CN113408210A - 基于深度学习的非侵入负荷分解方法、系统、介质和设备 - Google Patents

Abstract

本发明属于电网中负荷感知技术应用领域，涉及一种基于深度学习的非侵入式负荷分解方法、系统、介质和设备，包括以下步骤：S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；S3将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。其能够有效对工业设备负荷进行建模，并基于该模型，通过工业设备的总负荷获得各个工业设备的负荷。

Description

基于深度学习的非侵入负荷分解方法、系统、介质和设备

技术领域

本发明涉及一种基于深度学习的非侵入负荷分解方法、系统、介质和设备，属于电网中负荷感知技术应用领域，特别适用于工业设备中的各工业设备负荷感知领域。

背景技术

对于工业用电负荷进行感知、分析和管理是推进智能电网建设的重要一步。负荷分解是感知并识别对象负荷成分及其状态的重要技术，也称为非侵入式负荷监测(non-intrusive load monitoring，NILM)。对于负荷分解问题主要包括数据采集、负荷特征提取和负荷分解方法三个部分。

对于负荷特征提取方法主要基于工业设备的稳态特征和暂态特征。已提出的方法包括均值法、变点监测、傅立叶分解、小波分析、回归分析、隐马尔可夫模型(HMM)等。

对于负荷分解方法，则主要包括优化方法和学习算法。优化方法主要通过规划方法或启发式算法求解得到当前用电工业设备的状态，如粒子群算法、遗传算法等。学习算法则通过学习各个工业设备的负荷特征来对总体特征进行分解，主要包括支持向量机、K近邻算法、基于HMM的算法等。

但现有技术中负荷分解方法的对象几乎全部是商业和居民用电负荷。而工业设备，与商业和居民用电负荷不同，具有周期性强、连续性强、稳定性低的特点，故很难用现有技术中的方法对其及进行负荷分解。

发明内容

针对上述问题，本发明的目的是提供了一种基于深度学习的非侵入负荷分解方法、系统、介质和设备，其能够有效对工业设备负荷进行建模，并基于该模型，通过工业设备的总负荷获得各个工业设备的负荷。

为实现上述目的，本发明采取以下技术方案：一种基于深度学习的非侵入式负荷分解方法，包括以下步骤：S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；S3将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。

进一步，总负荷历史数据包括总有功功率、总无功功率、电流和功率因数。

进一步，短期负荷历史数据为对应数据的差分值，差分值d_i，t的计算公式为：

d_i，t＝P_i，t-P_i，t-1，i＝1，2，...，N

其中，i表示第i个工业设备，N是工业设备数，t是时间，P_i，t是采集的数据。

进一步，步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对功率差分曲线进行快速傅里叶变化，得到幅值序列，并将幅值序列输入初始模型中进行聚类训练，从而获得工业设备典型负荷模型。

进一步，初始模型为长短期记忆人工神经网络模型。

本发明还公开了一种基于深度学习的非侵入式负荷分解系统，包括以下步骤：数据采集模块，用于获取每个工业设备的短期负荷历史数据和总负荷历史数据；模型训练模块，用于根据短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；输出模块，用于将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。

本发明还公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算工业设备执行时，使得计算工业设备执行根据上述任一项的基于隐私保护的图像处理方法。

本发明还公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的基于隐私保护的图像处理方法。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明能够有效对工业设备负荷进行建模，并基于该模型，基于深度学习的非侵入式负荷分解通过工业设备的总负荷获得各个工业设备的负荷。

2、本发明能够避免为工业设备安装负荷监测装置带来的高额成本，同时由于该系统只使用工业用户的总线负荷而保护了用户的数据安全。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。

本发明提供了一种基于深度学习的非侵入负荷分解方法、系统、介质和工业设备，其使用对象包括工业大用户、电力部门等需要监测工业生产企业生产工业设备负荷状态的用户。针对用户需要对工业生产工业设备负荷进行状态监测的应用需求，构建了包括工业用户、工业用户总线负荷监测装置、远程数据获取终端的非侵入式负荷分解系统。发明针对大工业用户生产工业设备负荷周期性强、连续性强、稳定性弱的特征，设计了工业设备负荷的建模方法，并在系统中使用深度学习算法对工业用户总负荷进行分解，得到用户下各个生产工业设备的负荷状态，避免对每个工业设备安装监测工业设备的高额成本并保护了用户的数据安全。下面结合具体实施例对本发明方案进行详细说明。

实施例一

本实施例公开了一种基于深度学习的非侵入式负荷分解方法，包括以下步骤：

S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；总负荷历史数据包括但不限于总有功功率、总无功功率、电流和功率因数。以有功功率为例，设工业用户及用户下的工业设备有4台，即N＝4，每台工业设备在t时刻的有功功率为P_i，t，i＝1，2，...，N，t为时间参数，每单位时间间隔为15分钟，总线负荷包括每个工业设备的总有功功率

S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型。

步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对功率差分曲线进行快速傅里叶变化，得到幅值序列，并将幅值序列输入初始模型中进行聚类训练，从而获得工业设备典型负荷模型。如上面获得的有功功率，对其进行差分处理来捕捉工业设备的有功变化。差分值d_i，t定义为d_i，t＝P_i，t-P_i，t-1，i＝1，2，...，N。其中，i表示第i个工业设备，N是工业设备数，t是时间，P_i，t是采集的数据。同时总的有功功率差分值为

通常来说，只通过当前时刻的总功率值难以识别出总线下各个工业设备的负荷状态，只有一段时间的功率曲线才能表现出工业设备的状态变化特征，从而达到识别的效果。这里取当前时刻之前的一段功率差分曲线v_i，t＝[d_i，t-l+1，d_i，t-l，…，d_i，t]，l为差分曲线长度，对其进行快速傅立叶分解(fast Fourier transform，FFT)，得到其幅值序列

A_i，t＝{a₀，a₁，...，a_l-1}

在上式中，a_j，j＝0，1，...，l-1为在不同频率值上的振幅大小。由于差分曲线表征了工业设备有功功率随时间的变化特征，其幅值序列能够为不同状态下及状态变化时提供独特的负荷印记。因此，接下来将上述幅值序列输入初始模型进行聚类分析，得到工业设备典型负荷模型，用于表征工业设备整体的负荷状态类别。本实施例中初始模型优选为长短期记忆人工神经网络模型。

本实施例中的聚类分析采用K-means++聚类算法，但也可以采用其他的聚类方法。

K-means++聚类算法的具体方法为：从幅值序列集合中随机选取一个样本作为初始聚类中心c₁，计算除了选取的样本以外的其他样本与当前的初始聚类中心的最短距离D(A_i，t)＝min(A_i，t-c_k)²，从而计算其他样本被选为下一个聚类中心的概率：P(A_i，t)＝D(A_i，t)²/∑_kD(A_i，k)²，并按照转盘法选出下一个聚类中心；重复上述步骤直到选出K个聚类中心。

计算除K个聚类中心以外的其他样本到K个聚类中心的距离，并将除K个聚类中心以外的其他样本归到离其最近的聚类中心中；根据当前的聚类结果重新计算聚类中心，重复上述步骤，直至聚类中心不再变化。

S3将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。

本实施例中工业设备典型负荷模型再经过测试其状态识别准确率能够达到88％。

实施例二

基于相同的发明构思，本实施例公开了一种基于深度学习的非侵入式负荷分解系统，包括以下步骤：

数据采集模块，用于获取每个工业设备的短期负荷历史数据和总负荷历史数据；

模型训练模块，用于根据短期负荷历史数据和总负荷历史数据对模型进行训练，获得工业设备典型负荷模型；

输出模块，用于将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。

实施例三

基于相同的发明构思，本实施例公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算工业设备执行时，使得计算工业设备执行根据上述任一项的基于隐私保护的图像处理方法。

实施例四

基于相同的发明构思，本实施例公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的基于隐私保护的图像处理方法。

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、工业设备(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工业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工业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工业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工业设备上，使得在计算机或其他可编程工业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工业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。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围。

Claims (8)

1.一种基于深度学习的非侵入式负荷分解方法，其特征在于，包括以下步骤：

S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；

S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；

S3将实时获得的总负荷参数输入所述工业设备典型负荷模型获得每台工业设备的负荷。

2.如权利要求1所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述总负荷历史数据包括总有功功率、总无功功率、电流和功率因数。

3.如权利要求1或2所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述短期负荷历史数据为对应数据的差分值，所述差分值d_i,t的计算公式为：

d_i,t＝P_i,t-P_i,t-1,i＝1,2,…,N

其中，i表示第i个工业设备，N是工业设备数，t是时间，P_i,t是采集的数据。

4.如权利要求3所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对所述功率差分曲线进行快速傅里叶变化，得到幅值序列，并将所述幅值序列输入所述初始模型中进行聚类训练，从而获得工业设备典型负荷模型。

5.如权利要求1-4任一项所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述初始模型为长短期记忆人工神经网络模型。

6.一种基于深度学习的非侵入式负荷分解系统，其特征在于，包括以下步骤：

数据采集模块，用于获取每个工业设备的短期负荷历史数据和总负荷历史数据；

模型训练模块，用于根据短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；

输出模块，用于将实时获得的总负荷参数输入所述工业设备典型负荷模型获得每台工业设备的负荷。

7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算工业设备执行时，使得所述计算工业设备执行根据权利要求1至5任一项所述的基于深度学习的非侵入式负荷分解方法。

8.一种计算设备，其特征在于，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至5任一项所述的基于深度学习的非侵入式负荷分解方法。