CN115204529A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115204529A
CN115204529A CN202211118482.1A CN202211118482A CN115204529A CN 115204529 A CN115204529 A CN 115204529A CN 202211118482 A CN202211118482 A CN 202211118482A CN 115204529 A CN115204529 A CN 115204529A
Authority
CN
China
Prior art keywords
load
load data
data
attention mechanism
time
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
CN202211118482.1A
Other languages
English (en)
Other versions
CN115204529B (zh
Inventor
黄刚
周舟
华炜
廖龙飞
韩佳易
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 CN202211118482.1A priority Critical patent/CN115204529B/zh
Publication of CN115204529A publication Critical patent/CN115204529A/zh
Application granted granted Critical
Publication of CN115204529B publication Critical patent/CN115204529B/zh
Priority to US18/215,784 priority patent/US11868869B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (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，提出了一种基于时间注意力机制的非侵入式负荷监测方法及装置，所述方法包括如下步骤：获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间；将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；构建神经网络模型，基于深度学习训练框架并利用得到的训练数据集对模型进行训练。本发明内容可有效提取负荷工作时间模式及其内在的依赖关系，从而提升负荷监测的准确性。

Description

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
技术领域
本发明涉及到智能电网领域与人工智能领域，具体为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。
背景技术
开展高效的需求侧响应是降低能源消耗、推进新能源体系建设的重要工作。目前，非侵入式负荷监测技术已被应用于由总负荷识别并分解出各设备负荷用电情况，进而用于负荷侧用能规划。考虑到传统基于开关动作检测及特征识别的负荷监测方法的适用性难以保证，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。但现有深度学习方法多仅以有功功率、无功功率等电气量作为负荷辨识依据，未考虑负荷工作时间信息及不同负荷间工作模式的依赖关系，限制了负荷监测的准确性。换言之，如何在负荷监测过程中融入负荷运行时间信息，从而提升对于具有复杂工作模式设备的负荷监测效果，是实现其进一步参与需求侧响应的关键问题。
发明内容
本发明目的是为了解决电力负荷参与需求侧响应工作时存在的上述技术问题，提出了一种基于时间注意力机制的非侵入式负荷监测方法。
本发明的技术方案如下：
一种基于时间注意力机制的非侵入式负荷监测方法，包括如下步骤：
步骤1、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间；
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；
步骤4、构建神经网络模型，基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
进一步的，所述步骤1具体如下：
获取建筑某一时段内的负荷用电情况，采样时间
Figure 531572DEST_PATH_IMAGE001
，所述总负荷数 据包括总负荷有功功率
Figure 168221DEST_PATH_IMAGE002
、无功功率
Figure 494160DEST_PATH_IMAGE003
和视在功率
Figure 781922DEST_PATH_IMAGE004
，所述设备负荷数据包括各设 备在上述采样时间内的有功功率
Figure 902324DEST_PATH_IMAGE005
、无功功率
Figure 790384DEST_PATH_IMAGE006
和视在功率
Figure 654434DEST_PATH_IMAGE007
，其中
Figure 531124DEST_PATH_IMAGE008
为设备编 号。
进一步的，所述步骤2具体如下：
首先，将采样时间
Figure 353586DEST_PATH_IMAGE009
转换为相应星期数，即
Figure 964827DEST_PATH_IMAGE010
，其 中
Figure 632569DEST_PATH_IMAGE011
表示采样时刻
Figure 894923DEST_PATH_IMAGE012
隶属的星期数；
然后，基于注意力机制将总负荷数据、设备负荷数据分别与
Figure 622707DEST_PATH_IMAGE013
进行融合，如下所 示：
Figure 219780DEST_PATH_IMAGE014
其中，
Figure 425633DEST_PATH_IMAGE015
可表示总负荷有功功率
Figure 542494DEST_PATH_IMAGE016
，无功功率
Figure 441180DEST_PATH_IMAGE017
和视在功率
Figure 761434DEST_PATH_IMAGE018
及设备负荷 有功功率
Figure 770978DEST_PATH_IMAGE019
、无功功率
Figure 7924DEST_PATH_IMAGE020
和视在功率
Figure 811932DEST_PATH_IMAGE021
；
Figure 383597DEST_PATH_IMAGE022
表示与时间信息
Figure 931253DEST_PATH_IMAGE023
进行融合增强后的 负荷数据；得到增强的总负荷数据
Figure 22705DEST_PATH_IMAGE024
、
Figure 341823DEST_PATH_IMAGE025
、
Figure 26882DEST_PATH_IMAGE026
，和设备负荷数据
Figure 502862DEST_PATH_IMAGE027
、
Figure 324188DEST_PATH_IMAGE028
、
Figure 843900DEST_PATH_IMAGE029
；
Figure 750676DEST_PATH_IMAGE030
表示注意力机制函数。
进一步的，所述注意力机制采用神经网络实现，即
Figure 233610DEST_PATH_IMAGE031
其中
Figure 50387DEST_PATH_IMAGE032
表示神经网络,
Figure 367099DEST_PATH_IMAGE033
表示矩阵乘积。
进一步的，所述步骤3具体如下：
首先，利用增强的总负荷数据和设备负荷数据构造总负荷样本
Figure 885805DEST_PATH_IMAGE034
，以及各独立负荷样本
Figure 578955DEST_PATH_IMAGE035
；
然后，采用宽度为
Figure 14353DEST_PATH_IMAGE036
，步长为
Figure 767545DEST_PATH_IMAGE037
的滑动窗口对
Figure 773547DEST_PATH_IMAGE038
及
Figure 4809DEST_PATH_IMAGE039
进行划分，构造训练数据
Figure 530599DEST_PATH_IMAGE040
，其中
Figure 454693DEST_PATH_IMAGE041
Figure 682412DEST_PATH_IMAGE042
。
进一步的，所述步骤4具体如下：
在步骤4.1中，将
Figure 717364DEST_PATH_IMAGE043
分别输入到如下深度学习神经网络：
Figure 596196DEST_PATH_IMAGE044
Figure 691191DEST_PATH_IMAGE045
其中
Figure 671785DEST_PATH_IMAGE046
为神经网络输入，
Figure 244849DEST_PATH_IMAGE047
、
Figure 745232DEST_PATH_IMAGE048
及
Figure 11128DEST_PATH_IMAGE049
分别为神经网络模型第
Figure 213439DEST_PATH_IMAGE050
个隐藏层的输 出、权重以及偏置，
Figure 121352DEST_PATH_IMAGE051
为激活函数；
在步骤4.2中，设计如下输出层进行学习：
Figure 974776DEST_PATH_IMAGE052
，
其中，
Figure 411574DEST_PATH_IMAGE053
表示设备
Figure 101181DEST_PATH_IMAGE054
的负荷预测，
Figure 281627DEST_PATH_IMAGE055
为网络最后一层 隐藏层的输出,
Figure 881236DEST_PATH_IMAGE056
及
Figure 98721DEST_PATH_IMAGE057
分别为输出层的权重及偏置，
Figure 416570DEST_PATH_IMAGE058
为激活函数；
在步骤4.3中，设计如下损失函数对所构建深度学习神经网络模型进行训练：
Figure 259761DEST_PATH_IMAGE059
其中，
Figure 713876DEST_PATH_IMAGE060
为预测偏差度量函数。
进一步的，在模型训练完成后，应用于其他时间段的负荷监测，具体为：利用步骤2 所述方法对该建筑任意长度为
Figure 866378DEST_PATH_IMAGE036
时段内的有功、无功及视在功率数据进行增强，输入经训 练的神经网络模型，模型输出即为该建筑这一时段内的各设备用电情况。
一种基于时间注意力机制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时间注意力机制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，实现所述的基于时间注意力机制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的负荷监测方法仅以电压、电流及谐波等电气量作为负荷监测依据，未考虑负荷工作时间模式及其间依赖关系的问题，创新性地采用基于注意力机制的负荷数据增强技术，将负荷运行时间信息与其电气量进行融合，从而有效且充分地提取不同负荷的运行模式以作为负荷监测依据。
（2）在本发明中，通过将负荷工作时间信息与其电气量相融合以构成模型训练数据，使得所构建的深度学习神经网络可隐式地学习不同负荷的工作时间模式，间接提取其依赖关系，从而有效提升对于具有复杂工作模式设备的负荷监测效果。
附图说明
图1为本发明的基于时间注意力机制的非侵入式负荷监测方法流程图；
图2为本发明的基于时间注意力机制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，本发明的基于时间注意力机制的非侵入式负荷监测方法，包括以下步骤：
步骤1、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间。
获取建筑某一时段内的负荷用电情况，采样时间
Figure 405944DEST_PATH_IMAGE001
，所述总负荷 数据包括总负荷有功功率
Figure 318405DEST_PATH_IMAGE002
、无功功率
Figure 627026DEST_PATH_IMAGE003
和视在功率
Figure 451894DEST_PATH_IMAGE004
，所述设备负荷数据包括各 设备在上述采样时间内的有功功率
Figure 213177DEST_PATH_IMAGE005
、无功功率
Figure 663750DEST_PATH_IMAGE006
和视在功率
Figure 826878DEST_PATH_IMAGE007
，其中
Figure 321182DEST_PATH_IMAGE008
为设备编 号。
本实施例中，共获取了某建筑共计10台独立设备的负荷数据，采样时间包含78天， 采样间隔为1秒，即
Figure 835340DEST_PATH_IMAGE061
、
Figure 964970DEST_PATH_IMAGE062
；所获取负荷数据包括总负荷有功功率
Figure 107238DEST_PATH_IMAGE063
、 无功功率
Figure 664122DEST_PATH_IMAGE064
和视在功率
Figure 540942DEST_PATH_IMAGE065
，以及各设备在上述采样时间内的有功功率
Figure 677525DEST_PATH_IMAGE066
、无功功率
Figure 205458DEST_PATH_IMAGE067
和视在功率
Figure 933243DEST_PATH_IMAGE068
；其中设备编号
Figure 264736DEST_PATH_IMAGE069
的取值范围为[1,10]。
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；
首先，将采样时间
Figure 736169DEST_PATH_IMAGE009
转换为相应星期数，即
Figure 993975DEST_PATH_IMAGE010
，其 中
Figure 751715DEST_PATH_IMAGE011
表示采样时刻
Figure 462182DEST_PATH_IMAGE012
隶属的星期数。
本实施例中，采样时刻
Figure 347093DEST_PATH_IMAGE070
隶属于星期三，
Figure 193826DEST_PATH_IMAGE071
隶属于星期四，则
Figure 388047DEST_PATH_IMAGE072
可进一步表示为：
Figure 320231DEST_PATH_IMAGE073
。
然后，基于注意力机制将总负荷数据、设备负荷数据分别与
Figure 772947DEST_PATH_IMAGE013
进行融合，如下所 示：
Figure 739766DEST_PATH_IMAGE014
其中，
Figure 839309DEST_PATH_IMAGE015
可表示总负荷有功功率
Figure 524368DEST_PATH_IMAGE016
，无功功率
Figure 751081DEST_PATH_IMAGE017
和视在功率
Figure 572406DEST_PATH_IMAGE018
及设备负荷 有功功率
Figure 842851DEST_PATH_IMAGE019
、无功功率
Figure 749627DEST_PATH_IMAGE020
和视在功率
Figure 278566DEST_PATH_IMAGE021
；
Figure 954398DEST_PATH_IMAGE022
表示与时间信息
Figure 661323DEST_PATH_IMAGE023
进行融合增强后的 负荷数据；得到增强的总负荷数据
Figure 55395DEST_PATH_IMAGE024
、
Figure 14124DEST_PATH_IMAGE025
、
Figure 685408DEST_PATH_IMAGE026
，和设备负荷数据
Figure 297655DEST_PATH_IMAGE027
、
Figure 913444DEST_PATH_IMAGE028
、
Figure 675864DEST_PATH_IMAGE029
；
Figure 434610DEST_PATH_IMAGE030
表示注意力机制函数。
本实施例中，注意力机制采用基于ReLU激活函数的单层神经网络实现，即
Figure 624283DEST_PATH_IMAGE074
其中，
Figure 117581DEST_PATH_IMAGE075
与
Figure 152533DEST_PATH_IMAGE076
表示单层神经网络的权重及偏置,
Figure 532830DEST_PATH_IMAGE077
表示矩阵乘积。可得到增强的 总负荷数据
Figure 627825DEST_PATH_IMAGE024
、
Figure 342840DEST_PATH_IMAGE025
、
Figure 181483DEST_PATH_IMAGE026
，和设备负荷数据
Figure 938259DEST_PATH_IMAGE027
、
Figure 328789DEST_PATH_IMAGE028
、
Figure 406467DEST_PATH_IMAGE029
。
本实施例中可得到增强的总负荷数据
Figure 658587DEST_PATH_IMAGE078
、
Figure 138110DEST_PATH_IMAGE079
、
Figure 699542DEST_PATH_IMAGE080
和设备负荷数 据
Figure 264515DEST_PATH_IMAGE081
、
Figure 818862DEST_PATH_IMAGE082
、
Figure 418471DEST_PATH_IMAGE083
。
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；
首先，利用增强的总负荷数据和设备负荷数据构造总负荷样本
Figure 150803DEST_PATH_IMAGE034
，以及各独立负荷样本
Figure 937494DEST_PATH_IMAGE035
；
本实施例中，总负荷样本和各独立负荷样本可分别表示为
Figure 796997DEST_PATH_IMAGE084
Figure 516691DEST_PATH_IMAGE085
然后，然后，采用宽度为
Figure 295291DEST_PATH_IMAGE036
，步长为
Figure 693911DEST_PATH_IMAGE086
的滑动窗口对
Figure 216160DEST_PATH_IMAGE038
及
Figure 898683DEST_PATH_IMAGE039
进行划分，构造训练数 据
Figure 848184DEST_PATH_IMAGE040
，其中
Figure 999680DEST_PATH_IMAGE041
Figure 60040DEST_PATH_IMAGE042
。
本实施例中，滑动窗口宽度
Figure 98534DEST_PATH_IMAGE036
设置为599，步长设置为1，则所构造的训练数据
Figure 343570DEST_PATH_IMAGE087
可进一步表示为：
Figure 857728DEST_PATH_IMAGE088
Figure 721779DEST_PATH_IMAGE089
步骤4、构建神经网络模型，基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
在步骤4.1中，将
Figure 644473DEST_PATH_IMAGE043
分别输入到如下深度学习神经网络：
Figure 935778DEST_PATH_IMAGE044
Figure 796286DEST_PATH_IMAGE045
其中
Figure 464028DEST_PATH_IMAGE046
为神经网络输入，
Figure 477114DEST_PATH_IMAGE047
、
Figure 939320DEST_PATH_IMAGE048
及
Figure 942917DEST_PATH_IMAGE049
分别为神经网络模型第
Figure 538983DEST_PATH_IMAGE050
个隐藏层的输 出、权重以及偏置，
Figure 531210DEST_PATH_IMAGE051
为激活函数。
本实施例中，深度学习神经网络隐藏层均为CNN结构，共计5层，神经元数量依次为 900、720、640、750及750，激活函数
Figure 538218DEST_PATH_IMAGE051
采用ReLU，则所采用的深度学习神经网络可表示 为：
Figure 248685DEST_PATH_IMAGE090
Figure 382863DEST_PATH_IMAGE091
在步骤4.2中，设计如下输出层进行学习：
Figure 229596DEST_PATH_IMAGE052
，
其中，
Figure 174550DEST_PATH_IMAGE053
表示设备
Figure 106734DEST_PATH_IMAGE054
的负荷预测，
Figure 44603DEST_PATH_IMAGE055
为网络最后一层 隐藏层的输出,
Figure 745842DEST_PATH_IMAGE056
及
Figure 360232DEST_PATH_IMAGE057
分别为输出层的权重及偏置，
Figure 779712DEST_PATH_IMAGE058
为激活函数。
本实施例中，激活函数
Figure 255693DEST_PATH_IMAGE058
采用Linear，则网络输出层可表示为：
Figure 342598DEST_PATH_IMAGE092
设备
Figure 753987DEST_PATH_IMAGE054
在采样时间
Figure 536130DEST_PATH_IMAGE093
到
Figure 691168DEST_PATH_IMAGE094
时段内的负荷预测值可表示为
Figure 491633DEST_PATH_IMAGE095
。
在步骤4.3中，设计如下损失函数对所构建深度学习神经网络模型进行训练：
Figure 73924DEST_PATH_IMAGE059
其中，
Figure 107477DEST_PATH_IMAGE060
为预测偏差度量函数。
本实施例中，预测偏差度量函数选择为均方误差MSE，则模型训练采用的损失函数可进一步表示为：
Figure 800627DEST_PATH_IMAGE096
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。
在模型训练完成后，可应用于其他时间段的负荷监测，具体为：利用步骤2所述方 法对该建筑任意长度为
Figure 721178DEST_PATH_IMAGE036
时段内的有功、无功及视在功率数据进行增强，输入经训练的神 经网络模型，模型输出即为该建筑这一时段内的设备用电情况。
本实施例中，采集同一建筑以时刻6739201为起点，长度为599的总负荷有功功率
Figure 208791DEST_PATH_IMAGE097
、无功功率
Figure 355739DEST_PATH_IMAGE098
和视在功率
Figure 462366DEST_PATH_IMAGE099
，并利用步骤2所述方法得 到增强的总负荷数据
Figure 237424DEST_PATH_IMAGE100
、
Figure 161518DEST_PATH_IMAGE101
和
Figure 372925DEST_PATH_IMAGE102
，进而得到总负荷样本
Figure 407877DEST_PATH_IMAGE103
。将
Figure 303021DEST_PATH_IMAGE104
输入经训练的神经网络模型，模 型输出该建筑这一时段内各设备的用电情况，包括有功功率
Figure 398016DEST_PATH_IMAGE105
、无功功率
Figure 863764DEST_PATH_IMAGE106
及视在功率
Figure 702407DEST_PATH_IMAGE107
。
参见图2，本发明实施例提供的一种基于时间注意力机制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时间注意力机制的非侵入式负荷监测方法。
本发明基于时间注意力机制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，为本发明基于时间注意力机制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时间注意力机制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)

1.一种基于时间注意力机制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、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间；
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；
步骤4、构建神经网络模型，基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
2.根据权利要求1所述的一种基于时间注意力机制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：
获取建筑某一时段内的负荷用电情况，采样时间
Figure 203091DEST_PATH_IMAGE001
，所述总负荷数据包 括总负荷有功功率
Figure 589073DEST_PATH_IMAGE002
、无功功率
Figure 696706DEST_PATH_IMAGE003
和视在功率
Figure 560757DEST_PATH_IMAGE004
，所述设备负荷数据包括各设备在 上述采样时间内的有功功率
Figure 719337DEST_PATH_IMAGE005
、无功功率
Figure 10641DEST_PATH_IMAGE006
和视在功率
Figure 871150DEST_PATH_IMAGE007
，其中
Figure 538891DEST_PATH_IMAGE008
为设备编号。
3.根据权利要求2所述的一种基于时间注意力机制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：
首先，将采样时间
Figure 50513DEST_PATH_IMAGE009
转换为相应星期数，即
Figure 512718DEST_PATH_IMAGE010
，其中
Figure 860523DEST_PATH_IMAGE011
表示采样时刻
Figure 66376DEST_PATH_IMAGE012
隶属的星期数；
然后，基于注意力机制将总负荷数据、设备负荷数据分别与
Figure 933969DEST_PATH_IMAGE013
进行融合，如下所示：
Figure 832655DEST_PATH_IMAGE014
其中，
Figure 667756DEST_PATH_IMAGE015
可表示总负荷有功功率
Figure 411721DEST_PATH_IMAGE016
，无功功率
Figure 897935DEST_PATH_IMAGE017
和视在功率
Figure 701943DEST_PATH_IMAGE018
及设备负荷有功 功率
Figure 24340DEST_PATH_IMAGE019
、无功功率
Figure 571996DEST_PATH_IMAGE020
和视在功率
Figure 414181DEST_PATH_IMAGE021
；
Figure 654670DEST_PATH_IMAGE022
表示与时间信息
Figure 198783DEST_PATH_IMAGE023
进行融合增强后的负荷 数据；得到增强的总负荷数据
Figure 550130DEST_PATH_IMAGE024
、
Figure 745357DEST_PATH_IMAGE025
、
Figure 156747DEST_PATH_IMAGE026
，和设备负荷数据
Figure 188157DEST_PATH_IMAGE027
、
Figure 77615DEST_PATH_IMAGE028
、
Figure 628814DEST_PATH_IMAGE029
；
Figure 70159DEST_PATH_IMAGE030
表示注意力机制函数。
4.根据权利要求3所述的一种基于时间注意力机制的非侵入式负荷监测方法，其特征在于，所述注意力机制采用神经网络实现，即
Figure 306974DEST_PATH_IMAGE031
其中
Figure 859179DEST_PATH_IMAGE032
表示神经网络,
Figure 123938DEST_PATH_IMAGE033
表示矩阵乘积。
5.根据权利要求3所述的一种基于时间注意力机制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，利用增强的总负荷数据和设备负荷数据构造总负荷样本
Figure 221338DEST_PATH_IMAGE034
，以及各独立负荷样本
Figure 696182DEST_PATH_IMAGE035
；
然后，采用宽度为
Figure 566923DEST_PATH_IMAGE036
，步长为
Figure 217348DEST_PATH_IMAGE037
的滑动窗口对
Figure 469337DEST_PATH_IMAGE038
及
Figure 713368DEST_PATH_IMAGE039
进行划分，构造训练数据
Figure 748320DEST_PATH_IMAGE040
，其中
Figure 643464DEST_PATH_IMAGE041
Figure 472880DEST_PATH_IMAGE042
。
6.根据权利要求4所述的一种基于时间注意力机制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：
在步骤4.1中，将
Figure 437162DEST_PATH_IMAGE043
分别输入到如下深度学习神经网络：
Figure 400439DEST_PATH_IMAGE044
Figure 759876DEST_PATH_IMAGE045
其中
Figure 901139DEST_PATH_IMAGE046
为神经网络输入，
Figure 978816DEST_PATH_IMAGE047
、
Figure 745784DEST_PATH_IMAGE048
及
Figure 225307DEST_PATH_IMAGE049
分别为神经网络模型第
Figure 770426DEST_PATH_IMAGE050
个隐藏层的输出、权 重以及偏置，
Figure 335400DEST_PATH_IMAGE051
为激活函数；
在步骤4.2中，设计如下输出层进行学习：
Figure 640479DEST_PATH_IMAGE052
，
其中，
Figure 974509DEST_PATH_IMAGE053
表示设备
Figure 457574DEST_PATH_IMAGE054
的负荷预测，
Figure 509843DEST_PATH_IMAGE055
为网络最后一层隐藏层 的输出,
Figure 353034DEST_PATH_IMAGE056
及
Figure 807150DEST_PATH_IMAGE057
分别为输出层的权重及偏置，
Figure 983089DEST_PATH_IMAGE058
为激活函数；
在步骤4.3中，设计如下损失函数对所构建深度学习神经网络模型进行训练：
Figure 381709DEST_PATH_IMAGE059
其中，
Figure 903957DEST_PATH_IMAGE060
为预测偏差度量函数。
7.根据权利要求1所述的一种基于时间注意力机制的非侵入式负荷监测方法，其特征 在于，在模型训练完成后，应用于其他时间段的负荷监测，具体为：利用步骤2所述方法对该 建筑任意长度为
Figure 87945DEST_PATH_IMAGE036
时段内的有功、无功及视在功率数据进行增强，输入经训练的神经网络 模型，模型输出即为该建筑这一时段内的各设备用电情况。
8.一种基于时间注意力机制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时间注意力机制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时间注意力机制的非侵入式负荷监测方法。
CN202211118482.1A 2022-09-15 2022-09-15 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 Active CN115204529B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211118482.1A CN115204529B (zh) 2022-09-15 2022-09-15 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
US18/215,784 US11868869B1 (en) 2022-09-15 2023-06-28 Non-intrusive load monitoring method and device based on temporal attention mechanism

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118482.1A CN115204529B (zh) 2022-09-15 2022-09-15 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

Publications (2)

Publication Number Publication Date
CN115204529A true CN115204529A (zh) 2022-10-18
CN115204529B CN115204529B (zh) 2022-12-20

Family

ID=83572696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118482.1A Active CN115204529B (zh) 2022-09-15 2022-09-15 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

Country Status (2)

Country Link
US (1) US11868869B1 (zh)
CN (1) CN115204529B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977576A (zh) * 2024-03-28 2024-05-03 国网四川省电力公司电力科学研究院 一种基于多尺度历史负荷数据的台区负荷预测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109508908A (zh) * 2018-12-25 2019-03-22 深圳市城市公共安全技术研究院有限公司 非侵入式负荷识别模型训练方法、负荷监测方法及装置
CN111369120A (zh) * 2020-02-27 2020-07-03 福州大学 一种基于设备迁移学习的非侵入式负荷监测方法
CN112434799A (zh) * 2020-12-18 2021-03-02 宁波迦南智能电气股份有限公司 基于全卷积神经网络的非侵入式负荷识别方法
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
CN113887912A (zh) * 2021-09-26 2022-01-04 新疆大学 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
CN113890024A (zh) * 2021-09-30 2022-01-04 清华大学 一种非侵入式负荷智能分解和优化控制方法
CN113902104A (zh) * 2021-11-01 2022-01-07 南京工程学院 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
CN113987913A (zh) * 2021-09-22 2022-01-28 吉林化工学院 一种改进的非侵入式负荷分解模型
CN114529051A (zh) * 2022-01-17 2022-05-24 杭州电子科技大学 基于层次残差自注意力神经网络的长期电力负荷预测方法
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636356B2 (en) * 2019-11-27 2023-04-25 Oracle International Corporation Non-intrusive load monitoring using machine learning and processed training data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109508908A (zh) * 2018-12-25 2019-03-22 深圳市城市公共安全技术研究院有限公司 非侵入式负荷识别模型训练方法、负荷监测方法及装置
CN111369120A (zh) * 2020-02-27 2020-07-03 福州大学 一种基于设备迁移学习的非侵入式负荷监测方法
CN112434799A (zh) * 2020-12-18 2021-03-02 宁波迦南智能电气股份有限公司 基于全卷积神经网络的非侵入式负荷识别方法
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
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
CN113987913A (zh) * 2021-09-22 2022-01-28 吉林化工学院 一种改进的非侵入式负荷分解模型
CN113887912A (zh) * 2021-09-26 2022-01-04 新疆大学 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
CN113890024A (zh) * 2021-09-30 2022-01-04 清华大学 一种非侵入式负荷智能分解和优化控制方法
CN113902104A (zh) * 2021-11-01 2022-01-07 南京工程学院 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
CN114529051A (zh) * 2022-01-17 2022-05-24 杭州电子科技大学 基于层次残差自注意力神经网络的长期电力负荷预测方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SAYED SAEED HOSSEINIKODJO AGBOSSOUALBEN CARDENAS: "Non-intrusive load monitoring through home energy management systems: A comprehensive review", <RENEWABLE AND SUSTAINABLE ENERGY REVIEWS> *
ZIYUE JIALINFENG YANGFANNIE KONG: "Sequence to point learning based on bidirectional dilated residual network for non-intrusive load monitoring", <INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS> *
张顺淼等: "基于注意力机制与ConvBiLSTM的非侵入式负荷分解", 《福建工程学院学报》 *

Also Published As

Publication number Publication date
CN115204529B (zh) 2022-12-20
US11868869B1 (en) 2024-01-09

Similar Documents

Publication Publication Date Title
CN110376457B (zh) 基于半监督学习算法的非侵入式负荷监测方法及装置
Chang et al. Llm4ts: Two-stage fine-tuning for time-series forecasting with pre-trained llms
US20230049089A1 (en) Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium
CN113568819B (zh) 异常数据检测方法、装置、计算机可读介质及电子设备
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
Sen et al. Stock price prediction using deep learning models
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
CN112766596A (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
Babaie-Kafaki et al. Two hybrid nonlinear conjugate gradient methods based on a modified secant equation
Ma et al. Blind false data injection attacks in smart grids subject to measurement outliers
Wang et al. User-level ultra-short-term load forecasting model based on optimal feature selection and bahdanau attention mechanism
Liu et al. Memory-based transformer with shorter window and longer horizon for multivariate time series forecasting
Zhang et al. Ensemble learning‐based modeling and short‐term forecasting algorithm for time series with small sample
CN116431816B (zh) 一种文献分类方法、装置、设备和计算机可读存储介质
Zhang et al. Research on power load forecasting of wavelet neural network based on the improved genetic algorithm
CN115239889B (zh) 3d重建网络的训练方法、3d重建方法、装置、设备和介质
Paul et al. On label languages of homogeneous variant of SNPSSP (HSNPSSP)
Wang Machine learning applications in power systems
Zhou et al. One fits all: Universal time series analysis by pretrained lm and specially designed adaptors
André et al. High-Performance Computing for Climate Modeling
CN116316537A (zh) 输电线路运行控制方法、装置、设备、介质和程序产品
Song et al. Personalized recommendation system of blended English teaching resources based on deep learning
Wei et al. Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China
Jin et al. Time series forecasting with llms: Understanding and enhancing model capabilities
CN111949867A (zh) 跨app的用户行为分析模型训练方法、分析方法及相关设备

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