CN109904854A - 一种面向需求响应的家庭电路负荷分解方法及系统 - Google Patents
一种面向需求响应的家庭电路负荷分解方法及系统 Download PDFInfo
- Publication number
- CN109904854A CN109904854A CN201910030412.2A CN201910030412A CN109904854A CN 109904854 A CN109904854 A CN 109904854A CN 201910030412 A CN201910030412 A CN 201910030412A CN 109904854 A CN109904854 A CN 109904854A
- Authority
- CN
- China
- Prior art keywords
- electrical appliance
- load
- long term
- term memory
- data
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004044 response Effects 0.000 title claims abstract description 23
- 230000007787 long-term memory Effects 0.000 claims abstract description 58
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 239000010410 layer Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000002356 single layer Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向需求响应的家庭电路负荷分解方法及系统，将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；利用深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。
Description
技术领域
本发明属于非侵入式负荷监测领域，具体涉及一种面向需求响应的家庭电路负荷分解方法及系统。
背景技术
在家庭中，通常住户只能获取家庭总的用电情况，无法知晓各个用电器的耗电情况，尤其当家用电器种类较多时，准确掌握各个用电器的耗电情况，有助于住户对家庭的用电模式做出准确的调整，同时帮助供电方制定需求响应策略。有研究表明，合理的用电模式调整可以帮助住户减少5％至15％的用电。为了达到这个目的，最理想化的方案是给每一个用电器装上传感器，但考虑到成本，用户接受度等因素，这个方案实施难度大。因此将负荷分解问题视作一种单通道盲源分离(Blind Source Separation,BSS)问题，即没有任何信号源数据的先验信息，仅根据信号源数据相互之间的独立分布性质，从可观测数据中将混合在一起的信号源数据分开的一类问题。家庭中各个用电器的功率总和就是家庭电力供给入口处的总功率，即：
P(t)＝P1(t)+P2(t)+…+Pn(t)+ε
P(t)是t时刻所有用电器的总功率，Pi(t)表示t时刻用电器i的功率，ε表示噪音。由上式可知，单个用电器的功率变化将引起总功率的变化，反之，总功率的改变必定是由单个用电器运行状态改变导致的，这就是负荷分解的基本依据。
当前对于负荷分解的研究有很多，Marchiori等人用贝叶斯算法，对每一个用电器训练一个贝叶斯分类器，来识别单个用电器的使用情况；Kamat.S.P提出利用模糊识别进行负荷分解的方法，Suzuki.K等人提出基于整数规划的非侵入式负荷分解方法，还有一些人工智能算法，例如支持向量机(Support Vector Machine，SVM)，隐马尔科夫模型(HiddenMarkov Model，HMM)等，都被尝试应用到此问题上。
深度学习是机器学习的分支，是一种使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取来替代手工获取特征。目前深度学习领域已有数种深度学习框架，例如深度神经网络，卷积神经网络，递归神经网络。这些框架和方法尚未应用于负荷分解领域。
发明内容
为了解决家庭用电器种类多，感应元件成本高问题，本发明提供一种面向需求响应的家庭电路负荷分解方法及系统，考虑电价等需求响应因素，通过非侵入式监测数据进行负荷分解，达到侵入式监测效果，为需求响应策略制定提供依据。
本发明的目的是采用下述技术方案实现的：
一种面向需求响应的家庭电路负荷分解方法，所述方法包括：
将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，
所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。
优选的，所述深度长短期记忆网路模型的预先建立包括：
对预先采集的典型家庭电路负荷数据进行预处理；
基于预处理后的典型家庭电路负荷数据的损失函数训练深度长短期记忆网络，生成深度长短期记忆网路模型。
进一步地，所述对预先采集的典型家庭电路负荷数据进行预处理，包括：
按照预先定义的典型家庭类型挑选N户家庭，并在各户用电器中设置传感器；
采用所述传感器，根据自定义采样间隔，跟踪记录各户整月的典型家庭电路负荷数据；计入需求响应因素和温度环境因素，将所述典型家庭电路负荷数据转化为时序序列n×L；其中，n为用电器个数，L为单日采样点个数；
所述典型家庭电路负荷数据包括：家庭电路总负荷和各用电器负荷。
进一步地，所述深度长短期记忆网络结构包括：网络深度与单层节点数；
其中，所述网络深度包括输入层、输出层和3个隐藏层；将每个隐藏层的单层节点数设为1024个节点；
所述输入层用于接收z×L的总负荷数据，其中z为向量个数，包括：总负荷、温度、电价、时间和假期；
所述输出层用于输出时序序列n×L，n为用电器个数，L为采样点个数。
进一步地，所述深度长短期记忆网络的损失函数由数值约束，形状约束和总和约束构成；其中，
所述数值约束，以实现分解结果中各用电器负荷数值向真实值靠近；
所述形状约束，以实现分解结果中各用电器负荷形状变化向真实形状靠近；
所述总和约束，以实现分解结果中各用电器负荷的总和与家庭电路总负荷相等。
进一步地，通过下式确定损失函数：
γ＝θ1·γ1+θ2·γ2+θ3·γ3
式中，γ表示损失函数；θi表示第i个约束的权重。
进一步地，通过下式确定数值约束：
式中，γ1为数值约束，li为家庭电路中用电器i的输入负荷序列，li’为一轮迭代后深度长短期记忆网络分解出的用电器i的负荷序列，MSE表示函数计算两个数据序列的均方误差，n为用电器的个数。
进一步地，通过下式确定形状约束：
式中，max()函数与min()函数分别表示输入数据序列的最大值与最小值，si和si’分别表示经li和li’两个用电器i的输入序列进行规范化获得的同一量级的输入序列，γ2表示si和si’的形状约束。
进一步地，通过下式确定总和约束：
式中，γ3表示总和约束；m为家庭电路总负荷序列。
优选的，所述利用深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解包括：
a,将处理后的典型家庭电路负荷数据中的一部分作为预留数据，剩余数据依次输入深度长短期记忆网络进行训练；
b,一轮训练结束后，对所述预留数据进行负荷分解；
c,根据预留数据中的用电器负荷计算损失均值，并返回步骤a直至分解所得损失均值趋于稳定或者到达预先定义的最大迭代次数为止。
进一步地，所述对预留数据进行负荷分解包括：
通过目标家庭的家庭电表，根据预先定义的单位时间采集电路总负荷数据；
并将所述电路总负荷数据切割成与L等长的记录；
若长度不足L，则在记录末尾补0，随后按采样点添加电价、温度、时间和假期因素。
优选的，所述将分解结果进行拼接，得到所述目标家庭各用电器的用电情况包括：将网络输出的n个用电器的负荷，按照输入预先建立的深度长短期记忆网络模型时间顺序，将其首尾相连拼接，得到目标家庭各用电器的用电情况。
一种面向需求响应的家庭电路负荷分解系统，所述系统包括：
处理模块，用于将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
分解模块，用于利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况。
与最接近的现有技术相比，本发明具备以下有益效果：
本发明提供一种面向需求响应的家庭电路负荷分解方法及系统，其包括将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况，其中，所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。节省大量时间与人力，经济成本十分低廉。将数据切割成一定长度记录的做法，在提高计算精度额前提下，极大减少计算量，加快了方法计算迭代的过程。
从数据采集出发，并通过实验确定最优情况下深度长短期记忆网络的结构与参数，获得深度长短期记忆网络模型；利用该模型从数值，形状，总和三个方面对负荷分解进行约束；从而进一步实现非侵入式监测数据的负荷分解，达到侵入式监测效果，为需求响应策略制定提供依据，具有很强的通用性、鲁棒性与实用性。
附图说明
图1是本发明实施例中提供的方法总流程图；
图2是本发明实施例中提供的总框架图；
图3是本发明实施例中提供的家庭电路负荷分解示意图；其中，图3(a)为家庭电路总负荷分解示意图；图3(b)为家庭电路各用电器负荷分解示意图；
图4是本发明实施例中提供的深度长短期记忆网络节点结构图；
图5本发明实施例中提供的深度长短期记忆网络的结构设计图；
图6是本发明实施例中提供的应用深度长短期记忆网络完成家庭电路负荷分解流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
本发明提供的一种面向需求响应的家庭电路负荷分解方法，如图1所示，包括：
S1将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
S2利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，
所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。
步骤S1中，深度长短期记忆网路模型的预先建立包括：
1)对预先采集的典型家庭电路负荷数据进行预处理；
2)基于预处理后的典型家庭电路负荷数据的损失函数训练深度长短期记忆网络，生成深度长短期记忆网路模型。
对预先采集的典型家庭电路负荷数据进行预处理，包括：
按照预先定义的典型家庭类型挑选N户家庭，并在各户用电器中设置传感器；
采用所述传感器，根据自定义采样间隔，跟踪记录各户整月的典型家庭电路负荷数据；计入需求响应因素和温度环境因素，将所述典型家庭电路负荷数据转化为时序序列n×L；其中，n为用电器个数，L为单日采样点个数；
所述典型家庭电路负荷数据包括：家庭电路总负荷和各用电器负荷。
所述深度长短期记忆网络结构包括：网络深度与单层节点数；
其中，所述网络深度包括输入层、输出层和3个隐藏层；将每个隐藏层的单层节点数设为1024个节点；
所述输入层用于接收z×L的总负荷数据，其中z为向量个数，包括：总负荷、温度、电价、时间和假期；
所述输出层用于输出时序序列n×L，n为用电器个数，L为采样点个数。
基于需求响应因素和温度环境因素，对预先采集的典型家庭电路负荷数据进行预处理；将负荷分解问题拓展为多通道盲源分离问题，引入电价等需求响应因素和温度等环境因素，从数值，形状，总和三个方面对负荷分解进行约束。
其中，深度长短期记忆网络的损失函数由数值约束，形状约束和总和约束构成；
所述数值约束，以实现分解结果中各用电器负荷数值向真实值靠近；
所述形状约束，以实现分解结果中各用电器负荷形状变化向真实形状靠近；
所述总和约束，以实现分解结果中各用电器负荷的总和与家庭电路总负荷相等。
通过下式确定损失函数：
γ＝θ1·γ1+θ2·γ2+θ3·γ3
式中，γ表示损失函数；θi表示第i个约束的权重。
通过下式确定数值约束：
式中，γ1为数值约束，li为家庭电路中用电器i的输入负荷序列，li’为一轮迭代后深度长短期记忆网络分解出的用电器i的负荷序列，MSE表示函数计算两个数据序列的均方误差，n为用电器的个数。
通过下式确定形状约束：
式中，max()函数与min()函数分别表示输入数据序列的最大值与最小值，si和si’分别表示经li和li’两个用电器i的输入序列进行规范化获得的同一量级的输入序列，γ2表示si和si’的形状约束。
通过下式确定总和约束：
式中，γ3表示总和约束；m为家庭电路总负荷序列。
步骤S2中，利用深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，分解后的家庭电路负荷示意图如图3所示；其中，图3(a)为家庭电路总负荷分解示意图；图3(b)为家庭电路各用电器负荷分解示意图；
分解方法包括：
a,将处理后的典型家庭电路负荷数据中的一部分作为预留数据，剩余数据依次输入深度长短期记忆网络进行训练；
b,一轮训练结束后，对所述预留数据进行负荷分解；
c,根据预留数据中的用电器负荷计算损失均值，并返回步骤a直至分解所得损失均值趋于稳定或者到达预先定义的最大迭代次数为止。
步骤b中，对预留数据进行负荷分解包括：
通过目标家庭的家庭电表，根据预先定义的单位时间采集电路总负荷数据；
并将所述电路总负荷数据切割成与L等长的记录；
若长度不足L，则在记录末尾补0，随后按采样点添加电价、温度、时间和假期因素。
步骤S2中，将分解结果进行拼接，得到所述目标家庭各用电器的用电情况包括：将网络输出的n个用电器的负荷，按照输入预先建立的深度长短期记忆网络模型时间顺序，将其首尾相连拼接，得到目标家庭各用电器的用电情况。
实施例：
附图2是本发明方法的总体框架。本发明方法的输入是包含电价和温度等外部因素的家庭电路负荷数据，输出是家庭各用电器的负荷数据。本发明方法具体包含以下步骤：
1、采集典型家庭负荷数据，对典型家庭负荷数据进行预处理
首先从6类典型家庭各挑选10户家庭，将这些家庭用电器都设置好传感器，跟踪记录一段时间这些家庭的用电负荷情况。6类典型家庭如下表所示，其中年人均负荷为家庭成员一年总用电负荷的人均值(单位：千瓦·时/kW·h)，0～300：低，300～534：中，534以上：高；月负荷波动为一年12个月的人均负荷值波动程度，对记录的家庭每月人均负荷求标准差，标准差大于10kW·h为波动剧烈，否则波动平稳。
| 类型编号 | 年人均负荷 | 月负荷波动 |
| I型 | 高 | 剧烈 |
| II型 | 高 | 平稳 |
| III型 | 中 | 剧烈 |
| IV型 | 中 | 平稳 |
| V型 | 低 | 剧烈 |
| VI型 | 低 | 平稳 |
考虑时间成本与数据质量，跟踪记录时间以一个月为宜，采样间隔为6秒。整理得到的家庭负荷数据，将其切割成24小时长度的记录，对切割后的家庭负荷数据分别进行预处理，将其转成长度为L的记录，L为24小时采样点个数：10×60×24＝14400。减小L可以适当减小计算强度，如将记录切割成12小时长度，可减少一半的计算强度，但L过小，会破坏信息完整性，故推荐切割成24小时长度记录，L为其对应值。
本发明方法将负荷分解问题拓展为多通道盲源分离问题，在输入中加入电价等需求响应因素、以及温度等环境因素，将输入负荷数据用一个N×L矩阵来存储，其中N为数据的维度，参考下表N为5+n，n＝10是各家庭中可能存在的家用电器总数，包括：电视、冰箱、空调、电烤箱、微波炉、热水器、洗衣机、洗碗机、电灯、其他，多个同类电器按1个电器处理，若此家庭中没有该用电器，则对应负荷为0。
2、定义深度长短期记忆网络结构与损失函数，包括数值损失、形状损失和总和损失深度长短期记忆网络(Long short-term memory，LSTM)基于深度循环神经网络(Recurrent Neural Networks，RNNs)，认为神经网络当前时刻输出结果与过往时刻输出结果有一定关联。具体表现形式为该网络对前序信息进行记忆并应用于当前输出结果，即隐藏层在时间维度上建立了连接，隐藏层的输入不仅包括输入层的输入，还包含上一时刻隐藏层的输出，LSTM对于RNNs传播过程进行改进，添加信息在网络中传播过程的控制，控制过程由“门”来实现，单个节点结构如附图5所示。控制表现为对信息在传播过程中的遗忘，学习与保留，在传播过程中，网络将学习到的，但是不重要信息快速遗忘，而关键信息一直保留。网络中三个关键门控制如下：
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf) (1)
更新门：it＝σ(Wi·[ht-1,xt]+bi) (2)
Ci＝tanh(WC·[ht-1,xt]+bC) (3)
输出门：Ot＝σ(Wo·[ht-1,xt]+bo) (4)
公式(1)～(4)中xt是t时刻输入向量，ht-1是上一时刻隐藏状态向量，Wf,Wi,WC和Wo是相应连接输入与隐藏层的权重矩阵，bf,bi,bC和bo为对应的偏置向量，ft、it与ot的值均为0到1之间，分别决定当前时刻网络中的信息将被遗忘，将被学习以及将被传递给下一时刻的量，Ci为当前时刻神经单元状态，将用作下一时刻的输入。这个改进使得LSTM在当输入序列为时序序列，且长度很长时，有着稳定优秀的表现。针对负荷分解问题的数据是时序序列这一特点，本发明方法选用了深度长短期记忆网络。
深度长短期记忆网络的结构设计分为两个方面：网络深度与单层节点数。本发明方法的网络结构如附图4所示，除去输入层与输出层，还包含3个隐藏层，其中每个隐藏层含有1024个节点。输入层接收5×L的总负荷数据，包含总负荷、温度、电价、时间和假期向量；输出层输出n×L的家用电器负荷数据，n是家用电器总数，L＝14400是采样点个数。本发明方法的网络结构在保证分解结果准确前提下，避免了网络过深与单层节点数过多，可极大减少计算量。
损失函数是深度长短期记忆网络进行学习的基本依据，本发明方法设计了三个损失函数对深度长短期记忆网络的学习结果进行约束：数值约束，形状约束和总和约束。
数值约束γ1：
li是家庭电路中用电器i的输入负荷序列，li’是一轮迭代后深度长短期记忆网络分解出的用电器i的负荷序列，长度都为L，L值与步骤一中一致。MSE(α,β)函数计算两个数据序列的均方误差，n为用电器的个数，与步骤一中一致。数值约束γ1使得分解结果中各个用电器负荷数值向真实值靠近。8025@anboda.com
形状约束γ2：
max()函数与min()函数分别计算输入数据序列的最大值与最小值，公式(6)与(7)分别将li和li’两个输入序列进行规范化，得到规范至同一量级的输入序列si和si’，随后由式(8)计算si和si’的形状差异，得到形状约束γ2。
形状约束γ2使得分解结果中各个用电器负荷形状变化向真实形状靠近。
总和约束γ3：
m为家庭电路总负荷序列，总和约束γ3使得分解结果中各个用电器负荷的总和与家庭电路总负荷相等。
最终损失函数γ由上面3个约束构成，见式(10)：
γ＝θ1·γ1+θ2·γ2+θ3·γ3 (10)
θi表示第i个约束的权重，通过改变权重的大小，可对深度长短期记忆网络的学习结果施加影响，进而影响最终家庭电路负荷分解结果。
本发明方法的网络结构已在上文给出说明，除网络结构外，本发明方法所涉及深度长短期记忆网络参数设置见下表：
| 学习率 | 0.00005 |
| 遗忘概率 | 0.8 |
| 批处理数量 | 32 |
| θ<sub>1</sub> | 0.1 |
| θ<sub>2</sub> | 1000 |
| θ<sub>3</sub> | 1 |
| 迭代停止幅度 | 0.001 |
| 最大迭代次数 | 100 |
3、基于采集数据训练深度长短期记忆网络
以下深度长短期记忆网络简称“网络”。预留少量(10％)步骤一中处理后的数据，剩余(90％)数据依次输入网络，网络对每条总负荷记录依次进行分解，然后基于对应的家用电器负荷记录计算相应损失函数，得到此分解结果的损失值，并反馈至网络，网络随之进行内部参数调整；当剩余数据全部处理完成后，采用该网络分解预留数据中的总负荷记录，对照预留数据中的家用电器负荷记录计算损失均值；迭代上述过程，直至对预留数据负荷分解所得损失均值趋于稳定(两轮损失均值变化幅度小于0.001)，或到达最大迭代次数(100)。
4、获取目标家庭电路负荷数据
首先通过目标家庭的家庭电表，以6秒为单位采集电路负荷数据，将其切割成与步骤一中等长的记录，即长度为L。若长度不足L，则在记录末尾补0。随后按采样点添加电价等需求响应因素和温度等环境因素，以5×L的矩阵存储，需求响应因素与环境信息参考步骤一对应说明。
5、利用深度长短期记忆网络对目标家庭电路负荷进行分解，对分解结果进行计算并输出。
分解与拼接流程如附图6所示，依次将步骤4中切割所得数据记录输入深度长短期记忆网络，网络输出对应的n(n＝10)个家用电器的负荷分解结果；然后将所有分解结果，即各家用电器的用电负荷，按照时间顺序重新拼接，最终得到目标家庭的电路负荷分解结果。
基于同一发明构思，本发明还提供一种面向需求响应的家庭电路负荷分解系统，所述系统包括：
处理模块，用于将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
分解模块，用于利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种面向需求响应的家庭电路负荷分解方法，其特征在于，所述方法包括：
将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，
所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。
2.根据权利要求1所述的方法，其特征在于，所述深度长短期记忆网路模型的预先建立包括：
对预先采集的典型家庭电路负荷数据进行预处理；
基于预处理后的典型家庭电路负荷数据的损失函数训练深度长短期记忆网络，生成深度长短期记忆网路模型。
3.根据权利要求2所述的方法，其特征在于，所述对预先采集的典型家庭电路负荷数据进行预处理，包括：
按照预先定义的典型家庭类型挑选N户家庭，并在各户用电器中设置传感器；
采用所述传感器，根据自定义采样间隔，跟踪记录各户整月的典型家庭电路负荷数据；计入需求响应因素和温度环境因素，将所述典型家庭电路负荷数据转化为时序序列n×L；其中，n为用电器个数，L为单日采样点个数；
所述典型家庭电路负荷数据包括：家庭电路总负荷和各用电器负荷。
4.根据权利要求3所述的方法，其特征在于，所述深度长短期记忆网络结构包括：网络深度与单层节点数；
其中，所述网络深度包括输入层、输出层和3个隐藏层；将每个隐藏层的单层节点数设为1024个节点；
所述输入层用于接收z×L的总负荷数据，其中z为向量个数，包括：总负荷、温度、电价、时间和假期；
所述输出层用于输出时序序列n×L，n为用电器个数，L为采样点个数。
5.根据权利要求4所述的方法，其特征在于，所述深度长短期记忆网络的损失函数由数值约束，形状约束和总和约束构成；其中，
所述数值约束，以实现分解结果中各用电器负荷数值向真实值靠近；
所述形状约束，以实现分解结果中各用电器负荷形状变化向真实形状靠近；
所述总和约束，以实现分解结果中各用电器负荷的总和与家庭电路总负荷相等。
6.根据权利要求5所述的方法，其特征在于，通过下式确定损失函数：
γ＝θ1·γ1+θ2·γ2+θ3·γ3
式中，γ表示损失函数；θi表示第i个约束的权重。
7.根据权利要求6所述的方法，其特征在于，通过下式确定数值约束：
式中，γ1为数值约束，li为家庭电路中用电器i的输入负荷序列，li’为一轮迭代后深度长短期记忆网络分解出的用电器i的负荷序列，MSE表示函数计算两个数据序列的均方误差，n为用电器的个数。
8.根据权利要求6所述的方法，其特征在于，通过下式确定形状约束：
式中，max()函数与min()函数分别表示输入数据序列的最大值与最小值，si和si’分别表示经li和li’两个用电器i的输入序列进行规范化获得的同一量级的输入序列，γ2表示si和si’的形状约束。
9.根据权利要求6所述的方法，其特征在于，通过下式确定总和约束：
式中，γ3表示总和约束；m为家庭电路总负荷序列。
10.根据权利要求1所述的方法，其特征在于，所述利用深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解包括：
a,将处理后的典型家庭电路负荷数据中的一部分作为预留数据，剩余数据依次输入深度长短期记忆网络进行训练；
b,一轮训练结束后，对所述预留数据进行负荷分解；
c,根据预留数据中的用电器负荷计算损失均值，并返回步骤a直至分解所得损失均值趋于稳定或者到达预先定义的最大迭代次数为止。
11.根据权利要求10所述的方法，其特征在于，所述对预留数据进行负荷分解包括：
通过目标家庭的家庭电表，根据预先定义的单位时间采集电路总负荷数据；
并将所述电路总负荷数据切割成与L等长的记录；
若长度不足L，则在记录末尾补0，随后按采样点添加电价、温度、时间和假期因素。
12.根据权利要求1所述的方法，其特征在于，所述将分解结果进行拼接，得到所述目标家庭各用电器的用电情况包括：将网络输出的n个用电器的负荷，按照输入预先建立的深度长短期记忆网络模型时间顺序，将其首尾相连拼接，得到目标家庭各用电器的用电情况。
13.一种面向需求响应的家庭电路负荷分解系统，其特征在于，所述系统包括：
处理模块，用于将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；
分解模块，用于利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910030412.2A CN109904854B (zh) | 2019-01-14 | 2019-01-14 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910030412.2A CN109904854B (zh) | 2019-01-14 | 2019-01-14 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109904854A true CN109904854A (zh) | 2019-06-18 |
| CN109904854B CN109904854B (zh) | 2023-11-07 |
Family
ID=66943631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910030412.2A Active CN109904854B (zh) | 2019-01-14 | 2019-01-14 | 一种面向需求响应的家庭电路负荷分解方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109904854B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112202196A (zh) * | 2020-08-18 | 2021-01-08 | 广西大学 | 一种双馈风力发电机的量子深度强化学习控制方法 |
| CN112365090A (zh) * | 2020-11-26 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种基于深度学习的非入侵式用电负荷识别方法及装置 |
| CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
| CN113673830A (zh) * | 2021-07-23 | 2021-11-19 | 华南理工大学 | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
| CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
-
2019
- 2019-01-14 CN CN201910030412.2A patent/CN109904854B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
| CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112202196A (zh) * | 2020-08-18 | 2021-01-08 | 广西大学 | 一种双馈风力发电机的量子深度强化学习控制方法 |
| CN112365090A (zh) * | 2020-11-26 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种基于深度学习的非入侵式用电负荷识别方法及装置 |
| CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
| CN113094931B (zh) * | 2021-04-29 | 2022-04-22 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
| CN113673830A (zh) * | 2021-07-23 | 2021-11-19 | 华南理工大学 | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 |
| CN113673830B (zh) * | 2021-07-23 | 2024-03-05 | 华南理工大学 | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109904854B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109904854A (zh) | 一种面向需求响应的家庭电路负荷分解方法及系统 | |
| Afrasiabi et al. | Deep-based conditional probability density function forecasting of residential loads | |
| Kaselimi et al. | Multi-channel recurrent convolutional neural networks for energy disaggregation | |
| Shih et al. | Grey number prediction using the grey modification model with progression technique | |
| CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
| Lee et al. | Individualized short-term electric load forecasting with deep neural network based transfer learning and meta learning | |
| Mestav et al. | State estimation for unobservable distribution systems via deep neural networks | |
| CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN115622047B (zh) | 基于Transformer模型的电力变压器负荷预测方法 | |
| Jha et al. | Electricity load forecasting and feature extraction in smart grid using neural networks | |
| CN111917134B (zh) | 一种基于数据驱动的配电网动态自主重构方法及系统 | |
| CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| Jiang et al. | Approximate dynamic programming for optimal stationary control with control-dependent noise | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| Xu et al. | Ensemble residual networks for short-term load forecasting | |
| Zhao et al. | Multistep forecasting for short-term wind speed using an optimized extreme learning machine network with decomposition-based signal filtering | |
| CN115860277B (zh) | 一种数据中心能耗预测方法及系统 | |
| CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
| CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及系统 | |
| Irankhah et al. | A parallel CNN-BiGRU network for short-term load forecasting in demand-side management | |
| Seeber et al. | Optimal Lyapunov-based reaching time bounds for the super-twisting algorithm | |
| Shen et al. | Aiot-empowered smart grid energy management with distributed control and non-intrusive load monitoring | |
| Krebs et al. | Interval state observer based on a time-variant transformation for LPV systems and application to induction machines | |
| Qian et al. | Low frequency residential load disaggregation via improved variational auto-encoder and Siamese network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |