CN116756575B - 基于bgain-dd网络的非侵入式负荷分解方法 - Google Patents
基于bgain-dd网络的非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN116756575B CN116756575B CN202311033830.XA CN202311033830A CN116756575B CN 116756575 B CN116756575 B CN 116756575B CN 202311033830 A CN202311033830 A CN 202311033830A CN 116756575 B CN116756575 B CN 116756575B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- bgain
- discriminator
- training
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 210000001787 dendrite Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明属于非侵入式负荷分解技术领域，具体公开了一种基于BGAIN‑DD网络的非侵入式负荷分解方法。本发明在生成对抗插补网络WSGAIN‑GP的基础上，增加一个判别器，从而构建具有双向判别功能的生成对抗填补模型即BGAIN模型，实现从前向和后向两个方向对中间时刻总功率填补数据进行真假判别，提高了总功率数据填补的精度。此外，本发明还引入了引入树突网络进行负荷分解，充分利用树突结构的逻辑运算能力，相较于传统的胞体网络，提高了分解精度，减少了训练时间，降低了计算复杂度。本发明通过BGAIN‑DD组合模型，确保了非侵入式负荷监测装置在总功率数据缺失较大时仍然有较高的负荷分解精度。
Description
技术领域
本发明属于非侵入式负荷分解技术领域，尤其涉及一种基于BGAIN-DD网络的非侵入式负荷分解方法。
背景技术
非侵入式负荷分解(Non-intrusive load decomposition,NILD)是一种监测能耗状态的有效手段，只需在家庭用户电力入口处安装信息采集传感器，并将采集到的总负荷信息运用相关分解算法得到各电气设备详细的用电信息。NILD有助于用户改善用电习惯，实现节能减耗，减少电费支出。与传统的侵入式负荷分解(Intrusive loaddecomposition,ILD)相比，非侵入式负荷分解技术有成本低廉、适用性强等优点,已逐步成为当前研究的热点和方向。
专利文献1公开了一种公开的基于Transformer网络的非侵入式负荷分解方法，通过自适应高斯滤波对原始功率数据进行去噪处理，然后将划分好的数据输入到构建的Transformer模型中，通过长距离依赖将不同时刻的功率特征进行拼接，增强了特征提取能力以及负荷分解精度。然而该文献存在网络参数多、计算复杂度高、训练耗时的问题，并且对计算资源有一定要求，难以与非侵入式负荷监测装置配合使用，给用户实时监测能耗状态带来困难。
专利文献2公开了一种基于特征增强的非侵入式负荷分解方法，将某时刻的功率缺失值使用前一时刻的数据填充，并对预处理后的总功率序列进行特征增强，随后送入CNN-LSTM网络进行负荷分解，通过增强总功率序列的时序特征，使得负荷分解精度有一定提升。该文献尽管对总负荷有功功率序列构造增强特征，但是其采用传统的缺失值填充，没有考虑负荷数据的时序性，填补精度不高。当数据缺失较大时，会造成较大的非侵入式负荷分解误差。
参考文献
专利文献1 中国发明专利申请，公开号：CN 113434493A，公开日：2021.09.24；
专利文献2 中国发明专利申请，公开号：CN 114971197A，公开日：2022.08.30。
发明内容
本发明的目的在于提出一种基于BGAIN-DD网络的非侵入式负荷分解方法，其采用具有较高数据填补精度的BGAIN网络以及轻量化的负荷分解模型DD，以适应电器种类繁多、电表数据缺失的居民用户进行实时电器状态检测，确保总功率数据缺失较大时的负荷分解精度。
本发明为了实现上述目的，采用如下技术方案：
基于BGAIN-DD网络的非侵入式负荷分解方法，包括如下步骤：
步骤1. 获取UK-Dale数据集中的低频功率数据进行预处理，并将预处理后的数据集划分为训练集、测试集；其中训练集以及测试集中的数据均是完整数据；
步骤2. 搭建包括输入层、生成器、双向判别器以及输出层在内的BGAIN网络，并使用完整的训练集数据对BGAIN网络进行模型训练；
步骤3. 搭建包括输入层、特征提取层、逻辑提取层以及输出层在内的DD网络，并使用完整的训练集数据对DD网络进行模型训练；
步骤4. 构建一个与功率数据维度大小一致的掩码矩阵M，并在 M上随机取W个值设0，以表示缺失数据，其余值设为1，以表示完整数据；
将掩码矩阵M与测试集数据进行哈达姆积运算得到随机缺失数据集；
将随机缺失数据集送入训练好的BGAIN网络进行数据填补，并将填补后的数据送入训练好的DD网络进行负荷分解，实现对BGAIN网络和DD网络测试；
步骤5. 将待分解的低频功率数据进行预处理，并将预处理后的数据输入到训练并测试好的BGAIN网络和DD网络中进行数据填补以及负荷分解，得到最终的电器功耗数据。
本发明具有如下优点：
如上所述，本发明针对目前居民用户智能电表的数据缺失填补方法较少考虑负荷数据的时序性特性而引起填补质量差，进而导致非侵入式负荷分解精度低的技术问题，充分考虑量测数据间的时序特性、相关性及负荷变化规律，提出一种基于BGAIN-DD网络的非侵入式负荷分解方法。本发明在生成对抗插补网络WSGAIN-GP的基础上，增加一个判别器，从而构建具有双向判别功能的生成对抗填补模型即BGAIN网络，实现从前向和后向两个方向对中间时刻总功率填补数据进行真假判别，提高了总功率数据填补的精度。此外，本发明还引入了引入树突网络DD进行负荷分解，充分利用树突结构的逻辑运算能力，相较于传统的胞体网络，提高了分解精度，减少了训练时间，降低了计算复杂度。本发明通过构建的BGAIN-DD网络，确保了非侵入式负荷监测装置在总功率数据缺失较大时有较高的负荷分解精度。
附图说明
图1为本发明实施例中基于BGAIN-DD网络的非侵入式负荷分解方法的模型架构图。
图2为本发明实施例中改进的生成对抗网络BGAIN的结构示意图。
图3为本发明实施例中BGAIN网络在10%缺失率下的总功率填补示意图。
图4为本发明实施例中BGAIN网络在20%缺失率下的总功率填补示意图。
图5为本发明实施例中BGAIN网络在30%缺失率下的总功率填补示意图。
图6为本发明实施例中树突网络DD的结构示意图。
图7为本发明实施例中树突网络DD针对冰箱的局部分解图。
图8为本发明实施例中树突网络DD针对水壶的局部分解图。
图9为本发明实施例中树突网络DD针对洗碗机的局部分解图。
图10为本发明实施例中BGAIN-DD网络与其他模型的F1分数的对比示意图。
图11为本发明实施例中BGAIN-DD网络与其他模型的Recall的对比示意图。
图12为本发明实施例中BGAIN-DD网络与其他模型的Precision的对比示意图。
图13为本发明实施例中BGAIN-DD网络与其他模型的MAE的对比示意图。
具体实施方式
名词解释：
BGAIN-DD网络，即由BGAIN网络以及DD网络组成的网络。
由于家庭用户智能电表在采集电量数据的过程中可能会遇到通信线路不可靠、采集装置故障、外界电磁信号干扰等诸多原因，导致采集数据出现缺失。
而以往的非侵入式负荷分解，居民用户智能电表的数据缺失填补方法较少考虑负荷数据的时序性特性而引起填补质量差，进而导致了非侵入式负荷分解精度低。
为了在电表数据缺失较大的情况下，依然保持较高的非侵入式负荷分解精度，且易于嵌入非侵入式负荷装置，本发明提出一种基于BGAIN-DD网络的非侵入式负荷分解方法。
该负荷分解方法通采用具有较高数据填补精度的BGAIN网络以及轻量化的负荷分解模型即DD网络，以便适应电器种类繁多、电表数据缺失的居民用户进行实时电器状态检测。
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，基于BGAIN-DD网络的非侵入式负荷分解方法，包括如下步骤：
步骤1. 获取UK-Dale数据集中的低频功率数据进行预处理，并将预处理后的数据集划分为训练集、测试集，其中训练集以及测试集均是完整数据。
由于智能电表的采样频率较低，基于电压、谐波信号等高频特征负荷数据不适用于非侵入式负荷分解，故本发明使用英国能源研究中心公开的UK-Dale数据集。
其中，从公开的UK-Dale数据集选取预设时间段内的低频功率数据（例如选取家庭2中2013-5-21-21：00至2013-7-21-21：00共2个月的低频功率数据）。
将原始总用电功率X和k个电器有功功率Y分别进行60s的重采样。为解决输入数据的量纲差异问题，对采样后的数据进行min-max标准化处理。
min-max标准化处理过程如公式（1）所示。
（1）
其中，Xnorm为标准化后的数据；
X为原始数据，Xmax、Xmin分别为原始数据的最大值和最小值。
对标准化后的数据进行数据分割，划分为训练集以及测试集。其中，划分的标准例如为90%为训练集数据，10%为测试集数据。训练集和测试集均使用完整数据。
步骤2. 搭建包括输入层、生成器、双向判别器以及输出层在内的BGAIN网络，并使用完整的训练集对BGAIN网络进行模型训练。
基于双向判别器的生成对抗插补网络BGAIN是一种改进WSGAIN-GP结构，其在传统生成对抗插补网络WSGIAN-GP的基础上，添加一个判别器，从而实现从历史和未来两个时间维度上对数据进行填补，充分挖掘数据中的时序信息，提高了填补的精度。
如图2所示，基于双向判别器的BGAIN网络包括输入层、生成器、双向判别器以及输出层。其中，双向判别器包括前向判别器D1以及后向判别器D2。
其中，生成器生成与真实数据分布规律相似的“假”数据，通过BGAIN网络模型训练，使双向判别器无法判别数据是否来自真实数据。而前向判别器和后向判别器分别从前向和后向两个方向对中间时刻总功率填补数据进行真假判别。
具体结构参数见表1和表2，BGAIN网络的数据处理流程如图2所示。
表1 生成器网络结构
。
表2 判别器网络结构
。
其中，BGAIN网络利用WSGAIN-GP中的Wasserstein距离弥补了以往生成对抗填补网络GAIN中JS散度导致的模式崩溃的缺陷。
同时，Gradient penalty(梯度惩罚)有利于训练梯度更稳定并加快模型收敛速度。
BGAIN网络的训练过程如下：
步骤2.1. 将一维噪声向量z~pg(z)送入生成器G中，生成伪数据，并将划分为前向填补数据、目标填补数据、后向填补数据。
其中，z~pg(z)表示噪声向量z满足联合高斯分布pg(z)，，n表示
数据点个数，Ts为滑动窗口大小，且每次向右滑动1个步长。
步骤2.2. 将真实完整的总功率数据与、送入前向判别器
中，将真实完整的总功率数据与、送入后向判别器中；同时
对进行真假判别，并输出平均真假概率矩阵Preal和Pfake，具体公式为：
。
其中，表示i+Ts个数据点的真实完整的总功率数据。
Preal、均表示对真实数据的判别概率，Pfake、均表示对生成数据的
判别概率；为前向判别器的输出；为后向判别器的输出。
步骤2.3. 根据概率矩阵Preal和Pfake，建立博弈过程的目标函数，目
标函数的计算公式如下：
。
其中，表示总功率数据x服从真实数据分布。
表示判别器判断输入数据为真实数据分布的概率期望；
表示判别器判断输入数据为生成数据分布的概率期望。
并引入Wasserstein距离代替优化 JS 散度对真实数据和生成数据进行距离量度。
Wasserstein距离表示为：
。
其中，sup 表示最小上界，K 为 Lipschitz 常数，表示函数 f 满足 K-
Lipschitz 连续；表示生成器生成的数据，表示生成数据服从生成数据分
布。
步骤2.4. 构建一个batch_size大小的训练数据，然后根据网络训练目标L(G,D)计算判别器的损失值，此时冻结生成器，只训练判别器并使用Adam优化器更新网络参数。
前向判别器D1损失值和后向判别器D2损失值均用下式表示：
。
其中，分别表示前向判别器D1和后向判别器D2。
为判别器DR判断输入数据为真实数据分布的概率期望。
为判别器DR判断输入数据为生成数据分布的概率期望。
表示梯度惩罚项，下标p为p范数。
为真实数据和生成数据间的随机插值。
。
其中，服从的均匀分布，为惩罚项系数，为梯度算子。
使用判别器的总损失值进行网络参数优化，表示为：
。
其中，表示前向判别器D1的损失函数，表示后向判别器D2的损失函数。
步骤2.5. 冻结判别器，训练生成器，并使用Adam优化器更新网络参数。
生成器的损失函数表示为：
；其中，表示生成器的损失函数。
步骤2.6. 双向判别器和生成器交替迭代学习，直到判别器无法判别是否为真实数据，此时生成器的生成数据与真实数据极为相似，达到纳什均衡状态，训练结束。
训练完成后，可以使用BGAIN网络对带有随机缺失的总功率数据进行数据填补。
步骤3. 搭建包括输入层、特征提取层、逻辑提取层以及输出层在内的DD网络，并使用完整的训练集对DD网络进行模型训练。
树突神经网络（Dendrite Net，DD）是Gang Liu于2020年提出的一种新型白盒机器学习算法，类似于支持向量机（SVM）或多层感知器（MLP）。
DD网络充分利用了树突的信息处理能力（与/或/非运算），且由于DD网络只包含哈达玛积和矩阵乘法，使计算复杂度相较传统神经网络低且易于扩展，与其他神经网络可兼容。
但DD网络只进行逻辑运算，忽视特征提取，因此，本发明通过在逻辑提取层前加入一层隐藏层和激活函数，从而构成特征提取层，以弥补DD网络的不足。
改进后的DD网络由输入层、特征提取层、逻辑运算层、输出层构成，DD网络的结构如图6所示，DD网络参数如表3所示。
表3 DD网络参数
。
DD网络进行负荷分解的计算流程步骤如下：
步骤3.1. 构建全1向量L，并将填补后的总功率和向量L送入DD网络的输入层。
步骤3.2. 特征提取层提取输入层特征，并输出特征。
表示如下：；
其中，表示第个神经元的输出，为神经元的个数，；
为第s个输入，S表示输入数据个数，；表示第s个输入数据和
第个神经元之间的连接权重，为ReLU激活函数，为第个神经元偏置参数。
步骤3.3. 将特征送入逻辑提取层进行逻辑运算。
由于数量较多，为方便表示其工作原理，以两输入三层DD模块描述计算过程，
定义三个DD模块分别为第一层DD模块、第二层DD模块以及第三层DD模块。
。
其中，Y为输出值。
为第一层DD模块，为第二层DD模块。
表示特征提取层和第一层DD模块的权重矩阵，表示第一层和第二层DD模
块的权重矩阵，是第二层和第三层DD模块的权重矩阵。
，，。
其中，表示第层和第层权重参数矩阵的第行和第列对应的参数。
经过哈达姆积出现了高次幂，实现了、在多种幂次方下的不同形式的组合，
因此逻辑运算层在不需要非线性激活函数的情况下可以进行非线性映射，实现快速计算。
DD在总功率无缺失下的分解结果如图7至图9所示。图7至图9分别示出了DD模型与广义回归神经网络(GRNN)、降噪自编码器(DAE)、双向长短时记忆网络(BiLSTM)、双向门控循环单元(BiGRU)四种基准模型对冰箱、水壶以及洗碗机三种电器的局部分解图。
由图7至图9能够看出，本发明DD模型的预测结果更接近真实功率曲线，且分解曲线较为光滑。BiGRU分解效果仅次于DD，BiLSTM的分解性能介于BiGRU和DAE之间。而GRNN的分解性能不稳定，特别是洗碗机，产生的分解曲线振荡较大，分解性能不稳定。
通过上述模型对比，证明本发明DD模型在非侵入式负荷分解领域具有一定的优势。
步骤3.4. 基于自动求导机制(反向传播算法)进行训练，最终输出预测值。
步骤4. 构建一个与功率数据维度大小一致的掩码矩阵M，并在 M上随机取W个值设0，表示缺失数据，其余值设为1，表示完整数据。
将掩码矩阵M与测试集数据进行哈达姆积运算得到随机缺失数据集。
将随机缺失数据集送入训练好的BGAIN网络进行数据填补，并将填补后的数据送入训练好的DD网络进行负荷分解，实现对BGAIN网络和DD网络测试。
考虑到居民用户智能电表数据的数量及缺失位置具有较大的随机性，因此针对测
试集数据，构建与一个电表量测数据维度大小一致的掩码矩阵M，并在M上随机取个值设
0，以表示缺失数据，其余值设为1，以表示完整数据。
将掩码矩阵M与测试集数据进行哈达姆积运算得到随机缺失数据集。
具体的，构建掩码向量M，其维度大小与完整的总功率数据X＇一致。在M上随机取
个值设0，表示缺失数据点，其余值设为1，表示完整数据点。
将M和X＇同时输入至生成器，并做哈达姆积，生成随机缺失数据，以确认缺失数
据位置。通过训练好的模型权重，输出最终的经BGAIN填补后的完整数据。
随机缺失数据可表示为：。
其中，表示两个向量之间的哈达姆积。
填补数据可表示为：。
其中，表示生成器生成的填补向量（对缺失部分和缺失部分都进行生成和替
换）。
填补效果如图3至图5所示。其中，图3至图5分别示出了BGAIN与WGAIN-GP、ANN两种基准模型在10%、20%以及30%三种不同缺失率下的总功率填补示意图。
由图3至图5可以看出，本实施例中采用的BGAIN网络填补后的负荷序列曲线与真实值曲线可以较好地拟合，并可较为准确的判断电器开关状态。
对于长时间运行的电器，BGAIN填补效果趋于平稳,并可以较好地捕捉数据的周期性。
WSGAIN-GP和ANN整体填补误差较大，特别是对于长期周期运行电器而言，会产生较大振荡，甚至预测开关状态时出错，对后期负荷分解造成不利影响。
利用BGAIN网络对缺失总功率进行数据填补，并将填补后的总功率数据送入下述步骤3中的DD网络中进行负荷分解，得到各个电器设备的功耗曲线。
步骤5. 将待分解的低频功率数据进行预处理，并将预处理后的数据输入到训练并测试好的BGAIN网络和DD网络中进行数据填补以及负荷分解，得到最终的电器功耗数据。
本发明提出的WSGAN-GP的改进模型即BGAIN，BGAIN具有双向判别器，可以从历史和未来两个时间维度预测总功率缺失数值，提高了数据填补的精度。
此外，本发明还首次引入了树突网络即DD网络进行负荷分解，充分利用了胞体的特征提取和树突的逻辑运算能力，提高了负荷分解的精度。
在此基础上，本发明构建了BGAIN-DD的组合模型，通过BGAIN填补缺失总功率数据，供给DD进行分解，实现了总功率大量缺失下的负荷分解。
在横向比较之后，取填补效果精度最高的BGAIN及负荷分解性能相对较优的DD、BiLSTM、BiGRU分别构成BGAIN-BiLSTM、BGAIN-BiGRU、BGAIN-DD三种组合模型。
在30%缺失率下，进行负荷分解实验。取F1分数、Recall、Precision、MAE为评价指标,对最终的负荷分解结果进行综合分析，评判组合模型在总功率缺失严重情况下的分解误差及电器开关状态判断的准确度，并给出图10至图13所示的四种分解结果。
确定评估指标：选取平均绝对误差MAE来评估本发明中BGAIN-DD的模型性能。其
中，电器开/关状态等价于一个二分类问题，故选取召回率（Recall）、准确率（Precision）、分数作综合评价。评估结果如图10至图13所示。
由图10至图13能够看出，本发明BGAIN-DD网络除水壶的Precision，BGAIN-DD略低于BiLSTM以外，其他指标均优于其他两种基准模型。
通过以上对比，证明本发明所提BGAIN-DD网络在高缺失率下对长时间运行设备、周期性运行设备及大功率运行设备均具有较好的负荷分解能力，证明了本发明方法的有效性。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (8)
1.基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，包括如下步骤：
步骤1.获取UK-Dale数据集中的低频功率数据进行预处理，并将预处理后的数据集划分为训练集、测试集；其中训练集以及测试集中的数据均是完整数据；
步骤2.搭建包括输入层、生成器、双向判别器以及输出层在内的BGAIN网络，并使用完整的训练集数据对BGAIN网络进行模型训练；
双向判别器包括前向判别器以及后向判别器；
其中，生成器用于生成数据，通过BGAIN网络模型训练，使双向判别器无法判别数据是否来自真实数据；
前向判别器和后向判别器则分别从前向和后向两个方向对中间时刻总功率填补数据进行真假判别，进而实现从历史和未来两个时间维度上对数据进行填补；
步骤3.搭建包括输入层、特征提取层、逻辑提取层以及输出层在内的DD网络，并使用完整的训练集数据对DD网络进行模型训练；
所述步骤3具体为：
构建DD网络，在DD网络逻辑提取层前加入一层隐藏层和激活函数构成特征提取层，改进后的DD网络由输入层、特征提取层、逻辑运算层以及输出层构成；
计算流程具体步骤如下：
步骤3.1.构建全1向量L，并将填补后的总功率X”和向量L送入DD网络的输入层；
步骤3.2.特征提取层提取输入层特征，并输出特征Zj；
Zj表示如下：
其中，Zj表示第j个神经元的输出，J为神经元的个数，j＝1,2,3,...,J；
Xs为第s个输入，S表示输入数据个数，s＝1,2,3,...,S；ωsj表示第s个输入数据和第j个神经元之间的连接权重，σ为ReLU激活函数，bj为第j个神经元偏置参数；
步骤3.3.将特征Zj送入逻辑提取层进行逻辑运算；
步骤3.4.基于自动求导机制即反向传播算法进行训练，输出最终预测值；
步骤4.构建一个与功率数据维度大小一致的掩码矩阵M，并在M上随机取W个值设0，以表示缺失数据，其余值设为1，以表示完整数据；
将掩码矩阵M与测试集数据进行哈达姆积运算得到随机缺失数据集；
将随机缺失数据集送入训练好的BGAIN网络进行数据填补，并将填补后的数据送入训练好的DD网络进行负荷分解，实现对BGAIN网络和DD网络测试；
步骤5.将待分解的低频功率数据进行预处理，并将预处理后的数据输入到训练并测试好的BGAIN网络和DD网络中进行数据填补以及负荷分解，得到最终的电器功耗数据。
2.根据权利要求1所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤1中，预处理包括重采样以及归一化处理操作；
使用UK-Dale数据集，选取预设时间段内的低频功率数据，并将原始总用电功率X和k个电器有功功率Y分别进行重采样；
对采样后的数据进行min-max标准化处理，如公式(1)所示；
其中，Xnorm为标准化后的数据；
X为原始数据，Xmax、Xmin分别为原始数据的最大值和最小值；对标准化后的数据进行数据分割划分为训练集、测试集；其中，训练集、测试集数据均是完整数据。
3.根据权利要求1所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤2中，BGAIN网络的训练过程如下：
步骤2.1.将一维噪声向量z～pg(z)送入生成器G中，生成伪数据并将/>划分为前向填补数据/>目标填补数据/>后向填补数据/>
其中，z～pg(z)表示噪声向量z满足联合高斯分布pg(z)，i＝1,2,3,...,n-2TS，n表示数据点个数，Ts为滑动窗口大小，且每次向右滑动1个步长；
步骤2.2.将真实完整的总功率数据与/>送入前向判别器中，将真实完整的总功率数据/>与/>送入后向判别器中；同时对进行真假判别，并输出平均真假概率矩阵Preal和Pfake；
步骤2.3.根据概率矩阵Preal和Pfake，建立博弈过程的目标函数并引入Wasserstein距离代替优化JS散度对真实数据和生成数据进行距离量度；
步骤2.4.构建一个batch_size大小的训练数据，然后根据网络训练目标L(G,D)计算判别器的损失值，此时冻结生成器，只训练双向判别器并使用Adam优化器更新网络参数；
步骤2.5.冻结双向判别器，训练生成器，并使用Adam优化器更新网络参数；
步骤2.6.双向判别器和生成器交替迭代学习，直到双向判别器无法判别是否为真实数据，训练结束。
4.根据权利要求3所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤2.2中，输出平均真假概率矩阵Preal和Pfake的具体公式为：
其中，表示i+Ts个数据点的真实完整的总功率数据；
Preal、D(x)均表示对真实数据的判别概率，Pfake、D(G(z))均表示对生成数据的判别概率；D1(·)为前向判别器的输出；D2(·)为后向判别器的输出。
5.根据权利要求3所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤2.3中，目标函数的计算公式如下：
其中，x～pr(x)表示总功率数据x服从真实数据分布pr(x)；
表示判别器判断输入数据为真实数据分布的概率期望；
表示判别器判断输入数据为生成数据分布的概率期望。
6.根据权利要求3所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤2.3中，Wasserstein距离W(pg(z),pr(x))表示为：
其中，x～pr(x)表示总功率数据x服从真实数据分布pr(x)；
sup表示最小上界，K为Lipschitz常数，||f||L≤K表示函数f满足K-Lipschitz连续；表示生成器的生成数据，/>表示生成数据/>服从生成数据分布/>
表示判别器判断输入数据为真实数据分布的概率期望；
表示判别器判断输入数据为生成数据分布的概率期望。
7.根据权利要求3所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，
所述步骤2.4中，前向判别器D1损失值和后向判别器D2损失值均用下式表示：
其中，R＝1,2分别表示前向判别器D1和后向判别器D2；
为判别器DR判断输入数据为真实数据分布的概率期望；
为判别器DR判断输入数据为生成数据分布的概率期望；表示梯度惩罚项，下标p为p范数；
为真实数据和生成数据间的随机插值；
其中，ζ服从(0,1)的均匀分布，λ为惩罚项系数，为梯度算子；
使用判别器的总损失值LD进行网络参数优化，LD表示为：
其中，表示前向判别器D1的损失函数，/>表示后向判别器D2的损失函数。
8.根据权利要求3所述的基于BGAIN-DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.5中，生成器的损失函数表示为：
LG＝1-D(G(z))；
其中，LG表示生成器的损失函数，D(G(z))均表示对生成数据的判别概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033830.XA CN116756575B (zh) | 2023-08-17 | 2023-08-17 | 基于bgain-dd网络的非侵入式负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033830.XA CN116756575B (zh) | 2023-08-17 | 2023-08-17 | 基于bgain-dd网络的非侵入式负荷分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756575A CN116756575A (zh) | 2023-09-15 |
| CN116756575B true CN116756575B (zh) | 2023-11-03 |
Family
ID=87961229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311033830.XA Active CN116756575B (zh) | 2023-08-17 | 2023-08-17 | 基于bgain-dd网络的非侵入式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756575B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992707B (zh) * | 2024-04-01 | 2024-06-14 | 山东科技大学 | 基于积分方程预测复杂路径中低频电波传播特性的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052763A (zh) * | 2020-08-27 | 2020-12-08 | 西安电子科技大学 | 基于双向回顾生成对抗网络的视频异常事件检测方法 |
| CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 |
| CN112232440A (zh) * | 2020-11-10 | 2021-01-15 | 北京理工大学 | 一种运用特异化神经元团实现脉冲神经网络信息记忆和区分的方法 |
| CN113408602A (zh) * | 2021-06-11 | 2021-09-17 | 中国电子科技集团公司第三十四研究所 | 一种树突神经网络初始化方法 |
| CN115130830A (zh) * | 2022-06-08 | 2022-09-30 | 山东科技大学 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
| CN115392318A (zh) * | 2022-09-01 | 2022-11-25 | 湘潭大学 | 基于并行连接网络的智能楼宇非侵入式负荷分解方法 |
| CN115526265A (zh) * | 2022-10-17 | 2022-12-27 | 东南大学 | 一种基于递进式学习结构的非侵入式负荷分解方法 |
| CN115905857A (zh) * | 2022-10-19 | 2023-04-04 | 华南理工大学 | 基于数学形态学和改进Transformer的非侵入式负荷分解方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2653835B1 (en) * | 2012-03-02 | 2022-09-07 | Tata Consultancy Services Limited | A method and system for optimizing a composite load disaggregation |
| CN110097185B (zh) * | 2019-03-29 | 2021-03-23 | 北京大学 | 一种基于生成对抗网络的优化模型方法及应用 |
| US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
| CN113393025A (zh) * | 2021-06-07 | 2021-09-14 | 浙江大学 | 一种基于Informer模型编码结构的非侵入式负荷分解方法 |
-
2023
- 2023-08-17 CN CN202311033830.XA patent/CN116756575B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052763A (zh) * | 2020-08-27 | 2020-12-08 | 西安电子科技大学 | 基于双向回顾生成对抗网络的视频异常事件检测方法 |
| CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 |
| CN112232440A (zh) * | 2020-11-10 | 2021-01-15 | 北京理工大学 | 一种运用特异化神经元团实现脉冲神经网络信息记忆和区分的方法 |
| CN113408602A (zh) * | 2021-06-11 | 2021-09-17 | 中国电子科技集团公司第三十四研究所 | 一种树突神经网络初始化方法 |
| CN115130830A (zh) * | 2022-06-08 | 2022-09-30 | 山东科技大学 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
| CN115392318A (zh) * | 2022-09-01 | 2022-11-25 | 湘潭大学 | 基于并行连接网络的智能楼宇非侵入式负荷分解方法 |
| CN115526265A (zh) * | 2022-10-17 | 2022-12-27 | 东南大学 | 一种基于递进式学习结构的非侵入式负荷分解方法 |
| CN115905857A (zh) * | 2022-10-19 | 2023-04-04 | 华南理工大学 | 基于数学形态学和改进Transformer的非侵入式负荷分解方法 |
Non-Patent Citations (3)
| Title |
|---|
| Rolling Bearing Fault Diagnosis Based on Time-Frequency Transform-Assisted CNN: A Comparison Study;Baoye Song 等;《2023 IEEE 12th Data Driven Control and Learning Systems Conference (DDCLS)》;全文 * |
| 基于时间序列的居民用户非侵入式负荷分解研究;邓舒迟;韩信锐;曾壮;廖阳春;叶毓廷;;电子设计工程(第19期);全文 * |
| 基于注意力机制与ConvBiLSTM的非侵入式负荷分解;张顺淼;陈铭龙;;福建工程学院学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756575A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An analysis-forecast system for uncertainty modeling of wind speed: A case study of large-scale wind farms | |
| US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
| CN116756575B (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
| CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
| CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| Cortes-Robles et al. | Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources | |
| CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN114722873A (zh) | 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 | |
| CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
| CN112580174A (zh) | 一种基于遗传算法优化神经网络的配电网线损率计算方法 | |
| CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 | |
| Ardeshiri et al. | Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| Liu et al. | Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Kaspour et al. | A federated learning model with short sequence to point mechanism for smart home energy disaggregation | |
| Su et al. | Hybrid GA based online support vector machine model for short-term traffic flow forecasting | |
| CN116383630A (zh) | 基于改进灰狼算法的概率神经网络电弧故障检测方法 | |
| CN113158446B (zh) | 非侵入式电力负载识别方法 | |
| Liu et al. | Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach |
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 |