CN112348096B - 非侵入式负荷分解方法及系统 - Google Patents

非侵入式负荷分解方法及系统 Download PDF

Info

Publication number
CN112348096B
CN112348096B CN202011256024.5A CN202011256024A CN112348096B CN 112348096 B CN112348096 B CN 112348096B CN 202011256024 A CN202011256024 A CN 202011256024A CN 112348096 B CN112348096 B CN 112348096B
Authority
CN
China
Prior art keywords
power
matrix
data
semi
supervised
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
Application number
CN202011256024.5A
Other languages
English (en)
Other versions
CN112348096A (zh
Inventor
周开乐
李鹏涛
焦建玲
杨善林
丁涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202011256024.5A priority Critical patent/CN112348096B/zh
Publication of CN112348096A publication Critical patent/CN112348096A/zh
Application granted granted Critical
Publication of CN112348096B publication Critical patent/CN112348096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种非侵入式负荷分解方法及系统，涉及电力系统自动化分析技术领域。本发明的技术方案首先通过获取半监督字典学习模型的训练集，然后构建半监督字典学习模型，再基于上述获取的训练集训练半监督字典学习模型，最后基于训练后的半监督字典学习模型实现用电设备的负荷分解。本发明的技术方案利用较少的有标记电表数据和大量未标记的电表数据实现非侵入式负荷分解，有效避免了侵入式负荷分解方法需要高硬件成本和数据量大的问题，同时降低了数据采集、数据存储和数据处理的难度，并且有效提高了非侵入式负荷分解的准确率。

Description

非侵入式负荷分解方法及系统
技术领域
本发明涉及电力系统自动化分析技术领域，具体涉及一种非侵入式负荷分解方法及系统。
背景技术
近年来，随着智能电网的不断发展，电力公司和电力用户之间的信息交互愈加频繁，通过对电力数据的分析和挖掘，电力公司可以更好地为电力用户提供优质的服务，同时电力用户也可以更好地参与需求侧管理。负荷分解技术是实现对电力用户电器层级电力能耗数据分析的重要方法，其分为侵入式和非侵入式负荷分解两种，而相比于侵入式负荷分解，非侵入式负荷分解由于可以有效降低电力公司和电力用户的安装和维护成本，且安全可靠，在工程实用性方面具有明显优势。
现有的非侵入式负荷分解技术多采用整数规划、状态估计和基于监督学习的机器学习等方法。基于状态估计的非侵入性负荷分解方法通常采用隐形马尔科夫模型构建模拟用电设备实际运行的数学模型，通过对各数学模型进行参数估计和最优状态估计以实现非侵入式的能量分解；基于监督学习的非侵入性负荷分解技术，即使用模式识别的方法进行负荷分解，实际上就是通过学习各用电设备的负荷特征模式，达到识别负荷的目标。
但状态估计类的负荷分解方法需要求解状态模型参数，需要大量的训练数据集才能获得良好的分析效果；而基于监督学习方法所构建的负荷分解模型分解精度与有标签数据的数据量相关，而获取大量有标记的数据需要花费大量的人力物力；基于整数规划的非侵入式负荷分解方法，处理负荷识别问题时求解效率低，对于涉及多种电器设备同时运行的情况，缺少有效的高精度分解方法。综上，现有的非侵入式负荷分解方法存在数据采集耗时费力但负荷分解精度不高的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种非侵入式负荷分解方法及系统，解决了现有的非侵入式负荷分解方法存在数据采集耗时费力但负荷分解精度不高的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供了一种非侵入式负荷分解方法，所述方法包括：
获取功率数据，基于所述功率数据获取半监督字典学习模型的训练集；
构建半监督字典学习模型；
基于所述训练集训练所述半监督字典学习模型；
基于训练后的所述半监督字典学习模型进行负荷分解。
优选的，获取半监督字典学习模型的训练集，具体包括：
采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)；
将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共同构成有标签数据集DL，其余u个子序列共同构成无标签数据集DU；其中，T/k＝u+l，l≤u，T，k，u，l均为正整数；
由所述有标签数据集DL和所述无标签数据集DU共同构成所述模型训练集。
优选的，所述半监督字典学习模型的目标函数为：
Figure GDA0003790286870000021
Figure GDA0003790286870000022
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
XL表示有标签数据集DL中的序列集合；
XU表示无标签数据集DU中的序列集合；
T表示电力用户用电的时间段；
D＝[D1,D2,...,DC]为对应不同电器功率曲线构建的字典；
Z＝[Z1,Z2,...，,ZC]为不同电器功率曲线的稀疏编码；
Figure GDA0003790286870000031
为有标签数据的重构误差项；
Figure GDA0003790286870000032
为无标签数据的重构误差项；
α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；
f(E)为有监督学习过程中的局部约束函数；
Figure GDA0003790286870000033
为用于增强字典判别行的标签约束项；
Figure GDA0003790286870000034
表示预测结果标签矩阵；
Y表示有标签序列的真实标签矩阵；
U表示对角矩阵；
Figure GDA0003790286870000035
为约束项。
优选的，有监督学习过程中的所述局部约束函数f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W；
Figure GDA0003790286870000036
Figure GDA0003790286870000037
Figure GDA0003790286870000041
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
T为电力用户用电的时间段；
Sω(E)为类内散度矩阵；
SB(E)为类间散度矩阵；
tr(Sω(E))表示类内散度矩阵的迹；
tr(SB(E))表示类间散度矩阵的迹；
β1为平衡参数，β1取值范围为(0,1)；
Ei＝[eij]为样本原子误差矩阵；
E＝[Ei]为局部自适应矩阵；
W为重构系数矩阵，W＝[w1,w2,…,wn]，其中wi表示样本的重构稀疏向量；
eij为样本与第i个字典中第j个原子之间的距离；
dij表示字典Di的第j个原子；
σ为控制参数；
qi为Ei的均值矩阵；
q为E的均值矩阵；
ki表示原子的个数。
优选的，基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：
求解所述半监督字典学习模型的目标函数；
求解稀疏恢复问题，确定待分解用电设备的负荷系数；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗。
优选的，所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；
x表示待分解的功率数据对应的序列；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码。
优选的，基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗，包括运用以下公式：
Figure GDA0003790286870000051
其中，
Figure GDA0003790286870000052
为第i个电器的功耗；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
第二方面，本发明还提供了一种非侵入式负荷分解系统,所述系统包括：
数据获取模块，用于获取电力用户的功率数据，并利用所述功率数据获取模型的训练集数据；
模型构建模块，用于构建半监督字典学习模型；
模型训练模块，用于基于所述训练集数据训练所述半监督字典学习模型；
负荷分解模块，用于基于训练后的所述半监督字典学习模型进行待分解用电设备的负荷分解。
优选的，所述半监督字典学习模型的目标函数为：
Figure GDA0003790286870000053
Figure GDA0003790286870000054
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
XL表示有标签数据集DL中的序列集合；
XU表示无标签数据集DU中的序列集合；
T表示电力用户用电的时间段；
D＝[D1,D2,...,DC]为对应不同电器功率曲线构建的字典；
Z＝[Z1,Z2,...，,ZC]为不同电器功率曲线的稀疏编码；
Figure GDA0003790286870000061
为有标签数据的重构误差项；
Figure GDA0003790286870000062
为无标签数据的重构误差项；
α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；
f(E)为有监督学习过程中的局部约束函数；
Figure GDA0003790286870000063
为用于增强字典判别行的标签约束项；
Figure GDA0003790286870000064
表示预测结果标签矩阵；
Y表示有标签序列的真实标签矩阵；
U表示对角矩阵；
Figure GDA0003790286870000065
为约束项；
所述有监督学习过程中的局部约束函数f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure GDA0003790286870000066
Figure GDA0003790286870000067
Figure GDA0003790286870000068
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
T为电力用户用电的时间段；
Sω(E)为类内散度矩阵；
SB(E)为类间散度矩阵；
tr(Sω(E))表示类内散度矩阵的迹；
tr(SB(E))表示类间散度矩阵的迹；
β1为平衡参数，β1取值范围为(0,1)；
Ei＝[eij]为样本原子误差矩阵；
E＝[Ei]为局部自适应矩阵；
W为重构系数矩阵，W＝[w1,w2,...,wn]，其中wi表示样本的重构稀疏向量；
eij为样本与第i个字典中第j个原子之间的距离；
dij表示字典Di的第j个原子；
σ为控制参数；
qi为Ei的均值矩阵；
q为E的均值矩阵；
ki表示原子的个数。
优选的，所述负荷分解模块基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：
求解所述半监督字典学习模型的目标函数；
求解稀疏恢复问题，确定待分解用电设备的负荷系数；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗；
所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；
x表示待分解的功率数据对应的序列；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗，包括运用以下公式：
Figure GDA0003790286870000071
其中，
Figure GDA0003790286870000081
为第i个电器的功耗；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
(三)有益效果
本发明提供了一种非侵入式负荷分解方法及系统。与现有技术相比，具备以下有益效果：
本发明通过获取电力用户一段时间内的功率数据之后，将功率数据分成有标签数据集和无标签数据集，然后将上述有标签数据集和无标签数据集作为训练集训练所构建的半监督字典学习模型，并求解半监督字典学习模型的目标函数的负荷系数，然后基于所求的负荷系数进行负荷分解，求解单个设备的功耗。本发明的技术方案利用较少的有标记电表数据和大量未标记的电表数据实现非侵入式负荷分解，不仅有效避免了现有侵入式负荷分解方法需要安装大量分电表所带来的高硬件成本和数据量大的问题，同时该方案无需获取电压、电流、功率因数等其他电量参数，有效降低了数据采集、数据存储和数据处理的难度，并且有效提高了非侵入式负荷分解的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例中一种非侵入式负荷分解方法的流程图；
图2为本实施例中基于半监督字典学习模型进行负荷分解的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种非侵入式负荷分解方法及系统，解决了现有的非侵入式负荷分解方法存在数据采集耗时费力但负荷分解精度不高的问题，实现只采用少量数据就能获得高精度的非侵入式负荷分解的目的。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
为了避免侵入式负荷分解技术需要在电力用户的电器负载上安装分电表而造成安装和维护成本高的问题，同时解决现有的非侵入式负荷分解方法存在数据采集耗时费力但负荷分解精度不高的问题，本发明构建用于非侵入式负荷分解的半监督字典学习模型，只利用较少的有标记电表数据和大量未标记的电表数据对上述模型进行训练，然后求解负荷系数，获得单个用电设备的功耗，最终实现非侵入式负荷分解的目的。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
本发明的实施例首先提出了一种非侵入式负荷分解方法，参见图1，所述方法包括：
S1、获取功率数据，基于上述功率数据获取半监督字典学习模型的训练集；
S2、构建半监督字典学习模型；
S3、基于上述训练集训练上述半监督字典学习模型；
S4、基于训练后的上述半监督字典学习模型进行负荷分解。
可见，本发明的实施例通过获取电力用户一段时间内的功率数据，将功率数据分成有标签数据集和无标签数据集，然后将上述有标签数据集和无标签数据集作为训练集训练所构建的半监督字典学习模型，并求解半监督字典学习模型的目标函数的负荷系数，然后基于所求的负荷系数进行负荷分解，求解单个设备的功耗。本发明的技术方案利用较少的有标记电表数据和大量未标记的电表数据实现非侵入式负荷分解，不仅有效避免了现有侵入式负荷分解方法需要安装大量分电表所带来的高硬件成本和数据量大的问题，同时该方案无需电压、电流、功率因数等其他电量参数，有效降低了数据采集、数据存储和数据处理的难度，并且有效提高了非侵入式负荷分解的准确率。
在本发明实施例的上述方法中，为了获取半监督字典学习模型的训练集，一种较佳的处理方式是直接利用电量传感器采集获取的功率数据，然后将采集的功率数据进行分割，得到少量的有标签数据集和大量的无标签数据集，共同组成训练半监督字典学习模型的训练集，其步骤具体包括：采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)；将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共同构成有标签数据集DL，其余u个子序列共同构成无标签数据集DU；其中，T/k＝u+l，l≤u，T，k，u，l均为正整数；由所述有标签数据集DL和所述无标签数据集DU共同构成所述模型训练集。该方法避免了现有侵入式负荷分解方法需要安装大量分电表所带来的高硬件成本和数据量大的问题，同时该方案无需电压、电流、功率因数等其他电量参数，有效降低了数据采集、数据存储和数据处理的难度。
另外，在构建半监督字典学习模型时，为了提高半监督字典学习模型对用电设备进行非侵入式负荷分解的精度，一种较佳的处理方式是使用如下函数作为半监督字典学习模型的目标函数，该函数为：
Figure GDA0003790286870000101
Figure GDA0003790286870000102
其中，
i表示第i个电器，i＝{1,2,3,...,C}，
C表示电器总个数；
XL表示有标签数据集DL中的序列集合；
XU表示无标签数据集DU中的序列集合；
T表示电力用户用电的时间段；
D＝[D1,D2,...,DC]为对应不同电器功率曲线构建的字典；
Z＝[Z1,Z2,...,ZC]为不同电器功率曲线的稀疏编码；
Figure GDA0003790286870000111
为有标签数据的重构误差项；
Figure GDA0003790286870000112
为无标签数据的重构误差项；
α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；
f(E)为有监督学习过程中的局部约束函数；
Figure GDA0003790286870000113
为用于增强字典判别行的标签约束项；
Figure GDA0003790286870000114
表示预测结果标签矩阵；
Y表示有标签序列的真实标签矩阵；
U表示对角矩阵；
Figure GDA0003790286870000115
为约束项。
同时，有监督学习过程中局部约束函数f(E)可以进一步提升字典在电器识别和分类过程中的判别能力。f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure GDA0003790286870000116
Figure GDA0003790286870000117
Figure GDA0003790286870000121
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；T为电力用户用电的时间段；
Sω(E)为类内散度矩阵；
SB(E)为类间散度矩阵；
tr(Sω(E))表示类内散度矩阵的迹；
tr(SB(E))表示类间散度矩阵的迹；
β1为平衡参数，β1取值范围为(0,1)；
Ei＝[eij]为样本原子误差矩阵；
E＝[Ei]为局部自适应矩阵；
W为重构系数矩阵，W＝[w1,w2,…,wn]，其中wi表示样本的重构稀疏向量；
eij为样本与第i个字典中第j个原子之间的距离；dij表示字典Di的第j个原子；
σ为控制参数；qi为Ei的均值矩阵；q为E的均值矩阵；ki表示原子的个数。
在本发明的实施例中，利用训练后的半监督字典学习模型进行负荷分解，一种较佳的处理方式具体包括以下步骤：求解所述半监督字典学习模型的目标函数；求解稀疏恢复问题，确定待分解用电设备的负荷系数；基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗。其中，在求解稀疏恢复问题，确定待分解用电设备的负荷系数时，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；x表示待分解的功率数据对应的序列；Di为根据第i个电器的功率曲线构建的字典；Zi为第i个电器功率曲线的稀疏编码。在基于负荷系数进行负荷分解，得到待分解用电设备的功耗时，包括运用以下公式：
Figure GDA0003790286870000131
其中，
Figure GDA0003790286870000132
为第i个电器的功耗；Di为根据第i个电器的功率曲线构建的字典；Zi为第i个电器功率曲线的稀疏编码；i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
下面结合对具体步骤的解释，来详细说明本发明一个实施例的实现过程。
图1是一种非侵入性负荷分解方法的整体流程图，参见图1，非侵入性负荷分解方法具体过程包括：
S1、获取功率数据，基于上述功率数据获取半监督字典学习模型的训练集。获取半监督字典学习模型的训练集的具体过程又包括：
S11、采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)。
通过智能电表采集电力用户T时段的功率数据，获取作为长度为T的功率信号P(t)。在实施非侵入性负荷分解方案时，一般会采用低频数据和高频数据两种类型数据，但在实际应用时，由于电力用户的部分电器开启时间短，数据采集频率低，导致分解模型难以获取电器运行时的功率特征，因此在采集数据时，设定一个常用数据采集频率，在本实施例中，该数据的采集频率不低于1/6Hz。假设该电力用户共有C个电器，则功率信号P(t)可以表示为
Figure GDA0003790286870000133
其中xi(t)表示t时刻第i个电器的功率。
S12、将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共同构成有标签数据集DL，其余u个子序列共同构成无标签数据集DU；其中，T/k＝u+l，l≤u，T，k，u，l均为正整数。
然后，将上述采集到的功率信号P(t)分成T/k个长度为k的子序列，其中l个序列为已知其所属电器类别，且该l个序列,即序列xi(i＝1,2,...,l)共同构成有标签数据集DL＝{(xi,yc),yc＝1,2,...,C}，其中，l满足(l≤T/k-l)；将剩余的u＝T/k-l个子序列作为无标签序列,即序列xi(i＝l+1,l+2,…,l+u)所属电器类别未知，共同构成无标签数据集DU＝{(xi,yc),yc＝1,2,...,C}。
S13、由上述有标签数据集DL和上述无标签数据集DU共同构成上述训练集。
将有标签数据集DL和无标签数据集DU共同构成用于训练半监督字典学习模型的训练集,记为Dtrain＝{DL,DU}。
S2、构建半监督字典学习模型。
构建一个用于非侵入式负荷分解的半监督字典学习模型，所述半监督字典学习模型的目标函数为：
Figure GDA0003790286870000141
Figure GDA0003790286870000142
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；XL表示有标签数据集DL中的序列集合；XU表示无标签数据集DU中的序列集合；T表示电力用户用电的时间段；D＝[D1,D2,…,DC]为对应不同电器功率曲线构建的字典；Z＝[Z1,Z2,…,ZC]为不同电器功率曲线的稀疏编码；
Figure GDA0003790286870000143
为有标签数据的重构误差项；
Figure GDA0003790286870000144
为无标签数据的重构误差项；α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；f(E)为有监督学习过程中的局部约束函数；
Figure GDA0003790286870000145
为用于增强字典判别行的标签约束项；
Figure GDA0003790286870000146
表示预测结果标签矩阵；Y表示有标签序列的真实标签矩阵；U表示对角矩阵；
Figure GDA0003790286870000147
为约束项。
其中，利用局部约束的Fisher提升算法，进一步提升字典D在电器识别和分类过程中的判别能力，基于Fisher提升算法构建函数f(E)，将f(E)作为有监督学习过程中局部约束函数，其用公式可表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure GDA0003790286870000151
Figure GDA0003790286870000152
Figure GDA0003790286870000153
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；T为电力用户用电的时间段；Sω(E)为类内散度矩阵；SB(E)为类间散度矩阵；tr(Sω(E))表示类内散度矩阵的迹；tr(SB(E))表示类间散度矩阵的迹；β1为平衡参数，表示||E⊙W||的权重，其取值范围为(0,1)；Ei＝[eji]为样本原子误差矩阵；E＝[Ei]为局部自适应矩阵；W为重构系数矩阵，W＝[w1,w2,...,wn]，其中wi表示样本的重构稀疏向量；eij为样本与第i个字典中第j个原子之间的距离；dij表示字典Di的第j个原子；σ为控制参数；qi为Ei的均值矩阵；q为E的均值矩阵；ki表示原子的个数。
Figure GDA0003790286870000154
为用于增强字典判别行的标签约束项，利用
Figure GDA0003790286870000155
进一步增强用于非侵入式负荷分解的半监督字典学习模型的判别能力。
Figure GDA0003790286870000156
主要用于有标签学习的训练阶段，对于有标签数据集中的序列，将其视为待预测序列，并输入至模型中得到预测类别标签
Figure GDA0003790286870000157
(
Figure GDA0003790286870000158
表示在模型训练过程中对有标签数据集中xi的预测类别标签)，
Figure GDA0003790286870000159
表示预测结果标签矩阵；Y＝[y1,y2,...,yl]则为有标签序列的真实标签矩阵，Y＝[y1,y2,...,yl]，其中yi表示有标签数据集中xi的类别标签；U表示对角矩阵，其对角线元素uii为
Figure GDA00037902868700001510
通过最小化
Figure GDA00037902868700001511
即可增强字典的判别能力。
S3、基于上述训练集训练上述半监督字典学习模型。
利用上述训练集Dtrain＝{DL,DU}训练上述半监督字典学习模型。将有标签数据集DL中的每个序列输入上述模型，迭代更新字典D和稀疏矩阵Z以最小化目标函数，通过训练得到对应电器类别的字典D和稀疏矩阵Z，然后对无标签数据集DU进行判别，得到判别结果后，将获得标签后的无标签数据集DU重复上述迭代更新字典D和稀疏矩阵Z以最小化目标函数的过程，最终通过最小化目标函数获得字典D和稀疏矩阵Z。在模型训练过程当中，通过不断调整目标函数的平衡参数α1和γ1，使得目标函数更快收敛。其中α1和γ1用于表示目标函数中对应各部分的权重，α1对应f(E)的权重，γ1对应||Z||的权重。目标函数的平衡参数α1和γ1取值范围为(0,1)。
S4、基于训练后的上述半监督字典学习模型进行负荷分解。
图2为本实施例中基于半监督字典学习模型进行负荷分解的流程图，参见图2，负荷分解包括以下流程：
S41、求解上述半监督字典学习模型的目标函数。求解目标函数，解得对应不同电器功率曲线构建的字典D，不同电器功率曲线的稀疏编码Z。
S42、求解稀疏恢复问题，确定待分解用电设备的负荷系数。将待分解功率数据对应的序列输入下列函数公式，计算残差ri，找出残差ri最小值时与之对应的字典Di所属的类别i即为待分解序列所属的电器类别i，Di和Zi即为待分解用电设备i类电器的负荷系数。残差ri的计算公式为：
ri＝||x-DiZi||；
其中，ri表示残差；x表示待分解的功率数据对应的序列。
S43、基于上述负荷系数进行负荷分解，得到上述待分解用电设备的功耗。基于上述负荷系数进行负荷分解，得到单个待分解用电设备的功耗。单个设备的功耗用公式表示为：
Figure GDA0003790286870000161
至此，完成了本发明一种非侵入性负荷分解方法的全部过程。
实施例2：
第二方面，本发明还提供了一种非侵入式负荷分解系统，该系统包括：
数据获取模块，用于获取电力用户的功率数据，并利用功率数据获取模型的训练集数据；
模型构建模块，用于构建半监督字典学习模型；
模型训练模块，用于基于上述训练集数据训练上述半监督字典学习模型；
负荷分解模块，用于基于训练后的上述半监督字典学习模型进行待分解用电设备的负荷分解。
其中，可选的，模型构建模块在构建半监督字典学习模型时，半监督字典学习模型的目标函数为：
Figure GDA0003790286870000171
Figure GDA0003790286870000172
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；XL表示有标签数据集DL中的序列集合；XU表示无标签数据集DU中的序列集合；T表示电力用户用电的时间段；D＝[D1,D2,…,DC]为对应不同电器功率曲线构建的字典；Z＝[Z1,Z2,…,ZC]为不同电器功率曲线的稀疏编码；
Figure GDA0003790286870000173
为有标签数据的重构误差项；
Figure GDA0003790286870000174
为无标签数据的重构误差项；α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；f(E)为有监督学习过程中的局部约束函数；
Figure GDA0003790286870000175
为用于增强字典判别行的标签约束项；
Figure GDA0003790286870000176
表示预测结果标签矩阵；Y表示有标签序列的真实标签矩阵；U表示对角矩阵；
Figure GDA0003790286870000177
为约束项。
并且，可选的，有监督学习过程中的局部约束函数f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure GDA0003790286870000181
Figure GDA0003790286870000182
Figure GDA0003790286870000183
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；T为电力用户用电的时间段；Sω(E)为类内散度矩阵；SB(E)为类间散度矩阵；tr(Sω(E))表示类内散度矩阵的迹；tr(SB(E))表示类间散度矩阵的迹；β1为平衡参数，表示||E⊙W||的权重，其取值范围为(0,1)；Ei＝[eji]为样本原子误差矩阵；E＝[Ei]为局部自适应矩阵；W为重构系数矩阵，W＝[w1,w2,...,wn]，其中wi表示样本的重构稀疏向量；eij为样本与第i个字典中第j个原子之间的距离；dij表示字典Di的第j个原子；σ为控制参数；qi为Ei的均值矩阵；q为E的均值矩阵；ki表示原子的个数。
可选的，基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：
求解所述半监督字典学习模型的目标函数；
求解稀疏恢复问题，确定待分解用电设备的负荷系数；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗。
可选的，所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；
x表示待分解的功率数据对应的序列；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码。
可选的，基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗，包括运用以下公式：
Figure GDA0003790286870000191
其中，
Figure GDA0003790286870000192
为第i个电器的功耗；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
可理解的是，本发明实施例提供的非侵入式负荷分解系统与上述非侵入式负荷分解方法相对应，其有关内容的解释、举例、有益效果等部分可以参考非侵入式负荷分解方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明通过获取电力用户一段时间内的功率数据，将功率数据分成有标签数据集和无标签数据集，然后将上述有标签数据集和无标签数据集作为训练集训练所构建的半监督字典学习模型，并求解半监督字典学习模型的目标函数的负荷系数，然后基于所求的负荷系数进行负荷分解，求解单个设备的功耗。本发明的技术方案利用较少的有标记电表数据和大量未标记的电表数据实现非侵入式负荷分解，不仅有效避免了现有侵入式负荷分解方法需要安装大量分电表所带来的高硬件成本和数据量大的问题，同时该方案无需电压、电流、功率因数等其他电量参数，有效降低了数据采集、数据存储和数据处理的难度，并且有效提高了非侵入式负荷分解的准确率。
2、本发明在构建半监督字典学习模型的过程中，通过设置有标签数据的重构误差项
Figure GDA0003790286870000193
和无标签数据的重构误差项
Figure GDA0003790286870000194
提升了半监督字典学习模型在半监督学习过程中字典D和稀疏编码Z对序列xi的稀疏表达能力；通过设置有监督学习过程中局部约束函数f(E)，进一步提升字典在电器识别和分类过程中的判别能力；设置用于增强字典判别行的标签约束项
Figure GDA0003790286870000195
进一步增强非侵入式负荷分解的半监督字典学习模型的判别能力。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种非侵入式负荷分解方法，其特征在于，所述方法包括：
获取功率数据，基于所述功率数据获取半监督字典学习模型的训练集；
构建半监督字典学习模型；
基于所述训练集训练所述半监督字典学习模型；
基于训练后的所述半监督字典学习模型进行负荷分解；
所述半监督字典学习模型的目标函数为：
Figure FDA0003746005380000011
Figure FDA0003746005380000012
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
XL表示有标签数据集DL中的序列集合；
XU表示无标签数据集DU中的序列集合；
T表示电力用户用电的时间段；
D＝[D1,D2,...,DC]为对应不同电器功率曲线构建的字典；
Z＝[Z1,Z2,...,ZC]为不同电器功率曲线的稀疏编码；
Figure FDA0003746005380000013
为有标签数据的重构误差项；
Figure FDA0003746005380000014
为无标签数据的重构误差项；
α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；
f(E)为有监督学习过程中的局部约束函数；
Figure FDA0003746005380000015
为用于增强字典判别行的标签约束项；
Figure FDA0003746005380000016
表示预测结果标签矩阵；
Y表示有标签序列的真实标签矩阵；
U表示对角矩阵；
Figure FDA0003746005380000021
为约束项；
所述有监督学习过程中的所述局部约束函数f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure FDA0003746005380000022
Figure FDA0003746005380000023
Figure FDA0003746005380000024
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
T为电力用户用电的时间段；
Sω(E)为类内散度矩阵；
SB(E)为类间散度矩阵；
tr(Sω(E))表示类内散度矩阵的迹；
tr(SB(E))表示类间散度矩阵的迹；
β1为平衡参数，β1取值范围为(0,1)；
Ei＝[eij]为样本原子误差矩阵；
E＝[Ei]为局部自适应矩阵；
W为重构系数矩阵，W＝[w1,w2,…,wn]，其中wi表示样本的重构稀疏向量；
eij为样本与第i个字典中第j个原子之间的距离；
dij表示字典Di的第j个原子；
σ为控制参数；
qi为Ei的均值矩阵；
q为E的均值矩阵；
ki表示原子的个数。
2.如权利要求1所述的方法，其特征在于，获取功率数据，基于所述功率数据获取半监督字典学习模型的训练集，具体包括：
采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)；
将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共同构成有标签数据集DL，其余u个子序列共同构成无标签数据集DU；其中，T/k＝u+l，l≤u，T，k，u，l均为正整数；
由所述有标签数据集DL和所述无标签数据集DU共同构成所述模型训练集。
3.如权利要求2所述的方法，其特征在于，基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：
求解所述半监督字典学习模型的目标函数；
求解稀疏恢复问题，确定待分解用电设备的负荷系数；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗。
4.如权利要求3所述的方法，其特征在于，所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；
x表示待分解的功率数据对应的序列；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码。
5.如权利要求3所述的方法，其特征在于，基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗，包括运用以下公式：
Figure FDA0003746005380000031
其中，
Figure FDA0003746005380000032
为第i个电器的功耗；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
6.一种非侵入式负荷分解系统，其特征在于，所述系统包括：
数据获取模块，用于获取电力用户的功率数据，并利用所述功率数据获取模型的训练集数据；
模型构建模块，用于构建半监督字典学习模型；
模型训练模块，用于基于所述训练集数据训练所述半监督字典学习模型；
负荷分解模块，用于基于训练后的所述半监督字典学习模型进行待分解用电设备的负荷分解；
所述半监督字典学习模型的目标函数为：
Figure FDA0003746005380000041
Figure FDA0003746005380000042
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
XL表示有标签数据集DL中的序列集合；
XU表示无标签数据集DU中的序列集合；
T表示电力用户用电的时间段；
D＝[D1,D2,…,DC]为对应不同电器功率曲线构建的字典；
Z＝[Z1,Z2,…,ZC]为不同电器功率曲线的稀疏编码；
Figure FDA0003746005380000043
为有标签数据的重构误差项；
Figure FDA0003746005380000044
为无标签数据的重构误差项；
α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；
f(E)为有监督学习过程中的局部约束函数；
Figure FDA0003746005380000045
为用于增强字典判别行的标签约束项；
Figure FDA0003746005380000046
表示预测结果标签矩阵；
Y表示有标签序列的真实标签矩阵；
U表示对角矩阵；
Figure FDA0003746005380000051
为约束项；
所述有监督学习过程中的局部约束函数f(E)用公式表示为：
f(E)＝tr(Sω(E))-tr(SB(E))+β1||E⊙W||；
Figure FDA0003746005380000052
Figure FDA0003746005380000053
Figure FDA0003746005380000054
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
T为电力用户用电的时间段；
Sω(E)为类内散度矩阵；
SB(E)为类间散度矩阵；
tr(Sω(E))表示类内散度矩阵的迹；
tr(SB(E))表示类间散度矩阵的迹；
β1为平衡参数，β1取值范围为(0,1)；
Ei＝[eij]为样本原子误差矩阵；
E＝[Ei]为局部自适应矩阵；
W为重构系数矩阵，W＝[w1,w2,...,wn]，其中wi表示样本的重构稀疏向量；
eij为样本与第i个字典中第j个原子之间的距离；
dij表示字典Di的第j个原子；
σ为控制参数；
qi为Ei的均值矩阵；
q为E的均值矩阵；
ki表示原子的个数。
7.根据权利要求6所述的系统，其特征在于，所述负荷分解模块基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：
求解所述半监督字典学习模型的目标函数；
求解稀疏恢复问题，确定待分解用电设备的负荷系数；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗；
所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：
ri＝||x-DiZi||；
其中，ri表示残差；
x表示待分解的功率数据对应的序列；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗，包括运用以下公式：
Figure FDA0003746005380000061
其中，
Figure FDA0003746005380000062
为第i个电器的功耗；
Di为根据第i个电器的功率曲线构建的字典；
Zi为第i个电器功率曲线的稀疏编码；
i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数。
CN202011256024.5A 2020-11-11 2020-11-11 非侵入式负荷分解方法及系统 Active CN112348096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011256024.5A CN112348096B (zh) 2020-11-11 2020-11-11 非侵入式负荷分解方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011256024.5A CN112348096B (zh) 2020-11-11 2020-11-11 非侵入式负荷分解方法及系统

Publications (2)

Publication Number Publication Date
CN112348096A CN112348096A (zh) 2021-02-09
CN112348096B true CN112348096B (zh) 2022-09-09

Family

ID=74363491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011256024.5A Active CN112348096B (zh) 2020-11-11 2020-11-11 非侵入式负荷分解方法及系统

Country Status (1)

Country Link
CN (1) CN112348096B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158134B (zh) * 2021-04-07 2024-02-27 国网江苏省电力有限公司信息通信分公司 非侵入式负荷辨识模型的构建方法、装置和存储介质
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
CN113344346B (zh) * 2021-05-25 2022-10-18 合肥工业大学 基于非侵入式负荷分解的用电异常检测方法和系统
CN113469502B (zh) * 2021-06-08 2023-08-15 广西大学 一种基于字典学习的区别分组非侵入式负荷分解方法
CN114595591A (zh) * 2022-03-22 2022-06-07 清华大学 基于混合整数规划的针对工业设施的负荷分解方法和装置
CN116522151A (zh) * 2023-07-04 2023-08-01 深圳市芝电能源科技有限公司 一种半监督负荷识别及分解方法、系统及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8930422B2 (en) * 2012-06-04 2015-01-06 Northrop Grumman Systems Corporation Pipelined incremental clustering algorithm
CN104392251B (zh) * 2014-11-28 2017-05-24 西安电子科技大学 一种基于半监督字典学习的高光谱图像分类方法
CN107255772B (zh) * 2017-06-08 2020-07-03 南京工程学院 一种半监督电压暂降事故源识别方法
CN108416695B (zh) * 2018-02-24 2020-07-07 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108564107A (zh) * 2018-03-21 2018-09-21 温州大学苍南研究院 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法
CN110717354B (zh) * 2018-07-11 2023-05-12 哈尔滨工业大学 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
CN109376796A (zh) * 2018-11-19 2019-02-22 中山大学 基于主动半监督学习的图像分类方法
CN110376457B (zh) * 2019-06-28 2020-10-02 同济大学 基于半监督学习算法的非侵入式负荷监测方法及装置

Also Published As

Publication number Publication date
CN112348096A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112348096B (zh) 非侵入式负荷分解方法及系统
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
Ribeiro et al. Transfer learning with seasonal and trend adjustment for cross-building energy forecasting
Hassani et al. Forecasting European industrial production with singular spectrum analysis
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
Haynes et al. Efficient penalty search for multiple changepoint problems
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN109919188A (zh) 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法
CN109583635A (zh) 一种面向运行可靠性的短期负荷预测建模方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN111340375A (zh) 一种电费回收风险预测方法、装置、电子设备及存储介质
Yu et al. Ceam: A novel approach using cycle embeddings with attention mechanism for stock price prediction
Rodriguez et al. Power quality disturbance classification via deep convolutional auto-encoders and stacked LSTM recurrent neural networks
CN115759393A (zh) 基于集成学习的累积负荷基线预测方法
CN116632838A (zh) 应用于发电企业的电能供给分析的方法及装置
Jaipuria et al. A study on behaviour of bullwhip effect in (R, S) inventory control system considering DWT-MGGP demand forecasting model
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
Gökgöz et al. Electricity price forecasting: A comparative analysis with shallow-ann and dnn
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN116777452A (zh) 智能电表的预付费系统及其方法
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN115130924A (zh) 一种源网荷储背景下微电网电力设备资产评估方法及系统
Patil et al. Application of ARIMA and 2D-CNNs Using Recurrence Plots for Medium-Term Load Forecasting

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