CN113094931A - 一种非侵入式负荷分解方法、装置及设备 - Google Patents

Abstract

本发明公开了一种非侵入式负荷分解方法、装置及设备，本申请首先基于待负荷分解空间所有电器实时运行的总有功功率序列，通过复杂电器对应的负荷分解模型，得到各个复杂电器的功率序列，随后便可将复杂电器的功率序列从总有功功率序列中剥离并得到简单电器总功率序列，最后根据简单电器一一对应的负荷特征检测模型以及开启功率预估值确定出简单电器的功率序列即可，由于本申请中所用到的负荷分解模型以及负荷特征检测模型均与电器一一对应，因此即使待负荷分解空间中的电器数量增加，仅需要为新增电器训练其需要的专用模型即可，无需针对所有的电器重新进行训练，减少了训练过程的耗时，提升了工作效率。

Description

一种非侵入式负荷分解方法、装置及设备

技术领域

本发明涉及非侵入负荷分解领域，特别是涉及一种非侵入负荷分解方法，本发明还涉及一种非侵入负荷分解装置及设备。

背景技术

非侵入式负荷分解技术能实时监测用户的用电行为，且设备安装成本低、用户接受度高，已成为实现用户和电网友好互动的重要技术手段，然而现有技术中对于目标空间(例如某个家庭或公司)进行非侵入式负荷分解时，会针对目标空间所有电器整体建立一个负荷监测模型，一旦目标空间新增加电器时，原有的负荷监测模型便不再适用，必须针对该目标空间当前所有的电器重新训练一个负荷监测模型，由于负荷监测模型的训练时间与对应电器的总数目成正比，这个训练过程需要的时间很长，耗费了大量的时间，且工作效率较差。

因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种非侵入负荷分解方法，减少了建模时长，提升了工作效率；本发明的另一目的是提供一种非侵入负荷分解装置及设备，减少了建模时长，提升了工作效率。

为解决上述技术问题，本发明提供了一种非侵入式负荷分解方法，包括：

根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器；

以指定的采样频率以及采样时段，对所述待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列；

根据所述总有功功率序列以及各个所述复杂电器的功率序列，计算所述待负荷分解空间中所有所述简单电器在所述采样时段内的简单电器总功率序列；

根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列。

优选地，所述根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器具体为：

预先构建由各个预设热门型号电器均分别以多种预设活跃时间分布模式进行工作时的有功功率数据，组成的非侵入式负荷分解数据库；

对所述总有功功率序列中相邻采样功率进行功率组成变化事件检测，并根据检测结果确定出所述待负荷分解空间对应的常规活跃时间分布模式；

基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集；

通过对于各个所述第一先验数据集分别进行聚类，得到所述待负荷分解空间中电器各自的功率状态数量；

根据各个所述功率状态数量，将所述待负荷分解空间中的各个电器划分为复杂电器以及简单电器；

其中，活跃时间分布模式表示某个空间在一天内的电器活跃时间分布。

优选地，所述将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列具体为：

预先从所述非侵入式负荷分解数据库中，获取所述待负荷分解空间中各复杂电器在所述常规活跃时间分布模式下的有功功率并作为各自的第二先验数据集；

预先根据所述第二先验数据集以及所述总有功功率序列训练得到与各个所述第二先验数据集一一对应的复杂电器的负荷分解模型；

将所述总有功功率序列通过预设长度的时间窗进行分割；

将分割后的所述总有功功率序列均分别输入复杂电器各自对应的所述负荷分解模型，以得到各个复杂电器的功率序列。

优选地，所述根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列包括：

对所述简单电器总功率序列中相邻功率值进行功率组成变化事件检测，以确定出所述简单电器总功率序列中的各个投切事件发生的时间点；

获取所述待负荷分解空间在所述采样时段内的投切事件发生的各个时间点前后的预设类型的负荷特征；

根据预先训练好的与各个简单电器一一对应的负荷特征检测模型，确定出各个所述负荷特征对应的简单电器；

根据所述负荷特征中投切事件发生时间点前后的采样总功率差值的正负属性，确定出各个所述负荷特征对应的具体投切动作；

根据各个所述负荷特征对应的简单电器以及所述具体投切动作，确定出各个简单电器的工作状态序列；

计算各个所述简单电器的开启功率预估值；

根据所述工作状态序列以及所述开启功率预估值得到各个所述简单电器在所述采样时段内的功率序列；

其中，假设每次投切的时间点只存在一个简单电器的投切。

优选地，所述负荷特征检测模型为基于深度神经网络DNN的负荷特征检测模型；

则该非侵入式负荷分解方法还包括：

预先从所述非侵入式负荷分解数据库中，获取所述待负荷分解空间中各简单电器对应的负荷特征以及第一预设数量个随机简单电器的负荷特征；

预先根据所述待负荷分解空间中各个所述简单电器的负荷特征以及所述第一预设数量个随机简单电器的负荷特征，训练得到与所述待负荷分解空间中每个所述简单电器一一对应的基于DNN的负荷特征检测模型。

优选地，所述计算各个所述简单电器的开启功率预估值具体为：

基于所述待负荷分解空间中各简单电器对应的所述第一先验数据集，通过放射传播聚类算法计算得到各个所述简单电器的开启功率的均值以及标准差；

基于各个所述简单电器的开启功率的均值以及标准差，通过：

计算各个所述简单电器的开启功率预估值；

其中，

为简单电器j在t时刻的功率，P_t ^sim为t时刻所有的所述简单电器消耗的总功率，

为状态s_j,t下消耗功率为

的概率，f_j()为简单电机j在开启状态S^on下的高斯概率密度函数，S_j,t为电器j在t时刻的开关状态，M为所述待负荷分解空间中复杂电器的总数量，D为所述待负荷分解空间中所有电器的总数量，

为取每个简单电器的概率最大的所述开启功率预估值。

优选地，所述基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集具体为：

基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的第二预设数量的有功功率数据；

通过多个对抗生成网络模型一一对应地对于每个电器的所述第二预设数量的所述有功功率数据进行数据量的扩充；

将数据量扩充后的所述有功功率数据，作为对应电器在所述常规活跃时间分布模式下的第一先验数据集；

则该非侵入式负荷分解方法还包括：

预先从所述非侵入式负荷分解数据库中获取各个所述电器在所述常规活跃时间分布模式下的有功功率并将其作为待用训练数据；

预先对于目标电器的所述待用训练数据进行降维处理；

将经过降维处理后的所述待用训练数据输入原始的对抗生成网络中；

对原始的对抗生成网络输出的数据进行复原，以便训练得到所述目标电器的对抗生成网络模型。

优选地，所述负荷分解模型为基于双向长短时记忆循环神经网络BiLSTM网络的负荷分解模型。

为解决上述技术问题，本发明还提供了一种非侵入式负荷分解装置，包括：

划分模块，用于根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器；

采样模块，用于以指定的采样频率以及采样时段，对所述待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

第一求解模块，用于将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列；

计算模块，用于根据所述总有功功率序列以及各个所述复杂电器的功率序列，计算所述待负荷分解空间中所有所述简单电器在所述采样时段内的简单电器总功率序列；

第二求解模块，用于根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列。

为解决上述技术问题，本发明还提供了一种非侵入式负荷分解设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述非侵入式负荷分解方法的步骤。

本发明提供了一种非侵入式负荷分解方法，本申请首先基于待负荷分解空间所有电器实时运行的总有功功率序列，通过复杂电器对应的负荷分解模型，得到各个复杂电器的功率序列，随后便可将复杂电器的功率序列从总有功功率序列中剥离并得到简单电器总功率序列，最后根据简单电器各自一一对应的负荷特征检测模型以及开启功率预估值确定出简单电器的功率序列即可，由于本申请中所用到的负荷分解模型以及负荷特征检测模型均与电器一一对应，因此即使待负荷分解空间中的电器数量增加，仅需要为新增电器训练其需要的专用模型即可，无需针对所有的电器重新进行训练，减少了训练过程的耗时，提升了工作效率。

本发明还提供了一种非侵入式负荷分解装置及设备，具有如上非侵入式负荷分解方法相同的有益效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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为本发明提供的一种非侵入式负荷分解方法的流程示意图；

图2为本发明提供的一种非侵入式符合分解装置的结构示意图；

图3为本发明提供的一种非侵入式符合分解设备的结构示意图。

具体实施方式

本发明的核心是提供一种非侵入负荷分解方法，减少了建模时长，提升了工作效率；本发明的另一核心是提供一种非侵入负荷分解装置及设备，减少了建模时长，提升了工作效率。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

请参考图1，图1为本发明提供的一种非侵入式负荷分解方法的流程示意图，该非侵入式负荷分解方法包括：

步骤S1：根据待负荷分解空间中电器各自的功率状态数量，将各个电器划分为复杂电器以及简单电器；

具体的，考虑到现有的非侵入式负荷监测模型，很少考虑电器本身的物理特性，并且将所有电器整体建立一个负荷监测模型，为了能够实现为各个电器建立独立的相关模型，本申请中根据待负荷分解空间中电器各自的功率状态数量，将各个电器划分为复杂电器以及简单电器。

其中，通常的做法是将功率状态数量不大于2的电器划分为简单电器，例如电灯仅有20W(打开状态)以及0W(关闭状态)两个功率状态，因此便可以将其划分为简单电器，而将将功率状态数量大于2的电器划分为复杂电器，例如冰箱在制冷、待机以及关机等状态下的功率均不同，因此可以将其划分为复杂电器。

步骤S2：以指定的采样频率以及采样时段，对待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

具体的，欲对待负荷分解空间进行负荷分解，那么必须有分解对象的存在，因此在本步骤中可以以指定的采样频率以及采样时段，对待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列。

其中，采样频率可以为该空间电力入口处的电表的功率采样频率，而采样时段可以为某1整天等，本发明实施例在此不做限定。

具体的，可以从待负荷分解空间(例如某个家庭)的电力入口处对该空间所有电器的总有功功率进行采样，得到总有功功率序列P＝[P₁,P₂,…P_t,…P_T]，其中，T为采样点总数。

步骤S3：将总有功功率序列分别输入与复杂电器一一对应的各个负荷分解模型，以得到复杂电器在采样时段内各自的功率序列；

具体的，本申请中为了实现监测模型模块化，对于每个复杂电器可以为其建立独立的负荷分解模型，在进行非侵入式负荷分解时便可以将总有功功率序列输入各个复杂电器对应的负荷分解模型，并得到各个负荷分解模型输出的对应复杂电器在采样时段内各自的功率序列。

具体的，由于已经为复杂电器设计了一一对应的负荷分解模型，假设该空间内增加了一台复杂电器，那么便无需整体重新建立模型，只需要为新增电器训练一负荷分解模型即可，提高了建模速度，降低了工作量。

步骤S4：根据总有功功率序列以及各个复杂电器的功率序列，计算待负荷分解空间中所有简单电器在采样时段内的简单电器总功率序列；

具体的，由于已经得到待负荷分解空间内各复杂电器的功率序列，因此便可以根据总有功功率序列以及各个复杂电器的功率序列，计算待负荷分解空间中所有简单电器在采样时段内的简单电器总功率序列，并将其作为后续步骤的数据基础进行各简单电器功率序列的计算。

步骤S5：根据简单电器总功率序列、待负荷分解空间在采样时段内预设类型的负荷特征、与简单电器一一对应的负荷特征检测模型以及各个简单电器的开启功率预估值，确定出各个简单电器的功率序列。

具体的，根据简单电器总功率序列可以确定出简单电器发生投切动作的时间点，而根据该时间点、待负荷分解空间在采样时段内预设类型的负荷特征以及与简单电器一一对应的负荷特征检测模型便可以确定出每个投切动作对应的具体的简单电器是哪台，由于投切时间点已知，投切动作的执行对象也已知，便可以得到每台简单电器的工作状态序列(其中包含每个频率采样点对应的该简单电器的工作状态(打开或者关闭))，由于简单电器在关闭时消耗的功率为0W，因此只需要得到每台简单电器的开启功率预估值，便可以综合工作状态序列得到各台简单电器的功率序列。

其中，由于本申请为每台简单电器建立了独立的负荷特征检测模型，那么在空间内增加简单电器的时候，本申请也只需为新增电器建立起负荷特征检测模型，提升了建模速度，提高了工作效率。

本发明提供了一种非侵入式负荷分解方法，本申请首先基于待负荷分解空间所有电器实时运行的总有功功率序列，通过复杂电器对应的负荷分解模型，得到各个复杂电器的功率序列，随后便可将复杂电器的功率序列从总有功功率序列中剥离并得到简单电器总功率序列，最后根据简单电器各自一一对应的负荷特征检测模型以及开启功率预估值确定出简单电器的功率序列即可，由于本申请中所用到的负荷分解模型以及负荷特征检测模型均与电器一一对应，因此即使待负荷分解空间中的电器数量增加，仅需要为新增电器训练其需要的专用模型即可，无需针对所有的电器重新进行训练，减少了训练过程的耗时，提升了工作效率。

在上述实施例的基础上：

作为一种优选的实施例，根据待负荷分解空间中电器各自的功率状态数量，将各个电器划分为复杂电器以及简单电器具体为：

预先构建由各个预设热门型号电器均分别以多种预设活跃时间分布模式进行工作时的有功功率数据，组成的非侵入式负荷分解数据库；

具体的，考虑到非侵入式负荷分解算法大多采用有监督学习算法，该类算法需要大量的先验数据作为支撑用于模型训练。原有的先验数据往往来源于国外网站上公开的数据集。国内目前并没有公开的数据集，并且不同地区的电压等级、生活习惯和电器制造上的差异，会导致基于国外公开数据集训练的模型难以应用于国内家庭，为了解决这一难题，本发明实施例在结合大部分国内家庭的生活习惯后，根据对家庭总功率信号进行功率组成变化事件检测的结果将国内家庭的电器使用活跃时间分布进行类型划分，并结合国内市场热门的电器，利用深度学习算法生成适合国内各种类型家庭的非侵入式负荷分解数据库。

其中，活跃时间分布模式可以为每个家庭内在一天内的电器使用活跃时间分布，例如可以首先统计以下四个时间点事件发生的次数，具体为6：00-9：00、10：00-12：00、13：00-16：00、18：00-20：00，假设在上述四个时间点中每个时间点都发生n次事件的为A型家庭，这类家庭一般为家庭用户中有成员全天在家的家庭；仅在6：00-9：00和18：00-20：00这两个时间点各发生n次事件的为B型家庭，这类家庭一般为正常白天工作的家庭，仅在13：00-16：00时间点发生n次事件的为C型家庭，这类家庭一般为夜班工作家庭或仅下午在家活动的年轻人家庭，n可以进行自主设定，例如可以为家庭电器总数量等，本发明实施例在此不做限定。

具体的，在进行非侵入式负荷分解数据库构建时，可以控制每种预设热门型号电器分别模拟在不同类型家庭中的运行情况(一般测试一天)并存储这个过程中的有功功率数据，例如：模拟测试冰箱在C型家庭中的运行情况，可以控制冰箱在13：00-16：00时间段随机打开和关闭，而在其他时间段只需使冰箱连入总电路，保持低功耗待机状态即可，并记录这一天冰箱在C型家庭中有功功率数据。

对总有功功率序列中相邻采样功率进行功率组成变化事件检测，并根据检测结果确定出待负荷分解空间对应的常规活跃时间分布模式；

具体的，为了确定待负荷分解空间所属的活跃时间分布模式，本发明实施例中对总有功功率序列中相邻采样功率进行功率组成变化事件检测，并根据检测结果确定出待负荷分解空间对应的常规活跃时间分布模式，其中，功率组成变化事件检测指的是判断相邻两次采样功率之间是否存在功率组成的变化，若相邻两次采样功率的数值不同，那么其功率组成必然不同，若相邻两次采样功率的数值相同，也有可能是某电器的功率提升值抵消了另一电器的功率下降值，也可以称这个过程为电器功率变化的事件检测。

其中，进行事件检测时可以利用对数似然比检测器实现，本发明实施例在此不做限定。

基于非侵入式负荷分解数据库，获取待负荷分解空间中各个电器在常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集；

具体的，为了确定出待负荷分解空间使用电器属于复杂还是简单电器，本发明实施例中可以从非侵入式负荷分解数据库中获取该空间中各电器在常规活跃时间分布模式(也即待负荷分解空间对应的活跃时间分布模式)下的有功功率并作为各自的第一先验数据集，并作为后续步骤的数据基础。

通过对于各个第一先验数据集分别进行聚类，得到待负荷分解空间中电器各自的功率状态数量；

其中，基于第一先验数据集的聚类结果，便可以确定出待负荷分解空间中各电器的功率状态数量，并作为后续步骤的数据基础。

根据各个功率状态数量，将待负荷分解空间中的各个电器划分为复杂电器以及简单电器；

其中，活跃时间分布模式表示某个空间在一天内的电器活跃时间分布。

具体的，由于已知各电器的功率状态数量，那么便可以将负荷分解空间中的各个电器划分为复杂电器以及简单电器。

作为一种优选的实施例，将总有功功率序列分别输入与复杂电器一一对应的各个负荷分解模型，以得到复杂电器在采样时段内各自的功率序列具体为：

预先从非侵入式负荷分解数据库中，获取待负荷分解空间中各复杂电器在常规活跃时间分布模式下的有功功率并作为各自的第二先验数据集；

预先根据第二先验数据集以及总有功功率序列训练得到与各个第二先验数据集一一对应的复杂电器的负荷分解模型；

具体的，这两步所做的事情是负荷分解模型的预先训练，在从非侵入式负荷分解数据库中，获取待负荷分解空间中各复杂电器在常规活跃时间分布模式下的有功功率并得到第二先验数据集后，可以结合总有功功率序列训练得到与各个第二先验数据集一一对应的复杂电器的负荷分解模型。

其中，具体训练过程可以为，可以利用复杂电器A对应的第二先验数据集以及总有功功率序列，对复杂电器A对应的负荷分解模型进行训练。

将总有功功率序列通过预设长度的时间窗进行分割；

将分割后的总有功功率序列均分别输入复杂电器各自对应的负荷分解模型，以得到各个复杂电器的功率序列。

具体的，对于复杂电器，为让负荷分解模型(例如BiLSTM(Bi-directional LongShort-Term Memory，双向长短时记忆循环神经网络)网络)更好捕捉该电器有功功率数据背后隐藏的状态切换，对总有功功率序列P，可以构造一个长度为h+1的时间窗，从初始时刻开始，该时间窗会获得第1个功率序列P₁＝[P₁，P₂,…,P_h+1]^T，随后将时间窗沿时间轴方向向前平移一个采样点，获得长度为h+1的向量P₂＝[P₂,P₃,…,P_h+2]^T，重复上述操作，最终形成T-h+1个长度为h+1的功率序列向量P*＝[P₁,P₂,…P_t,…P_T-h+1]，并且控制每个负荷分解模型的输入均为P^*，但输出为对应的复杂电器j的功率序列。

其中，h的数值可以进行自主设定，本发明实施例在此不做限定。

作为一种优选的实施例，根据简单电器总功率序列、待负荷分解空间在采样时段内预设类型的负荷特征、与简单电器一一对应的负荷特征检测模型以及各个简单电器的开启功率预估值，确定出各个简单电器的功率序列包括：

对简单电器总功率序列中相邻功率值进行功率组成变化事件检测，以确定出简单电器总功率序列中的各个投切事件发生的时间点；

具体的，在得到简单电器总功率序列后，考虑到简单电器的事件类型仅有电器投切，因此可以利用基于事件的方法对其进行功率分解，因此本发明实施例中可以对简单电器总功率序列中相邻功率值进行功率组成变化事件检测，以确定出简单电器总功率序列中的各个投切事件发生的时间点，进行事件检测时同样可以利用对数似然比检测器进行，本发明实施例在此不做限定。

其中，这里可以假设每次投切的时间点只存在一个简单电器的投切。

获取待负荷分解空间在采样时段内的投切事件发生的各个时间点前后的预设类型的负荷特征；

具体的，单单知道投切事件发生的时间点是不够的，为了获得更多信息以便进行简单电器的功率分解，本步骤中可以获取待负荷分解空间在采样时段内的投切事件发生的各个时间点前后的预设类型的负荷特征并作为后续步骤的数据基础。

根据预先训练好的与各个简单电器一一对应的负荷特征检测模型，确定出各个负荷特征对应的简单电器；

根据负荷特征中投切事件发生时间点前后的采样总功率差值的正负属性，确定出各个负荷特征对应的具体投切动作；

具体的，预设类型的负荷特征可以进行自主设定，例如可以包括投切事件发生时间点前后两次功率采样点之间的总负荷电流的基波和3、5、7次谐波，以及投切事件发生时间点前后两次采样的有功功率的差值等，本发明实施例在此不做限定。

其中，通过负荷特征中投切事件发生时间点前后的采样总功率差值的正负属性便可以确定出各个负荷特征(也对应投切事件)对应的具体投切动作，而根据预先训练好的与各个简单电器一一对应的负荷特征检测模型，便可以确定出每个负荷特征(也对应投切事件)所对应的简单电器，也即确定出在发生投切事件的时间点上执行投切动作的简单电器是哪台。

根据各个负荷特征对应的简单电器以及具体投切动作，确定出各个简单电器在采样时段内的工作状态序列；

具体的，由于已经知道了所有简单电器投切动作的时间点、并且每个投切动作的时间点对应的简单电器以及具体投切动作，因此便可以确定出各个简单电器在采样时段内的工作状态序列，该序列中仅包含开启状态s^on和关闭状态s^off。

计算各个简单电器的开启功率预估值；

根据工作状态序列以及开启功率预估值得到各个简单电器的功率序列；

其中，假设每次投切的时间点只存在一个简单电器的投切。

具体的，假设简单电器j在s^off状态消耗的功率为0W(而s^on状态时的有功功率通常服从均值为μ_j、标准差σ_j为的高斯分布)，只需计算出各个简单电器的开启功率预估值便可以进一步得到各个简单电器的功率序列，因此本发明实施例中根据根据工作状态序列以及开启功率预估值得到各个简单电器的功率序列。

作为一种优选的实施例，负荷特征检测模型为基于DNN(Deep Neural Networks，深度神经网络)的负荷特征检测模型；

具体的，DNN网络具有速度快，稳定性强等优点。

当然，除了DNN网络外，负荷特征检测模型还可以基于其他类型的神经网络，本发明实施例在此不做限定。

则该非侵入式负荷分解方法还包括：

预先从非侵入式负荷分解数据库中，获取待负荷分解空间中各简单电器对应的负荷特征以及第一预设数量个随机简单电器的负荷特征；

预先根据待负荷分解空间中各个简单电器的负荷特征以及第一预设数量个随机简单电器的负荷特征，训练得到与待负荷分解空间中每个简单电器一一对应的基于DNN的负荷特征检测模型。

具体的，DNN网络的输入层可以包含两个神经元，其中一个神经元的输入为该负荷特征检测模型所对应简单电器的负荷特征，另一个输入是第一预设数量个随机简单电器的负荷特征(也即包含剩余的简单电器负荷特征，也包含同种简单电器的负荷特征)，在对目标简单电器的负荷特征检测模型进行训练时，可以每次将该目标简单电器的负荷特征以及任一个随机简单电器的负荷特征同时输入DNN，在下一次输入时仅更换随机简单电器的负荷特征，直至将所有的随机简单电器的负荷特征全部输入完毕，即可完成对于目标简单电器的负荷特征检测模型的训练。

其中，当均输入目标电器的负荷特征时可以认为是正样本，否则为负样本，负荷特征检测模型的输出可以是分数，DNN网络训练的目的是使得正样本分数高，负样本分数低。

具体的，在对负荷特征检测模型进行使用时，可以将前述步骤中获取到的“待负荷分解空间在采样时段内的投切事件发生的各个时间点前后的预设类型的负荷特征”中，任一个时间点对应的负荷特征均分别输入到每一个简单电器对应的负荷特征检测模型中去，输出分数最高的负荷特征检测模型所对应的简单电器便为该负荷特征所对应的简单电器，也即这个负荷特征对应的时间点的投切事件是该负荷特征检测模型所对应的简单电器的投切事件。

作为一种优选的实施例，计算各个简单电器的开启功率预估值具体为：

基于待负荷分解空间中各简单电器对应的第一先验数据集，通过放射传播聚类算法计算得到各个简单电器的开启功率的均值以及标准差；

具体的，考虑到各个简单电器在s^on状态时的有功功率通常服从均值为μ_j、标准差σ_j为的高斯分布，因此可以先基于待负荷分解空间中各简单电器对应的第一先验数据集，通过放射传播聚类算法计算得到各个简单电器的开启功率的均值以及标准差，以便作为后续步骤的数据基础。

其中，放射传播聚类算法具有速度快以及准确性高等优点。

当然，除了放射传播聚类算法外，还可以采用其他类型的聚类算法，本发明实施例在此不做限定。

基于各个简单电器的开启功率的均值以及标准差，通过：

计算各个简单电器的开启功率预估值；

其中，

为简单电器j在t时刻的功率，P_t ^sim为t时刻所有的简单电器消耗的总功率，

为状态s_j,t下消耗功率为

的概率，f_j()为简单电机j在开启状态S^on下的高斯概率密度函数，S_j,t为电器j在t时刻的开关状态，M为待负荷分解空间中复杂电器的总数量，D为待负荷分解空间中所有电器的总数量，

为取每个简单电器的概率最大的开启功率预估值。

具体的，基于已得到的各个简单电器开启功率的均值以及标准差，便可以通过如上的极大似然估计法对各简单电器的开启功率估计值进行计算。

其中，如上的极大似然估计法具有计算过程简单且计算速度快的优点。

当然，除了该方法外，还可以通过其他方式对各简单电器的开启功率值进行计算，本发明实施例在此不做限定。

作为一种优选的实施例，基于非侵入式负荷分解数据库，获取待负荷分解空间中各个电器在常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集具体为：

基于非侵入式负荷分解数据库，获取待负荷分解空间中各个电器在常规活跃时间分布模式下的第二预设数量的有功功率数据；

具体的，为了减小工作量，非侵入式负荷分解数据库中的数据量通常都不会太大，因此可以从非侵入式负荷分解数据库获取的数据量本身就不大，有可能无法满足第一先验数据集的要求，因此本步骤中先从非侵入式负荷分解数据库中获取待负荷分解空间中各个电器在常规活跃时间分布模式下的第二预设数量的有功功率数据，并作为后续步骤的数据基础。

通过多个对抗生成网络模型一一对应地对于每个电器的第二预设数量的有功功率数据进行数据量的扩充；

具体的，在上个步骤的基础上，可以通过多个对抗生成网络模型一一对应地对于每个电器的第二预设数量的有功功率数据进行数据量的扩充，从而满足各个第一先验数据集的数据量要求。

其中，由于前述的各有功功率序列本质上为一系列时序数据，因此需充分考虑时序数据特有的时间相关性，而对抗生成网络则可以对于每个电器的第二预设数量的有功功率数据进行数据量的扩充，速度较快且准确度高。

当然，除了对抗生成网络外，还可以通过其他方法进行数据量的扩充，本发明实施例在此不做限定。

将数据量扩充后的有功功率数据，作为对应电器在常规活跃时间分布模式下的第一先验数据集；

具体的，由于进行了数据量扩充，那么其数据量便可以满足第一先验数据集的要求，此时便可将数据量扩充后的有功功率数据，作为对应电器在常规活跃时间分布模式下的第一先验数据集。

则该非侵入式负荷分解方法还包括：

预先从非侵入式负荷分解数据库中获取各个电器在常规活跃时间分布模式下的有功功率并将其作为待用训练数据；

预先对于目标电器的待用训练数据进行降维处理；

将经过降维处理后的待用训练数据输入原始的对抗生成网络中；

对原始的对抗生成网络输出的数据进行复原，以便训练得到目标电器的对抗生成网络模型。

具体的，上面的四个步骤为各个对抗生成网络模型的训练过程，考虑到在训练模型时，由于对抗神经网络的生成器和对抗器无法一次性接受大量数据，因此需将电器j的有功功率序列P^(j)分成若干个短片段，首先构造一个长度为k的时间窗，从初始时刻开始，该时间窗会获得第1个有功功率序列

然后将时间窗接上一个窗口的终点沿时间轴方向向前平移一个采样点，获得长度为k的向量

重复上述操作直到时间轴的终点。

然后将上述步骤中获取的有功功率序列短片段分批输入一个对抗生成网络的序列降维模块，利用序列降维模块和序列复原模块共同构建一个可逆映射，序列降维模块为一个GRU(Gated Recurrent Unit，门控循环单元)网络，输入为各有功功率序列短片段，输出为降维后的向量序列，序列复原模块同样可以为一个GRU网络，输入为序列降维模块的输出，输出为利用降维后的向量序列复原的有功功率序列短片段。

其中，序列降维模块和序列复原模块的作用可以为：(1)避免对抗学习空间维度过高导致后续的对抗网络模型难以收敛(2)为生成器生成的降维向量序列复原成有功功率序列段片段提供先验知识。

具体的，噪声生成和数据对抗模块中的生成器和对抗器同正常的对抗神经网络。但本发明中生成器并非直接生成维数同有功功率序列短片段的噪声向量，而是生成维数同降维后的向量序列的噪声向量。同时噪声生成模块和数据对抗模块共同训练。

其中，在训练完毕后，可以将降维模块和对抗模块拆除，噪声生成模块会直接生成生成降维后的向量序列，经过序列复原模块复原成所需要有功功率序列段片段，并由此大量生成电器j的有功功率数据。

本发明实施例采用的时序对抗生成网络，在原有的对抗生成网络的网络中添加了序列降维(用于执行上述的预先对于目标电器的待用训练数据进行降维处理的步骤)和序列复原(用于执行上述的对原始的对抗生成网络输出的数据进行复原的步骤)两个模块，因此本发明实施例的对抗生成网络由序列降维、噪声生成(生成器)、序列复原以及数据对抗(对抗器)四个模块所组成。

作为一种优选的实施例，负荷分解模型为基于双向长短时记忆循环神经网络BiLSTM网络的负荷分解模型。

具体的，考虑到复杂电器由于其由于状态切换较复杂，利用基于事件的方法难以判别事件的类型，因此采用非基于事件的方法，同时由于其前后状态具有逻辑关联，故选用可以考虑过去和现在运行状态的BiLSTM网络并选择有功功率作为BiLSTM输入的负荷特征。

当然，除了BiLSTM网络外，负荷分解模型还可以为其他类型，本发明实施例在此不做限定。

请参考图2，图2为本发明提供的一种非侵入式负荷分解装置的结构示意图，该非侵入式负荷分解装置包括：

划分模块1，用于根据待负荷分解空间中电器各自的功率状态数量，将各个电器划分为复杂电器以及简单电器；

采样模块2，用于以指定的采样频率以及采样时段，对待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

第一求解模块3，用于将总有功功率序列分别输入与复杂电器一一对应的各个负荷分解模型，以得到复杂电器在采样时段内各自的功率序列；

计算模块4，用于根据总有功功率序列以及各个复杂电器的功率序列，计算待负荷分解空间中所有简单电器在采样时段内的简单电器总功率序列；

第二求解模块5，用于根据简单电器总功率序列、待负荷分解空间在采样时段内预设类型的负荷特征、与简单电器一一对应的负荷特征检测模型以及各个简单电器的开启功率预估值，确定出各个简单电器的功率序列。

对于本发明实施例提供的非侵入式负荷分解装置的介绍请参照前述的分侵入式负荷分解方法的实施例，本发明实施例在此不再赘述。

请参考图3，图3为本发明提供的一种非侵入式负荷分解设备的结构示意图，该非侵入式负荷分解设备包括：

存储器6，用于存储计算机程序；

处理器7，用于执行计算机程序时实现如前述实施例中非侵入式负荷分解方法的步骤。

对于本发明实施例提供的非侵入式负荷分解设备的介绍请参照前述的分侵入式负荷分解方法的实施例，本发明实施例在此不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。还需要说明的是，在本说明书中，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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种非侵入式负荷分解方法，其特征在于，包括：

根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器；

以指定的采样频率以及采样时段，对所述待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列；

根据所述总有功功率序列以及各个所述复杂电器的功率序列，计算所述待负荷分解空间中所有所述简单电器在所述采样时段内的简单电器总功率序列；

根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列。

2.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，所述根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器具体为：

预先构建由各个预设热门型号电器均分别以多种预设活跃时间分布模式进行工作时的有功功率数据，组成的非侵入式负荷分解数据库；

对所述总有功功率序列中相邻采样功率进行功率组成变化事件检测，并根据检测结果确定出所述待负荷分解空间对应的常规活跃时间分布模式；

基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集；

通过对于各个所述第一先验数据集分别进行聚类，得到所述待负荷分解空间中电器各自的功率状态数量；

根据各个所述功率状态数量，将所述待负荷分解空间中的各个电器划分为复杂电器以及简单电器；

其中，活跃时间分布模式表示某个空间在一天内的电器活跃时间分布。

3.根据权利要求2所述的非侵入式负荷分解方法，其特征在于，所述将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列具体为：

预先从所述非侵入式负荷分解数据库中，获取所述待负荷分解空间中各复杂电器在所述常规活跃时间分布模式下的有功功率并作为各自的第二先验数据集；

预先根据所述第二先验数据集以及所述总有功功率序列训练得到与各个所述第二先验数据集一一对应的复杂电器的负荷分解模型；

将所述总有功功率序列通过预设长度的时间窗进行分割；

将分割后的所述总有功功率序列均分别输入复杂电器各自对应的所述负荷分解模型，以得到各个复杂电器的功率序列。

4.根据权利要求2所述的非侵入式负荷分解方法，其特征在于，所述根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列包括：

对所述简单电器总功率序列中相邻功率值进行功率组成变化事件检测，以确定出所述简单电器总功率序列中的各个投切事件发生的时间点；

获取所述待负荷分解空间在所述采样时段内的投切事件发生的各个时间点前后的预设类型的负荷特征；

根据预先训练好的与各个简单电器一一对应的负荷特征检测模型，确定出各个所述负荷特征对应的简单电器；

根据所述负荷特征中投切事件发生时间点前后的采样总功率差值的正负属性，确定出各个所述负荷特征对应的具体投切动作；

根据各个所述负荷特征对应的简单电器以及所述具体投切动作，确定出各个简单电器的工作状态序列；

计算各个所述简单电器的开启功率预估值；

根据所述工作状态序列以及所述开启功率预估值得到各个所述简单电器在所述采样时段内的功率序列；

其中，假设每次投切的时间点只存在一个简单电器的投切。

5.根据权利要求4所述的非侵入式负荷分解方法，其特征在于，所述负荷特征检测模型为基于深度神经网络DNN的负荷特征检测模型；

则该非侵入式负荷分解方法还包括：

预先从所述非侵入式负荷分解数据库中，获取所述待负荷分解空间中各简单电器对应的负荷特征以及第一预设数量个随机简单电器的负荷特征；

预先根据所述待负荷分解空间中各个所述简单电器的负荷特征以及所述第一预设数量个随机简单电器的负荷特征，训练得到与所述待负荷分解空间中每个所述简单电器一一对应的基于DNN的负荷特征检测模型。

6.根据权利要求4所述的非侵入式负荷分解方法，其特征在于，所述计算各个所述简单电器的开启功率预估值具体为：

基于所述待负荷分解空间中各简单电器对应的所述第一先验数据集，通过放射传播聚类算法计算得到各个所述简单电器的开启功率的均值以及标准差；

基于各个所述简单电器的开启功率的均值以及标准差，通过：

计算各个所述简单电器的开启功率预估值；

其中，

为简单电器j在t时刻的功率，P_t ^sim为t时刻所有的所述简单电器消耗的总功率，

为状态s_j，t下消耗功率为

的概率，f_j(·)为简单电机j在开启状态S^on下的高斯概率密度函数，S_j，t为电器j在t时刻的开关状态，M为所述待负荷分解空间中复杂电器的总数量，D为所述待负荷分解空间中所有电器的总数量，

为取每个简单电器的概率最大的所述开启功率预估值。

7.根据权利要求2所述的非侵入式负荷分解方法，其特征在于，所述基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的有功功率并作为各自的第一先验数据集具体为：

基于所述非侵入式负荷分解数据库，获取所述待负荷分解空间中各个电器在所述常规活跃时间分布模式下的第二预设数量的有功功率数据；

通过多个对抗生成网络模型一一对应地对于每个电器的所述第二预设数量的所述有功功率数据进行数据量的扩充；

将数据量扩充后的所述有功功率数据，作为对应电器在所述常规活跃时间分布模式下的第一先验数据集；

则该非侵入式负荷分解方法还包括：

预先从所述非侵入式负荷分解数据库中获取各个所述电器在所述常规活跃时间分布模式下的有功功率并将其作为待用训练数据；

预先对于目标电器的所述待用训练数据进行降维处理；

将经过降维处理后的所述待用训练数据输入原始的对抗生成网络中；

对原始的对抗生成网络输出的数据进行复原，以便训练得到所述目标电器的对抗生成网络模型。

8.根据权利要求1至7任一项所述的非侵入式负荷分解方法，其特征在于，所述负荷分解模型为基于双向长短时记忆循环神经网络BiLSTM网络的负荷分解模型。

9.一种非侵入式负荷分解装置，其特征在于，包括：

划分模块，用于根据待负荷分解空间中电器各自的功率状态数量，将各个所述电器划分为复杂电器以及简单电器；

采样模块，用于以指定的采样频率以及采样时段，对所述待负荷分解空间所有电器的总有功功率进行采样，得到总有功功率序列；

第一求解模块，用于将所述总有功功率序列分别输入与所述复杂电器一一对应的各个负荷分解模型，以得到所述复杂电器在所述采样时段内各自的功率序列；

计算模块，用于根据所述总有功功率序列以及各个所述复杂电器的功率序列，计算所述待负荷分解空间中所有所述简单电器在所述采样时段内的简单电器总功率序列；

第二求解模块，用于根据所述简单电器总功率序列、所述待负荷分解空间在所述采样时段内预设类型的负荷特征、与所述简单电器一一对应的负荷特征检测模型以及各个所述简单电器的开启功率预估值，确定出各个所述简单电器的功率序列。

10.一种非侵入式负荷分解设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述非侵入式负荷分解方法的步骤。

Images