CN112215406B - 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 - Google Patents
一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 Download PDFInfo
- Publication number
- CN112215406B CN112215406B CN202011008393.2A CN202011008393A CN112215406B CN 112215406 B CN112215406 B CN 112215406B CN 202011008393 A CN202011008393 A CN 202011008393A CN 112215406 B CN112215406 B CN 112215406B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- time
- load
- power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 230000005611 electricity Effects 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000001364 causal effect Effects 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，包括如下步骤：1)采集电力负荷入口处的功率数据；2)对采集得到的数据集依次进行提取、扩充和归一化处理；3)构建时间卷积神经网络模型，利用步骤2)预处理后的数据对模型进行训练，自动提取负荷特征；4)利用训练后的时间卷积模型对待分解的负荷数据进行负荷分解，获取每个负荷的使用及消耗功率信息。本发明在保证扩张因果卷积能够完全覆盖整个序列的情况下，采用了较小输入序列长度，因此既能降低运算复杂度，又提高了分解精度。
Description
技术领域
本发明属于电力计量技术领域，涉及一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法。
背景技术
侵入式负荷分解技术可以为用户用电规划提供决策支持，在居民用电侧通过对能耗的细粒度监控并将此信息间接反馈(如月度账单，用电建议等)给用户，可方便用户调整用电行为，采用此种方式可减少5-15％的能源消耗。为了完成居民用户用电信息的分析，出现了通过传感器技术实现的侵入式负荷分解(ILM)方式以及相对应的利用数据处理技术的非侵入负荷分解(NILM)方式。侵入式负荷分解由于安装方式较为不便以及难以维护的缺点，在居民用电负荷分解技术中逐渐被淘汰，而得益于大数据技术及人工智能技术的发展，用电信息存储较为方便，处理数据的方式也更为高效，非侵入式负荷分解方法得到了长足的发展，相比侵入式负荷分解采用的传感器技术较易实施且维护简单，但是负荷分解精度却相比更低，所以这也是非侵入式负荷分解研究者的研究重点。
非侵入式负荷分解的概念由G.W.Hart教授在二十世纪80年代提出。前人的工作包含利用隐马尔可夫模型进行的研究，该类方法一定程度提高了负荷分解精度，但是这类算法计算相对复杂，模型建立比较困难。近年的研究表明，非侵入式负荷分解问题又可以被看做是单通道盲源分离问题(如语音识别)，而深度学习早已运用于语音识别问题，并取得了很好的效果。
Bai.Shaojie等人在2018年提出了时间卷积神经网络的概念，它在一系列序列问题中比循环神经网络效果更为优秀，不仅训练时间更少，而且精度也更高。以此思路展开，本发明采用序列到点的学习模式，提出了一种基于时间卷积神经网络的非侵入式负荷分解方法，特征提取器以扩张因果卷积为基准，同时引入Weight normalization层和残差网络结构，较大的提高了模型的负荷分解精度，改善了模型的运行效率。
发明内容
本发明的目的在于针对现有技术存在的问题，提供一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法。
为此，本发明采用如下技术方案：
一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，包括如下步骤：
1)采集电力负荷入口处的功率数据；
2)对采集得到的数据集依次进行提取、扩充和归一化处理；
3)构建时间卷积神经网络模型，利用步骤2)预处理后的数据对模型进行训练，自动提取负荷特征；
4)利用训练后的时间卷积模型对待分解的负荷数据进行负荷分解，获取每个负荷的使用及消耗功率信息。
进一步地，步骤2)具体包括以下步骤：
201)对采集的数据选择测试用负荷数据；
202)利用NILMTK工具包提取负荷数据；
203)对数据进行预处理，去除所有包含有缺失值的时间段；
204)利用滑动窗口方法对所获得的原始数据进行扩充；
205)利用零均值归一化方式对扩充完成的数据做归一化处理，用于时间卷积神经网络训练。
与现有技术相比，本发明具有以下优点：
(1)在不损失负荷分解精度情况下，相比RNN方法训练消耗的时间减少50％左右；
(2)采用了扩张因果卷积的卷积运算方式，相比采用普通卷积的Seq2point方法，不考虑未来时刻点对于当前时刻的影响，计算量明显减少，且更符合时间序列预测的实际认知，同时可以对历史信息进行回溯，把握更多特征；
(3)在保证扩张因果卷积能够完全覆盖整个序列的情况下，采用了较小输入序列长度，因此既能降低运算复杂度，又提高了分解精度。
附图说明
图1为本发明方法的流程图；
图2为本发明利用滑动窗口方法扩充数据的原理图；
图3为本发明构建的时间卷积神经网络模型的结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本实施例基于Keras深度学习框架对本发明方法所提的时间卷积神经网络模型进行构建并进行试验评价，利用NILMTK工具包(non-intrusive load monitoring toolkit，非侵入式负荷监测开源工具包)用于数据集分析与预处理，利用pycharm对负荷分解的结果进行优化。原始数据集采用UKERC能源数据中心2015年公开发布的UK-DALE数据集。
UK-DALE数据集记录了从2012年11月到2015年1月份的5个家庭的用电数据，每6秒钟采集一次用电数据。数据集包含10多种类型的电器的测量值，本文中，仅关注水壶，电视机，冰箱，洗碗机和洗衣机，这类电器均具有较为明显的运行特征，可以考量模型适应各类设备运行特点的能力。如冰箱的运行特征具有周期运行的特点，洗衣机、洗碗机的工作模式更为丰富，相比冰箱运行特征更为复杂，水壶的运行功率大，时间短，电视机功率小，单次运行时间较长。由于每个家庭的家电种类各不相同，需要根据数据集的实际情况进行配置。
本实施例提供的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，包括如下步骤：
1)数据采集
采集电力负荷入口处的总功率的变化信息，用于进行测量、分析。
2)数据的预处理
数据预处理分为实验数据提取，处理异常值。通过NILMTK工具包将原始数据转化为可用于科学计算的数据格式。同时，设置相应的实验数据时间段并进行重新采样，部分时间段存在数据缺失，会被直接删除。具体过程如下：
201)测试负荷的选择：本实施例选择数据集中的5种负荷作为研究对象：水壶、冰箱、洗衣机、微波炉以及洗碗机。每个负荷至少在三个住宅中存在。另外，这五种负荷具有不同的负荷特征的复杂性以及不同工作周期；
202)提取用电负荷数据：利用NILMTK工具包提取每个住宅内的负荷数据；设定家庭序号、时间段、用电设备名称、采样频率，采样频率设为6s/次，对原始数据集进行初次数据采样，并通过NILMTK工具包将原始数据转化为可用于科学计算的数据格式；
203)数据预处理：将获取得到的原始数据利用Pandas工具包的缺失值处理函数进行缺失值的删除，去除所有包含有缺失值的时间段，将处理完成的数据重新整合；
204)数据扩充：利用滑动窗口方法，对数据进行扩充，以主表功率数据和用电设备功率数据制定对应的特征数据和标签数据。滑动窗口在给定的样本数据上进行步长为1的滑动，每一次滑动窗口将会产生一组数据，同时，经过大量实验对比，窗口长度取99(时间段为10分钟)，较利于整个模型的训练，可以保证较高的负荷分解精度及更快的训练速度，图2详细展示了滑动窗口的过程。
205)数据归一化处理：
数据完全生成后利用零均值归一化方式对数据做归一化处理，计算方法如下所示：
Train_x，Train_y分别为归一化后的主表功率序列和用电设备功率值，M_data为主表功率序列的原始数据，M_mean为主表功率序列的均值，M_std为主表功率序列的标准差，A_data为用电设备功率的原始数据，A_mean为用电设备功率的均值，A_std为用电设备功率的标准差。
3)构建时间卷积神经网络
具体包括以下步骤：
301)构建包括六个卷积层、一个weight normalization以及一个全连接层的时间卷积神经网络，选择RELU作为激活函数。图3详细展示了时间卷积神经网络的结构，包含每个卷积层的详细参数，包含卷积滤波器个数，卷积核大小，膨胀系数，激活函数以及全连接层的神经元个数，激活函数。
302)将步骤2)处理完成后的数据输入给时间卷积神经网络。采用Minibatch的方式馈入数据，设置batchsize为256，同时在神经网络添加Dropout层用于防止过拟合，采用Adam优化器进行训练，学习率为0.0001，训练次数为100次，选取训练误差最小的一次，作为最优模型用于负荷分解的基准模型。
本发明中，时间卷积神经网络的主体架构是残差网络结构，卷积操作通过带扩张的因果卷积完成。输入层为一维全卷积层，确保不会泄露信息，利用带扩张的因果卷积处理时间序列，提取丰富的特征，输出层为全连接层，用于完成分类任务或是回归任务。
为了保证提取到的序列信息不被遗漏，时间卷积神经网络在输入层采用一维全卷积。然后采用因果卷积进行更高维度的特征提取，这在非侵入式负荷分解问题中的实际情况是：当前时刻用电设备的运行状态大致会跟前一个时刻或几个时刻的运行状态相关，如通过观察冰箱实际运行曲线就会发现，虽然冰箱一直处于开启状态，但只有当制冷压缩机工作时，功率曲线有较大幅度的改变，然后功率回归到制冷前，呈现周期性运行的特点。所以利用因果卷积进行特征提取时，会考虑这种时序特点，学习这种何时开启压缩机，何时关闭这种时间节点之间的特征关系。
在这种卷积中，t时刻的输出只与t时刻以及前一时刻或几个时刻的信息进行卷积，这意味着在时间卷积神经网络中不会掺杂当前时刻之后的任意信息，简而言之就是不会利用未来的信息来预测未来。实际问题下则需要设置合适的滤波器尺寸对时间序列进行特征提取。设整个功率序列长度为：Y＝(y1，y2，y3，...，yt)，(t∈T)。
则对序列中任意时刻点t进行因果卷积的定义为：
式中，f代表卷积核，k为卷积核尺寸，i代表卷积核中的元素，t为主表功率序列中的第t个时刻，Y为功率序列长度。从计算公式可以看出，因果卷积的感受野时刻处于近邻的几个时间，所以能提取的信息非常有限，为了从更广的视角进行特征提取，就需要一个非常深的网络或非常大的过滤器，为了改善出现感受野不足的固有弊端，采用扩张卷积进行整个时间序列的历史信息回溯，这对非侵入式负荷分解任务中那些长时间运行序列的设备具有实际意义。在Y处的扩张卷积被定义为：
式中的d是膨胀系数，通过向序列中注入空洞，可以与之前时刻的时序点做卷积操作。当d＝1时，膨胀卷积等效于普通因果卷积。当d为2时，滤波器所能接受的输入相较于普通因果卷积从1*3扩大到1*5，以此类推，从而有效地扩展了卷积核的接收范围，回溯历史信息从而提取到更加丰富的特征。
4)负荷分解
当时间卷积神经网络模型训练完成后，将待分解的用户用电功率序列按照步骤2)训练数据的处理方式进行处理，将该数据馈入步骤3)得到的最优模型，得到神经网路的输出值，做反归一化还原为真实功率值，负荷分解完成。反归一化的公式为步骤205的反运算，计算公式如下：
A_datapre＝A_output*A_std+A_mean
其中，A_datapre是时间卷积神经网络预测得到的真实设备功率值，A_output是时间卷积神经网络的输出值，A_mean为用电设备功率的均值，A_std为用电设备功率的标准差。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，包括如下步骤：
1)采集电力负荷入口处的功率数据；
2)对采集得到的数据集依次进行提取、扩充和归一化处理；
3)构建时间卷积神经网络模型，利用步骤2)预处理后的数据对模型进行训练，自动提取负荷特征；
4)利用训练后的时间卷积模型对待分解的负荷数据进行负荷分解，获取每个负荷的使用及消耗功率信息；
所述步骤3)具体包括以下步骤:
301)时间卷积神经网络的构建：所述时间卷积神经网络包括六个卷积层，一个weightnormalization以及一个全连接的时间卷积模型，选择RELU作为激活函数；
302)利用步骤2)预处理后的数据对时间卷积神经网络模型进行训练，具体采用Minibatch的方式馈入数据，设置batchsize为256，同时在神经网络添加Dropout层用于防止过拟合，采用Adam优化器进行训练，学习率为0.0001，训练次数为100次，选取训练误差最小的一次，作为最优模型用于负荷分解。
2.根据权利要求1所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤2)具体包括以下步骤：
201)对采集的数据选择测试用负荷数据；
202)利用NILMTK工具包提取负荷数据；
203)对数据进行预处理，去除所有包含有缺失值的时间段；
204)利用滑动窗口方法对所获得的原始数据进行扩充；
205)利用零均值归一化方式对扩充完成的数据做归一化处理，用于时间卷积神经网络模型训练。
3.根据权利要求2所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤202)的具体过程为：
设定家庭序号、时间段、用电设备名称、采样频率，对原始数据集进行初次数据采样，并通过NILMTK工具包将原始数据转化为可用于科学计算的数据格式。
4.根据权利要求2所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤202)中，所述原始数据集为UK-DALE公开数据集。
5.根据权利要求2所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤204)的具体过程为：
利用滑动窗口方法，对数据进行扩充，以主表功率数据和用电设备功率数据制定对应的特征数据和标签数据；滑动窗口在给定的样本数据上进行步长为1的滑动，每一次滑动窗口将会产生一组数据。
6.根据权利要求2所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤205)的具体过程为：
数据完全生成后利用零均值归一化方式对数据做归一化处理，计算方法如下所示：
Train_x，Train_y分别为归一化后的主表功率序列和用电设备功率值，M_data为主表功率序列的原始数据，M_mean为主表功率序列的均值，M_std为主表功率序列的标准差，A_data为用电设备功率的原始数据，A_mean为用电设备功率的均值，A_std为用电设备功率的标准差。
7.根据权利要求1所述的一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法，其特征在于，步骤4)的具体过程为：
当时间卷积神经网络模型训练完成后，将待分解的用户用电功率序列按照步骤2)训练数据的处理方式进行处理，将该数据馈入步骤3)得到的最优模型，得到神经网路的输出值，做反归一化还原为真实功率值，负荷分解完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008393.2A CN112215406B (zh) | 2020-09-23 | 2020-09-23 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008393.2A CN112215406B (zh) | 2020-09-23 | 2020-09-23 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215406A CN112215406A (zh) | 2021-01-12 |
| CN112215406B true CN112215406B (zh) | 2024-04-16 |
Family
ID=74050930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011008393.2A Active CN112215406B (zh) | 2020-09-23 | 2020-09-23 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215406B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112924779A (zh) * | 2021-01-25 | 2021-06-08 | 河北科技大学 | 非侵入式负荷识别方法、装置及终端设备 |
| CN113191409A (zh) * | 2021-04-20 | 2021-07-30 | 国网江苏省电力有限公司营销服务中心 | 标签数据扩充与深度学习的居民异常用电行为检测方法 |
| 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 |
| CN113592671B (zh) * | 2021-07-30 | 2024-04-26 | 上海电力大学 | 一种基于长短时神经网络的居民负荷曲线分解方法 |
| CN113901726B (zh) * | 2021-10-27 | 2024-06-21 | 国网西藏电力有限公司拉萨供电公司 | 基于seq2point模型的非侵入式负荷分解方法 |
| CN114091576A (zh) * | 2021-10-29 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于双向扩张卷积的负荷分解方法 |
| CN114372538B (zh) * | 2022-03-22 | 2023-04-18 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
| AU2018100318A4 (en) * | 2018-03-14 | 2018-04-26 | Li, Shuhan Mr | A method of generating raw music audio based on dilated causal convolution network |
| CN107992938A (zh) * | 2017-11-24 | 2018-05-04 | 清华大学 | 基于正反卷积神经网络的时空大数据预测方法和系统 |
| CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
| 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 |
| CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
| CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
| CN111126680A (zh) * | 2019-12-11 | 2020-05-08 | 浙江大学 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
| CN111507521A (zh) * | 2020-04-15 | 2020-08-07 | 北京智芯微电子科技有限公司 | 台区电力负荷预测方法及预测装置 |
-
2020
- 2020-09-23 CN CN202011008393.2A patent/CN112215406B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
| CN107992938A (zh) * | 2017-11-24 | 2018-05-04 | 清华大学 | 基于正反卷积神经网络的时空大数据预测方法和系统 |
| AU2018100318A4 (en) * | 2018-03-14 | 2018-04-26 | Li, Shuhan Mr | A method of generating raw music audio based on dilated causal convolution network |
| CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
| 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 |
| CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
| CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
| CN111126680A (zh) * | 2019-12-11 | 2020-05-08 | 浙江大学 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
| CN111507521A (zh) * | 2020-04-15 | 2020-08-07 | 北京智芯微电子科技有限公司 | 台区电力负荷预测方法及预测装置 |
Non-Patent Citations (3)
| Title |
|---|
| "ENERGY DISAGGREGATION USING FRACTIONAL CALCULUS";Pascal A. Schirmer，等;《IEEE international conference on acoustics》;3257-3261 * |
| "基于时间卷积神经网络的非侵入式居民 用电负荷分解方法";刘仲民，等;《电力建设》;第42卷(第3期);97-106 * |
| "基于深度学习的非侵入式住宅电负荷分解方法";姜波;《中国优秀硕士学位论文全文数据库》(第2期);1-67 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215406A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215406B (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
| CN110376457B (zh) | 基于半监督学习算法的非侵入式负荷监测方法及装置 | |
| CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
| CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
| CN112215405B (zh) | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 | |
| CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
| CN112434799A (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
| CN110264041A (zh) | 一种基于差分的非侵入式负载分解及监测方法 | |
| CN114037178A (zh) | 基于无监督预训练神经网络的非侵入式负荷分解方法 | |
| Chen et al. | Nonintrusive load monitoring based on self-supervised learning | |
| Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
| CN109902356A (zh) | 电力信号非侵入式负载分解方法 | |
| CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
| CN113378655B (zh) | 一种基于深度神经网络的对抗性能量分解方法 | |
| CN115374814A (zh) | 一种基于多任务学习的非侵入式负荷分解方法 | |
| CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
| Liu et al. | Nonintrusive load disaggregation combining with external attention mechanism and Seq2Piont | |
| CN113687182A (zh) | 基于降噪自动编码器的家用负荷辨识方法、程序和系统 | |
| Shen et al. | Aiot-empowered smart grid energy management with distributed control and non-intrusive load monitoring | |
| Xiong et al. | Research on Industrial Load Decomposition Based on Correlation Analysis and DNN | |
| CN113033076A (zh) | 基于多链分解方法的非侵入式负荷监测方法及装置 | |
| El Bakali et al. | Data-Based Solar Radiation Forecasting with Pre-Processing Using Variational Mode Decomposition | |
| CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
| Precioso et al. | Thresholding methods in non-intrusive load monitoring to estimate appliance status |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Kun Inventor after: Gao Jinggeng Inventor after: Yang Xi Inventor after: Liu Jirong Inventor after: Yang Chunguang Inventor after: Hou Qi Inventor after: Dong Zhiying Inventor after: Yang Liu Inventor after: Su Haijun Inventor before: Su Haijun Inventor before: Wang Kun Inventor before: Gao Jinggeng Inventor before: Yang Xi Inventor before: Liu Jirong Inventor before: Yang Chunguang Inventor before: Hou Qi Inventor before: Dong Zhiying Inventor before: Yang Liu |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240318 Address after: 730070 no.249 Wanxin North Road, Anning District, Lanzhou City, Gansu Province Applicant after: STATE GRID GASU ELECTRIC POWER Research Institute Country or region after: China Applicant after: State Grid Gansu Electric Power Company Marketing Service Center Address before: 730000, No.8, Beibinhe East Road, Chengguan District, Lanzhou City, Gansu Province Applicant before: State Grid Gansu Electric Power Company Marketing Service Center Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |