CN115201615A - 基于物理约束神经网络的非侵入式负荷监测方法及装置 - Google Patents

基于物理约束神经网络的非侵入式负荷监测方法及装置 Download PDF

Info

Publication number
CN115201615A
CN115201615A CN202211118553.8A CN202211118553A CN115201615A CN 115201615 A CN115201615 A CN 115201615A CN 202211118553 A CN202211118553 A CN 202211118553A CN 115201615 A CN115201615 A CN 115201615A
Authority
CN
China
Prior art keywords
neural network
load
physical constraint
network model
monitoring method
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
Application number
CN202211118553.8A
Other languages
English (en)
Other versions
CN115201615B (zh
Inventor
黄刚
周舟
华炜
李永福
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211118553.8A priority Critical patent/CN115201615B/zh
Publication of CN115201615A publication Critical patent/CN115201615A/zh
Application granted granted Critical
Publication of CN115201615B publication Critical patent/CN115201615B/zh
Priority to US18/097,234 priority patent/US20240103052A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。

Description

基于物理约束神经网络的非侵入式负荷监测方法及装置
技术领域
本发明涉及到智能电网与人工智能交叉领域，具体为一种基于物理约束神经网络的非侵入式负荷监测方法及装置。
背景技术
准确的负荷辨识是实现智能电网需求侧管理的先决条件，可以支撑电网供需平衡调节、差异化售电策略制定等工作，从而促进“碳达峰与碳中和”目标的实现。区别于加装额外监测设备的侵入式负荷监测技术，非侵入式负荷监测方法可在总负荷数据中识别出各独立的用电负荷及其工作情况。鉴于传统基于特征构造及识别的非侵入式负荷监测方法在特征选取等方面存在的局限性，目前基于深度学习技术的非侵入式负荷监测方法已被广泛运用。但是，现有深度学习方法忽略了领域知识的重要性，从而限制了负荷监测的准确性。如何实现知识-数据协同驱动的负荷监测，是目前电网需求侧管理及响应工作进一步开展面临的重要问题。
发明内容
本发明目的是为了解决智能电网需求侧管理工作中存在的上述技术问题，提出了一种基于物理约束神经网络的非侵入式负荷监测方法。
本发明的技术方案如下：
一种基于物理约束神经网络的非侵入式负荷监测方法，包括如下步骤：
步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；
步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；
步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；
步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。
进一步的，所述步骤1具体如下：
步骤1.1，采集建筑某一时段内的总负荷有功功率
Figure 397686DEST_PATH_IMAGE001
、无功功率
Figure 305641DEST_PATH_IMAGE002
，以及各独立 设备负荷有功功率
Figure 554220DEST_PATH_IMAGE003
、无功功率
Figure 418270DEST_PATH_IMAGE004
，进而得到总负荷样本
Figure 701484DEST_PATH_IMAGE005
及各独立负荷 样本
Figure 992788DEST_PATH_IMAGE006
，其中
Figure 728663DEST_PATH_IMAGE007
为设备编号；
步骤1.2，采用宽度为
Figure 661984DEST_PATH_IMAGE008
，步长为
Figure 799704DEST_PATH_IMAGE009
的滑动窗口对
Figure 760445DEST_PATH_IMAGE010
与
Figure 983616DEST_PATH_IMAGE011
进行切割，构造设备
Figure 658311DEST_PATH_IMAGE007
的训 练数据
Figure 650537DEST_PATH_IMAGE012
，其中
Figure 549223DEST_PATH_IMAGE013
Figure 259690DEST_PATH_IMAGE014
。
进一步的，所述步骤2具体如下：
步骤2.1，将训练数据
Figure 705453DEST_PATH_IMAGE015
分别输入到如下深度学习神经网络：
Figure 817765DEST_PATH_IMAGE016
Figure 621773DEST_PATH_IMAGE017
其中
Figure 819537DEST_PATH_IMAGE018
为所构建深度学习神经网络输入层的原始输入，
Figure 367193DEST_PATH_IMAGE019
、
Figure 334011DEST_PATH_IMAGE020
及
Figure 840079DEST_PATH_IMAGE021
分别为神经 网络模型第
Figure 259559DEST_PATH_IMAGE022
层隐藏层的输出、权重以及偏置，
Figure 109441DEST_PATH_IMAGE023
为激活函数；
步骤2.2，设计如下输出层进行学习：
Figure 930767DEST_PATH_IMAGE024
其中，
Figure 545419DEST_PATH_IMAGE025
为设备
Figure 452195DEST_PATH_IMAGE007
的负荷预测值，
Figure 341654DEST_PATH_IMAGE026
为网络最后一层隐藏层的输 出,
Figure 283065DEST_PATH_IMAGE027
及
Figure 865356DEST_PATH_IMAGE028
分别为输出层的权重及偏置，
Figure 757963DEST_PATH_IMAGE029
为激活函数。
进一步的，所述神经网络隐藏层的层数为5，激活函数
Figure 451113DEST_PATH_IMAGE030
采用ReLU。
进一步的，所述激活函数
Figure 247030DEST_PATH_IMAGE029
采用Linear函数。
进一步的，所述步骤3具体如下：
首先，根据功率间的物理关系，计算设备
Figure 223DEST_PATH_IMAGE031
对应的深度学习神经网络模型的物理约 束违反损失
Figure 881591DEST_PATH_IMAGE032
，即
Figure 378432DEST_PATH_IMAGE033
然后，计算设备
Figure 28856DEST_PATH_IMAGE007
对应的深度学习神经网络模型的预测偏差损失
Figure 687370DEST_PATH_IMAGE034
，即
Figure 554570DEST_PATH_IMAGE035
其中，
Figure 589522DEST_PATH_IMAGE036
为差异度量函数；
最后，通过加权求和方式得到所构建物理约束神经网络模型的训练损失：
Figure 563294DEST_PATH_IMAGE037
其中，
Figure 392710DEST_PATH_IMAGE038
为物理约束违反损失的权重系数。
进一步的，所述步骤4具体如下：
给定该建筑任一时刻为起点，宽度为
Figure 248670DEST_PATH_IMAGE039
的总负荷有功功率
Figure 556155DEST_PATH_IMAGE040
、无功功率
Figure 414127DEST_PATH_IMAGE041
， 构建总负荷样本
Figure 680024DEST_PATH_IMAGE042
；以
Figure 757701DEST_PATH_IMAGE043
输入上述训练好的物理约束神经网络模型，输出结 果即为该建筑内各设备负荷的用电情况，包括有功功率
Figure 400035DEST_PATH_IMAGE044
、无功功率
Figure 879558DEST_PATH_IMAGE045
。
一种基于物理约束神经网络的非侵入式负荷监测装置，包括一个或多个处理器，用于实现所述的基于物理约束神经网络的非侵入式负荷监测方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于物理约束神经网络的非侵入式负荷监测方法。
与现有技术相比，本发明具有如下优点：
（1）在本发明中，针对现有基于深度学习技术的非侵入式负荷监测方法仅采用有功功率作为负荷监测模型的输入，导致无法准确描述非阻性负荷工作特性的问题，创新性地同时运用负荷有功及无功功率作为输入，所构建的基于深度神经网络的负荷监测模型能够充分提取不同类型负荷的运行特征，提升负荷监测的准确性。
（2）在本发明中，为了进一步保证负荷监测结果的有效性与可解释性，采用了基于物理约束的模型训练框架对所构建的深度神经网络模型进行训练。通过构造物理约束违反损失将电气量间的物理约束嵌入模型训练过程，最终使得训练得到的模型不仅能够准确监测设备负荷用电情况，而且能够有效提升负荷监测结果在物理层面上的可解释性。
附图说明
图1为本发明的基于物理约束神经网络的非侵入式负荷监测方法的流程图；
图2为本发明的基于物理约束神经网络的非侵入式负荷监测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。应当理解，所描述的实施例仅仅属于本发明中的一部分，并不是全部实施例，所以实现本发明不应被阐述实施例所限制，而应该借助这些实施例进一步理解本发明的内容本质，能更好地服务于本领域的技术人员。
如图1所示，本发明的基于物理约束神经网络的非侵入式负荷监测方法，包括以下步骤：
步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；
在步骤1.1中，采集建筑某一时段内的总负荷有功功率
Figure 316355DEST_PATH_IMAGE001
、无功功率
Figure 881329DEST_PATH_IMAGE002
，以及 各独立设备负荷有功功率
Figure 327354DEST_PATH_IMAGE003
、无功功率
Figure 159918DEST_PATH_IMAGE004
，进而得到总负荷样本
Figure 767617DEST_PATH_IMAGE005
及各独 立负荷样本
Figure 819887DEST_PATH_IMAGE006
，其中
Figure 538444DEST_PATH_IMAGE007
为设备编号；
本实施例中，共采集某建筑共计78天的负荷数据，具体包含10个独立设备负荷，采 样频率为5秒。本实施例中将78天的起始时刻设置为时刻1，将末尾时刻设置为时刻 1347840，即
Figure 195821DEST_PATH_IMAGE046
、
Figure 974422DEST_PATH_IMAGE047
，则所获取的负荷数据可表示为：总负荷有功功率
Figure 513987DEST_PATH_IMAGE048
、 无功功率
Figure 534771DEST_PATH_IMAGE049
，各独立设备负荷有功功率
Figure 108972DEST_PATH_IMAGE050
、无功功率
Figure 58473DEST_PATH_IMAGE051
，其中设备编号
Figure 819756DEST_PATH_IMAGE052
。进而可得到总负荷样本
Figure 348957DEST_PATH_IMAGE053
及各独立负荷样本
Figure 512085DEST_PATH_IMAGE054
。为消除采集误差对于模型训练的影响，本实施例中将总负荷及各独 立负荷样本中有功功率小于零的样本数值置为零。
在步骤1.2中，采用宽度为
Figure 632488DEST_PATH_IMAGE008
，步长为
Figure 645181DEST_PATH_IMAGE009
的滑动窗口对
Figure 509232DEST_PATH_IMAGE010
与
Figure 526866DEST_PATH_IMAGE011
进行切割，构造设备
Figure 349329DEST_PATH_IMAGE007
的训练数据
Figure 85204DEST_PATH_IMAGE012
，其中
Figure 752945DEST_PATH_IMAGE013
Figure 625086DEST_PATH_IMAGE014
。
本实施例中，采用宽度为599，步长为1的滑动窗口对
Figure 352871DEST_PATH_IMAGE010
与
Figure 277839DEST_PATH_IMAGE011
进行切割，则所构造的 训练数据
Figure 483693DEST_PATH_IMAGE055
可进一步表示为：
Figure 475920DEST_PATH_IMAGE056
Figure 374606DEST_PATH_IMAGE057
。
步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；
在步骤2.1中，将训练数据
Figure 819493DEST_PATH_IMAGE015
分别输入到如下深度学习神经网络：
Figure 829038DEST_PATH_IMAGE016
Figure 941350DEST_PATH_IMAGE017
其中
Figure 243893DEST_PATH_IMAGE018
为所构建深度学习神经网络输入层的原始输入，
Figure 441656DEST_PATH_IMAGE019
、
Figure 989312DEST_PATH_IMAGE020
及
Figure 956131DEST_PATH_IMAGE021
分别为神经 网络模型第
Figure 931041DEST_PATH_IMAGE022
层隐藏层的输出、权重以及偏置，
Figure 881679DEST_PATH_IMAGE023
为激活函数；
本实施例中，神经网络隐藏层的层数为5，激活函数
Figure 233026DEST_PATH_IMAGE023
采用ReLU，则所采用的深 度学习神经网络可表示为：
Figure 788772DEST_PATH_IMAGE016
Figure 964276DEST_PATH_IMAGE058
；
在步骤2.2中，设计如下输出层进行学习：
Figure 605473DEST_PATH_IMAGE024
其中，
Figure 494932DEST_PATH_IMAGE025
为设备
Figure 436343DEST_PATH_IMAGE007
的负荷预测值，
Figure 753055DEST_PATH_IMAGE026
为网络最后一层隐藏层的输 出,
Figure 147127DEST_PATH_IMAGE027
及
Figure 840277DEST_PATH_IMAGE028
分别为输出层的权重及偏置，
Figure 432932DEST_PATH_IMAGE029
为激活函数。
本实施例中，激活函数
Figure 186124DEST_PATH_IMAGE029
采用Linear，则网络输出层可表示为：
Figure 566028DEST_PATH_IMAGE059
网络输出独立设备负荷预测值
Figure 797289DEST_PATH_IMAGE060
。
步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练；
首先，根据功率间的物理关系，计算设备
Figure 650976DEST_PATH_IMAGE031
对应的深度学习神经网络模型的物理约 束违反损失
Figure 575069DEST_PATH_IMAGE032
，即
Figure 943734DEST_PATH_IMAGE033
然后，计算设备
Figure 978686DEST_PATH_IMAGE007
对应的深度学习神经网络模型的预测偏差损失
Figure 483617DEST_PATH_IMAGE034
，即
Figure 77147DEST_PATH_IMAGE035
其中，
Figure 933107DEST_PATH_IMAGE036
为差异度量函数；
最后，通过加权求和方式得到所构建物理约束神经网络模型的训练损失：
Figure 506171DEST_PATH_IMAGE037
其中，
Figure 927925DEST_PATH_IMAGE038
为物理约束违反损失的权重系数。
本实施例中，差异度量函数
Figure 193821DEST_PATH_IMAGE036
采用均方误差MSE，则预测偏差损失函数可进一步表 示为：
Figure 271499DEST_PATH_IMAGE061
最后，通过加权求和方式得到所构建物理约束神经网络模型的训练损失：
Figure 913833DEST_PATH_IMAGE062
其中，
Figure 393356DEST_PATH_IMAGE063
为物理约束违反损失的权重系数。基于上述损失函数完成模型训练。
本实施例中，物理约束违反损失的权重系数
Figure 830153DEST_PATH_IMAGE064
，则模型训练损失可表示为：
Figure 893662DEST_PATH_IMAGE066
所构建深度学习神经网络模型通过迭代优化上述训练损失函数进行训练，设置batch_size为1000、学习率为0.001，迭代次数为50次。
步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。
给定该建筑任一时刻为起点，宽度为
Figure 542949DEST_PATH_IMAGE039
的总负荷有功功率
Figure 142558DEST_PATH_IMAGE040
、无功功率
Figure 750256DEST_PATH_IMAGE041
， 构建总负荷样本
Figure 802526DEST_PATH_IMAGE042
；以
Figure 521083DEST_PATH_IMAGE043
输入上述训练好的物理约束神经网络模型，输出结 果即为该建筑内各设备负荷的用电情况，包括有功功率
Figure 771936DEST_PATH_IMAGE044
、无功功率
Figure 550536DEST_PATH_IMAGE045
。
本实施例中，给定同一建筑以时刻
Figure 90102DEST_PATH_IMAGE067
为起点，宽度为599的总负荷有功 功率
Figure 946823DEST_PATH_IMAGE068
、无功功率
Figure 255444DEST_PATH_IMAGE069
，则构建的总负荷样本
Figure 204946DEST_PATH_IMAGE070
；以
Figure 966229DEST_PATH_IMAGE043
输入上述训练好的物理约束神经网络模型，即可输出该建筑内各设备负荷的用电情 况，包括有功功率
Figure 292168DEST_PATH_IMAGE071
、无功功率
Figure 455296DEST_PATH_IMAGE072
。
参见图2，本发明实施例提供的一种基于物理约束神经网络的非侵入式负荷监测装置，包括一个或多个处理器，用于实现上述实施例中的基于物理约束神经网络的非侵入式负荷监测方法。
本发明基于物理约束神经网络的非侵入式负荷监测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本发明基于物理约束神经网络的非侵入式负荷监测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于物理约束神经网络的非侵入式负荷监测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，包括如下步骤：
步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；
步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；
步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；
步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。
2.根据权利要求1所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤1具体如下：
步骤1.1，采集建筑某一时段内的总负荷有功功率
Figure 587782DEST_PATH_IMAGE001
、无功功率
Figure 608828DEST_PATH_IMAGE002
，以及各独立设备 负荷有功功率
Figure 14532DEST_PATH_IMAGE003
、无功功率
Figure 767725DEST_PATH_IMAGE004
，进而得到总负荷样本
Figure 39306DEST_PATH_IMAGE005
及各独立负荷样本
Figure 536146DEST_PATH_IMAGE006
，其中
Figure 256410DEST_PATH_IMAGE007
为设备编号；
步骤1.2，采用宽度为
Figure 39558DEST_PATH_IMAGE008
，步长为
Figure 673802DEST_PATH_IMAGE009
的滑动窗口对
Figure 584120DEST_PATH_IMAGE010
与
Figure 682526DEST_PATH_IMAGE011
进行切割，构造设备
Figure 777521DEST_PATH_IMAGE007
的训练数 据
Figure 508848DEST_PATH_IMAGE012
，其中
Figure 675387DEST_PATH_IMAGE013
Figure 300404DEST_PATH_IMAGE014
。
3.根据权利要求2所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤2具体如下：
步骤2.1，将训练数据
Figure 441666DEST_PATH_IMAGE015
分别输入到如下深度学习神经网络：
Figure 847240DEST_PATH_IMAGE016
Figure 489573DEST_PATH_IMAGE017
其中
Figure 107112DEST_PATH_IMAGE018
为所构建深度学习神经网络输入层的原始输入，
Figure 871806DEST_PATH_IMAGE019
、
Figure 436779DEST_PATH_IMAGE020
及
Figure 758170DEST_PATH_IMAGE021
分别为神经网络 模型第
Figure 420096DEST_PATH_IMAGE022
层隐藏层的输出、权重以及偏置，
Figure 27795DEST_PATH_IMAGE023
为激活函数；
步骤2.2，设计如下输出层进行学习：
Figure 955431DEST_PATH_IMAGE024
其中，
Figure 673988DEST_PATH_IMAGE025
为设备
Figure 518316DEST_PATH_IMAGE007
的负荷预测值，
Figure 375545DEST_PATH_IMAGE026
为网络最后一层隐藏层的输出,
Figure 180690DEST_PATH_IMAGE027
及
Figure 827572DEST_PATH_IMAGE028
分别为输出层的权重及偏置，
Figure 217751DEST_PATH_IMAGE029
为激活函数。
4.根据权利要求3所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特 征在于，所述神经网络隐藏层的层数为5，激活函数
Figure 432832DEST_PATH_IMAGE030
采用ReLU。
5.根据权利要求3所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特 征在于，所述激活函数
Figure 522011DEST_PATH_IMAGE029
采用Linear函数。
6.根据权利要求3所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤3具体如下：
首先，根据功率间的物理关系，计算设备
Figure 723316DEST_PATH_IMAGE031
对应的深度学习神经网络模型的物理约束违 反损失
Figure 152023DEST_PATH_IMAGE032
，即
Figure 397060DEST_PATH_IMAGE033
然后，计算设备
Figure 911218DEST_PATH_IMAGE007
对应的深度学习神经网络模型的预测偏差损失
Figure 650635DEST_PATH_IMAGE034
，即
Figure 668270DEST_PATH_IMAGE035
其中，
Figure 349787DEST_PATH_IMAGE036
为差异度量函数；
最后，通过加权求和方式得到所构建物理约束神经网络模型的训练损失：
Figure 85661DEST_PATH_IMAGE037
其中，
Figure 628769DEST_PATH_IMAGE038
为物理约束违反损失的权重系数。
7.根据权利要求1所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤4具体如下：
给定该建筑任一时刻为起点，宽度为
Figure 500910DEST_PATH_IMAGE039
的总负荷有功功率
Figure 353329DEST_PATH_IMAGE040
、无功功率
Figure 576500DEST_PATH_IMAGE041
，构建 总负荷样本
Figure 654790DEST_PATH_IMAGE042
；以
Figure 647016DEST_PATH_IMAGE043
输入上述训练好的物理约束神经网络模型，输出结果即 为该建筑内各设备负荷的用电情况，包括有功功率
Figure 670336DEST_PATH_IMAGE044
、无功功率
Figure 115224DEST_PATH_IMAGE045
。
8.一种基于物理约束神经网络的非侵入式负荷监测装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-7中任一项所述的基于物理约束神经网络的非侵入式负荷监测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的基于物理约束神经网络的非侵入式负荷监测方法。
CN202211118553.8A 2022-09-15 2022-09-15 基于物理约束神经网络的非侵入式负荷监测方法及装置 Active CN115201615B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211118553.8A CN115201615B (zh) 2022-09-15 2022-09-15 基于物理约束神经网络的非侵入式负荷监测方法及装置
US18/097,234 US20240103052A1 (en) 2022-09-15 2023-01-14 Non-intrusive load monitoring method and device based on physics-informed neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118553.8A CN115201615B (zh) 2022-09-15 2022-09-15 基于物理约束神经网络的非侵入式负荷监测方法及装置

Publications (2)

Publication Number Publication Date
CN115201615A true CN115201615A (zh) 2022-10-18
CN115201615B CN115201615B (zh) 2022-12-20

Family

ID=83571990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118553.8A Active CN115201615B (zh) 2022-09-15 2022-09-15 基于物理约束神经网络的非侵入式负荷监测方法及装置

Country Status (2)

Country Link
US (1) US20240103052A1 (zh)
CN (1) CN115201615B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068449A (zh) * 2023-03-23 2023-05-05 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估系统及方法
CN116822325A (zh) * 2023-04-29 2023-09-29 中国人民解放军63963部队 一种总体构型约束下的柴油机性能优化设计方法及系统

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130338948A1 (en) * 2010-12-13 2013-12-19 Fraunhofer Usa, Inc. Methods and system for nonintrusive load monitoring
CN106096726A (zh) * 2016-05-31 2016-11-09 华北电力大学 一种非侵入式负荷监测方法及装置
US20180173240A1 (en) * 2016-12-21 2018-06-21 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
KR101870250B1 (ko) * 2017-03-30 2018-06-25 한국에너지기술연구원 비침투식 부하전력량 측정 장치 및 방법
CN110119816A (zh) * 2019-04-15 2019-08-13 东南大学 一种适用于非侵入式电力监测的负荷特征自学习方法
CN111753968A (zh) * 2020-07-07 2020-10-09 苏州联电能源发展有限公司 非侵入式负荷监测智能电表和电量分解方法
CN112150341A (zh) * 2020-11-26 2020-12-29 南京理工大学 基于物理约束和数据驱动的双阶段散射成像方法
CN112287571A (zh) * 2020-12-31 2021-01-29 南京理工大学 基于物理驱动的散射泛化成像方法和实验方法
US20210110531A1 (en) * 2019-10-09 2021-04-15 Siemens Medical Solutions Usa, Inc. Physics-constrained network and training thereof
WO2021107422A1 (ko) * 2019-11-28 2021-06-03 한국전자기술연구원 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
CN113283547A (zh) * 2021-07-21 2021-08-20 之江实验室 一种基于多任务深度学习的最优潮流计算方法
CN113361454A (zh) * 2021-06-25 2021-09-07 东南大学 一种基于非监督优化的深度学习非侵入式负荷监测方法
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法
WO2021176459A1 (en) * 2020-03-05 2021-09-10 Peethambaran Sajil A system and method of energy disaggregation using nonintrusive load monitoring
CN113505929A (zh) * 2021-07-16 2021-10-15 中国人民解放军军事科学院国防科技创新研究院 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法
WO2021208516A1 (zh) * 2020-04-17 2021-10-21 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN114021700A (zh) * 2021-11-02 2022-02-08 中海油田服务股份有限公司 基于岩石物理约束神经网络的渗透率计算方法及装置
WO2022042070A1 (zh) * 2020-08-27 2022-03-03 广东工业大学 一种非侵入式负荷检测方法
CN114421474A (zh) * 2022-03-30 2022-04-29 南京易司拓电力科技股份有限公司 配网节点间功率-电压灵敏度估算方法
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
WO2022141330A1 (en) * 2020-12-31 2022-07-07 Guizhou Power Grid Company Limited A non-intrusive load identification method based on fingerprint characteristics of load power
CN114722873A (zh) * 2022-04-14 2022-07-08 湘潭大学 一种基于残差卷积和注意力机制的非侵入式负荷分解方法
CN114819054A (zh) * 2022-03-11 2022-07-29 西北工业大学 一种基于物理信息神经网络的电力电子系统状态监测方法
CN114861874A (zh) * 2022-04-19 2022-08-05 重庆大学 模型驱动图卷积神经网络潮流计算方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130338948A1 (en) * 2010-12-13 2013-12-19 Fraunhofer Usa, Inc. Methods and system for nonintrusive load monitoring
CN106096726A (zh) * 2016-05-31 2016-11-09 华北电力大学 一种非侵入式负荷监测方法及装置
US20180173240A1 (en) * 2016-12-21 2018-06-21 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
KR101870250B1 (ko) * 2017-03-30 2018-06-25 한국에너지기술연구원 비침투식 부하전력량 측정 장치 및 방법
CN110119816A (zh) * 2019-04-15 2019-08-13 东南大学 一种适用于非侵入式电力监测的负荷特征自学习方法
US20210110531A1 (en) * 2019-10-09 2021-04-15 Siemens Medical Solutions Usa, Inc. Physics-constrained network and training thereof
WO2021107422A1 (ko) * 2019-11-28 2021-06-03 한국전자기술연구원 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
WO2021176459A1 (en) * 2020-03-05 2021-09-10 Peethambaran Sajil A system and method of energy disaggregation using nonintrusive load monitoring
WO2021208516A1 (zh) * 2020-04-17 2021-10-21 贵州电网有限责任公司 一种非侵入式负荷分解方法
CN111753968A (zh) * 2020-07-07 2020-10-09 苏州联电能源发展有限公司 非侵入式负荷监测智能电表和电量分解方法
WO2022042070A1 (zh) * 2020-08-27 2022-03-03 广东工业大学 一种非侵入式负荷检测方法
CN112150341A (zh) * 2020-11-26 2020-12-29 南京理工大学 基于物理约束和数据驱动的双阶段散射成像方法
CN112287571A (zh) * 2020-12-31 2021-01-29 南京理工大学 基于物理驱动的散射泛化成像方法和实验方法
WO2022141330A1 (en) * 2020-12-31 2022-07-07 Guizhou Power Grid Company Limited A non-intrusive load identification method based on fingerprint characteristics of load power
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN113361454A (zh) * 2021-06-25 2021-09-07 东南大学 一种基于非监督优化的深度学习非侵入式负荷监测方法
CN113505929A (zh) * 2021-07-16 2021-10-15 中国人民解放军军事科学院国防科技创新研究院 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法
CN113283547A (zh) * 2021-07-21 2021-08-20 之江实验室 一种基于多任务深度学习的最优潮流计算方法
CN114021700A (zh) * 2021-11-02 2022-02-08 中海油田服务股份有限公司 基于岩石物理约束神经网络的渗透率计算方法及装置
CN114819054A (zh) * 2022-03-11 2022-07-29 西北工业大学 一种基于物理信息神经网络的电力电子系统状态监测方法
CN114421474A (zh) * 2022-03-30 2022-04-29 南京易司拓电力科技股份有限公司 配网节点间功率-电压灵敏度估算方法
CN114722873A (zh) * 2022-04-14 2022-07-08 湘潭大学 一种基于残差卷积和注意力机制的非侵入式负荷分解方法
CN114861874A (zh) * 2022-04-19 2022-08-05 重庆大学 模型驱动图卷积神经网络潮流计算方法
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEIBING LI 等: "An Accelerated Finite-Time Convergent Neural Network for Visual Servoing of a Flexible Surgical Endoscope With Physical and RCM Constraints", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
唐璐等: "基于卷积神经网络的非侵入式负荷识别方法", 《云南电力技术》 *
邓舒迟等: "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》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068449A (zh) * 2023-03-23 2023-05-05 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估系统及方法
CN116822325A (zh) * 2023-04-29 2023-09-29 中国人民解放军63963部队 一种总体构型约束下的柴油机性能优化设计方法及系统
CN116822325B (zh) * 2023-04-29 2023-12-26 中国人民解放军63963部队 一种总体构型约束下的柴油机性能优化设计方法及系统

Also Published As

Publication number Publication date
CN115201615B (zh) 2022-12-20
US20240103052A1 (en) 2024-03-28

Similar Documents

Publication Publication Date Title
CN115201615B (zh) 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
Hua et al. Extracting rare failure events in composite system reliability evaluation via subset simulation
WO2021043180A1 (zh) 一种考虑天气的区域短期能源功率预测方法及系统
CN108229060B (zh) 基于有效波高、平均波周期和波向的参数化联合分布模型
Kumar et al. Monarch butterfly optimization-based computational methodology for unit commitment problem
Darvishan et al. Unit commitment-based load uncertainties based on improved particle swarm optimisation
Cheng et al. Anomaly detection for internet of things time series data using generative adversarial networks with attention mechanism in smart agriculture
CN109242196A (zh) 火电厂用水量预测方法及装置
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
CN105634018A (zh) 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法
CN108205713A (zh) 一种区域风电功率预测误差分布确定方法和装置
CN115186907A (zh) 风电场中长期发电量的预测方法、系统、设备及介质
CN115204529B (zh) 一种基于时间注意力机制的非侵入式负荷监测方法及装置
CN114238297A (zh) 一种风机运行缺失数据填补方法、装置、电子设备及介质
Basterrech et al. Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction
Agyeman et al. An LSTM‐based mixed‐integer model predictive control for irrigation scheduling
Wei et al. Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China
CN114091338B (zh) 一种电力负荷分解模型的建立方法及装置
Vytvytskyi et al. Combining measurements with models for superior information in hydropower plants
CN109063916A (zh) 一种风电功率预测方法、装置、设备及存储介质
Mehmood et al. Parameter estimation of nonlinear systems: dwarf mongoose optimization algorithm with key term separation principle
Liu et al. Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation
CN114564838A (zh) 考虑时空相关性的多风电场风速模拟方法及系统
CN113779871A (zh) 一种电热耦合系统调度方法、装置、电子设备及其存储介质

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