CN116361709B - 一种自适应电力负荷识别方法与设备 - Google Patents
一种自适应电力负荷识别方法与设备 Download PDFInfo
- Publication number
- CN116361709B CN116361709B CN202310331766.7A CN202310331766A CN116361709B CN 116361709 B CN116361709 B CN 116361709B CN 202310331766 A CN202310331766 A CN 202310331766A CN 116361709 B CN116361709 B CN 116361709B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- window
- value
- power load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 41
- 230000004913 activation Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001994 activation Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 210000004027 cell Anatomy 0.000 claims description 18
- 238000011049 filling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种自适应电力负荷识别方法与设备，属于电力负荷监测识别领域，包括：数据预处理；计算最小开机时间、最小关机时间、开启功率阈值；将获得的3个参数加入到模型训练过程中，对预处理后的数据提取有效的负荷激活数据；基于电力负荷数据，利用长短期记忆人工神经网络对电力负荷识别模型进行训练；将测试集按照比例进行分割，在“窗口”的寻找阶段，使用进程处理技术，得到能将测试时间控制在时间阈值以内的最佳“窗口”；利用最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别。本发明不再受到初始模型训练数据的局限，使用自适应方法来定义最佳长度的识别窗口，通用性好，精度较高。
Description
技术领域
本发明提供一种自适应电力负荷识别方法与设备，属于电力负荷监测识别技术领域。
背景技术
人工智能在电力负荷监测识别领域的应用主要通过深度学习、数据挖掘等技术实现，可以自动化地对大量的电力数据进行处理和分析，准确地识别电力负荷变化趋势、异常波动等，从而实现对电力系统的智能化监测和管理。相比传统的手动或半自动化方式，人工智能的应用具有高效性、精度高等优点，可以大大提高系统的稳定性和可靠性。因此，人工智能在电力负荷监测识别领域的应用具有广阔的发展前景和应用前景。
目前已有一些电力负荷识别算法，但在进行部署和使用时存在着一些不足：第一，模型迁移性、通用性差。由于模型的训练通常需要大量的电力数据，而电力数据采集比较繁琐和困难，目前大部分算法都是基于国外公开的数据集进行研究，而这就导致在实际应用过程中模型算法的泛化性和鲁棒性较差，训练出来的模型只能针对单品牌、单模式的电器进行识别，将模型移植到其他电力数据中识别率就会大大下降。第二，负荷特征存在较大差异。数据集的样本数据少且来源于用户短期电力负荷数据，短期的数据不能代表用户的全部用电特征；不同家庭的用电特征存在差异，使用单一或少量家庭数据集训练的模型将会存在偏差，不同国家地域由于电器种类、电器功率和用电存在差异，学习的电力负荷特征会产生较大差异，进而造成模型识别率低。第三，模型识别准确度低，目前市场常见的电力负荷识别方法在输入不同类型电器数据的时候通常通过统一长度滑动窗口的方式输入数据，这就可能导致该时间段内的数据电器特征并不足以支持算法拟合出电器的种类，从而导致最终的识别准确率低。
发明内容
针对现有技术的不足，本发明提供了一种自适应电力负荷识别方法与设备。
本发明采用如下技术方案：
一种自适应电力负荷识别方法，包括如下步骤：
步骤1：数据预处理：将实际采集的电力负荷数据中的问题数据删除，并对删除的数据位置使用缺失值填充方法进行填充；
由于实际采集的电力负荷数据可能存在缺失值、无效值和异常值，故使用字符串比较检测空值、无效值、异常值，以消除噪声、错误、软硬件故障等因素导致的干扰并删除问题数据，对删除的数据位置使用KNN(K-Nearest Neighbors)缺失值填充方法对缺失值进行填充，以确保数据的有效性和准确性；
步骤2：根据获取的电力负荷数据，计算最小开机时间、最小关机时间、开启功率阈值；
以此来判断电气设备的开关事件，从而找到设备的开启时间。防止电器内部存余电流或处于低功率待机状态而导致算法训练测试时判断启停状态出错；
步骤3：将步骤2中获得的3个参数加入到模型训练过程中，对步骤1预处理后的数据进行清洗处理，提取到有效的负荷激活数据；
步骤4：电力负荷识别模型训练：基于电力负荷数据，利用长短期记忆人工神经网络(LSTM)对电力负荷识别模型进行训练；
步骤5：电力负荷模型测试：根据自适应识别方法将测试集按照一定的比例进行分割，一部分数据采用自适应滑动窗口技术针对该电器得到特征序列段的最小片段，称之为“窗口”；同时，在“窗口”的寻找阶段，使用进程处理技术，将每一次寻找“窗口”的过程设为子进程，当窗口的测试时间超过设置好的时间阈值，称其为测试响应时间过长，中断此“窗口”进程，寻找下一“窗口”，从而最终得到能将测试时间控制在时间阈值以内的最佳“窗口”；
步骤6：利用步骤5获得的最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别。
优选的，步骤1中缺失值填充方法的具体实现方式为：
步骤1.1：对于含有缺失值的样本，首先计算该样本与数据集中其他样本的距离，使用欧氏距离方法进行计算；
步骤1.2：选择与该样本距离最近的K个样本数据，假设这K个样本的已知数值为y1,y2,...,yk；
步骤1.3：对于该缺失值，采用这K个已知数值的加权平均值来进行估计，具体地，估计值为：
其中，是样本的权重，可以根据距离远近进行赋值，距离越近的样本权重越大；为缺失值的估计值，即通过KNN算法填补后的值；mi为已知数据样本的第个特征值；为KNN算法中选择的最近邻样本的个数。
优选的，步骤1.1中欧氏距离的计算方法为：
其中，x和y是两个n维向量，x1,x2,,xn和y1,y2,,yn分别表示它们的各个维度的取值。
优选的，步骤3中，最小开机时间：是设备打开后需要持续一段时间,才能被视为打开的最短时间。例如，如果最小开机时间设置为30秒，并且设备仅打开20秒，则不会被视为打开；
最小关机时间：是设备关闭后需要运行一段时间，才能被视为关闭的最短时间。例如，如果最小关机时间设置为10秒，并且设备仅关闭5秒，则不会视为关闭；
开启功率阈值：是设备需要运行到一定功率水平才能被视为已打开；这通常是一个阈值功率值，高于设备处于待机模式或关闭时的功耗。例如，如果开启功率阈值设置为10瓦，而设备仅消耗5瓦，则不会被视为打开。
对步骤1预处理后的数据进行数据清洗提取负荷激活，具体实现过程如下：
步骤3.1：将输入数据中每个时间点的功率与开启功率阈值进行比较，得到when_on数组，数组中的元素为True表示该时间点上电器开启，为False表示该时间点上电器关闭；
步骤3.2：建立与输入数据大小相同的全0状态矩阵state，用于记录每个时间点上电器是否开启，初始值全部设为0；
步骤3.3：根据when_on数组中元素的变化，找到电器开启和关闭的事件的时间点，并分别保存在switch_on_events和switch_off_events两个数组中；
步骤3.4：如果switch_on_events或switch_off_events为空，则返回空列表和全0状态矩阵state；
步骤3.5：为了确保电器开启和关闭事件相互对应，需要进行对齐操作；如果开启事件先于关闭事件，则说明电器一开始就是开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除开启事件数组的第一个元素；如果关闭事件先于开启事件，则说明电器在最后一个关闭事件之后一直处于开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除关闭事件数组的最后一个元素；
步骤3.6：如果需要将电器关闭的时间段平滑掉，那么就需要计算出开启事件和关闭事件之间的时间差，并将时间差小于最小关机时间的事件过滤掉，过滤后，需要对switch_on_events和switch_off_events进行相应的更新；
步骤3.7：遍历switch_on_events和switch_off_events数组，对于每一组事件，计算出其持续时间，如果持续时间小于最小开机时间，则忽略该事件，否则将其保存到activations列表中，并将状态矩阵state中相应时间段的值全部设为1；
步骤3.8：最终输出activations列表和状态矩阵state，其中activations列表中的每个元素都是一个pd.Series对象，代表电器的一次开启事件。
本发明中，如果此刻该电器的运行功率大于0，并且小于最小开机时间，则忽略此时刻的功率波动，默认值为0；例如，洗衣机可能会在衣服浸泡时进行短暂断电；其次，如果该电器的运行功率大于0，但其不为0的时间小于最小关机时间，则这段时间内的任何激活将被忽略，默认电器功率值为0；将关闭周期低于最小关机时间且开启功率阈值以下的功耗忽略为0。
优选的，步骤4中电力负荷识别模型的训练，具体实现过程为：
将步骤3清洗后的负荷激活数据按照4：1的比例划分为训练集和测试集，训练集用于电力负荷识别模型的训练，测试集用于验证训练完成的模型，数据集在输入之前进行归一化操作，即将数据映射为0至1之间的小数，然后输入到长短期记忆人工神经网络(LSTM)对电力负荷识别模型进行训练，其中，长短期记忆人工神经网络(LSTM)包括1个一维卷基层、一个最大池化层、两个双向的LSTM层和两个全连接层，通过双曲正切激活函数tanh和线性激活函数linear将整合到样本空间的功率数据的分布式特征输出，得到分解后的功率序列；
采用Adam优化器进行训练，其中采用均方误差MSE(Mean Square Error)作为损失函数，它是预测值与目标值之间差值平方和的均值，其计算公式为：
公式(3)中，n表示样本个数，f(xi)和yi分别表示第i个样本的真实值和预测值；
优选的，长短期记忆人工神经网络中，一维卷积层的输入维度为99*1矩阵，卷积核个数为16，卷积核大小为4，卷积的步长为1；第一个双向的LSTM层定义了128个LSTM单元，第二个双向的LSTM层定义了256个LSTM单元，其后的全连接层分别定义了128个和1个神经元，并分别使用双曲正切激活函数tanh和线性激活函数linear作为激活函数。
优选的，长短期记忆人工神经网络核心思想是通过控制信息的“输入门”、“输出门”和“遗忘门”来实现长期依赖关系的建立和记忆；双向的LSTM层中的每个神经元都包括一个状态向量和三个门，它们的计算公式如下：
I(t)＝sigmoid(Wi·[h(t-1),xt]+bi) (4)
F(t)＝sigmoid(Wf·[h(t-1),xt]+bf) (5)
O(t)＝sigmoid(Wo·[h(t-1),xt]+bo) (6)
G(t)＝tanh(Wg·[h(t-1),xt]+bg) (7)
C(t)＝F(t)·C(t-1)+I(t)·G(t) (8)
Ht＝Ot·tanh(Ct) (9)
其中，I(t)、F(t)和O(t)分别表示输入门、遗忘门和输出门的输出值，G(t)表示当前时刻的记忆细胞的值，C(t)表示当前时刻的记忆细胞状态，Ht表示当前时刻的输出值；Wi、Wf、Wo和Wg分别表示输入门、遗忘门、输出门和记忆细胞的权重矩阵，bi、bf、bo和bg分别表示输入门、遗忘门、输出门和记忆细胞的偏置向量，h(t-1)表示前一时刻的隐状态，xt表示输入序列中的第t个元素，tanh是双曲正切函数，sigmoid是S型函数。
优选的，步骤5中自适应滑动窗口技术和进程处理技术，具体实现过程如下：
步骤5.1：为了更好地提高识别率，寻找最佳滑动窗口，故根据数据质量和实际情况设置检测“窗口”阈值即“窗口”的初始化值，例如，初始阈值可以设置为2000；设μ为窗口每次滑动的步长，则后续“窗口”的大小为/>
n表示当前所寻找的次数；
“窗口”子进程T为子进程tn的集合，n0为寻找“窗口”的总次数，N为总体样本数量，其中，n0的计算方式为：
步骤5.2：在寻找窗口值过程中，若输入数据达到一定量，程序会由于数据过多而超时，而在寻找的过程中“窗口”值是不断增加的，后续的数据量会更大，就不需要进行判断；但程序超时也可能由于其他原因，故设OT1为寻找阶段的相邻跳出阈值；当出现超时且超时位置附近的OT次检测均出现超时现象，则判断数据量过大直接跳出寻找程序；
公式(12)为窗口寻找进程，公式(13)为最佳窗口判断公式，其中，W为最终得到的最佳窗口；为每个子进程中执行的条件，如果不满足其中的某一个条件，将跳出子进程；/>为子进程tn中第n次寻找的均方误差，/>为每个进程的时间，t为每个进程的时间阈值，将寻找的时间控制在时间阈值t内；
步骤5.3：使用“窗口”的初始化值寻找到规定时间范围内均方误差最小且窗口最小的“窗口”值后，确定该窗口大小为对于本电器数据的最佳测试窗口。
优选的，步骤6中实时推理程序和分解识别方法，具体实现过程如下：
实时推理程序：即根据步骤5.3得到的最佳测试窗口从数据库中以窗口滑动的方式提取数据，之后通过load_model()函数加载先前训练完成的电力负荷识别模型，通过load_model.predict()方法接收提取到的数据并推理输出；
分解识别：即使用步骤5.3得到的最佳测试窗口提取到总的用电功率数据，输入到实时推理程序中，推理生成单个电器的对应时刻功率数据。
一种的自适应电力负荷识别设备，部署python、tensorflow等运行环境软件到Nvidia Xavier Nx边缘设备中，并将电力负荷识别模型和实时推理程序移植到边缘设备中，形成自适应电力负荷识别设备，用于对实时电力数据进行识别并将识别结果实时展示。
本发明未详尽之处，均可参见现有技术。
本发明的有益效果为：
1、迁移性、通用型性强：通过本发明的自适应电力负荷识别方法，进行电力负荷识别不再受到初始模型训练数据的局限，采用自适应窗口的方式，针对不同品牌和不同模式电器存在的不同数据特征，使用自适应方法来定义最佳长度的识别窗口，以达到最佳的识别效果，训练完成的模型可以针对不同品牌不同模式的电器进行识别，将模型移植到其他的电力数据中依然能达到较好的识别效果。
2、高精度：自适应长度的滑动窗口可以根据当前数据的分布调整窗口的大小，可以更好地适应数据分布的变化，避免了固定长度的窗口在某些不同品牌电器数据分布下识别精度不高的问题。
3、实时性：本发明的自适应电力负荷识别方法，除了以准确率作为衡量标准外，还使用运行时间作为衡量标准，使用时间阈值将寻找时间控制在固定时间内，在保证识别实时性的同时，也更加节省了计算资源。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的自适应电力负荷识别方法流程图；
图2为边缘设备内部流程图；
图3为电力负荷识别模型训练示意图；
图4为窗口寻找流程。
具体实施方式：
为了使本技术领域的人员更好的理解本说明书中的技术方案，下面结合本说明书实施中的附图，对本发明书实施例中的技术方案进行清楚、完整的描述，但不仅限于此，本发明未详尽说明的，均按本领域常规技术。
实施例1
一种自适应电力负荷识别方法，如图1-4所示，包括如下步骤：
步骤1：数据预处理：将实际采集的电力负荷数据中的问题数据删除，并对删除的数据位置使用缺失值填充方法进行填充；
由于实际采集的电力负荷数据可能存在缺失值、无效值和异常值，故使用字符串比较检测空值、无效值、异常值，以消除噪声、错误、软硬件故障等因素导致的干扰并删除问题数据，对删除的数据位置使用KNN(K-Nearest Neighbors)缺失值填充方法对缺失值进行填充，以确保数据的有效性和准确性；
步骤2：根据获取的电力负荷数据，计算最小开机时间、最小关机时间、开启功率阈值；
以此来判断电气设备的开关事件，从而找到设备的开启时间。防止电器内部存余电流或处于低功率待机状态而导致算法训练测试时判断启停状态出错；
步骤3：将步骤2中获得的3个参数加入到模型训练过程中，对步骤1预处理后的数据进行清洗处理，提取到有效的负荷激活数据；
步骤4：电力负荷识别模型训练：基于电力负荷数据，利用长短期记忆人工神经网络(LSTM)对电力负荷识别模型进行训练；
步骤5：电力负荷模型测试：根据自适应识别方法将测试集按照一定的比例进行分割，一部分数据采用自适应滑动窗口技术针对该电器得到特征序列段的最小片段，称之为“窗口”；同时，在“窗口”的寻找阶段，使用进程处理技术，将每一次寻找“窗口”的过程设为子进程，当窗口的测试时间超过设置好的时间阈值，称其为测试响应时间过长，中断此“窗口”进程，寻找下一“窗口”，从而最终得到能将测试时间控制在时间阈值以内的最佳“窗口”；
步骤6：利用步骤5获得的最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别。
实施例2
一种自适应电力负荷识别方法，如实施例1所述，所不同的是，步骤1中缺失值填充方法的具体实现方式为：
步骤1.1：对于含有缺失值的样本，首先计算该样本与数据集中其他样本的距离，使用欧氏距离方法进行计算；
步骤1.2：选择与该样本距离最近的K个样本数据，假设这K个样本的已知数值为y1,y2,...,yk；
步骤1.3：对于该缺失值，采用这K个已知数值的加权平均值来进行估计，具体地，估计值为：
其中，是样本的权重，可以根据距离远近进行赋值，距离越近的样本权重越大；为缺失值的估计值，即通过KNN算法填补后的值；mi为已知数据样本的第个特征值；为KNN算法中选择的最近邻样本的个数。
步骤1.1中欧氏距离的计算方法为：
其中，x和y是两个n维向量，x1,x2,,xn和y1,y2,,yn分别表示它们的各个维度的取值。
实施例3
一种自适应电力负荷识别方法，如实施例2所述，所不同的是，步骤3中，最小开机时间：是设备打开后需要持续一段时间,才能被视为打开的最短时间。例如，如果最小开机时间设置为30秒，并且设备仅打开20秒，则不会被视为打开；
最小关机时间：是设备关闭后需要运行一段时间，才能被视为关闭的最短时间。例如，如果最小关机时间设置为10秒，并且设备仅关闭5秒，则不会视为关闭；
开启功率阈值：是设备需要运行到一定功率水平才能被视为已打开；这通常是一个阈值功率值，高于设备处于待机模式或关闭时的功耗。例如，如果开启功率阈值设置为10瓦，而设备仅消耗5瓦，则不会被视为打开。
对步骤1预处理后的数据进行数据清洗提取负荷激活，具体实现过程如下：
步骤3.1：将输入数据中每个时间点的功率与开启功率阈值进行比较，得到when_on数组，数组中的元素为True表示该时间点上电器开启，为False表示该时间点上电器关闭；
步骤3.2：建立与输入数据大小相同的全0状态矩阵state，用于记录每个时间点上电器是否开启，初始值全部设为0；
步骤3.3：根据when_on数组中元素的变化，找到电器开启和关闭的事件的时间点，并分别保存在switch_on_events和switch_off_events两个数组中；
步骤3.4：如果switch_on_events或switch_off_events为空，则返回空列表和全0状态矩阵state；
步骤3.5：为了确保电器开启和关闭事件相互对应，需要进行对齐操作；如果开启事件先于关闭事件，则说明电器一开始就是开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除开启事件数组的第一个元素；如果关闭事件先于开启事件，则说明电器在最后一个关闭事件之后一直处于开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除关闭事件数组的最后一个元素；
步骤3.6：如果需要将电器关闭的时间段平滑掉，那么就需要计算出开启事件和关闭事件之间的时间差，并将时间差小于最小关机时间的事件过滤掉，过滤后，需要对switch_on_events和switch_off_events进行相应的更新；
步骤3.7：遍历switch_on_events和switch_off_events数组，对于每一组事件，计算出其持续时间，如果持续时间小于最小开机时间，则忽略该事件，否则将其保存到activations列表中，并将状态矩阵state中相应时间段的值全部设为1；
步骤3.8：最终输出activations列表和状态矩阵state，其中activations列表中的每个元素都是一个pd.Series对象，代表电器的一次开启事件。
本发明中，数据清洗提取负荷激活：如果此刻该电器的运行功率大于0，并且小于最小开机时间，则忽略此时刻的功率波动，默认值为0；例如，洗衣机可能会在衣服浸泡时进行短暂断电；其次，如果该电器的运行功率大于0，但其不为0的时间小于最小关机时间，则这段时间内的任何激活将被忽略，默认电器功率值为0；将关闭周期低于最小关机时间且开启功率阈值以下的功耗忽略为0。
实施例4
一种自适应电力负荷识别方法，如实施例3所述，所不同的是，步骤4中电力负荷识别模型的训练，具体实现过程为：
将步骤3清洗后的负荷激活数据按照4：1的比例划分为训练集和测试集，训练集用于电力负荷识别模型的训练，测试集用于验证训练完成的模型，数据集在输入之前进行归一化操作，即将数据映射为0至1之间的小数，然后输入到长短期记忆人工神经网络(LSTM)对电力负荷识别模型进行训练，其中，如图3所示，长短期记忆人工神经网络(LSTM)包括1个一维卷基层、一个最大池化层、两个双向的LSTM层和两个全连接层，通过双曲正切激活函数tanh和线性激活函数linear将整合到样本空间的功率数据的分布式特征输出，得到分解后的功率序列；
采用Adam优化器进行训练，其中采用均方误差MSE(Mean Square Error)作为损失函数，它是预测值与目标值之间差值平方和的均值，其计算公式为：
公式(3)中，n表示样本个数，f(xi)和yi分别表示第i个样本的真实值和预测值；
长短期记忆人工神经网络中，一维卷积层的输入维度为99*1矩阵，卷积核个数为16，卷积核大小为4，卷积的步长为1；第一个双向的LSTM层定义了128个LSTM单元，第二个双向的LSTM层定义了256个LSTM单元，其后的全连接层分别定义了128个和1个神经元，并分别使用双曲正切激活函数tanh和线性激活函数linear作为激活函数。
长短期记忆人工神经网络核心思想是通过控制信息的“输入门”、“输出门”和“遗忘门”来实现长期依赖关系的建立和记忆；双向的LSTM层中的每个神经元都包括一个状态向量和三个门，它们的计算公式如下：
I(t)＝sigmoid(Wi·[h(t-1),xt]+bi) (4)
F(t)＝sigmoid(Wf·[h(t-1),xt]+bf) (5)
O(t)＝sigmoid(Wo·[h(t-1),xt]+bo) (6)
G(t)＝tanh(Wg·[h(t-1),xt]+bg) (7)
C(t)＝F(t)·C(t-1)+I(t)·G(t) (8)
Ht＝Ot·tanh(Ct) (9)
其中，I(t)、F(t)和O(t)分别表示输入门、遗忘门和输出门的输出值，G(t)表示当前时刻的记忆细胞的值，C(t)表示当前时刻的记忆细胞状态，Ht表示当前时刻的输出值；Wi、Wf、Wo和Wg分别表示输入门、遗忘门、输出门和记忆细胞的权重矩阵，bi、bf、bo和bg分别表示输入门、遗忘门、输出门和记忆细胞的偏置向量，h(t-1)表示前一时刻的隐状态，xt表示输入序列中的第t个元素，tanh是双曲正切函数，sigmoid是S型函数。
实施例5
一种自适应电力负荷识别方法，如实施例4所述，所不同的是，步骤5中自适应滑动窗口技术和进程处理技术，具体实现过程如下：
步骤5.1：为了更好地提高识别率，寻找最佳滑动窗口，故根据数据质量和实际情况设置检测“窗口”阈值即“窗口”的初始化值，例如，初始阈值可以设置为2000；设μ为窗口每次滑动的步长，则后续“窗口”的大小为/>
n表示当前所寻找的次数；
“窗口”子进程T为子进程tn的集合，n0为寻找“窗口”的总次数，N为总体样本数量，其中，n0的计算方式为：
步骤5.2：在寻找窗口值过程中，若输入数据达到一定量，程序会由于数据过多而超时，而在寻找的过程中“窗口”值是不断增加的，后续的数据量会更大，就不需要进行判断；但程序超时也可能由于其他原因，故设OT1为寻找阶段的相邻跳出阈值；当出现超时且超时位置附近的OT次检测均出现超时现象，则判断数据量过大直接跳出寻找程序，窗口寻找过程如图4所示；
公式(12)为窗口寻找进程，公式(13)为最佳窗口判断公式，其中，W为最终得到的最佳窗口；为每个子进程中执行的条件，如果不满足其中的某一个条件，将跳出子进程；/>为子进程tn中第n次寻找的均方误差，/>为每个进程的时间，t为每个进程的时间阈值，将寻找的时间控制在时间阈值t内，本实施例中，时间阈值t设置为1s；
步骤5.3：使用“窗口”的初始化值寻找到规定时间范围内均方误差最小且窗口最小的“窗口”值后，确定该窗口大小为对于本电器数据的最佳测试窗口。
实施例6
一种自适应电力负荷识别方法，如实施例5所述，所不同的是，步骤6中实时推理程序和分解识别方法，具体实现过程如下：
实时推理程序：即根据步骤5.3得到的最佳测试窗口从数据库中以窗口滑动的方式提取数据，之后通过load_model()函数加载先前训练完成的电力负荷识别模型，通过load_model.predict()方法接收提取到的数据并推理输出；
分解识别：即使用步骤5.3得到的最佳测试窗口提取到总的用电功率数据，输入到实时推理程序中，推理生成单个电器的对应时刻功率数据。
实施例7
一种自适应电力负荷识别设置，部署python、tensorflow等运行环境软件到Nvidia Xavier Nx边缘设备中，并将电力负荷识别模型和实时推理程序移植到边缘设备中，形成自适应电力负荷识别设备，如图2所示，用于对实时电力数据进行识别并将识别结果实时展示。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种自适应电力负荷识别方法，其特征在于，包括如下步骤：
步骤1：数据预处理：将实际采集的电力负荷数据中的问题数据删除，并对删除的数据位置使用缺失值填充方法进行填充；
步骤2：根据获取的电力负荷数据，计算最小开机时间、最小关机时间、开启功率阈值；
步骤3：将步骤2中获得的3个参数加入到模型训练过程中，对步骤1预处理后的数据进行清洗处理，提取到有效的负荷激活数据；
步骤4：电力负荷识别模型训练：基于有效的负荷激活数据，利用长短期记忆人工神经网络对电力负荷识别模型进行训练；
步骤5：电力负荷模型测试：将测试集按照一定的比例进行分割，一部分数据采用自适应滑动窗口技术针对电器得到特征序列段的最小片段，称之为“窗口”；同时，在“窗口”的寻找阶段，使用进程处理技术，将每一次寻找“窗口”的过程设为子进程，当窗口的测试时间超过设置好的时间阈值，称其为测试响应时间过长，中断此“窗口”进程，寻找下一“窗口”，从而最终得到能将测试时间控制在时间阈值以内的最佳“窗口”；
步骤6：利用步骤5获得的最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别；
步骤3中，最小开机时间：是设备打开后需要持续一段时间,才能被视为打开的最短时间；
最小关机时间：是设备关闭后需要运行一段时间，才能被视为关闭的最短时间；
开启功率阈值：是设备需要运行到一定功率水平才能被视为已打开；
对步骤1预处理后的数据进行数据清洗提取负荷激活，具体实现过程如下：
步骤3.1：将输入数据中每个时间点的功率与开启功率阈值进行比较，得到when_on数组，数组中的元素为True表示该时间点上电器开启，即功率超过开启功率阈值，数组中的元素为False表示该时间点上电器关闭，即功率低于开启功率阈值；
步骤3.2：建立与输入数据大小相同的全0状态矩阵state，用于记录每个时间点上电器是否开启，初始值全部设为0；
步骤3.3：根据when_on数组中元素的变化，找到电器开启和关闭的事件的时间点，并分别保存在switch_on_events和switch_off_events两个数组中；
步骤3.4：如果switch_on_events或switch_off_events为空，则返回空列表和全0状态矩阵state；
步骤3.5：为了确保电器开启和关闭事件相互对应，需要进行对齐操作；如果开启事件先于关闭事件，则说明电器一开始就是开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除开启事件数组的第一个元素；如果关闭事件先于开启事件，则说明电器在最后一个关闭事件之后一直处于开启状态，此时需要将状态矩阵state中相应时间段的值全部设为1，并删除关闭事件数组的最后一个元素；
步骤3.6：如果需要将电器关闭的时间段平滑掉，那么就需要计算出开启事件和关闭事件之间的时间差，并将时间差小于最小关机时间的事件过滤掉，过滤后，需要对switch_on_events和switch_off_events进行相应的更新；
步骤3.7：遍历switch_on_events和switch_off_events数组，对于每一组事件，计算出其持续时间，如果持续时间小于最小开机时间，则忽略该事件，否则将其保存到activations列表中，并将状态矩阵state中相应时间段的值全部设为1；
步骤3.8：最终输出activations列表和状态矩阵state，其中activations列表中的每个元素都是一个pd.Series对象，代表电器的一次开启事件；
步骤5中自适应滑动窗口技术和进程处理技术，具体实现过程如下：
步骤5.1：设置检测“窗口”阈值即“窗口”的初始化值；设μ为窗口每次滑动的步长，则后续“窗口”的大小为/>
n表示当前所寻找的次数；
“窗口”子进程T为子进程tn的集合，n0为寻找“窗口”的总次数，N为总体样本数量，其中，n0的计算方式为：
步骤5.2：在寻找窗口值过程中，若输入数据达到一定量，程序会由于数据过多而超时，而在寻找的过程中“窗口”值是不断增加的，后续的数据量会更大，就不需要进行判断；但程序超时也可能由于其他原因，故设OT1为寻找阶段的相邻跳出阈值；当出现超时且超时位置附近的OT次检测均出现超时现象，则判断数据量过大直接跳出寻找程序；
公式(12)为窗口寻找进程，公式(13)为最佳窗口判断公式，其中，W为最终得到的最佳窗口；为每个子进程中执行的条件，如果不满足其中的某一个条件，将跳出子进程；/>为子进程tn中第n次寻找的均方误差，/>为每个进程的时间，t为每个进程的时间阈值，将寻找的时间控制在时间阈值t内；
步骤5.3：使用“窗口”的初始化值寻找到规定时间范围内均方误差最小且窗口最小的“窗口”值后，确定该窗口大小为对于本电器数据的最佳测试窗口。
2.根据权利要求1所述的自适应电力负荷识别方法，其特征在于，步骤1中缺失值填充方法的具体实现方式为：
步骤1.1：对于含有缺失值的样本，首先计算该样本与数据集中其他样本的距离，使用欧氏距离方法进行计算；
步骤1.2：选择与该样本距离最近的K个样本数据，假设这K个样本的已知数值为y1,y2,...,yk；
步骤1.3：对于该缺失值，采用这K个已知数值的加权平均值来进行估计，具体地，估计值为：
其中，wi是样本i的权重；为缺失值的估计值，即通过KNN算法填补后的值；mi为已知数据样本的第i个特征值；K为KNN算法中选择的最近邻样本的个数。
3.根据权利要求2所述的自适应电力负荷识别方法，其特征在于，步骤1.1中欧氏距离的计算方法为：
其中，x和y是两个n维向量，x1,x2,...,xn和y1,y2,...,yn分别表示它们的各个维度的取值。
4.根据权利要求1所述的自适应电力负荷识别方法，其特征在于，步骤4中电力负荷识别模型的训练，具体实现过程为：
将步骤3清洗后的负荷激活数据按照4：1的比例划分为训练集和测试集，训练集用于电力负荷识别模型的训练，测试集用于验证训练完成的模型，数据集在输入之前进行归一化操作，即将数据映射为0至1之间的小数，然后输入到长短期记忆人工神经网络对电力负荷识别模型进行训练，其中，长短期记忆人工神经网络包括1个一维卷基层、一个最大池化层、两个双向的LSTM层和两个全连接层，通过双曲正切激活函数tanh和线性激活函数linear将整合到样本空间的功率数据的分布式特征输出，得到分解后的功率序列；
采用Adam优化器进行训练，其中采用均方误差MSE作为损失函数，它是预测值与目标值之间差值平方和的均值，其计算公式为：
公式(3)中，n表示样本个数，f(xi)和yi分别表示第i个样本的真实值和预测值。
5.根据权利要求4所述的自适应电力负荷识别方法，其特征在于，长短期记忆人工神经网络中，一维卷积层的输入维度为99*1矩阵，卷积核个数为16，卷积核大小为4，卷积的步长为1；第一个双向的LSTM层定义了128个LSTM单元，第二个双向的LSTM层定义了256个LSTM单元，其后的全连接层分别定义了128个和1个神经元，并分别使用双曲正切激活函数tanh和线性激活函数linear作为激活函数。
6.根据权利要求5所述的自适应电力负荷识别方法，其特征在于，长短期记忆人工神经网络核心思想是通过控制信息的“输入门”、“输出门”和“遗忘门”来实现长期依赖关系的建立和记忆；双向的LSTM层中的每个神经元都包括一个状态向量和三个门，它们的计算公式如下：
I(t)＝sigmoid(Wi·[h(t-1),xt]+bi) (4)
F(t)＝sigmoid(Wf·[h(t-1),xt]+bf) (5)
O(t)＝sigmoid(Wo·[h(t-1),xt]+bo) (6)
G(t)＝tanh(Wg·[h(t-1),xt]+bg) (7)
C(t)＝F(t)·C(t-1)+I(t)·G(t) (8)
Ht＝Ot·tanh(Ct) (9)
其中，I(t)、F(t)和O(t)分别表示输入门、遗忘门和输出门的输出值，G(t)表示当前时刻的记忆细胞的值，C(t)表示当前时刻的记忆细胞状态，Ht表示当前时刻的输出值；Wi、Wf、Wo和Wg分别表示输入门、遗忘门、输出门和记忆细胞的权重矩阵，bi、bf、bo和bg分别表示输入门、遗忘门、输出门和记忆细胞的偏置向量，h(t-1)表示前一时刻的隐状态，xt表示输入序列中的第t个元素，tanh是双曲正切函数，sigmoid是S型函数。
7.根据权利要求1所述的自适应电力负荷识别方法，其特征在于，步骤6中实时推理程序和分解识别方法，具体实现过程如下：
实时推理程序：即根据步骤5.3得到的最佳测试窗口从数据库中以窗口滑动的方式提取数据，之后通过load_model()函数加载先前训练完成的电力负荷识别模型，通过load_model.predict()方法接收提取到的数据并推理输出；
分解识别：即使用步骤5.3得到的最佳测试窗口提取到总的用电功率数据，输入到实时推理程序中，推理生成单个电器的对应时刻功率数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331766.7A CN116361709B (zh) | 2023-03-31 | 2023-03-31 | 一种自适应电力负荷识别方法与设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331766.7A CN116361709B (zh) | 2023-03-31 | 2023-03-31 | 一种自适应电力负荷识别方法与设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116361709A CN116361709A (zh) | 2023-06-30 |
| CN116361709B true CN116361709B (zh) | 2023-10-31 |
Family
ID=86914787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310331766.7A Active CN116361709B (zh) | 2023-03-31 | 2023-03-31 | 一种自适应电力负荷识别方法与设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361709B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559575B (zh) * | 2023-07-07 | 2023-11-24 | 国网江苏省电力有限公司常州供电分公司 | 负荷事件检测方法和装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
| CN109034500A (zh) * | 2018-09-04 | 2018-12-18 | 湘潭大学 | 一种多时序协同的中期电力负荷预测方法 |
| CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
| CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
| CN110852655A (zh) * | 2019-11-29 | 2020-02-28 | 湖南科技大学 | 带有太阳能供电系统的家庭用电负荷分解系统与分解方法 |
| CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
| CN112508286A (zh) * | 2020-12-11 | 2021-03-16 | 上海电力大学 | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 |
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113344279A (zh) * | 2021-06-21 | 2021-09-03 | 河海大学 | 基于lstm-sam模型和池化的居民负荷预测方法 |
| CN113970667A (zh) * | 2021-10-10 | 2022-01-25 | 上海梦象智能科技有限公司 | 一种基于预测窗口中点值的非侵入式负荷监测方法 |
| CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
| CN114707698A (zh) * | 2022-03-03 | 2022-07-05 | 深圳智芯微电子科技有限公司 | 基于综合形状误差和时间误差的长期电力负荷预测方法 |
| CN114723040A (zh) * | 2022-03-10 | 2022-07-08 | 南京工程学院 | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 |
| CN114970711A (zh) * | 2022-05-24 | 2022-08-30 | 华中科技大学 | 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用 |
| CN115049113A (zh) * | 2022-05-30 | 2022-09-13 | 三峡大学 | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 |
| CN115759371A (zh) * | 2022-11-08 | 2023-03-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于gcn-lstm的电力系统短期负荷预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| US11036250B2 (en) * | 2019-07-02 | 2021-06-15 | Microsoft Technology Licensing, Llc | Datacenter stabilization of regional power grids |
| CN115699050A (zh) * | 2019-11-05 | 2023-02-03 | 强力价值链网络投资组合2019有限公司 | 价值链网络控制塔和企业管理平台 |
| EP3993212A1 (en) * | 2020-10-30 | 2022-05-04 | ABB Schweiz AG | Machine learning -based method for increasing lifetime of a battery energy storage system |
-
2023
- 2023-03-31 CN CN202310331766.7A patent/CN116361709B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN109034500A (zh) * | 2018-09-04 | 2018-12-18 | 湘潭大学 | 一种多时序协同的中期电力负荷预测方法 |
| CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
| CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
| CN110852655A (zh) * | 2019-11-29 | 2020-02-28 | 湖南科技大学 | 带有太阳能供电系统的家庭用电负荷分解系统与分解方法 |
| CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
| CN112508286A (zh) * | 2020-12-11 | 2021-03-16 | 上海电力大学 | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 |
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113344279A (zh) * | 2021-06-21 | 2021-09-03 | 河海大学 | 基于lstm-sam模型和池化的居民负荷预测方法 |
| CN113970667A (zh) * | 2021-10-10 | 2022-01-25 | 上海梦象智能科技有限公司 | 一种基于预测窗口中点值的非侵入式负荷监测方法 |
| CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
| CN114707698A (zh) * | 2022-03-03 | 2022-07-05 | 深圳智芯微电子科技有限公司 | 基于综合形状误差和时间误差的长期电力负荷预测方法 |
| CN114723040A (zh) * | 2022-03-10 | 2022-07-08 | 南京工程学院 | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 |
| CN114970711A (zh) * | 2022-05-24 | 2022-08-30 | 华中科技大学 | 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用 |
| CN115049113A (zh) * | 2022-05-30 | 2022-09-13 | 三峡大学 | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 |
| CN115759371A (zh) * | 2022-11-08 | 2023-03-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于gcn-lstm的电力系统短期负荷预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Short-term power generation load forecasting based on LSTM neural network;Bicheng Huang 等;《2022 International Conference on Green Energy and Power》;1-8 * |
| 区域综合能源系统协调规划及优化运行方法研究;董晓峰;《中国博士论文全文数据库 工程科技II辑》;C039-15 * |
| 图深度学习技术在电力系统分析与决策领域的应用与展望;管霖 等;《高电压技术》;3405-3422 * |
| 基于模态分解及注意力机制长短时间网络的短期负荷预测;乔石 等;《电网技术》;3940-3951 * |
| 基于空调负荷建模的源-荷协同备用优化配置研究;程定一;《中国博士论文全文数据库 工程科技II辑》;C042-28 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116361709A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kaselimi et al. | Context aware energy disaggregation using adaptive bidirectional LSTM models | |
| Van Amersfoort et al. | Uncertainty estimation using a single deep deterministic neural network | |
| Pratama et al. | Evolving ensemble fuzzy classifier | |
| CN116361709B (zh) | 一种自适应电力负荷识别方法与设备 | |
| Stephenson et al. | Bayesian inference for extremes: accounting for the three extremal types | |
| US10962663B2 (en) | Method, apparatus and system of detecting foreign objects in laundry machine | |
| Li et al. | A spatial-temporal imputation technique for classification with missing data in a wireless sensor network | |
| KR20190109340A (ko) | 작동 상태 분석 가능한 식기세척기 및 식기세척기의 작동 상태 분석 방법 | |
| Lee et al. | Studies on the GAN-based anomaly detection methods for the time series data | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| Bonfigli et al. | Machine learning approaches to non-intrusive load monitoring | |
| CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
| Perner | Decision tree induction methods and their application to big data | |
| CN112787736B (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
| CN114723040A (zh) | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 | |
| CN113486569B (zh) | 一种离心泵剩余寿命预测方法 | |
| Liang et al. | Deep neural network in sequence to short sequence form for non-intrusive load monitoring | |
| US11261554B2 (en) | Washing apparatus and control method thereof | |
| Moshtaghi et al. | Exponentially weighted ellipsoidal model for anomaly detection | |
| Khan et al. | Human activity prediction-aware sensor cycling in smart home networks | |
| CN113901726A (zh) | 基于seq2point模型的非侵入式负荷分解方法 | |
| Bouchachia | Incremental induction of fuzzy classification rules | |
| Pau et al. | Electric current classification with tiny machine learning for home appliances | |
| Wali et al. | An End-to-End Machine Learning based Unified Architecture for Non-Intrusive Load Monitoring | |
| Stenudd | A model for using machine learning in smart environments |
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 |