CN115130830A - 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 - Google Patents
基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN115130830A CN115130830A CN202210643068.6A CN202210643068A CN115130830A CN 115130830 A CN115130830 A CN 115130830A CN 202210643068 A CN202210643068 A CN 202210643068A CN 115130830 A CN115130830 A CN 115130830A
- Authority
- CN
- China
- Prior art keywords
- load decomposition
- network
- width learning
- decomposition
- cascade
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 162
- 241000287127 Passeridae Species 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 241000288673 Chiroptera Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于级联宽度学习和麻雀算法的非侵入式负荷分解方法。该方法使用轻量的宽度学习算法，解决了基于深度学习的非侵入式负荷分解网络结构复杂、训练极度耗时、对计算资源要求高的技术问题，并且可以同时得到目标设备的运行状态和详细的功率信息。此外，本发明通过改进宽度学习特征节点的连接方式，构建了级联宽度学习负荷分解网络，并使用麻雀搜索算法优化网络参数，从而提高了负荷分解精度。与传统的基于深度学习的非侵入式负荷分解方法相比，本发明方法在保证分解精度的同时大幅度降低了训练时间，并且网络结构简单，便于与嵌入式设备集成使用，为非侵入式负荷分解的推广提供算法支持。
Description
技术领域
本发明属于非侵入式负荷分解技术领域，尤其涉及一种基于级联宽度学习和麻雀算法的非侵入式负荷分解方法。
背景技术
随着能源短缺和环境污染的不断加剧，能源节约问题受到了前所未有的关注。在终端能源消耗中，电能所占比重逐年增加。预计到2035年，我国电能占终端能源消耗的比重将提高至38％以上。
研究表明，用户在清楚家庭用电设备级粒度信息后可降低13％左右的电能消耗。另一方面，随着电力物联网和智能电网的发展，电网与用户的双向互动将会更加友好紧密。
为了实现与电力用户的灵活互动，需要挖掘用户的用电行为及其规律，而这一切的基础是对用户内部设备使用信息的感知与获取。非侵入式负荷监测，又称为非侵入式负荷分解，提供了一种仅通过用户总线处数据来获取用户内部每个设备独立用电数据的方法。
相比于传统的侵入式负荷监测方法，非侵入式负荷分解方法具有低成本、易于实施等优点。由此可见，非侵入式负荷分解技术的应用与推广具有重要意义。
专利文献1公开了一种基于双向扩张卷积的非侵入式负荷分解方法，在时态卷积网络的基础上，采用双向扩张卷积替换因果扩张卷积来构建残差模块，同时引入两种形式的残差连接，通过双向扩张卷积能够扩大网络的感受野从而提高模型的性能，残差连接使得训练深度模型更加方便，同时结合不同层次所提取的负荷特征来提高最终分解结果的准确率。
然而，该专利文献1存在网络结构复杂、训练过程极度耗时的问题，并且对计算资源有一定要求，难以与嵌入式设备集成使用，为用户使用非侵入式负荷分解技术带来困难。
相关文献
专利文献1中国发明专利申请公开号：CN 114091576 A，公开日：2022.02.25
发明内容
本发明的目的在于提出一种基于级联宽度学习和麻雀算法的非侵入式负荷分解方法，以解决目前基于深度学习的非侵入式负荷分解方法网络结构复杂、训练过程耗时等问题。
本发明为了实现上述目的，采用如下技术方案：
基于级联宽度学习和麻雀算法的非侵入式负荷分解方法，包括如下步骤：
步骤1.构建训练与测试数据集；以1min为间隔采集用户的总用电功率和目标设备功率，将获取的数据集划分为训练数据集和测试数据集。
步骤2.构建级联宽度学习负荷分解网络。本发明在宽度学习的基础上，改进特征节点的连接方式，构建级联宽度学习网络，以提高网络的特征提取能力。
针对每种目标设备，分别构建级联宽度学习负荷分解网络，首先通过特征映射生成级联特征节点，然后通过非线性映射产生增强节点，最后生成输入到输出的连接权重。
步骤3.确定评估指标。确定非侵入式负荷分解效果的误差指标和开/关评估指标，以此来衡量级联宽度学习负荷分解网络的分解效果。
步骤4.级联宽度学习负荷分解网络的参数寻优。在基于级联宽度学习网络的负荷分解过程中，决定网络特征节点和增强节点数量的参数n、k和m，将影响负荷分解效果。
因此，采用麻雀搜索算法来选取各目标设备级联宽度学习负荷分解网络的最优参数。
步骤5.训练最优参数下的级联宽度学习负荷分解网络。在得到级联宽度学习负荷分解网络的最优参数后，利用训练数据集对最优参数下的级联宽度学习负荷分解网络进行训练。
步骤6.应用级联宽度学习负荷分解网络进行负荷分解。
利用步骤5训练好的级联宽度学习负荷分解网络，对负荷进行在线分解。
针对某种目标设备，将采样间隔为1min的总用电功率输入到训练好的级联宽度学习负荷分解网络中，从而将用户总用电功率分解为目标设备的功率序列。
本发明具有如下优点：
如上所述，本发明述及了一种基于级联宽度学习和麻雀算法的非侵入式负荷分解方法，该方法使用轻量的宽度学习算法，解决了基于深度学习的非侵入式负荷分解网络结构复杂、训练极度耗时、对计算资源要求高的问题，并且可以同时得到目标设备的运行状态和详细的功率信息。此外，改进宽度学习特征节点的连接方式，构建级联宽度学习负荷分解网络，并使用麻雀搜索算法优化网络参数，提高了负荷分解精度。与传统的基于深度学习的非侵入式负荷分解方法相比，本发明方法在保证分解精度的同时大幅度降低了训练时间，并且网络结构简单，便于与嵌入式设备集成使用，为非侵入式负荷分解的推广提供算法支持。
附图说明
图1为本发明实施例基于级联宽度学习和麻雀算法的非侵入式负荷分解流程图；
图2为本发明实施例中级联宽度学习结构图；
图3为利用SSA、GWO与BA方法进行负荷分解网络参数优化过程对比图；
图4为本发明SSA-CBL与CBL的负荷分解MAE对比图；
图5为本发明SSA-CBL方法与其他几种方法的整体负荷分解对比图；
图6为LSTM与本发明SSA-CBL局部负荷分解对比图；
图7为开/关状态测试结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
为了便于非侵入式负荷分解技术与嵌入式设备集成使用，并且考虑到目前智能电表的采样频率较低，基于高频特征的非侵入式负荷分解并不适用。
因此，本发明面向低频有功功率数据提出了一种基于级联宽度学习(cascadebroad learning，CBL)与麻雀算法(sparrow search algorithm，SSA)的非侵入式负荷分解方法。
本发明非侵入式负荷分解方法通过将总用电功率分解为各个目标设备的功率序列，既可以得到目标设备的运行状态，又可以得到目标设备详细的功率信息。
如图1所示，基于级联宽度学习和麻雀算法的非侵入式负荷分解方法，包括如下步骤：
步骤1.构建训练数据集与测试数据集。
由于智能电表的采样频率较低，因此，传统的基于电压、谐波信号等高频特征的非侵入式负荷分解方法，对于本发明而言并不适用。
考虑到市面上常用的智能电表只能达到1min级别的召测能力，因此本发明将采样间隔为1min的有功功率作为输入，探究低频功率数据下的非侵入式负荷分解方法。
首先将公共数据集UK-DALE采集到的用户总用电功率Xp和q个目标设备功率Ypl进行降采样，将采样间隔为1min的有功功率作为非侵入式负荷分解数据集。
其中，Ypl表示第l个目标设备功率，l＝1,2,…,q；将数据集分为训练数据集与测试数据集。
步骤2.构建级联宽度学习负荷分解网络。
级联宽度学习是一种改进特征节点连接方式的宽度学习结构。在传统宽度学习(broad learning，BL)直接将输入数据映射为特征节点的基础上，级联宽度学习将前一组特征节点与输入数据共同映射为特征节点，提高了特征节点提取数据特征的能力。
本发明将非侵入式负荷分解看作时间序列回归问题，针对每种目标设备分别构建级联宽度学习负荷分解网络，使其学习总用电功率Xp与各目标设备功率Ypl之间的映射关系。
搭建的级联宽度学习负荷分解网络由输入层、特征节点和增强节点、输出层组成；其中，输入层的输入数据为总用电功率Xp，输出层的数据为目标设备功率Ypl。
假设级联宽度学习负荷分解网络中包含n组特征节点和m个增强节点。
则级联宽度学习负荷分解网络的建立过程如下：
步骤2.1.通过特征映射生成特征节点。
第一组特征节点F1表示为：F1＝φ(XpWe1+βe1)。
第i组特征节点Fi由第i-1组特征节点Fi-1和总用电功率Xp组成，表示为：
Fi＝φ(Fi-1Wzi+XpWei+βei) (1)
其中，φ为线性映射函数；Wei和βei分别为第i组特征节点的随机权重和偏置，Wzi为附加随机权重，i＝2,...,n。每组特征节点包含k个特征节点，总共有n*k个特征节点。
步骤2.2.通过非线性映射产生增强节点。
将步骤2.1中生成的n组特征节点组成特征节点集合，Fn＝[F1,F2,...,Fn]。
由Fn通过非线性变换生成增强节点Ej，如公式(2)所示；
Ej＝ξ(FnWhj+βhj) (2)
其中，ξ是非线性激活函数。
Whj和βhj分别表示第j个增强节点的随机权重和偏置，j＝1,2,…,m。
步骤2.3.生成输入到输出的连接权重。
级联宽度学习模型用以下公式(3)表示：
Ypl＝[F1,...,Fn|E1,...,Em]Wm＝[Fn|Em]Wm＝HWm (3)
其中，“|”表示将Fn与Em拼接在一起，属于矩阵相关的表示。
Wm为输入到输出的连接权重，即总用电功率Xp与目标设备功率Ypl的映射关系。
在训练过程中，由于权重Wzi、Wei与Whj以及偏置βei与βhj均不再变化，因此，级联宽度学习负荷分解网络仅学习权重Wm即可，网络训练时求解公式(4)。
从而求得Wm＝H+Y，H+表示H的伪逆矩阵，由公式
求得；
其中，λ表示为正则化系数，I表示单位矩阵。
步骤3.确定评估指标。
将负荷分解结果与真实值的误差作为级联宽度学习负荷分解网络分解效果的误差指标，其中，误差采用均方根误差RMSE和平均绝对误差MAE。
同时为了分析分解网络对目标设备开/关状态的识别能力，将召回率Recall、准确率Precision和F1分数作为开/关评估指标，开/关评估指标数值越大，则识别准确度越高。
评估指标RMSE、MAE、Recall、Precision和F1的计算公式如下所示；
其中，num为样本数量。
TP表示分解的电器状态和实际状态均为开的数量，FN表示分解的电器状态为开，实际状态为关闭的数量，FP表示分解的电器状态为关，实际状态为开的数量。
步骤4.级联宽度学习负荷分解网络的参数寻优。
在基于级联宽度学习的负荷分解过程中，特征节点的组数n、每组特征节点中包含的特征节点个数k以及增强节点个数m将直接影响分解的效果。
如果特征节点和增强节点的数量太多会造成提取特征的冗余，也会增加网络复杂度；如果特征节点和增强节点的数量过少将难以提取完整的数据特征。
因此利用麻雀搜索算法对步骤2中的级联宽度学习负荷分解网络进行参数寻优，待寻优参数包括n、k以及m，n、k和m的搜索范围分别设置为[1,50]、[1,50]和[1,200]。
将级联宽度学习负荷分解网络的分解结果与真实值的均方根误差，作为麻雀搜索算法的适应度函数，得到级联宽度学习负荷分解网络的最优参数n、k以及m。
麻雀搜索算法是模拟麻雀觅食和反捕食行为的优化算法，其数学模型如下：
为了更好的获取食物，将种群中的N只麻雀分为发现者和加入者。
发现者具有较高的适应度值，负责搜索最优觅食区域，为所有加入者提供觅食区域和方向，加入者如果察觉到发现者找到了更好的食物，它们会立刻去争夺食物。
本发明对每种目标设备的分解网络都进行参数寻优，寻优过程相同，具体步骤为：
步骤4.1.设置麻雀搜索算法的参数，并初始化麻雀种群的位置。
定义麻雀种群的数量N＝50、需要优化的参数个数dim＝3、最大迭代次数Max_iter＝100，发现者的比例为20％，警戒者的比例为10％，安全值ST＝0.8。
步骤4.2根据构建好的级联宽度学习负荷分解网络，确定麻雀搜索算法待寻优参数，用种群中每只麻雀的位置代表级联宽度学习负荷分解网络中的三个待优化参数。
步骤4.3.利用初始的麻雀位置对级联宽度学习负荷分解网络进行训练，对测试集中的总用电功率进行分解，并将负荷分解结果与真实值的均方根误差作为适应度函数。
其中，初始的麻雀位置即初始的级联宽度学习负荷分解网络参数。
步骤4.4.根据适应度值的大小，将麻雀种群划分为发现者和加入者，适应度值大的麻雀作为发现者，并为加入者提供觅食方向；同时随机挑选10％的麻雀作为警戒者。
步骤4.5.利用公式(10)更新发现者位置，发现者在迭代过程中的位置更新如下：
其中，α是[0,1]之间的随机数，Q是标准正态分布的随机数，itermax为最大迭代次数；L是元素都为1的矩阵，R2和ST分别为预警值和安全值。
步骤4.6.利用公式(11)更新加入者位置，加入者的位置更新如下：
其中，A+是元素为1或-1的矩阵的伪逆矩阵。
Xb和Xworst分别是目前加入者所处的最优位置和目前全局中的最差位置。
当i＞N/2时，适应度值较低的加入者i没能获得食物，需要去其他地方寻找食物。
步骤4.7.利用公式(12)更新警戒者位置；部分麻雀察觉到危险时会进行反捕食行为，其数量占麻雀总数的10％-20％，称为警戒者，其位置更新如下：
其中，Xbest为目前全局中的最优位置；β为服从均值为0、方差为1的正态分布的随机数；K为[-1,1]之间的随机数；ε是为了保证分母不为0而设置的常数。
fi是当前麻雀个体的适应度值，fg和fw分别为目前全局中的最优和最差适应度值。
步骤4.8.计算麻雀位置更新后的适应度值。
根据适应度值大小，重复执行步骤4.4至步骤4.7，不断朝着网络最优参数逼近，最终在设定的最大迭代次数内找到最小均方根误差对应的网络最优参数。
步骤5.训练最优参数下的级联宽度学习负荷分解网络。
利用步骤1中构建的训练数据集，对最优参数下的级联宽度学习负荷分解网络进行训练，将总用电功率Xp作为输入，目标设备功率Ypl作为输出。
对于不同的目标设备，分别构建级联宽度学习网络进行训练，最终确定每种目标设备的级联宽度学习分解网络中的权重Wzi、Wei和Whj、偏置βei和βhj以及Wm，完成训练。
利用训练好的级联宽度学习负荷分解网络，在测试数据集上进行负荷分解，并与真实值进行对比，利用步骤3中的评估指标衡量级联宽度学习负荷分解网络的分解效果。
步骤6.应用级联宽度学习负荷分解网络进行负荷分解。
利用步骤5训练及测试好的级联宽度学习负荷分解网络，对负荷进行在线分解。
具体为：将采样间隔为1min的用户总用电功率输入到训练及测试好的级联宽度学习负荷分解网络中，将用户总用电功率分解为各目标设备的功率序列。
分解得到的功率序列不仅反映目标设备的功率数值，还反映目标设备的运行状态。
下面以UK-DALE数据集2号房间60天的数据作为训练数据集、以1天的数据作为测试数据集，来验证本发明所提出的非侵入式负荷分解方法的有效性。
1.评价指标。
采用平均绝对误差(mean absolute error，MAE)、均方根误差(root meansquared error，RMSE)、召回率Recall、准确率Precision和F1分数作为算法评价指标。
其中，MAE与RMSE两个评价指标用于评估分解值和实际值的误差，而召回率Recall、准确率Precision与F1分数三个评价指标用来评估电器是否处于工作状态的准确度。
2.SSA参数优化结果。
麻雀优化算法对待寻优参数n、k和m的搜索范围设置为[1,50]、[1,50]、[1,200]，麻雀数量(即麻雀种群数量)为50，迭代次数为100。
为了验证SSA的优越性，将其与灰狼算法(Grey Wolf Optimizer,GWO)、蝙蝠算法(Bat Algorithm,BA)进行比较。其中，GWO与BA参数设置为：
灰狼数量为50，蝙蝠数量为50，脉冲频率为0.5，响度为0.5。
利用以上三种方法对分解网络优化训练过程的如图3所示。其中，图3中(a)图冰箱表示优化迭代过程图，(b)图表示洗碗机优化迭代过程图，(c)图表示水壶优化迭代过程图。
由上述三种方法对分解网络优化训练过程的对比不难发现：
三种优化算法在迭代过程中适应度不断下降，但相比于BA与GWO，SSA的搜索能力更强、速率更快，得到的优化结果适应度最低，即分解误差最小。
SSA参数寻优结果如表1所示。
表1目标设备最优节点数量
| 参数 | 冰箱 | 洗碗机 | 水壶 |
| n | 4 | 6 | 9 |
| k | 46 | 37 | 37 |
| m | 186 | 181 | 161 |
传统的CBL特征节点与增强节点的数量按照经验选取。
一般地，n、k以及m分别取10、10、150。
为了验证SSA优化后能够提高CBL非侵入式负荷分解网络的精度，本发明将CBL与SSA-CBL负荷分解的MAE进行了比较，对比结果如图4所示。
由图4看出，本发明SSA-CBL方法的分解误差比CBL方法有了明显的降低。
3.本发明SSA-CBL负荷分解结果分析。
将组合优化(combinatorial optimization，CO)、因子隐马尔可夫模型(factorial hidden Markov model，FHMM)、长短时记忆网络(long short-term memory，LSTM)、BL和本发明提出的SSA-CBL方法进行对比，以便体现本发明方法的效果。其中，BL和CBL的特征节点和增强节点设定为表1中的数量，LSTM深度神经网络的迭代次数为50，batchsize设置为128。
下述表2为四种分解算法与本发明方法的平均绝对误差与均方根误差结果对比。
表2不同算法分解评价指标对比
由表2可知，CO算法负荷分解误差最大，SSA-CBL分解误差最小。对于三种目标设备，LSTM的两种误差指标值优于SSA-BL，表明SSA-CBL的分解能力没有超过LSTM。改进后的SSA-CBL通过特征级联增强了对输入数据的特征提取，各电器设备的分解误差均小于LSTM。图5为2号家庭一天的分解结果比较图，Real data表示真实值。从图5可知，FHMM与CO算法分解结果较差，由于FHMM与CO算法只能对电器设备的状态进行预测，难以反映电器设备的详细功率信息，而深度学习与级联宽度学习能较好的反映每个时刻的功率信息，LSTM、SSA-BL、SSA-CBL的分解功率曲线差别不大，都能较好的与真实功率曲线拟合。
为了更好的比较级联宽度学习的分解效果，着重对分解误差较小的LSTM与本发明方法进行了比较，图6为四种电器设备在工作期间真实功率与分解功率的对比图。其中，图6中(a)图表示冰箱分解效果对比图，(b)图表示洗碗机分解效果对比图，(c)图表示水壶分解效果对比图。图6中Aggregate表示总用电功率，Real data表示真实值。
由图6可知，以上两种算法在冰箱和洗碗机的分解结果与真实值的数值上有一些误差，但对电器设备的状态能够较为准确的拟合，并且CBL的拟合趋势优于LSTM。
图7为SSA-CBL与LSTM的开/关评估指标对比。其中，图7中(a)图表示召回率指标对比，(b)图表示准确率指标对比，(c)图表示F1分数指标对比。
从图7可知，CBL的开/关评估指标都优于LSTM。相比于LSTM，CBL的召回率、准确率和F1分数平均分别提高了17.18％、9.07％和13.39％。基于以上分析，SSA-CBL对于电器运行状态的分解更为准确。深度学习参数众多，需要长时间的训练过程才能达到收敛的状态，级联宽度学习是一种扁平轻量式的网络，参数数量少，训练速度快。
CBL与LSTM深度神经网络的训练时间耗费对比情况如表3所示。
表3模型训练耗时对比
由表3可知，LSTM平均训练时间为907.68秒，本发明所提出的CBL方法平均耗时仅为2.09秒。LSTM算法加入了门结构，使网络内部参数增加，LSTM模型共有1264977个参数。四种设备的CBL分解网络参数数量不同，平均为48420个参数，CBL参数远远少与LSTM，因而使CBL分解网络耗时降低，并且对计算资源要求低。
结合两种算法的RMSE、F1分数等指标的对比，可见CBL在保证分解精度的前提下，极大的降低了训练时间与计算资源的要求，可与智能电表等嵌入式设备集成使用。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (3)
1.基于级联宽度学习和麻雀算法的非侵入式负荷分解方法，其特征在于，
包括如下步骤：
步骤1.构建训练数据集与测试数据集；
将公共数据集UK-DALE采集到的用户总用电功率Xp和q个目标设备功率Ypl进行降采样，将采样间隔为1min的有功功率作为非侵入式负荷分解数据集；
其中，Ypl表示第l个目标设备功率，l＝1,2,…,q；将数据集分为训练数据集与测试数据集；
步骤2.构建级联宽度学习负荷分解网络；
将非侵入式负荷分解看作时间序列回归问题，针对每种目标设备分别构建级联宽度学习负荷分解网络，使其学习总用电功率Xp与各目标设备功率Ypl之间的映射关系；
搭建的级联宽度学习负荷分解网络由输入层、特征节点和增强节点、输出层组成；其中，输入层的输入数据为总用电功率Xp，输出层的数据为目标设备功率Ypl；
假设级联宽度学习负荷分解网络中包含n组特征节点和m个增强节点；
则级联宽度学习负荷分解网络的建立过程如下：
步骤2.1.通过特征映射生成特征节点；
第一组特征节点F1表示为：F1＝φ(XpWe1+βe1)；
第i组特征节点Fi由第i-1组特征节点Fi-1和总用电功率Xp组成，表示为：
Fi＝φ(Fi-1Wzi+XpWei+βei) (1)
其中，φ为线性映射函数；
Wei和βei分别为第i组特征节点的随机权重和偏置，Wzi为附加随机权重，i＝2,...,n；
每组特征节点包含k个特征节点，总共有n*k个特征节点；
步骤2.2.通过非线性映射产生增强节点；
将步骤2.1中生成的n组特征节点组成特征节点集合，Fn＝[F1,F2,...,Fn]；
由Fn通过非线性变换生成增强节点Ej，如公式(2)所示；
Ej＝ξ(FnWhj+βhj) (2)
其中，ξ是非线性激活函数；
Whj和βhj分别表示第j个增强节点的随机权重和偏置，j＝1,2,…,m；
步骤2.3.生成输入到输出的连接权重；
级联宽度学习模型用以下公式(3)表示：
Ypl＝[F1,...,Fn|E1,...,Em]Wm＝[Fn|Em]Wm＝HWm (3)
其中，“|”表示将Fn与Em拼接在一起，属于矩阵相关的表示；
Wm为输入到输出的连接权重，即总用电功率Xp与目标设备功率Ypl的映射关系；
在训练过程中，由于权重Wzi、Wei与Whj以及偏置βei与βhj均不再变化，因此，级联宽度学习负荷分解网络仅学习权重Wm即可，网络训练时求解公式(4)；
从而求得Wm＝H+Y，H+表示H的伪逆矩阵，由公式
求得；
其中，λ表示为正则化系数，I表示单位矩阵；
步骤3.确定评估指标；
将负荷分解结果与真实值的误差作为级联宽度学习负荷分解网络分解效果的误差指标，其中，误差采用均方根误差RMSE和平均绝对误差MAE；
将召回率Recall、准确率Precision和F1分数作为开/关评估指标；
步骤4.级联宽度学习负荷分解网络的参数寻优；
利用麻雀搜索算法对步骤2中的级联宽度学习负荷分解网络进行参数寻优，待寻优参数包括n、k以及m，n、k和m的搜索范围分别设置为[1,50]、[1,50]和[1,200]；
将级联宽度学习负荷分解网络的分解结果与真实值的均方根误差，作为麻雀搜索算法的适应度函数，得到级联宽度学习负荷分解网络的最优参数n、k以及m；
步骤5.训练最优参数下的级联宽度学习负荷分解网络；
利用步骤1中构建的训练数据集，对最优参数下的级联宽度学习负荷分解网络进行训练，将总用电功率Xp作为输入，目标设备功率Ypl作为输出；
对于不同的目标设备，分别构建级联宽度学习网络进行训练，最终确定每种目标设备的级联宽度学习分解网络中的权重Wzi、Wei和Whj、偏置βei和βhj以及Wm，完成训练；
利用训练好的级联宽度学习负荷分解网络，在测试数据集上进行负荷分解，并与真实值进行对比，利用步骤3中的评估指标衡量级联宽度学习负荷分解网络的分解效果；
步骤6.应用级联宽度学习负荷分解网络进行负荷分解；
利用步骤5训练及测试好的级联宽度学习负荷分解网络，对负荷进行在线分解；
具体为：将采样间隔为1min的用户总用电功率输入到训练及测试好的级联宽度学习负荷分解网络中，将用户总用电功率分解为目标设备的功率序列；
分解得到的功率序列不仅反映目标设备的功率数值，还反映目标设备的运行状态。
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，
所述步骤3中，评估指标RMSE、MAE、Recall、Precision和F1的计算公式如下所示；
其中，num为样本数量；
为级联宽度学习负荷分解网络的分解结果，即目标设备功率的分解值；TP表示分解的电器状态和实际状态均为开的数量，FN表示分解的电器状态为开，实际状态为关闭的数量，FP表示分解的电器状态为关，实际状态为开的数量。
3.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，
所述步骤4中，对每种目标设备的分解网络都进行参数寻优，具体步骤如下：
步骤4.1.设置麻雀搜索算法的参数，并初始化麻雀种群的位置；
定义麻雀种群的数量N＝50、需要优化的参数个数dim＝3、最大迭代次数Max_iter＝100，发现者的比例为20％，警戒者的比例为10％，安全值ST＝0.8；
步骤4.2根据构建好的级联宽度学习负荷分解网络，确定麻雀搜索算法待寻优参数，用种群中每只麻雀的位置代表级联宽度学习负荷分解网络中的三个待优化参数；
步骤4.3.利用初始的麻雀位置对级联宽度学习负荷分解网络进行训练，对测试集中的总用电功率进行分解，并将负荷分解结果与真实值的均方根误差作为适应度函数；
其中，初始的麻雀位置即初始的级联宽度学习负荷分解网络参数；
步骤4.4.根据适应度值的大小，将麻雀种群划分为发现者和加入者，适应度值大的麻雀作为发现者，并为加入者提供觅食方向；同时随机挑选10％的麻雀作为警戒者；
步骤4.5.利用公式(10)更新发现者位置，发现者在迭代过程中的位置更新如下：
其中，α是[0,1]之间的随机数，Q是标准正态分布的随机数，itermax为最大迭代次数；L是元素都为1的矩阵，R2和ST分别为预警值和安全值；
步骤4.6.利用公式(11)更新加入者位置，加入者的位置更新如下：
其中，A+是元素为1或-1的矩阵的伪逆矩阵；
Xb和Xworst分别是目前加入者所处的最优位置和目前全局中的最差位置；
当i＞N/2时，适应度值较低的加入者i没能获得食物，需要去其他地方寻找食物；
步骤4.7.利用公式(12)更新警戒者位置；部分麻雀察觉到危险时会进行反捕食行为，其数量占麻雀总数的10％-20％，称为警戒者，其位置更新如下：
其中，Xbest为目前全局中的最优位置；β为服从均值为0、方差为1的正态分布的随机数；K为[-1,1]之间的随机数；ε是为了保证分母不为0而设置的常数；
fi是当前麻雀个体的适应度值，fg和fw分别为目前全局中的最优和最差适应度值；
步骤4.8.计算麻雀位置更新后的适应度值；
根据适应度值大小，重复执行步骤4.4至步骤4.7，不断朝着网络最优参数逼近，最终在设定的最大迭代次数内找到最小均方根误差对应的网络最优参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210643068.6A CN115130830B (zh) | 2022-06-08 | 2022-06-08 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210643068.6A CN115130830B (zh) | 2022-06-08 | 2022-06-08 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115130830A true CN115130830A (zh) | 2022-09-30 |
| CN115130830B CN115130830B (zh) | 2024-05-14 |
Family
ID=83377402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210643068.6A Active CN115130830B (zh) | 2022-06-08 | 2022-06-08 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130830B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756575A (zh) * | 2023-08-17 | 2023-09-15 | 山东科技大学 | 基于bgain-dd网络的非侵入式负荷分解方法 |
| CN117896219A (zh) * | 2024-03-18 | 2024-04-16 | 中国民航大学 | 一种基于ssa寻优的lms均衡优化方法、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180144244A1 (en) * | 2016-11-23 | 2018-05-24 | Vital Images, Inc. | Distributed clinical workflow training of deep learning neural networks |
| CN112365090A (zh) * | 2020-11-26 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种基于深度学习的非入侵式用电负荷识别方法及装置 |
| CN112508192A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种具有深度结构的增量堆叠式宽度学习系统 |
| 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 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
| CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
| CN113902102A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于seq2seq的非侵入式负荷分解方法 |
| CN113962314A (zh) * | 2021-10-27 | 2022-01-21 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的非侵入式企业负荷分解方法 |
-
2022
- 2022-06-08 CN CN202210643068.6A patent/CN115130830B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180144244A1 (en) * | 2016-11-23 | 2018-05-24 | Vital Images, Inc. | Distributed clinical workflow training of deep learning neural networks |
| CN112365090A (zh) * | 2020-11-26 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种基于深度学习的非入侵式用电负荷识别方法及装置 |
| CN112508192A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种具有深度结构的增量堆叠式宽度学习系统 |
| 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 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
| CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
| CN113902102A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于seq2seq的非侵入式负荷分解方法 |
| CN113962314A (zh) * | 2021-10-27 | 2022-01-21 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的非侵入式企业负荷分解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓舒迟;韩信锐;曾壮;廖阳春;叶毓廷;: "基于时间序列的居民用户非侵入式负荷分解研究", 电子设计工程, no. 19, 5 October 2020 (2020-10-05) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756575A (zh) * | 2023-08-17 | 2023-09-15 | 山东科技大学 | 基于bgain-dd网络的非侵入式负荷分解方法 |
| CN116756575B (zh) * | 2023-08-17 | 2023-11-03 | 山东科技大学 | 基于bgain-dd网络的非侵入式负荷分解方法 |
| CN117896219A (zh) * | 2024-03-18 | 2024-04-16 | 中国民航大学 | 一种基于ssa寻优的lms均衡优化方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115130830B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
| CN115130830A (zh) | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 | |
| CN106951611B (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| Jia et al. | Short-term photovoltaic power forecasting based on VMD and ISSA-GRU | |
| CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
| Zhang et al. | Short term wind energy prediction model based on data decomposition and optimized LSSVM | |
| CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
| Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
| Li et al. | Decomposition integration and error correction method for photovoltaic power forecasting | |
| CN106327357A (zh) | 一种基于改进概率神经网络的负载识别方法 | |
| CN107944617A (zh) | 一种基于逻辑回归的疑似窃电主题影响因素权重优化方法 | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN113095598A (zh) | 一种多能负荷预测方法、系统、设备和介质 | |
| CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
| CN113065704A (zh) | 一种非侵入式负荷分解模型的超参数优化和后处理方法 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN115049135A (zh) | 基于vmd和注意力机制前置的lstm中长期径流量预测方法 | |
| CN114611808A (zh) | 一种基于CEEMDAN-SSA-BiLSTM的短期海上风电功率预测方法 | |
| CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
| Yang et al. | A new combination model using decomposition ensemble framework and error correction technique for forecasting hourly PM2. 5 concentration | |
| Li et al. | Hybrid forecasting system considering the influence of seasonal factors under energy sustainable development goals | |
| Feng et al. | A dual-staged attention based conversion-gated long short term memory for multivariable time series prediction | |
| Xu et al. | A new hybrid model for monthly runoff prediction using ELMAN neural network based on decomposition-integration structure with local error correction method |
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 |