CN117932381A - 一种非侵入式需求侧资源软量测生成方法及装置 - Google Patents

Abstract

本发明涉及一种非侵入式需求侧资源软量测生成方法及装置，包括如下步骤：云计算中心接收传感器采集的需求侧的用电数据，将所述用电数据进行标注，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态；所述云计算中心获得用电设备型号，选择与该用户家庭相匹配的用电设备状态序列，然后利用隐马尔可夫模型生成训练数据集；所述云计算中心利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；将训练完成后的负荷分解模型发送至边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。本发明优点：智能、高效管理需求侧资源，保护需求侧隐私，提高数据准确性和可操作性。

Description

一种非侵入式需求侧资源软量测生成方法及装置

技术领域

本发明涉及电力通信技术领域，尤其涉及一种基于云端协同技术的非侵入式需求侧资源软量测生成方法及装置。

背景技术

传统的电力系统管理主要集中在供给侧，即发电厂和输电网络。然而，而随着现代电力系统变得越来越复杂，包括分布式能源资源、电动车充电基础设施、可再生能源集成等，需求侧管理变得越来越重要，这些新的元素引入了多样性和动态性，需要更灵活的资源分配和监测。软量测技术和智能通信在这个过程中起到关键作用，使电力系统更具适应性和可持续性。

"软量测"指的是使用软件和计算技术来进行测量和评估的过程。它包括了使用计算机程序和算法来获取、分析和报告关于各种事物和现象的信息。软量测的优点包括了快速性、灵活性、可扩展性和精确性。因此，软量测是现代科学和工程中的一个关键技术，利用计算机和软件来进行各种测量和分析任务，以获得有关事物和现象的深刻洞察。

在传统监测方式，需要为用户的每个用电设备安装智能测量装置以便能获得各个用电设备的运行情况，而智能测量装置的费用和维护成本都很高，因此，一方面增加了设备的购置费用，另一方面造成了对现有用电设备线路逐一改造及维护的麻烦。因此，使用非入侵负荷式负荷检测相当有必要。

非入侵负荷式负荷检测，是通过对某一特定区域的总电表数据进行分析，获取该范围内各用电负荷的相关信息，如负荷的数量、各负荷的类别、所处工作状态以及对应的能耗使用情况等，是一种便捷、成本低、通用性强的监测方式。同时，它在一定程度上也实现了对用户隐私的保护。

发明内容

为了解决上述问题，为进一步辨识、收集并有效管理分散的需求侧主体数据，同时做到不侵犯用户的隐私数据，本发明基于云端协同技术，提出了一种非侵入式需求侧资源软量测生成方法。

为实现上述目的，本发明采用以下技术方案：

一种非侵入式需求侧资源软量测生成方法，包括如下步骤：云计算中心接收传感器采集的需求侧的用电数据，将所述用电数据进行标注，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态；所述云计算中心获得用电设备型号，选择与该用户家庭相匹配的用电设备状态序列，然后利用隐马尔可夫模型生成训练数据集；所述云计算中心利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；将训练完成后的负荷分解模型发送至边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。

更优地，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态包括以下步骤：从所述数据库中选择初始的k个样本作为初始的簇中心点，将数据库中其余样本分配到距离其本身最近的中心点所对应的簇中，每个中心点代表不同的设备状态，k表示设备状态的数量，然后计算每个簇内部样本之间的平均距离，并将这个平均距离作为簇半径，如果簇内样本到簇中心点的距离超过簇半径，将该样本从簇中剔除并重新分配到距离最近的簇；算法收敛：设定初始聚类中心数目为L，对样本进行k中心点算法聚类，获取以及D(c_i,c_j)，计算DBI值，计为D_Bil，令L＝L+1，并进行k中心点聚类，再次计算DBI指标，计为D_Bil+1，若D_Bil+1<D_Bil，重复样本聚类，直到D_Bil+1>D_Bil，完成聚类，取此时的L为最佳聚类数；DBI计算为：/>其中，/>为类c_i中的所有用电数据样本到其聚类中心的平均距离，/>为类c_j中的所有样本到其聚类中心的平均距离，D(c_i,c_j)为类c_i和c_j中心之间的距离，DBI越小表示类与类之间的相似度越低，聚类效果越佳，K为最终形成的簇的数量；样本分配完成后，每个簇代表一个用电设备状态，对每个簇，计算其簇内所有样本的均值和方差，将该簇的中心点、均值和方差作为该用电设备状态的特征存入所述电器状态特征库。

更优地，所述隐马尔可夫模型生成训练数据集包括以下步骤：云计算中心选择隐马尔可夫模型；从用户的用电设备中收集历史用电数据；对每个用电设备的历史数据进行特征提取，包括功率变化特征、使用时长特征、频率特征以及其他与设备状态相关的特征；根据用电设备的真实状态和用户的使用情况，为每个时间点的用电数据生成相应的设备状态标签；这些标签将作为训练数据的标签；将提取到的特征和相应的设备状态标签组成电器状态序列，每个电器状态序列代表一个时间段内的用电设备状态；将构建好的电器状态序列划分为训练集和测试集；利用训练集数据，使用隐马尔可夫模型进行训练，使用测试集数据对训练好的隐马尔可夫模型进行验证；将生成的训练数据集和训练好的HMM模型存储在云计算中心；使用训练好的隐马尔可夫模型生成了训练数据集。

更优地，所述生成深度学习网络挖掘时序特征的负荷分解模型包括以下步骤：从云计算中心加载生成的训练数据集，提取时序数据，包括时间戳、功率、设备状态；选择循环神经网络以适应时序数据的建模：该神经网络包括输入层、隐藏层和输出层；输入层接收时序数据，隐藏层用于学习时序特征表示，输出层生成负荷分解的结果；利用深度学习网络学习时序数据的表示，使模型能够理解和挖掘隐藏在时序数据中的模式；选择损失函数和优化器，使用训练集进行模型的训练，通过反向传播算法，调整模型参数以最小化损失函数；使用验证集评估模型的性能，检查是否存在过拟合或欠拟合；使用测试集评估模型在未见过的数据上的性能，确保模型对新数据的泛化能力；根据评估结果，对模型进行调整和优化，以提高其性能；将训练好的模型应用于实时数据，进行电器负荷的实时预测和分解。

为了解决上述技术问题，本发明还提供了一种非侵入式需求侧资源软量测生成装置。.

技术方案二

一种非侵入式需求侧资源软量测生成装置，包括聚类模块：云计算中心接收传感器采集的需求侧的用电数据，将所述用电数据进行标注，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态；训练集生成模块：所述云计算中心获得用电设备型号，选择与该用户家庭相匹配的用电设备状态序列，然后利用隐马尔可夫模型生成训练数据集；负荷分解模型生成模块：所述云计算中心利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；负荷分解模型嵌入模块：将训练完成后的负荷分解模型发送至边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。

本发明具有如下有益效果：

本发明为电力系统管理提供了一种有效需求侧资源管理方式，旨在保护需求侧隐私，提高数据准确性和可操作性，同时降低了入侵性和成本。这有助于实现更智能、高效和可持续的电力管理。

本发明是基于云端协同技术的非入侵式需求侧资源软量测生成方法，允许电力供应商或相关方在云端生成软量测，而无需直接访问用户的详细用电数据。同时，云端协同生成方法非常灵活，可以适应各种用电设备和不同环境条件。允许即时生成软量测，满足不同用户的需求，并提供实时数据，以支持决策和优化。

附图说明

图1为本发明的电网需求侧数据的软量测生成的架构图；

图2为本发明的非入侵式需求侧资源软量测生成方法的流程图；

图3为本发明非入侵式需求侧资源软量测生成装置的框架图；

图4为本发明电网需求侧用电设备部署示意图。

具体实施方式

以下结合附图和具体实施例对本发明做进一步详细说明：

本发明是基于云端协同技术的非入侵式需求侧资源软量测生成方法，为电力系统提供了一种有效的管理方式，旨在保护需求侧隐私，提高数据准确性和可操作性，同时降低了入侵性和成本，有助于实现更智能、高效和可持续的电力管理。

参见图1、图2和图4，本发明包括以下步骤：

步骤1：在需求侧为用电设备安装传感器，将一用户的多个所述传感器连接至一智能测量设备上，所述智能测量设备连接边缘计算节点；所述传感器实时采集用电设备的电信号，通过边缘计算节点转换为用电数据后上传至云计算中心。具体地，在需要监测的用电设备上安装传感器，连接所述传感器到所述智能量测设备，所述智能量测设备可以选用施耐德电气(Schneider Electric)的"PowerLogic"系列、西门子(Siemens)的"Sentron"系列等。通过所述传感器实时采集用电设备的电信号，可以包括实时功率信号、电压信号、电流信号等，然后传输至智能测量装置；通过智能测量装置监测其下各种用电设备的用电状况。具体包括以下步骤1.1：审查建筑结构和用电设备布局，确定智能测量装置的最佳安装位置：选择离电源配电箱近且能够涵盖所有关键用电设备的位置；步骤1.2：根据建筑结构和用电设备的位置，设计传感器的布局图，确保每个用电设备都有相应的传感器，以便采集用电信息。根据设计的传感器布局图，安装传感器到各个用电设备上；步骤1.3：连接传感器到智能测量装置，在安装完成后，进行连接测试，确保传感器能够正确地将用电数据传输到智能测量装置；步骤1.4：进入智能量测系统的管理界面，配置系统参数，包括传感器标识、数据采集频率、存储位置等，确保系统设置符合监测需求。进行系统校准，确保传感器测量的数据准确可靠。使用已知负载进行比对，校准传感器的测量精度。启动智能量测系统，开始实时监测用电设备的用电状况；步骤1.5：对比实测数据和预期数据，验证系统是否能够准确捕捉用电设备的用电情况。

步骤2：所述云计算中心将用电数据保存至数据库中并对用电数据进行标注及预处理，所述预处理包括数据中的噪声、缺失值和异常值等处理，这有助于确保数据的质量和准确性。在数据预处理后，获得电器的隐含状态集合S和观测向量集合e＝[e₁,e₂,…,e_K]后，计算出初始状态概率向量集π∈R^K和状态转移概率矩阵A∈R^K×K。利用改进的K中心点算法对标注过的用电数据进行聚类后提取到用电设备状态，然后将所述用电设备状态保存至云计算中心的电器状态特征库中。所述预处理包括去除噪声、处理缺失值、数据归一化等，以确保数据的质量和一致性。所述利用改进的k中心点算法提取用电设备状态，包括如下步骤：

步骤2.1：从所述数据库中选择初始的k个用电数据样本作为初始的簇中心点，将数据库中其余用电数据样本分配到距离其本身最近的中心点所对应的簇中，每个中心点代表不同的设备状态，设备状态包括正常运行状态、断电状态、待机状态等，k表示设备状态的数量，然后计算每个簇内部样本之间的平均距离，并将这个平均距离作为簇半径，如果簇内样本到簇中心点的距离超过簇半径，将该样本从簇中剔除并重新分配到距离最近的簇。这一步是改进的关键，有助于减少离群点的影响，该算法可以有效地将数据分成不同的簇，每个簇代表一个用电设备的某个运行状态。这里可以使用欧几里德距离或其他距离度量来完成。计算每个设备状态簇的新中心点，这是该簇中所有数据点的平均值。这有助于不断优化中心点的位置以更好地表示设备状态。不断迭代，直到中心点不再发生显著变化或达到预定的迭代次数。这样可以确保最终的中心点能够代表设备状态。一旦完成迭代，每个设备状态簇都被赋予了一个中心点，这些中心点可以视为不同的设备状态。

步骤2.2，算法收敛判断：具体地，对于给定某一电器的用电数据P＝[P₁,P₂,…,P_T]，P可以表示功率，也可以表示电压或电流等电参数。设定初始聚类中心数目为L，对用电数据中的各数据点进行k中心点算法聚类，获取以及D(c₁,c_l)，计算DBI值，计为D_Bil。令L＝L+1，并进行k中心点聚类，再次计算DBI指标，计为D_Bil+1。若D_Bil+1<D_Bil，重复用电数据的聚类，直到D_Bil+1>D_Bil，完成聚类，取此时的L为最佳聚类数。

DBI计算方法为：

其中：L为聚类数目，为类ci中的所有样本到其聚类中心的平均距离，/>为类cj中的所有样本到其聚类中心的平均距离，D(c_i,c_j)为类c_i和c_j中心之间的距离。DBI越小表示类与类之间的相似度越低，从而对应越佳的聚类结果。

步骤2.3：当样本分配完成后，每个簇代表一个用电设备状态，对每个簇，计算其簇内所有样本的均值和方差，将该簇的中心点、均值和方差作为该用电设备状态的特征存入所述电器状态特征库；建立数据索引，方便数据的检索和查询。

步骤2.4：创建一个包含T个时间间隔的序列Z＝Z＝[z₁,z₂,…,z_T]，来描述设备的负荷运行状态。同时，采集一个功率数值观测序列X＝[x₁,x₂,…,x_T]，这个序列与负荷设备的运行状态相关。在每个簇中计算均值和方差，作为该状态的特征。均值代表了该状态的平均功率，方差代表了功率的变化程度。

在系统实际应用中，采集的数据需要通过网络传输到云计算中心。将构建好的电器状态特征库存储在云计算中心，确保可靠性和可扩展性，使用云数据库或分布式文件系统进行存储。一旦数据到达云计算中心，需要进行清洗和预处理，以处理数据中的噪声、缺失值和异常值。这有助于确保数据的质量和准确性。在数据预处理后，获得电器的隐含状态集合S和观测概率分布e＝[e₁,e₂,…,e_K]后，计算出初始状态概率分布π∈R^K和状态转移概率矩阵A∈R^K×K。提取的特征数据需要存储在云计算中心的数据库中。建立数据索引，方便数据的检索和查询。

实时监测数据，将采集到的实时用电数据传输到云计算中心。利用之前构建的电器状态特征库，通过比对实时数据的均值和方差与特征库中的信息，识别当前用电设备的运行状态，具体地：计算实时数据的均值和方差，比对之前存储在电器状态特征库中簇中心点、均值和方差，找到距离最近的簇，该簇的状态即当前用电设备的运行状态。利用在线学习方法定期更新电器状态特征库，根据新的用电数据不断优化用电设备状态的均值和方差，以适应设备性能的变化。对于新接入的设备，通过监测数据和特定的标注过程进行状态提取和特征库更新。通过用户反馈和实际用电情况，对用电设备状态的提取算法和特征库进行调整，以提高准确性和适用性。在整个过程中，确保用电数据的安全性和用户隐私的保护，采用加密和访问控制等手段，防止未授权的访问和数据泄露。

步骤3：边缘计算节点在云计算中心完成账户注册，记录并上传其设备型号到云计算中心。云计算中心通过匹配用户家庭的设备信息，选择相应的电器状态序列，然后使用HMM模型生成用于训练的数据集X_Train＝λ(π,A,e)，X_Train＝λ(π,A,e)，确保与用户需求相符，其中，π为初始状态概率分布，A为状态转移矩阵，e为观测概率分布。具体步骤如下：首先边缘计算节点注册云计算中心账户时，用户首先提供必要信息并创建账户。用户将边缘计算节点与其家庭中的用电设备进行绑定，可以通过扫描设备条形码、手动输入设备信息等方式完成。用户可以记录其设备型号，通过填写相关表单或连接设备自动获取。随后，用户可登录云计算中心账户，进入个人资料，选择上传设备型号信息。这些信息将通过加密连接传送到云计算中心，并储存在安全数据库中，以供日后管理和数据分析。这个过程允许用户方便地共享设备信息，并为后续智能管理和支持做好准备。然后，边缘计算节点开始采集连接的用电设备的信息，包括设备型号、品牌、功率等。将采集到的设备信息记录在本地存储中，以备后续上传。采集到的设备信息经过加密后，通过安全协议进行传输，确保用户隐私和数据安全。边缘计算节点通过安全通道将设备信息上传到云计算中心，确保云端能够获取到最新的设备信息，最后，云计算中心根据用户家庭的用电设备状态需求，接收到上传的设备信息后，根据设备型号和特征，识别用户家庭中的用电设备，并进行匹配。根据匹配的用电设备，基于预设的模型或用户历史数据，使用隐马尔可夫模型(HMM)生成了一个训练数据集X_Train，这个数据集包含了状态序列λ(π,A,e)，确保与用户需求相符。这个数据集将用于训练和优化模型，以便更好地理解和管理用电设备的状态。所述步骤3的HMM模型生成训练数据集包括以下步骤：

步骤3.1：云计算中心选择合适的隐马尔可夫模型(Hidden Markov Model，HMM)，该模型能够表示电器设备的不同状态。从用户家庭的电器设备中收集历史用电数据，包括功率变化、使用时长等信息，通过智能电表或传感器等设备进行实时监测得到。

步骤3.2：对每个电器设备的历史数据进行特征提取，包括功率变化特征(平均功率、功率波动范围等)、使用时长特征(开启时长、关闭时长等)、频率特征(设备状态的切换频率等)以及其他与设备状态相关的特征。

步骤3.3：根据电器设备的真实状态和用户的使用情况，为每个时间点生成相应的设备状态标签。这些标签将作为训练数据的标签。将提取到的特征和相应的设备状态标签组成电器状态序列，每个电器状态序列代表一个时间段内的电器设备状态。将构建好的序列划分为训练集和测试集，确保在模型训练和验证时有足够的数据。

步骤3.4：利用训练集数据，使用隐马尔可夫模型进行训练。使用测试集数据对训练好的模型进行验证。根据验证结果，对模型进行调整，以提高其对电器设备状态的准确性和泛化能力。将生成的训练数据集和训练好的HMM模型存储在云计算中心的数据库中，以备将来实时状态识别和监测使用。

通过这一系列步骤，云计算中心能够利用用户提供的设备信息，选择合适的电器状态序列，并通过HMM模型生成训练数据集，为后续的状态识别和监测提供基础。

步骤4：使用生成的训练数据集，为每个家庭训练一种基于深度学习网络的负荷分解模型，该模型通过挖掘时序特征来准确地将家庭电力负荷分解为各个用电设备的负荷。具体包括以下步骤：

步骤4.1：从云计算中心的数据库中加载生成的训练数据集，包括时序的用电设备状态序列和相应的功率数据。对加载的时序数据进行处理，提取关键的时序特征，如时间戳、功率、设备状态等。对提取的特征进行标准化，确保数据在训练过程中具有相同的尺度，以便深度学习模型更好地学习。将数据集划分为训练集和验证集，以便在训练过程中监测模型的性能。

步骤4.2：提出基于深度学习网络的负荷分解模型。采用循环神经网络(RNN)以适应时序数据的建模。模型包括输入层、隐藏层和输出层。输入层接收时序特征，隐藏层用于学习特征表示，输出层生成负荷分解的结果。设计网络的输入层、隐藏层和输出层。输入层接收时序数据，隐藏层用于学习时序特征表示，输出层生成负荷分解的结果。在模型中加入层以提取关键的时序特征。这个层可以包括滑动窗口、卷积层等用于捕捉时序模式的结构。利用深度学习网络学习时序数据的表示，使模型能够理解和挖掘隐藏在时序数据中的模式。

步骤4.3选择适当的损失函数，例如均方误差(MSE)，用于衡量模型预测的输出与实际负荷的差距。选择优化器，例如随机梯度下降(SGD)或Adam优化器，以调整模型参数并降低损失。使用训练集进行深度学习模型的训练。通过反向传播算法，调整模型参数以最小化损失函数。使用验证集评估模型的性能，检查模型是否过拟合或欠拟合。根据验证结果进行调整，以提高模型的泛化能力。

步骤4.4：使用测试集评估模型在未见过的数据上的性能，确保模型对新数据的泛化能力。使用合适的性能指标，如均方根误差(RMSE)或其他相关指标，来量化模型的准确性。根据评估结果，对模型进行调整和优化，以提高其性能。

步骤4.5：将训练好的模型应用于实时数据，进行电器负荷的实时预测。根据实际应用中的反馈信息，对模型进行更新和改进，以适应家庭负荷变化和新设备的接入。

通过以上步骤4.1-4.5，利用深度学习网络挖掘时序特征的负荷分解模型将能够从时序数据中学到有关用电设备负荷的复杂模式，实现对负荷的精准分解和预测。

步骤5：将已完成训练的负荷分解模型下载并集成到边缘计算节点中，在节点实时采集家庭用户总馈线负荷后，在离家庭较近的地方迅速完成负荷分解，通过负荷分解可以将整个电力负荷拆解为各个单独设备或设备群的负荷，从而更精细地了解系统中各个部分的能耗情况，有助于实施更有效的能源管理和优化策略。具体包括以下步骤：

步骤5.1：在训练完成后，将负荷分解模型的参数保存为可以导入的TensorFlowSavedModel文件格式。下载保存好的模型参数文件到边缘计算节点。通过云存储服务、HTTPS下载等方式获取模型文件。

步骤5.2：选择需要集成负荷分解模型的边缘计算节点。这些节点通常位于离用户家庭较近的位置，以减少通信延迟。在边缘计算节点上安装负荷分解模型所需的运行环境和依赖库，确保边缘计算节点具备足够的计算资源。将下载的负荷分解模型参数导入到边缘计算节点的深度学习框架中，以便在节点上进行实时推理。

步骤5.3：在边缘计算节点实时采集家庭用户总馈线负荷数据。这可以通过连接智能电表或传感器等设备来获取。对采集到的总馈线负荷数据进行预处理，确保其格式和尺度与训练时使用的数据一致。利用嵌入在边缘计算节点上的负荷分解模型，对预处理后的数据进行实时推理，得到用电设备的负荷分解结果。将负荷分解的结果返回给用户或其他相关系统。将结果存储在本地或上传到云端进行进一步分析。定期检查负荷分解模型的性能，并在需要时进行更新，根据模型在实时数据上的表现或用户反馈进行。

步骤5.4：对于边缘计算节点，使用在线学习的方法，即在节点上根据新采集的数据不断更新模型参数，以适应家庭负荷的变化。

通过这些步骤，负荷分解模型被嵌入至边缘计算节点，实现了在边缘进行实时负荷分解的功能，从而减少了数据传输延迟和提高了实时性。

本发明是基于云端协同技术的非入侵式需求侧资源软量测生成方法，允许电力供应商或相关方在云端生成软量测，而无需直接访问用户的详细用电数据。同时，云端协同生成方法非常灵活，可以适应各种用电设备和不同环境条件。允许即时生成软量测，满足不同用户的需求，并提供实时数据，以支持决策和优化。

基于相同的发明构思，本发明还提供了与实施一的方法步骤相对应的虚拟装置。

实施例二

请参阅图3和图4，一种非侵入式需求侧资源软量测生成装置，包括需求侧采集模块：在需求侧为用电设备安装传感器，将一用户的多个所述传感器连接至一智能测量设备上，所述智能测量设备连接边缘计算节点；所述传感器实时采集用电设备的电信号，通过边缘计算节点转换为用电数据后上传至云计算中心；聚类模块：所述云计算中心将用电数据保存至数据库中并对用电数据进行标注及预处理，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态，然后将所述用电设备状态保存至云计算中心的电器状态特征库中；训练集生成模块：边缘计算节点注册所述云计算中心账户，边缘计算节点采集用户的用电设备型号并上传到云计算中心；云计算中心选择与该用户家庭相匹配的电器状态序列，然后利用HMM模型生成训练数据集X_Train＝λ(π,A,e)；负荷分解模型生成模块：利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；负荷分解模型嵌入模块：将训练完成后的负荷分解模型下载并嵌入至所述边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。

由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法的虚拟装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体实施方式，故而在此不再赘述。凡是本发明实施例一所采用的方法都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种非侵入式需求侧资源软量测生成方法，其特征在于：包括如下步骤：

云计算中心接收传感器采集的需求侧的用电数据，将所述用电数据进行标注，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态；

所述云计算中心获得用电设备型号，选择与该用户家庭相匹配的用电设备状态序列，然后利用隐马尔可夫模型生成训练数据集；

所述云计算中心利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；

将训练完成后的负荷分解模型发送至边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。

2.根据权利要求1所述的一种非侵入式需求侧资源软量测生成方法，其特征在于：利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态包括以下步骤：

从所述数据库中选择初始的k个样本作为初始的簇中心点，将数据库中其余样本分配到距离其本身最近的中心点所对应的簇中，每个中心点代表不同的设备状态，k表示设备状态的数量，然后计算每个簇内部样本之间的平均距离，并将这个平均距离作为簇半径，如果簇内样本到簇中心点的距离超过簇半径，将该样本从簇中剔除并重新分配到距离最近的簇；

算法收敛：设定初始聚类中心数目为L，对样本进行k中心点算法聚类，获取以及D(c_i,c_j)，计算DBI值，计为D_Bil，令L＝L+1，并进行k中心点聚类，再次计算DBI指标，计为D_Bil+1，若D_Bil+1<D_Bil，重复样本聚类，直到D_Bil+1>D_Bil，完成聚类，取此时的L为最佳聚类数；DBI计算为：/> 其中，/>为类c_i中的所有用电数据样本到其聚类中心的平均距离，/>为类c_j中的所有样本到其聚类中心的平均距离，D(c_i,c_j)为类c_i和c_j中心之间的距离，DBI越小表示类与类之间的相似度越低，聚类效果越佳，K为最终形成的簇的数量；

样本分配完成后，每个簇代表一个用电设备状态，对每个簇，计算其簇内所有样本的均值和方差，将该簇的中心点、均值和方差作为该用电设备状态的特征存入所述电器状态特征库。

3.根据权利要求1所述的一种非侵入式需求侧资源软量测生成方法，其特征在于：所述隐马尔可夫模型生成训练数据集包括以下步骤：

云计算中心选择隐马尔可夫模型；从用户的用电设备中收集历史用电数据；

对每个用电设备的历史数据进行特征提取，包括功率变化特征、使用时长特征、频率特征以及其他与设备状态相关的特征；

根据用电设备的真实状态和用户的使用情况，为每个时间点的用电数据生成相应的设备状态标签；这些标签将作为训练数据的标签；将提取到的特征和相应的设备状态标签组成电器状态序列，每个电器状态序列代表一个时间段内的用电设备状态；将构建好的电器状态序列划分为训练集和测试集；

利用训练集数据，使用隐马尔可夫模型进行训练，使用测试集数据对训练好的隐马尔可夫模型进行验证；将生成的训练数据集和训练好的HMM模型存储在云计算中心；

使用训练好的隐马尔可夫模型生成了训练数据集。

4.根据权利要求3所述的一种非侵入式需求侧资源软量测生成方法，其特征在于：所述生成深度学习网络挖掘时序特征的负荷分解模型包括以下步骤：

从云计算中心加载生成的训练数据集，提取时序数据，包括时间戳、功率、设备状态；

选择循环神经网络以适应时序数据的建模：该神经网络包括输入层、隐藏层和输出层；输入层接收时序数据，隐藏层用于学习时序特征表示，输出层生成负荷分解的结果；利用深度学习网络学习时序数据的表示，使模型能够理解和挖掘隐藏在时序数据中的模式；

选择损失函数和优化器，使用训练集进行模型的训练，通过反向传播算法，调整模型参数以最小化损失函数；使用验证集评估模型的性能，检查是否存在过拟合或欠拟合；

使用测试集评估模型在未见过的数据上的性能，确保模型对新数据的泛化能力；根据评估结果，对模型进行调整和优化，以提高其性能；

将训练好的模型应用于实时数据，进行电器负荷的实时预测和分解。

5.一种非侵入式需求侧资源软量测生成装置，其特征在于：包括

聚类模块：云计算中心接收传感器采集的需求侧的用电数据，将所述用电数据进行标注，利用改进的K中心算法对标注过的用电数据进行聚类后提取到用电设备状态；

训练集生成模块：所述云计算中心获得用电设备型号，选择与该用户家庭相匹配的用电设备状态序列，然后利用隐马尔可夫模型生成训练数据集；

负荷分解模型生成模块：所述云计算中心利用所述训练数据集针对每一个家庭训练一基于深度学习网络挖掘时序特征的负荷分解模型；

负荷分解模型嵌入模块：将训练完成后的负荷分解模型发送至边缘计算节点中，所述边缘计算节点采集该用户的总馈线负荷后完成负荷分解。

6.根据权利要求5所述的一种非侵入式需求侧资源软量测生成装置，其特征在于：所述聚类模块执行改进k中心点算法提取用电设备状态的步骤如下：

从所述数据库中选择初始的k个样本作为初始的簇中心点，将数据库中其余样本分配到距离其本身最近的中心点所对应的簇中，每个中心点代表不同的设备状态，k表示设备状态的数量，然后计算每个簇内部样本之间的平均距离，并将这个平均距离作为簇半径，如果簇内样本到簇中心点的距离超过簇半径，将该样本从簇中剔除并重新分配到距离最近的簇；

算法收敛：设定初始聚类中心数目为L，对样本进行k中心点算法聚类，获取以及D(c_i,c_j)，计算DBI值，计为D_Bil，令L＝L+1，并进行k中心点聚类，再次计算DBI指标，计为D_Bil+1，若D_Bil+1<D_Bil，重复样本聚类，直到D_Bil+1>D_Bil，完成聚类，取此时的L为最佳聚类数；DBI计算方法为：

其中，L为聚类数目，/>为类c_i中的所有用电数据样本到其聚类中心的平均距离，/>为类c_j中的所有样本到其聚类中心的平均距离，D(c_i,c_j)为类c_i和c_j中心之间的距离，DBI越小表示类与类之间的相似度越低，聚类效果越佳；

样本分配完成后，每个簇代表一个用电设备状态，对每个簇，计算其簇内所有样本的均值和方差，将该簇的中心点、均值和方差作为该用电设备状态的特征存入所述电器状态特征库。

7.根据权利要求5所述的一种非侵入式需求侧资源软量测生成装置，其特征在于：所述训练集生成模块中隐马尔可夫模型生成训练数据集的步骤如下：

云计算中心选择合适的隐马尔可夫模型；从用户的用电设备中收集历史用电数据；

对每个用电设备的历史数据进行特征提取，包括功率变化特征、使用时长特征、频率特征以及其他与设备状态相关的特征；

根据用电设备的真实状态和用户的使用情况，为每个时间点的用电数据生成相应的设备状态标签；这些标签将作为训练数据的标签；将提取到的特征和相应的设备状态标签组成电器状态序列，每个电器状态序列代表一个时间段内的用电设备状态；将构建好的电器状态序列划分为训练集和测试集；

利用训练集数据，使用隐马尔可夫模型进行训练，使用测试集数据对训练好的隐马尔可夫模型进行验证；将生成的训练数据集和训练好的HMM模型存储在云计算中心。

8.根据权利要求7所述的一种非侵入式需求侧资源软量测生成装置，其特征在于：所述负荷分解模型生成模块生成所述负荷分解模型的步骤如下：

从云计算中心加载生成的训练数据集，提取时序数据，包括时间戳、功率、设备状态；

选择循环神经网络以适应时序数据的建模：该神经网络包括输入层、隐藏层和输出层；输入层接收时序数据，隐藏层用于学习时序特征表示，输出层生成负荷分解的结果；利用深度学习网络学习时序数据的表示，使模型能够理解和挖掘隐藏在时序数据中的模式；

选择损失函数和优化器，使用训练集进行模型的训练，通过反向传播算法，调整模型参数以最小化损失函数；使用验证集评估模型的性能，检查是否存在过拟合或欠拟合；

使用测试集评估模型在未见过的数据上的性能，确保模型对新数据的泛化能力；根据评估结果，对模型进行调整和优化，以提高其性能；

将训练好的模型应用于实时数据，进行电器负荷的实时预测和分解。