CN113837894B - 基于残差卷积模块的非侵入式居民用户负荷分解方法 - Google Patents

基于残差卷积模块的非侵入式居民用户负荷分解方法 Download PDF

Info

Publication number
CN113837894B
CN113837894B CN202110900810.2A CN202110900810A CN113837894B CN 113837894 B CN113837894 B CN 113837894B CN 202110900810 A CN202110900810 A CN 202110900810A CN 113837894 B CN113837894 B CN 113837894B
Authority
CN
China
Prior art keywords
data
active power
electric appliance
cnn
input
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
CN202110900810.2A
Other languages
English (en)
Other versions
CN113837894A (zh
Inventor
马洲俊
朱红
王春宁
许洪华
朱正谊
侯先伟
牛军伟
黄伟
孙国强
臧海祥
施健
魏训虎
冯隆基
张继东
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.)
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110900810.2A priority Critical patent/CN113837894B/zh
Publication of CN113837894A publication Critical patent/CN113837894A/zh
Application granted granted Critical
Publication of CN113837894B publication Critical patent/CN113837894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (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

本发明涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：获取训练数据并进行数据预处理；构建并训练负荷分解模型：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数得到训练好的负荷分解模型；通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。本发明分解精度高。

Description

基于残差卷积模块的非侵入式居民用户负荷分解方法
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法。
背景技术
大规模的电表部署以及配套的通信网络与数据系统共同组成了高级量测系统，其测量所得数据通过数据挖掘等数据分析技术可以得出用户用电行为习惯以及各电器用电量等信息；这一过程就是负荷分解。
负荷监测分为侵入式负荷监测和非侵入式负荷监测两种，其中侵入式负荷监测是在用户的每个家用电器上安装检测设备，以便获得相关电器运行信息；但这种方式成本高，实现困难，并难以保护用户的隐私，大范围推广难以实现；非侵入式负荷监测又称为负荷分解，仅通过分析用户总表数据，得出该用户家用电器的种类、开关状态以及有功功率损耗等信息，更充分的挖掘电表数据的信息价值；这种方式成本较低，实现难度小，容易获得用户认同，是未来负荷监测的主要方向。
基于深度学习的非侵入式负荷分解方法是负荷分解的常用方法之一；深度学习模型中有许多网络变体，如去噪自动编码器(DAE)、RNN、seq2point常规卷积等等，但现有的分解方法具有分解精度低及未对电器进行筛选的问题。
发明内容
本发明的目的是为了提供基于残差卷积模块的非侵入式居民用户负荷分解方法，提高居民负荷分解的准确性。
为解决以上技术问题，本发明的技术方案为：基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：
步骤1：获取训练数据并进行数据预处理；
步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；
步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；
步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；
步骤2：构建并训练负荷分解模型；
步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；
步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；
步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。
进一步的，负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。
进一步的，步骤2.1具体为：
步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：
zt＝f(WTPt:t+W-1+b)
rt＝Max(zt)
xτ＝F(rt)
其中，Pt:t+k-1代表输入时间序列，k为卷积核大小；WT表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；zt为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；
步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：
yi,j＝xi,j+zi,j
其中，xi,j为网络输入，zi,j为CNN学习到的特征值，yi,j为输入与特征值之和；
步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：
rt＝Sigmoid(Wrxxt+Wrhht-1)
zt＝Sigmoid(Wzxxt+Wzhht-1)
其中，在时间步t下，对于重置门rt而言，首先分别获得输入xt与其权重Wrh的乘积及前一时间步t-1下的状态输出ht-1与其权重Wrh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门zt而言，首先分别获得输入xt同其权重Wzx的乘积及前一时间步t-1下的状态输出ht-1同其权重Wzh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；针对当前候选状态输出对前一时间步t-1下的状态输出ht-1与重置门rt求哈达玛积实现对过去信息的保留，然后分别获得其与权重Wch以及输入xt与其权重Wcx的乘积，最后对两部分乘积求和再经过tanh函数将输出缩放至-1到1之间；当前状态输出ht保存着当前GRU学习到的信息，将会在神经网络中继续往后传递；首先用1减去更新门zt中每个数据，再将得到的差与前一状态输出ht-1相乘得到经过丢弃操作之后剩下的信息；之后将更新门zt同当前候选状态输出/>相乘得到该单元记忆的信息，最后将两部分信息相加得到当前状态输出ht。
步骤2.14：经过两Dense层完成目标电器的有功功率预测，输出目标电器的有功功率分解结果。
进一步的，步骤2.2中，预测值与真实值之间误差采用分解误差指标评定，分解误差指标包括：平均绝对误差Mae、召回率RE和F1分数F1，具体为：
其中，PRE表示准确率；x’t与xt分别表示负荷在时间点t功率消耗的预测值和真实值；TP表示负荷真实状态为运行而预测状态也是运行的总数；FP表示负荷真实状态为关闭而预测状态为运行的总数；TN表示真实状态为关闭而预测状态也是关闭的总数；FN表示真实状态为运行而预测状态也是关闭的总数。
进一步的，步骤1.1中的公开数据集为公开数据集UK-DALE。
进一步的，步骤1.2中，目标电器的评定标准包括：
条件一：电器运行有功功率PN≥1kw；
条件二：运行功率可调节；
条件三：运行时间可调节；
若电器符合上述任一条件即设为目标电器。
进一步的，步骤1.3中训练数据归一化处理的方法为：
其中，xnew为原始数据x变换得来的新数据，xmax和xmin分别为原始数据中的最大值和最小值。
进一步的，所述步骤1.3中，序列样本为一定长度的总有功功率；目标电器序列样本长度所代表时间大于该电器完整运行周期：
Xi＝[xi,1,xi,2,…xi,K…xi,M],i＝1,2,3…
ni*t≥Ti
其中，Xi是第i个目标电器的总有功数据，xi,K是第i个目标电器总有功数据中的第K个数据，M第i个目标电器总有功数据的总数，xi,j是第i个目标电器的第j个样本，是第i个目标电器的第j个样本中的第k个数据，ni是第i个目标电器的样本序列长度，t是有功数据样本采集周期，Ti第i个目标电器的运行周期。
本发明具有如下有益效果：
一、本发明负荷分解模型通过训练建立总有功功率和目标电器有功功率之间的映射关系，给定一个输入总有功功率样本，负荷分解模型能够通过对应的映射关系分解得到目标电器对应消耗的有功功率；负荷分解模型中，在卷积神经网络的基础上，结合残差机制构建了残差卷积神经网络；残差网络在很大程度上避免随着网络层数的增加而产生的梯度消失或爆炸问题，这使得构建极深网络成为现实；基于残差卷积模块，学习训练数据中的隐藏信息，使得分解精度进一步提升；
二、本发明实现了家用电器在稳态运行情况下的负荷分解，分解结果可用于指导用户优化用电行为，降低用电成本，有利于电力系统的安全稳定经济运行；评测用户需求响应潜力，为电网制定需求响应策略，引导居民用户自发调整用电，降低峰谷差提供了参考信息。本发明选取数据为用电设备在稳定运行情况下的有功功率数据作为网络输入，该数据可由目前通用的家庭智能电表测得，不需要额外的硬件成本投入。
附图说明
图1为本发明实施例整体流程示意图；
图2为本实施例中负荷分解模型的结构示意图；
图3为本实施例中残差块A和残差块B的结构示意图；
图4为本实施例中冰箱用电分解对比图；
图5为本实施例中洗衣机用电分解对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。
请参考图1至图5，本发明为基于残差卷积模块的非侵入式居民用户负荷分解方法，其步骤包括：
步骤1：获取训练数据并进行数据预处理；
步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；家庭总有功功率和各电器有功功率是稳态运行状态下的有功功率数据；本实施例中，公开数据集采用的是公开数据集UK-DALE，获取公开数据集UK-DALE中用户1的用电数据，按6秒的采样频率从2012年11月至2016年5月分别采集家庭总表和电器分表有功数据，即总有功功率和各电器有功功率；将所有数据按时间对应顺序排列，形成数据集；
步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；此步骤用于选取各电器中需求响应潜力较大设备作为目标电器；目标电器的评定标准包括：
条件一：电器运行有功功率PN≥1kw；
条件二：运行功率可调节；
条件三：运行时间可调节；
若电器符合上述任一条件即设为目标电器；本实施例中，从用户1挑选出来的目标电器包括热水壶、面包机、冰箱和洗衣机；
步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；
步骤1.3中，训练数据归一化处理的方法为：
其中，xnew为原始数据x变换得来的新数据，xmax和xmin分别为原始数据中的最大值和最小值；
步骤1.3中，序列样本为一定长度的总有功功率；目标电器序列样本长度所代表时间大于该电器完整运行周期：
Xi＝[xi,1,xi,2,…xi,K…xi,M],i＝1,2,3…
ni*t≥Ti
其中，Xi是第i个目标电器的总有功数据，xi,K是第i个目标电器总有功数据中的第K个数据，M第i个目标电器总有功数据的总数，xi,j是第i个目标电器的第j个样本，是第i个目标电器的第j个样本中的第k个数据，ni是第i个目标电器的样本序列长度，t是有功数据样本采集周期，Ti第i个目标电器的运行周期。经计算确定热水壶、面包机、冰箱和洗衣机的样本序列长度分别为39、29、59和99。
步骤2：构建并训练负荷分解模型；负荷分解模型通过训练建立总有功功率和目标电器有功功率之间的映射关系，给定一个输入总有功功率样本，负荷分解模型能够通过对应的映射关系分解得到目标电器对应消耗的有功功率；
步骤2.1：负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果；
训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；步骤2.1具体为：
步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：
zt＝f(WTPt:t+W-1+b)
rt＝Max(zt)
xτ＝F(rt)
其中，Pt:t+k-1代表输入时间序列，k为卷积核大小；WT表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数，一般使用ReLU函数或Tanh函数，激活函数为网络引入非线性因素，增强网络学习能力；zt为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数，提取典型特征，降低运算量；F(x)为全连接映射函数；
步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入，可以有效的避免梯度爆炸等问题；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：
yi,j＝xi,j+zi,j
其中，xi,j为网络输入，zi,j为CNN学习到的特征值，yi,j为输入与特征值之和；
参阅图2，本实施例中采用卷积核不同的残差块A和残差块B，CONV1D指的是一维卷积网络层。在神经网络训练过程中，参数的调整依据主要是依靠各层输出与输入之间的梯度大小，当网络层数较深时，可能会造成梯度爆炸或梯度弥散，使训练难以继续。通过设置卷积核不同的残差块，可以在一定程度上避免这种问题的发生。
步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：
rt＝Sigmoid(Wrxxt+Wrhht-1)
zt＝Sigmoid(Wzxxt+Wzhht-1)
其中，在时间步t下，对于重置门rt而言，首先分别获得输入xt与其权重Wrh的乘积及前一时间步t-1下的状态输出ht-1与其权重Wrh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门zt而言，首先分别获得输入xt同其权重Wzx的乘积及前一时间步t-1下的状态输出ht-1同其权重Wzh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；针对当前候选状态输出对前一时间步t-1下的状态输出ht-1与重置门rt求哈达玛积实现对过去信息的保留，然后分别获得其与权重Wch以及输入xt与其权重Wcx的乘积，最后对两部分乘积求和再经过tanh函数将输出缩放至-1到1之间；当前状态输出ht保存着当前GRU学习到的信息，将会在神经网络中继续往后传递；首先用1减去更新门zt中每个数据，再将得到的差与前一状态输出ht-1相乘得到经过丢弃操作之后剩下的信息；之后将更新门zt同当前候选状态输出/>相乘得到该单元记忆的信息，最后将两部分信息相加得到当前状态输出ht。
步骤2.14：经过两Dense层完成目标电器的有功功率预测，输出目标电器的有功功率分解结果。
步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；
预测值与真实值之间误差采用分解误差指标评定，分解误差指标包括：平均绝对误差Mae、召回率RE和F1分数F1，具体为：
其中，PRE表示准确率；x’t与xt分别表示负荷在时间点t功率消耗的预测值和真实值；TP表示负荷真实状态为运行而预测状态也是运行的总数；FP表示负荷真实状态为关闭而预测状态为运行的总数；TN表示真实状态为关闭而预测状态也是关闭的总数；FN表示真实状态为运行而预测状态也是关闭的总数。
本实施中，步骤1.3中的数据集分为训练集和验证集，训练集为用于模型训练的训练数据，验证数据用于验证训练好后的负荷分解模型。
步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。待分解的用户总有功功率通过居民用户电表采集，为家庭总用电数据，总表数据作为负荷分解模型输入，对总表数据进行分解即可获得目标电器的有功功率分解结果。
下面给出通过其他分解方法作为对比来验证本申请的准确性。
选取去噪自动编码器(DAE)、RNN、seq2point常规卷积的负荷分解法作为基准分解方法，用于验证本发明所提方法提高分解精度的有效性。不同负荷分解方法进行目标电器分解的MAE误差比较如表1所示，本发明对目标电器进行分解的参考指标如表2所示，结果表明，本发明所提方法能进一步提高居民负荷分解的准确性。综上所述，本发明所提方法较好地拟合了电器有功功率真实值，能较为准确地分解不同类型的居民负荷，具有一定的可行性和实用性。
表1不同算法MAE对比
表2算法参考指标
综上所述，本发明的分解方法可用于分解用户级电力负荷，对电力系统调度、能量管理以及需求响应实施起到重要的指导作用。本发明的方法相较于其他基准负荷分解法，对居民家用负荷根据需求响应潜力进行了筛选，其分解精度得到明显提升，能更准确地分解居民用户负荷，进而为电力系统调度提供有价值的参考，有利于保证电网稳定经济运行。
本发明未涉及部分均与现有技术相同或采用现有技术加以实现。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：包括
步骤1：获取训练数据并进行数据预处理；
步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；
步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；
步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；
步骤2：构建并训练负荷分解模型；
步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；
步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；
步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。
2.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。
3.根据权利要求2所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤2.1具体为：
步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：
zt＝f(WTPt:t+W-1+b)
rt＝Max(zt)
xτ＝F(rt)
其中，Pt:t+k-1代表输入时间序列，k为卷积核大小；WT表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；zt为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；
步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：
yi,j＝xi,j+zi,j
其中，xi,j为网络输入，zi,j为CNN学习到的特征值，yi,j为输入与特征值之和；步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：
rt＝Sigmoid(Wrxxt+Wrhht-1)
zt＝Sigmoid(Wzxxt+Wzhht-1)
其中，在时间步t下，对于重置门rt而言，首先分别获得输入xt与其权重Wrx的乘积及前一时间步t-1下的状态输出ht-1与其权重Wrh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门zt而言，首先分别获得输入xt同其权重Wzx的乘积及前一时间步t-1下的状态输出ht-1同其权重Wzh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；针对当前候选状态输出对前一时间步t-1下的状态输出ht-1与重置门rt求哈达玛积实现对过去信息的保留，然后分别获得其与权重Wch以及输入xt与其权重Wcx的乘积，最后对两部分乘积求和再经过tanh函数将输出缩放至-1到1之间；当前状态输出ht保存着当前GRU学习到的信息，将会在神经网络中继续往后传递；首先用1减去更新门zt中每个数据，再将得到的差与前一状态输出ht-1相乘得到经过丢弃操作之后剩下的信息；之后将更新门zt同当前候选状态输出/>相乘得到相应单元记忆的信息，最后将两部分信息相加得到当前状态输出ht；
步骤2.14：经过两Dense层完成目标电器的有功功率预测，输出目标电器的有功功率分解结果。
4.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤2.2中，预测值与真实值之间误差采用分解误差指标评定，分解误差指标包括：平均绝对误差Mae、召回率RE和F1分数F1，具体为：
其中，PRE表示准确率；xt'与xt分别表示负荷在时间点t功率消耗的预测值和真实值；TP表示负荷真实状态为运行而预测状态也是运行的总数；FP表示负荷真实状态为关闭而预测状态为运行的总数；TN表示真实状态为关闭而预测状态也是关闭的总数；FN表示真实状态为运行而预测状态也是关闭的总数。
5.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤1.1中的公开数据集为公开数据集UK-DALE。
6.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤1.2中，目标电器的评定标准包括：
条件一：电器运行有功功率PN≥1kw；
条件二：运行功率可调节；
条件三：运行时间可调节；
若电器符合上述任一条件即设为目标电器。
7.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤1.3中训练数据归一化处理的方法为：
其中，xnew为原始数据x变换得来的新数据，xmax和xmin分别为原始数据中的最大值和最小值。
8.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：所述步骤1.3中，序列样本为一定长度的总有功功率；目标电器序列样本长度所代表时间大于该电器完整运行周期：
Xi＝[xi,1,xi,2,…xi,K…xi,M],i＝1,2,3…
ni*t≥Ti
其中，Xi是第i个目标电器的总有功数据，xi,K是第i个目标电器总有功数据中的第K个数据，M第i个目标电器总有功数据的总数，xi,j是第i个目标电器的第j个样本，是第i个目标电器的第j个样本中的第k个数据，ni是第i个目标电器的样本序列长度，t是有功数据样本采集周期，Ti第i个目标电器的运行周期。
CN202110900810.2A 2021-08-06 2021-08-06 基于残差卷积模块的非侵入式居民用户负荷分解方法 Active CN113837894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110900810.2A CN113837894B (zh) 2021-08-06 2021-08-06 基于残差卷积模块的非侵入式居民用户负荷分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110900810.2A CN113837894B (zh) 2021-08-06 2021-08-06 基于残差卷积模块的非侵入式居民用户负荷分解方法

Publications (2)

Publication Number Publication Date
CN113837894A CN113837894A (zh) 2021-12-24
CN113837894B true CN113837894B (zh) 2023-12-19

Family

ID=78963007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110900810.2A Active CN113837894B (zh) 2021-08-06 2021-08-06 基于残差卷积模块的非侵入式居民用户负荷分解方法

Country Status (1)

Country Link
CN (1) CN113837894B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510992A (zh) * 2021-12-27 2022-05-17 上海梦象智能科技有限公司 一种基于深度学习的设备开关状态检测方法
TWI802245B (zh) * 2022-01-24 2023-05-11 台灣電力股份有限公司 基於非侵入式設備負載監控的用電解析系統及用電解析方法
CN115048854B (zh) * 2022-04-27 2024-07-02 湘潭大学 一种家庭电器负荷分解方法
CN114970723A (zh) * 2022-05-29 2022-08-30 华中科技大学 一种基于UNet结构的多任务非侵入式负荷分解方法
CN115130830B (zh) * 2022-06-08 2024-05-14 山东科技大学 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法
CN115018217B (zh) * 2022-08-09 2022-10-25 国网山东省电力公司东营市河口区供电公司 一种光伏传输管理方法与系统
CN116226702B (zh) * 2022-09-09 2024-04-26 武汉中数医疗科技有限公司 一种基于生物电阻抗的甲状腺采样数据识别方法
CN116526459B (zh) * 2023-04-28 2024-02-20 杭州戈虎达科技有限公司 一种非侵入式居民负荷监测方法及存储介质
CN117422590A (zh) * 2023-10-27 2024-01-19 国网北京市电力公司 一种基于负荷分解的施工监控方法、装置、设备及介质
CN117477771A (zh) * 2023-10-30 2024-01-30 国网浙江省电力有限公司杭州市临平区供电公司 非侵入式宿舍用电安全监测方法、系统和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111738512A (zh) * 2020-06-22 2020-10-02 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测系统与方法
CN112434783A (zh) * 2020-10-12 2021-03-02 中国电力科学研究院有限公司 一种非侵入式负载分解方法及系统
WO2021057810A1 (zh) * 2019-09-29 2021-04-01 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN112598303A (zh) * 2020-12-28 2021-04-02 宁波迦南智能电气股份有限公司 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN113065704A (zh) * 2021-03-31 2021-07-02 贵州电网有限责任公司 一种非侵入式负荷分解模型的超参数优化和后处理方法
CN113159990A (zh) * 2021-04-21 2021-07-23 华南理工大学 一种光伏发电运维系统的设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363286A (zh) * 2019-06-27 2019-10-22 腾讯科技（深圳）有限公司 神经网络模型的生成方法及装置
CN110674604B (zh) * 2019-09-20 2022-07-08 武汉大学 基于多维时序帧卷积lstm的变压器dga数据预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
WO2021057810A1 (zh) * 2019-09-29 2021-04-01 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111738512A (zh) * 2020-06-22 2020-10-02 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112434783A (zh) * 2020-10-12 2021-03-02 中国电力科学研究院有限公司 一种非侵入式负载分解方法及系统
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测系统与方法
CN112598303A (zh) * 2020-12-28 2021-04-02 宁波迦南智能电气股份有限公司 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN113065704A (zh) * 2021-03-31 2021-07-02 贵州电网有限责任公司 一种非侵入式负荷分解模型的超参数优化和后处理方法
CN113159990A (zh) * 2021-04-21 2021-07-23 华南理工大学 一种光伏发电运维系统的设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双重注意力机制和GRU 网络的短期负荷预测模型;李晓, 卢先领;计算机工程;第48卷(第2期);全文 *
基于混合神经网络的光伏电量预测模型的研究;崔佳豪, 毕利;电力系统保护与控制;49(13);全文 *

Also Published As

Publication number Publication date
CN113837894A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN113837894B (zh) 基于残差卷积模块的非侵入式居民用户负荷分解方法
Wang et al. Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system
US20190265768A1 (en) Method, system and storage medium for predicting power load probability density based on deep learning
Bu et al. WECC composite load model parameter identification using evolutionary deep reinforcement learning
Upendar et al. Statistical decision-tree based fault classification scheme for protection of power transmission lines
CN107239852A (zh) 一种基于深度学习的电量消耗预测方法
CN110232203A (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
Cortes-Robles et al. Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN110222897A (zh) 一种配电网可靠性分析方法
CN116861201B (zh) 基于人工智能的电力供给系统
CN103020459A (zh) 一种多维度用电行为的感知方法及系统
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
CN110298552A (zh) 一种结合历史用电特征的配电网个体功率异常检测方法
Zu et al. A simple gated recurrent network for detection of power quality disturbances
CN113554229A (zh) 三相电压不平衡异常检测方法及装置
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN112069666A (zh) 一种基于概率潮流法的电网短期可靠性评估方法
Hu et al. Short‐term load forecasting utilizing wavelet transform and time series considering accuracy feedback
Taghvaei et al. Efficient energy consumption in smart buildings using personalized NILM-based recommender system
CN114330642A (zh) 一种用于多采样时间的建筑电力负荷预测方法
Shi et al. Load forecasting for regional integrated energy system based on two-phase decomposition and mixture prediction model
CN114462306A (zh) 基于变权重时域卷积网络的非侵入式用电负荷分解方法
Guan et al. Short-Term EV Charging Load Predicting Based on Adaptive VMD and LSTM Methods
Yuzgec et al. A novel hybrid model based on Empirical Mode Decomposition and Echo State Network for wind power 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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230818

Address after: No.1, OTI street, Jianye District, Nanjing City, Jiangsu Province, 210019

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. NANJING POWER SUPPLY BRANCH

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Address before: No.1, OTI street, Jianye District, Nanjing City, Jiangsu Province, 210019

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. NANJING POWER SUPPLY BRANCH

Applicant before: HOHAI University

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant before: NARI INFORMATION & COMMUNICATION TECHNOLOGY Co.

GR01 Patent grant
GR01 Patent grant