CN114629103A - 一种基于inception结构负荷分解模型的楼宇负荷分解方法 - Google Patents
一种基于inception结构负荷分解模型的楼宇负荷分解方法 Download PDFInfo
- Publication number
- CN114629103A CN114629103A CN202011425508.8A CN202011425508A CN114629103A CN 114629103 A CN114629103 A CN 114629103A CN 202011425508 A CN202011425508 A CN 202011425508A CN 114629103 A CN114629103 A CN 114629103A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- building
- load decomposition
- energy consumption
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于inception结构负荷分解模型的楼宇负荷分解方法,包括以下步骤:S1:获取楼宇能耗负荷数据和楼宇对应的气象数据;S2:对楼宇能耗负荷数据进行预处理和去噪处理;S3:将楼宇能耗负荷数据和气象数据分别输入多个深度神经网络,分别提取得到特征数据;S4:构建基于inception结构的负荷分解模型;S5:将多个深度神经网络提取得到的特征数据输入负荷分解模型,得到负荷分解结果。与现有技术相比,本发明具有提高分解准确率等优点。
Description
技术领域
本发明涉及楼宇总能耗分解领域,尤其是涉及一种基于inception结构负荷分解模型的楼宇负荷分解方法。
背景技术
随着产业结构的升级与居民生活水平的提高,电力峰谷差不断加大,削峰填谷提高电力系统安全稳定性成为一个重要的问题。城市作为区域用能中心,在城市地区构建城市能源互联网是城市未来发展的重要建设内容之一。楼宇作为城市能源互联网中的一个重要组成部分,受到的关注日益加强。楼宇所带来的经济效益得到了前所未有的提升,经济的发展带动了楼宇数量的提升,楼宇建筑面积也增长迅速。通过楼宇总能耗以此得到楼宇分项计量数据辅助系统进行削峰填谷有了实际应用价值。因此,负荷分解作为一种根据电力入口处的总用电负荷分解推算得出用户各用电器的用电量和工作状态的技术收到了广泛关注。对于电力公司,负荷分解技术可以为其提供详细而深入的数据,为其调度,运行和规划提供依据,促进智能电网的发展。
目前,对于负荷分解的研究对象可以分为高频数据和低频数据。高频数据能获取电器开闭时刻的暂态信息,如电流、电压及谐波信息,范围为10—100MHZ。然而高频数据的获取往往比较昂贵,目前常用的低频数据主要利用电压、电流或有功功率进行负荷分解,数据获取成本较低,在楼宇负荷分解案例上更易实现。
现有负荷分解算法主要有隐马尔可夫(Hidden Markov model,HMM)及其变种、机器学习算法和深度学习算法等,但是现有的负荷分解算法只对需要分解的对象进行特征提取,而没有考虑该对象能耗与其他数据的关联,仅通过单一结构的神经网络挖掘特征进行负荷分解,负荷分解结果的正确率不高,且目前负荷分解算法少以楼宇为对象,无法适用于对楼宇的负荷分解。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高负荷分解结果正确率的基于inception结构负荷分解模型的楼宇负荷分解方法。
本发明的目的可以通过以下技术方案来实现:
一种基于inception结构负荷分解模型的楼宇负荷分解方法,包括以下步骤:
S1:获取楼宇能耗负荷数据和楼宇对应的气象数据;
S2:对楼宇能耗负荷数据进行预处理和去噪处理;
S3:将楼宇能耗负荷数据和气象数据分别输入多个深度神经网络,分别提取得到特征数据;
S4:构建基于inception结构的负荷分解模型;
S5:将多个深度神经网络提取得到的特征数据输入负荷分解模型,得到负荷分解结果。
进一步地,所述的楼宇能耗负荷数据为楼宇总能耗负荷数据,所述的对应的气象数据为楼宇当地当年的气象数据。
进一步地,训练时,获取的楼宇能耗负荷数据包括楼宇低频有功数据和楼宇分量负荷有功数据,所述的楼宇分量负荷有功数据包括照明用能数据、空调用能数据、动力用能数据和其他用能数据。
更进一步地,所述的气象数据包括温度、风速、气压、露点和湿度。
进一步地,所述的预处理包括数据清洗、填补缺失值和去除异常值,所述的去噪处理采用滑动滤波降噪。
更进一步地,所述的预处理具体包括:
首先对每栋楼宇进行最大负荷估计,将超过估计值1.5倍的值作为异常值进行删除;
然后对删除值以及缺失值进行补漏,具体为,对于离散缺失值,采用缺失值前后两小时数据的算数平均值进行补漏;对于连续缺失值,采用缺失值前一周和后一周同一天每个点的平均值进行补漏。
更进一步地,所述的滑动滤波公式为:
式中为Pt第t个功率采样值数值。
进一步地,所述的步骤S4具体包括:根据不同深度神经网络提取得到的不同的特征数据,分别训练弱学习器,并将各弱学习器的结果进行融合,得到基于 inception结构的负荷分解模型。
进一步优选地,所述的多个深度神经网络分别包括卷积神经网络、LSTM神经网络和MLP神经网络。
更进一步地,所述的卷积神经网络、LSTM神经网络和MLP神经网络分别对楼宇能耗负荷数据和气象数据进行特征提取,得到三个特征提取结果,并将三个特征提取结果输入基于inception结构的负荷分解模型,得到楼宇负荷分解结果,所述的楼宇负荷分解结果包括照明用能、空调用能和动力用能。
与现有技术相比,本发明具有以下优点:
1)本发明方法针对楼宇进行负荷分解,实现利用楼宇总能耗来分解得到楼宇各分项负荷,解决目前非侵入负荷分解少以楼宇为对象的问题,实现了楼宇的负荷分解;
2)本发明将楼宇总能耗与当地气象的多个数据作为输入数据,并利用多个深度神经网络深入挖掘输入数据的特征,明显提高总能耗分解准确率;
3)本发明利用不同神经网络挖掘到的特征不同,对不同楼宇的分解效果不同,采用inception结构综合三个神经网络的特征学习结果最终得到分解结果,对比现有模型提高了正确率。
附图说明
图1为本发明流程示意图;
图2为本发明卷积神经网络的计算原理图;
图3为本发明运用的LSTM网络结构图;
图4为本发明具体实施的整体模型流程图;
图5为实施例中各楼宇周总负荷曲线图;
图6为实施例中照明负荷分解结果在平均绝对百分比误差MAPE评价指标下的对比图;
图7为实施例中照明负荷分解结果在均值MAE评价指标下的对比图;
图8为实施例中照明负荷分解结果在准确度ACC评价指标下的对比图;
图9为本发明运用的MLP网络结构图。
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。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明提供一种基于inception结构负荷分解模型的楼宇负荷分解方法,实现利用楼宇总能耗来分解得到楼宇各分项负荷,包括如下步骤:
S1:获取楼宇能耗负荷数据和楼宇对应的气象数据,其中,楼宇能耗负荷数据为楼宇总能耗负荷数据,对应的气象数据为楼宇当地当年的气象数据;
S2:对楼宇能耗负荷数据进行预处理和去噪处理;
S3:将楼宇能耗负荷数据和气象数据分别输入多个深度神经网络,分别提取得到特征数据;
S4:构建基于inception结构的负荷分解模型;
S5:将多个深度神经网络提取得到的特征数据输入负荷分解模型,得到负荷分解结果。
本实施例中,具体实施步骤如下:
1)建立楼宇负荷量测系统,对楼宇总能耗进行量测,得到楼宇能耗负荷数据集,并采集楼宇对应的气象数据;
其中,楼宇负荷量测系统可以依靠现有的用于测量电网接入楼宇的量测设备,采集楼宇低频有功数据及分量负荷有功数据。
2)对采集得到的楼宇能耗负荷数据集进行包括清洗、填补缺失值和去除异常值等预处理,并进行滑动滤波去除噪声,具体为:
由于能耗负荷数据在量测、记录、传输过程中可能出现的误差、遗失、异常等,需要对数据进行预处理:对每栋楼宇进行最大负荷估计,对于超过估计值1.5倍的值视为异常值进行删除;对删除值以及缺失值进行补漏,对于离散缺失值,采用前后两小时数据的算数平均值进行补漏,对于连续缺失值,采用前一周和后一周同一天每个点的平均值进行补漏。
对于能耗负荷数据的噪声采用滑动滤波降噪,先在RAM中建立一个数据缓冲区,依顺序存放N个采样数据,每采进一个新数据,就将最早采集的那个数据丢掉,将包括新数据在内的N个数据的算术平均值作为滤波结果,滑动滤波公式为:
式中为Pt第t个功率采样值数值。
3)通过深度神经网络深入提取天气数据以及楼宇负荷数据集中数据的特征,具体为:
分别构建卷积神经网络、LSTM神经网络和多层感知器(MLP)神经网络来对气象数据以及楼宇能耗负荷数据的特征进行深入挖掘提取,最后得到三个神经网络的输出结果。
其中,卷积神经网络的计算结构如图2所示,卷积运算一个重要的特点就是,通过卷积运算,可以使原信号特征增强,并且降低噪音,卷积公式为:
上式f(x)*g(x)表示两个函数f(x)和g(x)的卷积,卷积可以对输入数据从空间上提取有效特征,在卷积神经网络中,卷积层的运算可以描述为:
St=f(UXt+WSt-1+b)
上式中St表示神经元状态,St-1表示前一神经元状态,Xt为当前神经元输入, U和W为卷积神经网络权重矩阵,b为卷积神经网络偏置向量。
LSTM网络结构如图3所示,长短时记忆网络(LSTM,Long Short-Term Memory) 是一种时间循环神经网络,相比传统的RNN网络多了记忆单元用于储存时序特征,由输入门、输出门以及遗忘门三个复合控制门单元组成。
遗忘门的公式为:
ft=σ(Wf·[ht-1,xt]+bf)
上式中ft为遗忘门的输出信号,σ为激活函数,Wf为遗忘门权重矩阵,bf为遗忘门偏置向量。遗忘门中的sigmoid激活函数决定要丢弃哪些信息。
输入门的公式为:
it=σ(Wi·[ht-1,xt]+bi)
上式中it为输入门的输出信号,Wi为输入门权重矩阵,bi为输入门偏置向量,输入门确定要在单元状态下存储哪些新信息,将数据上输到遗忘门中。
输出门的公式为:
ot=σ(Wo·[ht-1,xt]+bo)
上式中ot为输出门的输出信号,Wo为输出门权重矩阵,bo为输出门偏置向量。输出门用来确定要输出的信息,然后我们tanh函数处理输出门单元状态(将值映射在-1到1之间),然后将其与sigmoid函数的输出相乘,以便仅输出确定输出的部分。相对于传统的RNN神经网络,LSTM神经网络可以保留数据的时序特征,更深入地挖掘数据,从而学习到更好的结果。
MLP神经网络的网络结构如图9所示,第t个神经元的计算公式为:
Yt=f(Wt·xt+bt)
上式中,Yt是第t个神经元的输出,xt是第t个神经元的输入,Wt为MLP神经元权重矩阵,为bt为MLP神经元偏置向量。
4)构建基于inception结构的负荷分解模型,并输入三个神经网络的输出结果,最终得到负荷分解结果,具体为:
训练时,将步骤3)三个神经网络的输出结果进行融合,引用Inception模型的思想,根据不同深度网络提取的不同特征,分别训练弱学习器,并将各弱学习器的结果进行融合,具体为,借助concatenated层一定的规则将这些弱学习器的结果进行拼接,通过最后一层神经网络从弱学习器分解结果中选取最优分解结果,从而获取更好的分解性能,如图4所示,构建得到基于inception结构的负荷分解模型,将步骤3)中提取的特征输入基于inception结构的负荷分解模型,得到负荷分解结果。
本实施例中,楼宇负荷数据集选取同一地区的两种商业楼宇在4个季节的典型月2、5、8、11月的15分钟采样能耗负荷数据,能耗负荷数据包括总能耗及相应的分项计量数据。分项计量数据包括照明用能、空调用能、动力用能及其他用能。选取的两种商业楼宇包括5栋办公楼宇(A1~A5)和5栋商场楼宇(B1~B5),另外当地同年每半小时采样的气象数据作为辅助输入,气象数据主要包括温度、风速、气压、露点和湿度。
通过分析商业楼宇的总负荷及各分量数据的日最大负荷、日最小负荷和日峰谷差,如图5所示,可以总结出商业楼宇负荷数据的三点特征:
1、总负荷、照明与插座负荷、空调负荷的波动范围较大,最小负荷只占最大负荷的30%以下,日峰谷差数值很大,数值约为最大负荷的70%以上。峰时耗电率与平时耗电率比较接近,皆在40%,而谷时耗电率则比较低。这反映出办公楼宇是一种具有明显峰谷变化与用电时间段的楼宇。现实生活中,办公楼宇的白天处于用电高峰,在夜间下班后,负荷较小。商场楼宇在营业时间处于用电高峰,在夜晚休息时间负荷很小,商场楼宇的峰时时长比办公楼宇要长。
2、商业楼宇是一种以照明与空调负荷为主的公共楼宇,其和占总负荷的80%以上。照明负荷的波动范围较空调负荷较小,负荷率上,照明负荷也小于空调负荷,这说明负荷波动最大的是空调负荷,其次是照明负荷,动力负荷与其他负荷值较小其规律性较小,波动的数值不大。
3、不同建筑之间在幅值和波动性以及用电构成上存在差异。不同商业楼宇由于其面积、年代、楼层、用电设备的不同,其负荷量也不尽相同,总负荷的最大值从90.95kW到2487.72kW不等,最小值从5.51kW到443.72kW不等。不同楼宇的用电构成也并不完全相同,虽然本实施例中采集数据的所有楼宇均满足照明与空调负荷占比80%以上,但是不同楼宇照明负荷与空调负荷的比例是不同的。
如图6、图7和图8所示,本实施例中,将本发明的负荷分解模型与现有负荷分解常用模型如CNN,CLSTM神经网络模型做对比,评价指标采用平均绝对百分比误差MAPE、准确度ACC和均值MAE,计算公式如下:
以办公楼宇的Avg_MAE为例,下表是三种方法办公楼宇最终分解精度的 Avg_MAE对比,可以明显看出,本发明算法相较于CNN和CLSTM算法,正确率有了明显的提升。CNN算法对于特征相对复杂的楼宇负荷分量如A1、A5的空调负荷就很难学到特征的全部信息,CLSTM对复杂楼宇的学习的效果远优于CNN,但CLSTM对简单楼宇负荷分量如A4的学习就逊于CNN,而本发明所用算法在大多数情况均优于其他两种算法,在复杂楼宇的学习上优于CLSTM,在简单楼宇的学习上优于CNN算法。
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 (10)
1.一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,包括以下步骤:
S1:获取楼宇能耗负荷数据和楼宇对应的气象数据;
S2:对楼宇能耗负荷数据进行预处理和去噪处理;
S3:将楼宇能耗负荷数据和气象数据分别输入多个深度神经网络,分别提取得到特征数据;
S4:构建基于inception结构的负荷分解模型;
S5:将多个深度神经网络提取得到的特征数据输入负荷分解模型,得到负荷分解结果。
2.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的楼宇能耗负荷数据为楼宇总能耗负荷数据,所述的对应的气象数据为楼宇当地当年的气象数据。
3.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,训练时,获取的楼宇能耗负荷数据包括楼宇低频有功数据和楼宇分量负荷有功数据,所述的楼宇分量负荷有功数据包括照明用能数据、空调用能数据、动力用能数据和其他用能数据。
4.根据权利要求2所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的气象数据包括温度、风速、气压、露点和湿度。
5.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的预处理包括数据清洗、填补缺失值和去除异常值,所述的去噪处理采用滑动滤波降噪。
6.根据权利要求5所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的预处理具体包括:
首先对每栋楼宇进行最大负荷估计,将超过估计值1.5倍的值作为异常值进行删除;
然后对删除值以及缺失值进行补漏,具体为,对于离散缺失值,采用缺失值前后两小时数据的算数平均值进行补漏;对于连续缺失值,采用缺失值前一周和后一周同一天每个点的平均值进行补漏。
8.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的步骤S4具体包括:根据不同深度神经网络提取得到的不同的特征数据,分别训练弱学习器,并将各弱学习器的结果进行融合,得到基于inception结构的负荷分解模型。
9.根据权利要求1或8所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的多个深度神经网络分别包括卷积神经网络、LSTM神经网络和MLP神经网络。
10.根据权利要求9所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法,其特征在于,所述的卷积神经网络、LSTM神经网络和MLP神经网络分别对楼宇能耗负荷数据和气象数据进行特征提取,得到三个特征提取结果,并将三个特征提取结果输入基于inception结构的负荷分解模型,得到楼宇负荷分解结果,所述的楼宇负荷分解结果包括照明用能、空调用能和动力用能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425508.8A CN114629103A (zh) | 2020-12-09 | 2020-12-09 | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425508.8A CN114629103A (zh) | 2020-12-09 | 2020-12-09 | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114629103A true CN114629103A (zh) | 2022-06-14 |
Family
ID=81895108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011425508.8A Pending CN114629103A (zh) | 2020-12-09 | 2020-12-09 | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113234A (zh) * | 2023-10-12 | 2023-11-24 | 济南泉晓电气设备有限公司 | 一种基于机器学习的输电线路故障检测方法及系统 |
-
2020
- 2020-12-09 CN CN202011425508.8A patent/CN114629103A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113234A (zh) * | 2023-10-12 | 2023-11-24 | 济南泉晓电气设备有限公司 | 一种基于机器学习的输电线路故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
Hu et al. | A hybrid forecasting approach applied to wind speed time series | |
Gendeel et al. | Performance comparison of ANN<? show [AQ ID= Q1]?> s model with VMD for short‐term wind speed forecasting | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
Lu et al. | A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
Mokarram et al. | Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN114629103A (zh) | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
El Bakali et al. | Data-Based Solar Radiation Forecasting with Pre-Processing Using Variational Mode Decomposition |
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 |