一种基于深度神经网络的非侵入式分项电量估计方法，包括：获取总量用电数据序列与目标电器用电数据序列；获得目标电器的背景用电数据序列和工作曲线；合成仿真总量用电数据；构建与训练电量估计神经网络；将现场采集到的总量用电数据按需分段，输入到训练所得的深度神经网络，在线估计目标电器用电量。本发明仅通过分析用电场景的总量用电数据序列，便可单独估计场景内的目标电器用电量；对目标电器仅进行短期单独量测，便可获得充足训练数据样本，用以训练神经网络。本发明技术方案准确度更高、更易推广；通过扩展输入的方式，将目标电器的完整工作过程输入神经网络，充分利用工作过程中尽量多的特征，进一步提升了电量估计准确度。

Description

基于深度神经网络的非侵入式分项电量估计方法

技术领域

本发明属于电力负荷用电细节监测领域，涉及一种基于深度神经网络的非侵入式分项电量估计方法。

背景技术

随着社会电能总用量的逐年增加，加强电能能耗监测对提高电能利用效率、实现能源资源的可持续性利用、建设节约型社会具有重要的现实意义。在智能电网的背景下，传统用电总量信息监测已经不能满足需要，一方面对于电力公司，它能够帮助更加准确地获得用户的用电细节并构建更加准确的模型，充分掌握用户参与需求侧响应的潜力并予以校验，同时更加科学地制定需求侧响应协议以及动态电价，另一方面有助于用户了解各个用电设备的使用情况，引导其合理用电，从而减少电能消耗和消减峰荷，降低用电开支。有研究表明，向用户反馈其用电信息，有助于用户采取节能措施，平均可以减少12％左右的电能消耗。

用电细节监测能为达成上述目标提供数据信息基础。一种最直接的实现方式是侵入式电力负荷监测(Intrusive Load Monitoring，ILM)，即为每个需要监测的电气设备安装传感器，以获得各个电气设备的用电数据。这种方法虽然能直接且准确地采集电气设备级的用电数据，但人工、资金以及时间成本巨大，并且可能会对家庭日常生活造成不便，使用户体验较差。为此，非侵入式电力负荷监测(Non-Intrusive Load Monitoring，NILM)应运而生，其通过采集和跟踪分析用电场景的电能总入口处的总量用电数据序列，辨识负荷内部每种电气设备的工作状态，获取其耗电功率和累计电量等细节信息。NILM技术能够有效且便捷地获取客户主要用电设备的用能情况，实现深入至电器设备的精细化用电信息采集，为客户用电行为分析、客户需求分析、用电设备异常、节能降耗、有序用电等高级应用奠定数据基础，有效提升电网公司的客户服务水平，提高全社会能源利用效率。

深度学习目前在解决各种模式识别问题中取得重大进展。随着GPU等硬件设备的发展，深度学习的计算效率逐年提高。但是深度学习的使用需要具有标记的训练数据进行训练。但是(1)现有方法每次将一段时间内在用电场景的电能总入口处采集到的总量用电数据序列输入神经网络，神经网络输出目标电器在该段量测时间内的用电信息。但是实际中不能保证所输入的该段总量数据序列能够覆盖目标电器的一次完整工作过程，会导致电器工作特征的丢失；(2)深度神经网络的权值参数极多，需要大量的训练样本。目前方法通过单独量测目标电器标记真实总口数据，其难以在短时间内获得充足的训练数据。上述问题导致监测准确度较低。

发明内容

结合现有技术，本发明的目的是提供一种基于深度神经网络的非侵入式分项电量估计方法，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。

为了解决上述技术问题，本发明提出的一种基于深度神经网络的非侵入式分项电量估计方法，包括以下步骤：

步骤一、获取总量用电数据序列与目标电器用电数据序列：选取一个目标电器，获取几周或更久的在用电场景的电能总入口处采集到的总量用电数据序列，同时对该目标电器进行单独量测，获得与上述时间区间相同的时间段内的目标电器用电数据序列；

步骤二、获取目标电器的背景用电数据序列与工作曲线：利用步骤一获取的总量用电数据序列和该目标电器的用电数据序列，获得该目标电器的背景用电数据序列和工作曲线；

步骤三、生成仿真总量用电数据：利用步骤二获得的目标电器的背景用电数据序列以及目标电器的工作曲线，合成仿真总量用电数据；

步骤四、构建与训练电量估计神经网络：构建扩展式输入的电量估计深度神经网络，利用步骤三生成的仿真总量用电数据训练该扩展式输入的电量估计深度神经网络；

步骤五、在线估计目标电器用电量：将目标电器的总量用电数据按需分段，输入到步骤四训练所得的深度神经网络，从而在线估计目标电器的用电量。

进一步讲，步骤二中，

将总量用电数据序列中各时间点的数值与所述目标电器的用电数据序列中对应时间点的数值相减后，将所获得的数据序列作为该目标电器的背景用电数据序列；

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数据的完整工作曲线；

所述完整工作曲线从所述的目标电器的用电数据序列中提取获得，所述用电参数数据与所述用电数据是相同的，至少包括有基波或谐波有功功率、无功功率或电流有效值。

步骤三的具体步骤如下：

步骤3-1、设置一个概率阈值P；

步骤3-2、从目标电器背景用电数据序列中随机截取一段24小时时长的数据序列X，其数据点数为N；

步骤3-3、设置循环变量i＝1；

步骤3-4、随机生成一个在0到1范围的数值q，若q>P，则继续步骤3-5，否则执行步骤3-10；

步骤3-5、随机选择一条目标电器的完整工作曲线Y，该曲线的数据点数为M；

步骤3-6、设置循环变量j＝1；

步骤3-7、X[i]＝X[i]+Y[j]，i＝i+1，j＝j+1；

步骤3-8、如果j>M，执行步骤3-11，否则继续步骤3-9；

步骤3-9、如果i>N，则结束，否则执行步骤3-7；

步骤3-10、i＝i+1；

步骤3-11、如果i>N，则结束，否则执行步骤3-4；

通过反复多次执行步骤三，从而获取足够量的训练数据样本，所述训练数据样本中目标电器的用电量是样本标记。

步骤四中，

所述扩展式输入的电量估计深度神经网络，该神经网络一次输入包含有共3L个数据点的总量用电数据序列，并定义输入的数据序列中第L+1至第2L的数据点区间为核心窗口；该神经网络的结构层至少包含卷积层、递归层、全连接层；神经网络输入一个关于某一个或某几个用电参数的序列，经过上述多个结构层的非线性变换，得到对应的输出；该神经网络的输出层的激活函数为ReLU函数，最终输出为所述核心窗口内的目标电器的用电量；

所述扩展式输入的电量估计深度神经网络的训练过程是，将步骤三获得的每个训练数据样本输入神经网络并计算神经网络输出，由神经网络输出与样本标记计算损失函数，利用反向传播算法对神经网络权值进行更新。

步骤五的在线估计目标电器用电量是，将实际场景中现场采集得到的与训练数据输入序列长度相同、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所述步骤四构建并训练的深度神经网络，直接计算出核心窗口内的目标电器的用电量，将其作为目标电器用电量的估计结果。

与现有技术相比，本发明的有益效果是：

(1)本发明技术方法能够仅通过分析用电场景的电能总入口处的用电信息，对场景内的目标电器的用电进行单独计量，而且因采用深度学习技术而无需人工提取任何特征，能够显著提高用电量估计的准确度，尤其对于复杂或工作状态连续变化的电器设备和功率偏小的电器设备，可获得比现有技术方法更好的效果。

(2)本发明技术方法在部署阶段，在仅对目标电器进行短期单独量测的情况下，便能够获得充足的训练数据样本，用于训练神经网络。这在提高所训练的神经网络性能的同时使得本发明技术方案更易推广。

(3)本发明技术方法通过扩展输入的方式，将目标电器的完整工作过程输入到神经网络中，充分利用工作过程中尽可能多的特征，可以进一步提升电量估计准确度。

附图说明

图1是本发明的总体实施流程图；

图2是本发明的实施例的深度神经网络结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

实施例：采用的数据为公开数据集UK DALE中house1数据。

实施例中被选定为目标电器设备的分别有：微波炉、热水壶、洗衣机和洗碗机。该数据集中，单独量测装置分别针对不同电器设备或插座，共计52个，采集数据为有功功率，采样频率均为1/6Hz。在用电场景的电能总入口处采集到的总量数据为有功总功率数据，采样频率为1Hz。为验证本发明方法，本实施例将总量数据降频至1/6Hz。

如图1所示，本发明提出的一种基于深度神经网络的非侵入式分项电量估计方法，具体实施流程如下：

步骤一、获取总量用电数据序列与目标电器用电数据序列。

从四个电器中选取一个电器作为目标电器，获取全部数据中连续4周的在用电场景的电能总入口处采集到的总量用电数据序列，获取目标电器在相同的连续4周内通过单独量测所得的用电数据序列。

步骤二、获取目标电器的背景用电数据序列与工作曲线。

将步骤一获取的在用电场景的电能总入口处采集到的4周总量数据序列与目标电器在相同4周内的用电数据序列的各对应数据点进行减法运算，将所获得的数据序列作为该目标电器4周的背景数据序列。从4周的目标电器用电数据序列中提取多条目标电器的完整工作曲线；

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数据的完整工作曲线；所述完整工作曲线从所述目标电器的用电数据序列中提取获得，所述用电参数数据与所述用电数据是相同的，至少包括有基波或谐波有功功率、无功功率或电流有效值。

在本实施例中，采集的完整工作曲线是目标电器一次完整工作时的有功功率序列，且是在目标电器在日常使用时采集得到的。例如，洗衣机一般是从进水到甩干的一整套程序，一次大致为1小时；热水壶是烧一次水，一次大致为5分钟。

步骤三，利用步骤二获取的目标电器背景数据序列与步骤二获取的目标电器工作曲线生成仿真总量用电数据，从而获得训练样本；具体步骤如下：

步骤3-1、设置一个概率阈值P；

步骤3-3、设置循环变量i＝1；

步骤3-4、随机生成一个在0到1范围的数值q，若q>P，则继续执行步骤3-5，否则执行步骤3-10；

步骤3-5、随机选择一条目标电器的完整工作曲线Y，该曲线数据点数为M；

步骤3-6、设置循环变量j＝1；

步骤3-7、X[i]＝X[i]+Y[j]，i＝i+1，j＝j+1；

步骤3-8、如果j>M，执行步骤11，否则继续步骤3-9；

步骤3-9、如果i>N，则结束，否则执行步骤3-7；

步骤3-10、i＝i+1；

步骤3-11、如果i>N，则结束，否则执行步骤3-4；

步骤四，构建扩展式输入的电量估计深度神经网络，并用步骤三获得的训练样本进行训练。

该神经网络一次输入包含有共3L个数据点的总量用电数据序列，并定义输入的数据序列中第L+1至2L的数据点区间为核心窗口；该神经网络的结构层至少包含卷积层、递归层、全连接层；神经网络输入一个关于某一个或某几个用电参数的序列，经过上述多个结构层的非线性变换，得到对应的网络输出；该神经网络的输出层的激活函数为ReLU函数，最终输出为所述核心窗口内的目标电器的用电量；

所述扩展式输入的电量估计深度神经网络的训练过程是，将步骤三获得的每个训练数据样本输入神经网络计算神经网络输出，由神经网络输出与样本标记计算损失函数，利用反向传播算法对神经网络权值进行更新。

在本实施例中，步骤四的神经网络结构包含两个模块：卷积模块和全连接模块：其中，所述卷积模块结构为：

1.输入(长度＝600)

2.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

3.一维最大池化层(尺寸＝2，步长＝2)

4.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

5.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

6.一维最大池化层(尺寸＝2，步长＝2)

7.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

8.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

9.一维最大池化层(尺寸＝2，步长＝2)

10.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

11.一维卷积层(卷积核的数量＝128，卷积核尺寸＝5，卷积核步长＝1，激活函数＝ReLU)

所述全连接模块为：

1.全连接层(神经元个数＝256，激活函数＝Sigmoid)

2.全连接层(神经元个数＝512，激活函数＝Sigmoid)

3.全连接层(神经元个数＝1024，激活函数＝Sigmoid)

4.全连接层(神经元个数＝1，激活函数＝ReLU)

如图2，将输入序列的第1至600个点输入到卷积模块1中，将第601至1200个点输入到卷积模块2中，将第1201至1800个点输入到卷积模块3中。全连接模块的第4个全连接层输出第601至1200个点内目标电器的用电量的估计值。

步骤五，即将实际场景中现场采集得到的与训练数据输入序列长度相同、用电参数数据类型相同的任意时间段内的总量用电数据序列输入所述步骤四构建并训练的深度神经网络，直接计算出核心窗口内的目标电器的用电量，将其作为目标电器用电量的估计结果。

本实施例中，选取步骤一中连续4周数据后的连续4周在用电场景的电能总入口处采集到的总量数据序列，将其以600个数据点(1小时)为步长，划分为长度为1800个数据点(3小时)的输入数据序列，各输入数据序列的核心窗口包含600个数据点且相互间无重叠，依次输入到步骤四所构建并训练的神经网络。将神经网络输出的目标电器各时间段的用电量估计值加和，作为测试时间区间内各目标电器设备的总用电量，并以式Accuracy为准确度评价指标，与真实的总用电量进行比对：

其中，E_i表示目标电器i真实总用电量，

表示本发明估计所得的总用电量。

重复步骤一到步骤五，直至四个目标电器的用电量全部估计完毕。

实施例结果如表1所示：

表1

电器名称	Accuracy
		洗衣机	99.8％
洗碗机	98.5％
		热水壶	99.9％
微波炉	98.9％

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims

1.一种基于深度神经网络的非侵入式分项电量估计方法，其特征在于，包括以下步骤：

步骤一、获取总量用电数据序列与目标电器用电数据序列：选取一个目标电器，获取几周的在用电场景的电能总入口处采集到的总量用电数据序列，同时对该目标电器进行单独量测，获得与上述时间区间相同的时间段内的目标电器用电数据序列；

步骤二、获取目标电器的背景用电数据序列与工作曲线：利用步骤一获取的总量用电数据序列和该目标电器的用电数据序列，获得该目标电器的背景用电数据序列和工作曲线；包括：

所述完整工作曲线从所述的目标电器的用电数据序列中提取获得，所述用电参数数据与所述用电数据是相同的，至少包括有基波或谐波有功功率、无功功率或电流有效值；

步骤三、生成仿真总量用电数据：利用步骤二获得的目标电器的背景用电数据序列以及目标电器的工作曲线，合成仿真总量用电数据；具体步骤如下：

步骤3-1、设置一个概率阈值P；

步骤3-3、设置循环变量i＝1；

步骤3-6、设置循环变量j＝1；

步骤3-7、X[i]＝X[i]+Y[j]，i＝i+1，j＝j+1；

步骤3-8、如果j>M，执行步骤3-11，否则继续步骤3-9；

步骤3-9、如果i>N，则结束，否则执行步骤3-7；

步骤3-10、i＝i+1；

步骤3-11、如果i>N，则结束，否则执行步骤3-4；

通过反复多次执行步骤三，从而获取足够量的训练数据样本，所述训练数据样本中目标电器的用电量是样本标记；

步骤四、构建与训练电量估计神经网络，包括：

构建扩展式输入的电量估计深度神经网络，所述扩展式输入的电量估计深度神经网络一次输入包含有共3L个数据点的总量用电数据序列，并定义输入的数据序列中第L+1至第2L的数据点区间为核心窗口；该神经网络的结构层至少包含卷积层、递归层、全连接层；神经网络输入一个关于多个用电参数的序列，经过上述多个结构层的非线性变换，得到对应的输出；该神经网络的输出层的激活函数为ReLU函数，最终输出为所述核心窗口内的目标电器的用电量；

利用步骤三生成的仿真总量用电数据训练该扩展式输入的电量估计深度神经网络；训练过程是，将步骤三获得的每个训练数据样本输入神经网络并计算神经网络输出，由神经网络输出与样本标记计算损失函数，利用反向传播算法对神经网络权值进行更新；

2.根据权利要求1所述基于深度神经网络的非侵入式分项电量估计方法，其特征在于，步骤五的在线估计目标电器用电量是，将实际场景中现场采集得到的与训练数据输入序列长度相同、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所述步骤四构建并训练的深度神经网络，直接计算出核心窗口内的目标电器的用电量，将其作为目标电器用电量的估计结果。