CN115330553A - 一种基于设备特征多层优选的非侵入式负荷分解方法 - Google Patents
一种基于设备特征多层优选的非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN115330553A CN115330553A CN202210711389.5A CN202210711389A CN115330553A CN 115330553 A CN115330553 A CN 115330553A CN 202210711389 A CN202210711389 A CN 202210711389A CN 115330553 A CN115330553 A CN 115330553A
- Authority
- CN
- China
- Prior art keywords
- equipment
- sliding window
- inputting
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 19
- 238000000605 extraction Methods 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005406 washing Methods 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Power Engineering (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于设备特征多层优选的非侵入式负荷分解方法，包括以下步骤：S1：获取设备的有功功率序列数据，并根据设备类别计算滑窗窗宽，确定自适应滑窗；S2：将设备的有功功率序列数据经自适应滑窗依次输入至浅层卷积神经网络和嵌套长短时记忆网络，提取并加深设备特征；S3：将加深后的设备特征输入至注意力机制，进行特征融合，并将融合后的设备特征输入至全连接层，进行设备识别。本发明设计自适应设备滑窗，以使滑窗分割得到的功率片段更加完整，利于模型学习设备功率序列与总负荷间的非线性映射关系。
Description
技术领域
本发明属于非侵入式负荷技术领域，具体涉及一种基于设备特征多层优选的非侵入式负荷分解方法。
背景技术
非侵入式负荷监测，亦称作负荷分解，可将用户总耗电量分解为各个设备的功率片段，为用户及负荷聚合商提供清晰充分的用电信息。非侵入式负荷监测经过长时间的发展与研究已日趋成熟，与此同时，深度学习在数字图像处理与识别、信号分析等领域已经获得快速发展，为数据处理提供了端对端的处理方案。
Jack Kelly等人采用长短时记忆网络、降噪自动编码器和一种回归分析的神经网络在UK-DALE数据集上进行验证；在增加神经网络复杂度的代价下，取得了较传统方法更为优秀的分解效果。ZHANG等提出序列到点模型，将网络的表达能力集中于输出的中点，以产生更加准确的分解效果，但在此过程未完全利用网络的计算能力。
为了获得更好的性能，网络的深度不断增加；同时，模型在训练过程中面临着梯度爆炸和梯度消失的退化问题。虽然现有的一些模型在简单设备的混合情况下可以获得良好的分解性能，但其在不同的目标设备或环境下迁移性差，并不能表现出较好的分解准确率，是因为其仅关注网络结构对当前设备的拟合性，并没有针对设备特征进行自适应提取与应用。良好的设备特征序列可以使得网络模型更具表征能力，在提升负荷分解准确率的同时，减少时间损耗。
发明内容
本发明为了解决上述问题，提出了一种基于设备特征多层优选的非侵入式负荷分解方法。
本发明的技术方案是：一种基于设备特征多层优选的非侵入式负荷分解方法包括以下步骤：
S1：获取设备的有功功率序列数据，并根据设备类别计算滑窗窗宽，确定自适应滑窗；
S2：将设备的有功功率序列数据经自适应滑窗依次输入至浅层卷积神经网络和嵌套长短时记忆网络，提取并加深设备特征；
S3：将加深后的设备特征输入至注意力机制，进行特征融合，并将融合后的设备特征输入至全连接层，进行设备识别。
进一步地，步骤S1中，滑窗窗宽W′的计算公式为：
W'＝W×fs×fR+LA
其中，W表示原始窗宽，fs表示原始有功功率序列数据的采样频率，fR表示欠采样频率，LA表示设备特性序列长度。
进一步地，步骤S2中，提取并加深设备特征的具体方法为：将设备的有功功率序列数据经自适应滑窗输入至浅层卷积神经网络，利用浅层卷积神经网络提取设备特征，将设备特征输入至嵌套长短时记忆网络，利用嵌套长短时记忆网络提取设备特征中的时间特征。
进一步地，嵌套长短时记忆网络中，更新输入状态和隐藏状态的计算公式分别为：
其中，
表示t-1时刻记忆单元的输出，
表示t时刻记忆单元的输入，ft表示sigmoid函数，ct-1表示存储单元状态，it表示外部单元输入，σc表示激活函数，xt表示外部数据输入，Wxc表示输入到记忆权值，ht-1表示t-1时刻嵌套长短时记忆网络的输出，Whc表示输出到记忆权值，bc表示偏置。
进一步地，步骤S3中，进行特征融合的具体方法为：将加深后的设备特征输入至注意力机制中，根据加深后的设备特征的重要性分配对应的权重，并加深后的设备特征与分配权重后的设备特征进行特征流融合。
本发明的有益效果是：
(1)本发明设计自适应设备滑窗，以使滑窗分割得到的功率片段更加完整，利于模型学习设备功率序列与总负荷间的非线性映射关系。针对设备特性自适应更改滑窗窗宽，可以保证输入深度学习模型内的设备功率序列更具代表性，完成第一层设备特征的选择与加深。
(2)本发明充分利用不同网络层的特性，在网络层中形成良好的特征流，从而达到更加准确和快速的负荷分解效果。CNN-NLSTM模型中，CNN对全局特征进行抽取并逐层加深，完成第二次设备特征的抽取与选择，NLSTM对设备功率的时间特征进一步提取与加深，完成第三次设备特征的抽取、选择与融合。
(3)本发明改进注意力机制，传统的注意力机制在完成对输入特征的偏好后，仅输出被偏好后的特征，此时的特征并没有完全结合目标设备，仅能代表其部分特征。本发明通过对传统注意力机制的输入输出进行更改，将输入到注意力机制的特征与经由注意力机制调配权值的特征融合，以达到更加准确的特征偏好。
附图说明
图1为非侵入式负荷分解方法的流程图；
图2为CNN-NLSTM架构图；
图3为NLSTM单元架构图；
图4为改进注意力机制架构图；
图5为TP、FP、FN及TN统计方式图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于设备特征多层优选的非侵入式负荷分解方法，包括以下步骤：
S1：获取设备的有功功率序列数据，并根据设备类别计算滑窗窗宽，确定自适应滑窗；
S2：将设备的有功功率序列数据经自适应滑窗依次输入至浅层卷积神经网络和嵌套长短时记忆网络，提取并加深设备特征；
S3：将加深后的设备特征输入至注意力机制，进行特征融合，并将融合后的设备特征输入至全连接层，进行设备识别。
在本发明实施例中，步骤S1中，滑窗窗宽W′的计算公式为：
W'＝W×fs×fR+LA
其中，W表示原始窗宽，一般取为599，fs表示原始有功功率序列数据的采样频率，fR表示欠采样频率，若不使用，则为1，LA表示设备特性序列长度。
在本发明实施例中，通过设计自适应滑窗，根据设备特性对窗宽进行调节，以囊括更加完整的功率片段，并借此优化网络模型输入输出维度，减小网络复杂度的同时带来时间收益。针对设备特性自适应更改滑窗窗宽，可以保证输入深度学习模型内的设备功率序列更具代表性，完成第一层设备特征的选择与加深。
自适应调整窗宽需要考虑原始数据的采样频率，其决定着采集过程中负荷片段中的可用数据量；同时，若在预处理过程中使用欠采样，数据点数也会相应地更改。除开采样因素外，设备的类型也需要纳入考虑范围内，其独特的使用特征或者运行特征都将影响其正常运行的功率片段长度
设备特性序列长度LA取决于设备的特征，其对应关系如表1所示，
表1
在本发明实施例中，步骤S2中，提取并加深设备特征的具体方法为：将设备的有功功率序列数据经自适应滑窗输入至浅层卷积神经网络，利用浅层卷积神经网络提取设备特征，将设备特征输入至嵌套长短时记忆网络，利用嵌套长短时记忆网络提取设备特征中的时间特征。
在本发明实施例中，采用浅层卷积网络将经由滑窗输入的设备序列片段抽象化，提取包括时间特征、运行特征和使用特征等在内的各项隐含特征，并将逐层加深的设备特征流输入到两层嵌套长短时记忆网络内。CNN-NLSTM模型由三层卷积神经网络及两层嵌套长短时记忆网络组成，其架构如图2所示。
经由滑窗分割后的总负荷及目标设备功率片段输入到CNN中，经由CNN将多个时间点下的负荷数据抽象，对全局特征进行抽取并逐层加深，完成第二次设备特征的抽取与选择。设备特征继续输入到NLSTM中，据其特性，对设备功率的时间特征进一步提取与加深，完成第三次设备特征的抽取、选择与融合。
LSTM是典型具有改善梯度消失的记忆神经单元，能够较好地根据此前的经验知识对内部存储单元状态进行调整，完成对长短期记忆的自适应与使用；但在面对较长时间序列时，并不能完成特征的整合与传递。而嵌套LSTM，即NLSTM则通过将LSTM单元进行嵌套，构成内外记忆单元，方便存储并随时提取长期的时间特征，其结构如图3所示。
NLSTM由内外两层存储单元嵌套而成，图3中虚线包裹的即为内部存储单元。外部存储单元可随时访问并修改内部存储单元，二者共同完成与当前情景最为相关的长期信息的选择与存储，短暂的信息将会被遗忘，从而形成对目标设备长期时间特征的选择与强记忆；较传统的LSTM具有了更强的鲁棒性。
在本发明实施例中，嵌套长短时记忆网络中，更新输入状态和隐藏状态的计算公式分别为：
其中，
表示t-1时刻记忆单元的输出，
表示t时刻记忆单元的输入，ft表示sigmoid函数，ct-1表示存储单元状态，it表示外部单元输入，σc表示激活函数，xt表示外部数据输入，Wxc表示输入到记忆权值，ht-1表示t-1时刻嵌套长短时记忆网络的输出，Whc表示输出到记忆权值，bc表示偏置。
在本发明实施例中，传统的LSTM的记忆单元更新仅为
相较之下，NLSTM可以对输入的信息及此前的记忆信息进行丰富的比对，并对其进行选择记忆，并不像LSTM纯粹的相加，不仅可以节约运算资源，还能对长期时间特征进行强记忆，利于对设备特征的全局把控，将提高负荷分解的准确率。
CNN-NLSTM模型作为特征提取中重要一环，其输入输出维度取决于自适应设备滑窗窗宽W′。卷积层性能主要由卷积核个数和尺寸决定；卷积核个数决定其提取特征的能力，个数较多时将可以提取到更多的特征，而过多将会导致过拟合，因为本模型卷积核个数逐层增加，提取到更加完整的设备特征；使用多种尺寸的卷积核可以有效捕捉数据的多尺度特征，弥补单尺度卷积层信息不足的缺陷，进一步提升模型性能。
NLSTM仅需设置隐藏单元数，其值决定着对设备时间特征提取的能力，过大将涵盖较多的短时信息，过小将无法完整提取长时特征。故最终CNN-NLSTM模型各网络层参数设定如表2所示。
表2
在本发明实施例中，步骤S3中，进行特征融合的具体方法为：将加深后的设备特征输入至注意力机制中，根据加深后的设备特征的重要性分配对应的权重，并加深后的设备特征与分配权重后的设备特征进行特征流融合。
在本发明实施例中，由于NLSTM特有的内外存储单元，将进一步对时间特征进行强化记忆，并送入到改进的注意力机制内。注意力机制本质上是对特征权重的再次分配，将根据特征的重要性以调配不同的计算资源，等同于对特征的再一次选择与复用。传统的注意力机制在完成对输入特征的偏好后，仅输出被偏好后的特征，此时的特征并没有完全结合目标设备，仅能代表其部分特征。为了消除这种影响，本发明通过对传统注意力机制的输入输出进行更改，将输入到注意力机制的特征与经由注意力机制调配权值的特征融合，以达到更加准确的特征偏好，改进后的注意力机制架构如图4所示，其中，S表示注意力打分函数，ai表示构成的概率向量即为注意力分布，Hi表示前置NLSTM输出的特征流。
最后，通过改进的注意力机制将原特征流与权值调配后的特征流融合，在增强全局特征的同时，有效地利用局部特征，从而较大程度提升负荷分解正确率。本发明将经由NLSTM提取后的设备特征输入到注意力机制中，根据特征重要性分配不同权值，凸显全局特征，隐匿局部特征，但这一步骤可能会忽略某些特征的重要性，通过将输入注意力机制前后的特征融合，构成融合特征，此时的全局特征同样会更加明显，而局部特征也会占有一定权值，可以达到更加准确的特征提取与融合。
整个发明将要使用的数据集为REDD，其具体的信息如下：
REDD数据集：总功率采样间隔为1s，设备采样间隔为3s。该数据集从2011年4月到2011年5月对5户美国家庭的总功率及常用设备的有功功率信息进行统计。只利用了微波炉、冰箱、洗碗机和洗衣机。本发明将训练数据及测试数据完全分离，训练及测试样本选择如表3所示。
表3
网络的输入序列样本由总数据滑窗分割得到，标签序列由设备级数据滑窗分割得到。在开始训练模型前，对每一对训练样本进行归一化，所有的训练及标签样本都减去均值，而后除以标准差，使得所有值均落在[0,1]内，测试集同理。
用于训练和测试的典型设备一共四种，设备名及相关重要属性值列举如下：
Microwave：功率阈值＝200，自适应滑窗窗宽＝200，功率均值＝500，功率方差＝800；
Fridge：功率阈值＝50，自适应滑窗窗宽＝599，功率均值＝200，功率方差＝400；
Dishwasher：功率阈值＝10，自适应滑窗窗宽＝450，功率均值＝700，功率方差＝1000；
Washingmachine：功率阈值＝20，自适应滑窗窗宽＝500，功率均值＝400，功率方差＝700；
为了更加直观地对比各模型的性能表现，本发明选取F1分数、准确率和平均绝对误差作为评价模型的3个指标：
精准率Pre和召回率Rec由下式计算而来：
真阳性(TP)、假阳性(FP)、假阴性(FN)与真阴性(TN)统计方式如图5所示，时间T内分解值与真实值间的平均绝对误差MAE的计算公式为：
其中，yt表示t时刻目标设备的真实有功功率，
为t时刻模型的分解功率，对于时间T内分解值与真实值间的平均绝对误差MAE，其值越小，分解值与真实值越接近，模型的拟合能力则越强。
该方法模型相对于seq2point模型和基于注意力机制的seq2seq模型可以较好地减少超参数数量和训练时间，并且保证较高的分解准确率。因此本发明模型不仅减少了运算资源与训练时间的消耗，而且保证了较高的负荷分解准确率。
下面结合具体实施例对本发明进行说明。
以Redd数据集为例，对冰箱进行辨识，冰箱的相关属性及数据集划分如下：
'fridge':{'输入窗口大小':599,'功率阈值':50,'最大功率':3323,'功率均值':200,'功率方差':400,'序列长度':512,'训练房屋序号':[1,2,3],'功率信道':[5,9,7]}
将Redd内房屋1的通道5，房屋2的通道9和房屋3的通道7三个通道的数据进行提取，按照重采样率为8s/次进行颗粒度统一，并求取最佳序列长度(ESL)。
提取后的数据划分为训练集、验证集和三个测试集。
根据网络模型，其内的参数设置如下：训练批次尺寸＝1000，训练样本大小＝100000，训练轮数＝5，输入窗口大小＝599，验证频率＝1，输出窗口大小＝1，损失函数＝‘平均均方误差’，指标＝‘mse,msle,mae’,学习率＝0.001。
当相关数据集及模型参数完成后，将训练集及验证集同时输入网络模型开启训练，按照既定的训练模式生成冰箱设备的相关模型及参数信息，如MSE(平均均方误差)为0.0926，MAE(平均聚合误差)为0.2754，卷积层的权值为37200，全连接层权值为30669824。
在测试过程中，调用已训练的冰箱模型，将房屋1、房屋2和房屋3的总功率进行输入，将会把总功率进行分解，进而获得冰箱在该房屋内的功率曲线，并与生成的预测曲线进行对比，获得网络模型的准确率，根据准确率进一步的调整参数设置，重复此过程，进而获得性能优异的模型，从而达到对设备的辨识和预测。对于其他设备的操作亦是如此，只不过需要根据设备特征对参数进行一定的调整，训练完的模型可以直接使用，不再需要耗费大量时间。
本发明的工作原理及过程为：本发明的目的在于对设备特征的提取、选择与加深，充分利用不同网络层的特性，在网络层中形成良好的特征流，从而达到更加准确和快速的负荷分解效果。该方法仅需要将低频采样的设备有功功率序列数据经自适应滑窗送入CNN-NLSTM模型中进行多次的特征选择与复用，并在输出前由改进注意力机制对其进行特征权重调配，达到更加高效准确的辨识。在整个模型中，总共实现了四层设备特征的选择与复用。该模型充分利用设备特征及网络层特性，大幅度减小训练参数。通过在REDD数据集进行实验，可以得到，本发明模型与目前使用广泛的seq2seq、seq2point模型以及基于注意力机制的seq2seq模型相比，有效提升了负荷辨识精度，并减少了网络模型复杂度，具有较好的普适性，未来可通过迁移学习进一步减少训练成本，增强模型的实用性。
本发明的有益效果为：
(1)本发明设计自适应设备滑窗，以使滑窗分割得到的功率片段更加完整，利于模型学习设备功率序列与总负荷间的非线性映射关系。针对设备特性自适应更改滑窗窗宽，可以保证输入深度学习模型内的设备功率序列更具代表性，完成第一层设备特征的选择与加深。
(2)本发明充分利用不同网络层的特性，在网络层中形成良好的特征流，从而达到更加准确和快速的负荷分解效果。CNN-NLSTM模型中，CNN对全局特征进行抽取并逐层加深，完成第二次设备特征的抽取与选择，NLSTM对设备功率的时间特征进一步提取与加深，完成第三次设备特征的抽取、选择与融合。
(3)本发明改进注意力机制，传统的注意力机制在完成对输入特征的偏好后，仅输出被偏好后的特征，此时的特征并没有完全结合目标设备，仅能代表其部分特征。本发明通过对传统注意力机制的输入输出进行更改，将输入到注意力机制的特征与经由注意力机制调配权值的特征融合，以达到更加准确的特征偏好。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于设备特征多层优选的非侵入式负荷分解方法，其特征在于，包括以下步骤：
S1：获取设备的有功功率序列数据，并根据设备类别计算滑窗窗宽，确定自适应滑窗；
S2：将设备的有功功率序列数据经自适应滑窗依次输入至浅层卷积神经网络和嵌套长短时记忆网络，提取并加深设备特征；
S3：将加深后的设备特征输入至注意力机制，进行特征融合，并将融合后的设备特征输入至全连接层，进行设备识别。
2.根据权利要求1所述的基于设备特征多层优选的非侵入式负荷分解方法，其特征在于，所述步骤S1中，滑窗窗宽W′的计算公式为：
W'＝W×fs×fR+LA
其中，W表示原始窗宽，fs表示原始有功功率序列数据的采样频率，fR表示欠采样频率，LA表示设备特性序列长度。
3.根据权利要求1所述的基于设备特征多层优选的非侵入式负荷分解方法，其特征在于，所述步骤S2中，提取并加深设备特征的具体方法为：将设备的有功功率序列数据经自适应滑窗输入至浅层卷积神经网络，利用浅层卷积神经网络提取设备特征，将设备特征输入至嵌套长短时记忆网络，利用嵌套长短时记忆网络提取设备特征中的时间特征。
4.根据权利要求1所述的基于设备特征多层优选的非侵入式负荷分解方法，其特征在于，所述嵌套长短时记忆网络中，更新输入状态和隐藏状态的计算公式分别为：
其中，
表示t-1时刻记忆单元的输出，
表示t时刻记忆单元的输入，ft表示sigmoid函数，ct-1表示存储单元状态，it表示外部单元输入，σc表示激活函数，xt表示外部数据输入，Wxc表示输入到记忆权值，ht-1表示t-1时刻嵌套长短时记忆网络的输出，Whc表示输出到记忆权值，bc表示偏置。
5.根据权利要求1所述的基于设备特征多层优选的非侵入式负荷分解方法，其特征在于，所述步骤S3中，进行特征融合的具体方法为：将加深后的设备特征输入至注意力机制中，根据加深后的设备特征的重要性分配对应的权重，并加深后的设备特征与分配权重后的设备特征进行特征流融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711389.5A CN115330553B (zh) | 2022-06-22 | 2022-06-22 | 一种基于设备特征多层优选的非侵入式负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711389.5A CN115330553B (zh) | 2022-06-22 | 2022-06-22 | 一种基于设备特征多层优选的非侵入式负荷分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115330553A true CN115330553A (zh) | 2022-11-11 |
| CN115330553B CN115330553B (zh) | 2023-04-11 |
Family
ID=83916401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210711389.5A Active CN115330553B (zh) | 2022-06-22 | 2022-06-22 | 一种基于设备特征多层优选的非侵入式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330553B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644320A (zh) * | 2023-07-27 | 2023-08-25 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
| CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
| US20190303762A1 (en) * | 2018-03-30 | 2019-10-03 | Xilinx, Inc. | Methods of optimization of computational graphs of neural networks |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| US20200126241A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Multi-Object Tracking using Online Metric Learning with Long Short-Term Memory |
| CN112001486A (zh) * | 2020-08-28 | 2020-11-27 | 河北工业大学 | 一种基于深度学习的负荷分解方法 |
| KR102309077B1 (ko) * | 2021-05-27 | 2021-10-06 | 주식회사 부력에너지 | 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| 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 |
| CN113901726A (zh) * | 2021-10-27 | 2022-01-07 | 国网西藏电力有限公司拉萨供电公司 | 基于seq2point模型的非侵入式负荷分解方法 |
| CN113920362A (zh) * | 2021-10-01 | 2022-01-11 | 上海梦象智能科技有限公司 | 一种基于注意力的非侵入式负荷分解方法 |
| 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 |
| CN114037178A (zh) * | 2021-11-23 | 2022-02-11 | 天津大学 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
| CN114462306A (zh) * | 2022-01-17 | 2022-05-10 | 上海电力大学 | 基于变权重时域卷积网络的非侵入式用电负荷分解方法 |
| CN114493925A (zh) * | 2022-02-10 | 2022-05-13 | 合肥工业大学 | 基于bert与gcnn混合网络的非侵入式负荷分解方法 |
-
2022
- 2022-06-22 CN CN202210711389.5A patent/CN115330553B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303762A1 (en) * | 2018-03-30 | 2019-10-03 | Xilinx, Inc. | Methods of optimization of computational graphs of neural networks |
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| US20200126241A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Multi-Object Tracking using Online Metric Learning with Long Short-Term Memory |
| CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
| CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN112001486A (zh) * | 2020-08-28 | 2020-11-27 | 河北工业大学 | 一种基于深度学习的负荷分解方法 |
| KR102309077B1 (ko) * | 2021-05-27 | 2021-10-06 | 주식회사 부력에너지 | 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| 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 |
| CN113920362A (zh) * | 2021-10-01 | 2022-01-11 | 上海梦象智能科技有限公司 | 一种基于注意力的非侵入式负荷分解方法 |
| 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 |
| CN113901726A (zh) * | 2021-10-27 | 2022-01-07 | 国网西藏电力有限公司拉萨供电公司 | 基于seq2point模型的非侵入式负荷分解方法 |
| CN114037178A (zh) * | 2021-11-23 | 2022-02-11 | 天津大学 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
| CN114462306A (zh) * | 2022-01-17 | 2022-05-10 | 上海电力大学 | 基于变权重时域卷积网络的非侵入式用电负荷分解方法 |
| CN114493925A (zh) * | 2022-02-10 | 2022-05-13 | 合肥工业大学 | 基于bert与gcnn混合网络的非侵入式负荷分解方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZI-SHENG OUYANG 等: "Systemic financial risk early warning of financial market in China using Attention-LSTM model" * |
| 王军;鹿姝;李云伟;: "融合注意力机制和连接时序分类的多模态手语识别" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644320A (zh) * | 2023-07-27 | 2023-08-25 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
| CN116644320B (zh) * | 2023-07-27 | 2023-11-07 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115330553B (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177446B (zh) | 一种用于足迹图像检索的方法 | |
| CN108805048B (zh) | 一种人脸识别模型的调整方法、装置和存储介质 | |
| CN113742387A (zh) | 数据处理方法、设备及计算机可读存储介质 | |
| CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
| CN113239801B (zh) | 基于多尺度特征学习和多级域对齐的跨域动作识别方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN112491891B (zh) | 物联网环境下基于混合深度学习的网络攻击检测方法 | |
| CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
| CN115330553B (zh) | 一种基于设备特征多层优选的非侵入式负荷分解方法 | |
| CN108319672A (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
| CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
| CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
| CN117636072A (zh) | 基于难度感知数据增强与标签矫正的图像分类方法及系统 | |
| CN117811935A (zh) | 一种基于无线通信的智慧城市物联网系统及运行方法 | |
| CN116935292A (zh) | 一种基于自注意力模型的短视频场景分类方法及系统 | |
| CN112085540A (zh) | 基于人工智能技术的广告智能推送系统及方法 | |
| CN117113139A (zh) | 故障检测模型的训练方法、装置、计算机设备和存储介质 | |
| WO2020001095A1 (zh) | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 | |
| CN114417166B (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 | |
| CN115966006A (zh) | 基于深度学习模型的跨年龄式人脸识别系统 | |
| CN115392302A (zh) | 一种基于融合图卷积网络的脑电情绪识别方法 | |
| CN114972795A (zh) | 一种结合属性检测和视觉感知的民族服装图像字幕生成方法 | |
| CN113657533A (zh) | 一种面向时空场景构建的多元时间序列分割聚类方法 | |
| Zhang et al. | Robust saliency detection via corner information and an energy function | |
| CN118646823B (zh) | 通话质量智能检测方法、装置及存储介质 |
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 |