JP2023143703A

JP2023143703A - 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出

Info

Publication number: JP2023143703A
Application number: JP2023005700A
Authority: JP
Inventors: スン・ホンボー; Hongbo Sun; シルサト・アシュウィン; Shirsat Ashwin; キム・キョン・ジン; Kyeong Jin Kim; グオ・ジエンリン; Jianlin Guo
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2022-03-25
Filing date: 2023-01-18
Publication date: 2023-10-06
Also published as: US20230307908A1

Abstract

【課題】電力分配システムについての純負荷測定値から瞬間再生可能発電を抽出する方法及びエネルギーディスアグリゲーションシステムを提供する。【解決手段】方法は、連続ポイントオンウェーブ（ＣＰＯＷ）測定ユニットを介して純負荷時系列データを生成し、純負荷時系列データから圧縮された潜在空間表現を生成し、純負荷時系列データを時間周波数ドメインに変換し、純負荷時系列データの変換された時間周波数ドメイン表現を有する時間ドメインコンテキスト情報を特徴抽出器に渡し、符号器ネットワークからの出力で乗算されるべき２つの重み行列を推定して、固有負荷及び光起電力（ＰＶ）発電の時間特徴を学習し、固有負荷及びＰＶ発電に対応する重み付けされた潜在空間表現を時間ドメイン表現に変換し、固有負荷及びＰＶ発電に対応する変換された時間ドメイン表現から、分配システムレベルでの固有負荷およびＰＶ発電を予測する。【選択図】図１

Description

本開示は概して電力システムに関し、より特定的には、電力分配システムのための瞬間再生可能発電の推定に関する。

分配ネットワーク、および電力供給におけるそれらの役割は、分散型エネルギー資源（distributed energy resource：ＤＥＲ）の普及の増加とともにパラダイムシフトを経験している。そのような複雑なシステムを双方向の電力流を用いて滑らかに動作させるには、瞬間的な発電量および需要量を知ることが重大である。光起電力（太陽光）発電、および風力発電といった、多くの異なるタイプのＤＥＲが存在している。この開示は、太陽エネルギーを使用して電力を作り出す光起電力（photovoltaic：ＰＶ）発電に焦点を当てる。

公益企業は純（net）システム負荷を測定し、固有（native）システム負荷と光起電力（ＰＶ）発電とを意識していない。このため、エネルギーディスアグリゲーション（energy disaggregation：ＥＤ）が、ネットワーク計画および動作タスクをサポートするために送電網可観測性を高める際に中心的な役割を果たす。高度計測インフラストラクチャ（advanced metering infrastructure：ＡＭＩ）と変電所監視制御およびデータ収集システム（substation supervisory control and data acquisition system：ＳＣＡＤＡ）とから得られた低解像度の測定値は、切望される可観測性を、ＤＥＲが豊富なネットワークに提供しない。よって、公益企業は現在、１ｋＨｚ以上でサンプリングされた測定値を得るために、連続ポイントオンウェーブ（continuous-point-on-wave：ＣＰＯＷ）測定ユニットを設置している。ディスアグリゲーション精度はサンプリングレートの増加とともに高まり、最良の精度はたとえば１ｋＨｚ～１２ｋＨｚの範囲のデータサンプリングレートについて得られるということが予想される。このため、ＣＰＯＷデータを使用するＥＤをサポートするために、新しく、計算上効率的で、正確なアルゴリズムが必要とされる。

純負荷ディスアグリゲーションについての既存文献で提案された方法論は、モデルベースのアプローチとモデルなし（データ駆動型）アプローチという２つのカテゴリに大別され得る。モデルベースのアプローチの考え方は、ＰＶ発電および固有需要のパラメトリックモデルを開発し、入手可能な純負荷および気象データを使用してパラメータを統計的に推定することである。この種の研究の一例は、スマートグリッドのための通信、制御、およびコンピューティング技術についての２０１９年ＩＥＥＥ国際会議の議事録で公開された、「物理モデルを統計モデルと統合することによるビハインド・ザ・メーターの太陽光発電の推定」（Estimation of behind-the-meter solar generation by integrating physical with statistical models）（２０１９年、１～６頁）という、Ｆ．カビール（Kabir）らによって書かれた論文に見出され得る。これらのアプローチのディスアグリゲーション性能は、パラメトリックモデルの品質に大いに依存している。これに反して、モデルなしアプローチは、パラメトリックモデルを必要としないが、データ品質によって影響される。ＥＤのためのモデルなし手法のうちのいくつかは、「ビハインド・ザ・メーターの太陽光発電を用いた変電所でのリアルタイムエネルギーディスアグリゲーション」（real-time energy disaggregation at substations with behind-the-meter solar generation）（ＩＥＥＥ電力システムについての会報（Trans. Power Syst.）、第３６巻、第３号、２０２３～２０３４頁、２０２１年）というＷ．リー（Li）らの論文に提示された研究などの辞書学習アプローチを使用するか、または、「ビハインド・ザ・メーターの負荷／ＰＶディスアグリゲーションのための適応機械学習フレームワーク」（an adaptive machine learning framework for behind-the-meter load/PV disaggregation）（ＩＥＥＥ産業情報学についての会報（Trans. Ind. Informat.）、第１７巻、第１０号、７０６０～７０６９頁、２０２１年）というＲ．サエーディ（Saeedi）らによって書かれた論文で提案されたものなどの教師付き機械学習手法を使用する。

上に挙げたすべてのアプローチでは、ＣＰＯＷデータの使用は考慮されていなかった。ＣＰＯＷデータを使用するディスアグリゲーションについての発想源は、単一チャネルのブラインド音源分離に見出され得る。この音源分離タスクは、１ｋＨｚを超える周波数を有する音声信号が使用されるため、ＣＰＯＷデータを使用するＥＤと似ている。Ｙ．ルオ（Luo）らは、「Ｃｏｎｖ－ＴａｓＮｅｔ：音声分離のための理想的な時間周波数振幅マスキングを上回る」（Conv-TasNet: surpassing ideal time-frequency magnitude masking for speech separation）（ＩＥＥＥ／ＡＣＭ音響、音声、言語処理についての会報（Trans. Audio, Speech, Language Process.）、第２７巻、第８号、１２５６～１２６６頁、２０１９年）と題された彼らの論文で、深層学習方法を使用する時間ドメイン音源分離のためのアプローチを提案している。

先行技術の書評を要約すると、我々は、すべての既存のＥＤアプローチ内ではＣＰＯＷデータの使用が考慮されてこなかったことに気付いている。また、ＥＤアルゴリズムは、ＰＶ発電機の動作ステータスを考慮しておらず、それはディスアグリゲーションエラーをもたらすおそれがある。音源分離タスクのための方法は、粒度の高いデータを取り扱うように設計されている。しかしながら、音波と電気信号の物理的特性が違うため、それらの方法をＥＤに直接適用することはできない。

したがって、高忠実度のＣＰＯＷデータを使用することによって電力分配システムについての純負荷測定値から瞬間再生可能発電を抽出するための高度なエネルギーディスアグリゲーションアプローチが必要とされる。

概要
本開示は、分配システムレベルの純負荷測定値を固有負荷と光起電力（ＰＶ）発電とに分離するための１組のエネルギーディスアグリゲーション方法を提示する。

Ｃｏｎｖ－ＥＤＮｅｔと呼ばれる、因果的でコンテキストを意識した完全畳み込み深層学習ネットワークが、連続ポイントオンウェーブ測定値を使用する同時ＰＶ負荷エネルギーディスアグリゲーションのために提示される。提示されたネットワークは、時間ドメインでディスアグリゲーションを行なうために分離器ネットワークと組合された符号器－復号器フレームワークを使用する。時間ドメイン特徴および時間周波数ドメイン特徴を条件とする分離器ネットワークは、非負の符号器出力を使用してディスアグリゲーションを行なう２つの重み関数を学習するために、スタックされた拡張時間畳み込みの電力を利用する。復号器は、重み付けされた符号器出力を、時間ドメイン固有負荷およびＰＶ発電測定値に変換する。開発されたモデルであるＣｏｎｖ－ＥＤＮｅｔは、ゲート付き回帰型ユニット（gated recurrent unit：ＧＲＵ）ベースの弁別器を通して敵対的学習特徴を追加することによって、新しいモデルＣｏｎｖ－ＥＤＮｅｔ＋へとさらに拡張された。Ｃｏｎｖ－ＥＤＮｅｔへの敵対的訓練コンポーネントの追加は、モデル予測精度および頑強性をさらに高める。

既存の方法と比較して、提案された深層学習ベースのモデルなし時間ドメイン純負荷ディスアグリゲーションフレームワークは、ＣＰＯＷ測定値を使用する時間周波数ドメイン特徴を条件とする。このフレームワークは、スケールおよびコンテキストを意識したディスアグリゲーションをサポートし、時間ドメイン、時間周波数ドメイン、および空間時間情報が、ディスアグリゲーションのスケールおよびコンテキストを定量化するために使用される。それはまた、２つの別個のネットワークの構築および訓練の必要をなくす、固有負荷およびＰＶコンポーネントの同時ディスアグリゲーションのためのスキームを使用する。分配システムレベルのＥＤのために新しい深層学習ベースのモデルとともにＣＰＯＷ測定値を使用することが、初めて提案された。

さらに、畳み込みエネルギーディスアグリゲーションネットワークをドメイン適応と組合せることにより、Ｃｏｎｖ－ＥＤＮｅｔ＋は、別の新しいモデルＣｏｎｖＥＤ－ＤＡＮへと拡張される。ＣｏｎｖＥＤ－ＤＡＮでは、教師なしドメイン適応のタスクを行なうために、弁別器が再利用される。我々は、ソースドメインとターゲットドメインとの間での特徴空間およびラベル空間の分布ギャップ最小化のタスクを行なうために、敵対的学習および共同適応の概念を組合せてＣｏｎｖ－ＥＤＮｅｔ＋を修正する。このアプローチは、合成により得られたデータについてモデルを訓練すること、および、それを現実世界の測定データに適用することを可能にする。ソースドメインにおける制限されたラベル付きデータとラベルなしターゲットドメインデータとを使用することにより、提案されたネットワークは、ＣＰＯＷ測定値を使用するエネルギーディスアグリゲーションのための満足のいく結果を生み出すことができる。

本発明のいくつかの実施形態によれば、連続ポイントオンウェーブ（ＣＰＯＷ）測定ユニットを使用して分配システムレベルの純負荷測定値のエネルギーディスアグリゲーションを分配システムに対して行なうための、コンピュータにより実現される方法が提供される。方法は、ニューラルネットワークを使用して方法を実現するメモリ格納命令と結合されたプロセッサを使用し、ニューラルネットワークは、メモリに格納された、符号器ネットワーク、特徴抽出器、分離器ネットワーク、復号器ネットワークを含む。命令は、プロセッサによって実行されると方法のステップを実施する。ステップは、ＣＰＯＷ測定ユニットを介して電圧および電流測定値から純負荷時系列データを生成するステップと、符号器ネットワークを使用して、純負荷時系列データから圧縮された潜在空間表現を生成するステップと、短時間フーリエ変換（short-time Fourier transform：ＳＴＦＴ）方法を使用して、純負荷時系列データを時間周波数ドメインに変換するステップと、純負荷時系列データの変換された時間周波数ドメイン表現を有する時間ドメインコンテキスト情報を、高調波特徴を正確に抽出するように訓練された特徴抽出器に渡すステップと、圧縮された潜在空間表現に重みを割り当てるように訓練された分離器ネットワークを使用して、符号器ネットワークからの出力で乗算されるべき２つの重み行列を推定し、固有負荷および光起電力（ＰＶ）発電の時間特徴を学習するステップと、復号器ネットワークを使用して、固有負荷およびＰＶ発電に対応する重み付けされた圧縮された潜在空間表現を、符号器ネットワークおよび分離器ネットワークの出力からの時間ドメイン表現に変換するステップと、ディスアグリゲーション後調節方法を使用して、固有負荷およびＰＶ発電に対応する変換された時間ドメイン表現から、分配システムレベルでの固有負荷およびＰＶ発電を予測するステップとを含む。

また、本発明のいくつかの実施形態は、連続ポイントオンウェーブ（ＣＰＯＷ）測定ユニットを使用して分配システムレベルの純負荷測定値のエネルギーディスアグリゲーションを分配システムに対して行なうためのエネルギーディスアグリゲーションシステムが提供されるという認識である。エネルギーディスアグリゲーションシステムは、分配システムに配置された変電所またはフィーダの電圧測定値および電流測定値を示す電気信号の測定データを受信するように構成されたネットワークインターフェイスコントローラと、符号器ネットワーク、特徴抽出器、分離器ネットワーク、および復号器ネットワークを含むニューラルネットワークを使用してエネルギーディスアグリゲーション方法を実現する命令を格納するように構成されたメモリと、メモリと結合されたプロセッサとを含んでいてもよい。プロセッサは、エネルギーディスアグリゲーション方法のステップを実施する命令を実行するように構成される。ステップは、符号器ネットワークと電気信号の測定データとを使用して、純負荷時系列から圧縮された潜在空間表現を生成するステップと、短時間フーリエ変換（ＳＴＦＴ）方法を使用して、純負荷時系列を時間周波数ドメインに変換するステップと、純負荷時系列の変換された時間周波数ドメイン表現を有する時間ドメインコンテキスト情報を、高調波特徴を正確に抽出するように訓練された特徴抽出器に渡すステップと、圧縮された潜在空間表現に重みを割り当てるように訓練された分離器ネットワークを使用して、符号器ネットワークからの出力で乗算されるべき２つの重み行列を推定し、固有負荷および光起電力（ＰＶ）発電の時間特徴を学習するステップと、復号器ネットワークを使用して、固有負荷およびＰＶ発電に対応する重み付けされた圧縮された潜在空間表現を、符号器ネットワークおよび分離器ネットワークの出力からの時間ドメイン表現に変換するステップと、ディスアグリゲーション後調節方法を使用して、固有負荷およびＰＶ発電に対応する変換された時間ドメイン表現から、分配システムレベルでの固有負荷およびＰＶ発電を予測するステップとを含む。

本開示は、本開示の例示的な実施形態の非限定的な例としての述べられる複数の図面を参照して、以下の詳細な説明でさらに説明される。図面のいくつかの図全体を通し、同じ参照符号は同様の部分を表わす。示された図面は必ずしも縮尺通りではなく、代わりに、ここに開示される実施形態の原理を例示することに重きが概して置かれている。

本開示の実施形態に従った、Ｃｏｎｖ－ＥＤＮｅｔモデルを使用するエネルギーディスアグリゲーションプロセスを示す概略図である。本開示の実施形態に従った特徴抽出器ネットワークを示す概略図である。本開示の実施形態に従った分離器ネットワークを示す概略図である。本開示の実施形態に従った、分離器ネットワークのＲＴ－ＧＬＵブロックを示す概略図である。本開示の実施形態に従ったＣｏｎｖ－ＥＤＮｅｔ＋モデルを示す概略図である。本開示の実施形態に従った、Ｃｏｎｖ－ＥＤＮｅｔ＋モデルを使用するための訓練アルゴリズムを示す概略図である。本開示の実施形態に従った、合成データ生成のための分配ネットワーク構造を示す概略図である。本開示の実施形態に従ったハイパーパラメータ設定を示す概略図である。本開示の実施形態に従った、正常動作条件下でＣｏｎｖ－ＥＤＮｅｔ、Ｃｏｎｖ－ＥＤＮｅｔ＋、Ｃｏｎｖ－ＴａｓＮｅｔ、およびＤＡＥ－Ｎｅｔを使用する予測の比較を示す１組のプロットである。本開示の実施形態に従った、ＰＶ発電機障害条件下でＣｏｎｖ－ＥＤＮｅｔ、Ｃｏｎｖ－ＥＤＮｅｔ＋、Ｃｏｎｖ－ＴａｓＮｅｔ、およびＤＡＥ－Ｎｅｔを使用する予測の比較を示す１組のプロットである。本開示の実施形態に従った性能メトリックの比較を示す概略図である。本開示の実施形態に従ったＣｏｎｖＥＤ－ＤＡＮモデルを示す概略図である。本開示の実施形態に従った、ＣｏｎｖＥＤ－ＤＡＮモデルのための訓練アルゴリズムを示す概略図である。本開示の実施形態に従った、純負荷測定値についてのソースおよびターゲットドメインデータ分布を示す概略図である。本開示の実施形態に従った、ＰＶ発電についてのソースおよびターゲットドメインデータ分布を示す概略図である。本開示の実施形態に従った、固有負荷についてのソースおよびターゲットドメインデータ分布を示す概略図である。本開示の実施形態に従った、負荷ディスアグリゲーションについてのドメイン適応結果を示す概略図である。本開示の実施形態に従った、ＰＶディスアグリゲーションについてのドメイン適応結果を示す概略図である。本開示の実施形態に従った、ドメイン適応を使用する特徴空間の視覚化を示す概略図である。本開示の実施形態に従った、ドメイン適応なしの特徴空間の視覚化を示す概略図である。本開示の実施形態に従った、電力分配システムのためのエネルギーディスアグリゲーションシステムを示すブロック図である。

上述の図面はここに開示される実施形態を述べているが、説明で述べられるように、他の実施形態も考えられる。この開示は例示的な実施形態を限定ではなく表現として提示する。ここに開示される実施形態の原理の範囲および精神に含まれる多くの他の修正および実施形態が、当業者によって考案され得る。

詳細な説明
以下の説明では、説明する目的のために、多くの特定の詳細が、本開示の完全な理解を提供するために述べられる。しかしながら、これらの特定の詳細がなくても本開示が実践され得ることは、当業者には自明であろう。他の事例では、本開示を不明瞭にすることを避けるために、装置および方法はブロック図の形式でのみ示される。添付された請求項で述べられるように開示された主題の精神および範囲から逸脱することなく、要素の機能および構成において行なわれ得るさまざまな変更が考えられる。

この明細書および請求項で使用されるような、「たとえば」、「といった」、「などの」という用語、ならびに「備える」、「有する」、「含む」という動詞およびそれらの他の動詞形は、１つ以上の構成要素または他の項目のリストとともに使用される場合、非限定的であるとして各々解釈されるべきである。すなわち、リストは、他の追加の構成要素または項目を除外するものとして考慮されるべきではない。「に基づいて」という用語は、少なくとも部分的に基づいていることを意味する。また、ここに採用されている言葉遣いおよび用語は説明のためのものであり、限定的であると見なされるべきでないということが理解されるべきである。この説明内で利用されるどの見出しも便宜上のものに過ぎず、法的効果または限定的効果を有していない。

実施形態の完全な理解を提供するために、特定の詳細が以下の説明で与えられる。しかしながら、実施形態はこれらの特定の詳細がなくても実践され得ることが、当業者によって理解され得る。たとえば、実施形態を不必要に詳細に述べて不明瞭にすることがないように、開示された主題におけるシステム、プロセス、および他の要素は、ブロック図の形式における構成要素として示されてもよい。他の事例では、実施形態を不明瞭にすることを避けるために、周知のプロセス、構造、および技術は、不必要な詳細なく示されてもよい。また、さまざまな図面における同じ参照番号および名称は、同じ要素を示す。

エネルギーディスアグリゲーションとは、分配システムレベルの純負荷測定値を固有負荷と光起電力（ＰＶ）発電とに分離することを指す。ＰＶ発電機の配備およびそのような再生可能エネルギーが豊富なネットワークを動作させる複雑性の増加に起因して、測定値を正確にディスアグリゲーションすることはますます重要になってきた。

図１は、分配システムがこの開示における我々の開示した方法を使用してエネルギーディスアグリゲーションタスクを行なうためのプロセス全体を示す概略図である。分配システムはまず、ＣＰＯＷ測定ユニット１１１から電圧および電流測定値を収集し、次に、データ前処理およびクリーニング１１２を行なって、未加工データを効率的なデータフォーマットに変換し、欠測値を充填し、ノイズのあるデータおよび外れ値を除去し、不一致を解決する。処理されたデータは次に、データ処理および高調波スペクトル抽出モジュール１１３に渡されて、純負荷が計算され（１１４）（段階１）、短時間フーリエ変換（ＳＴＦＴ）が行なわれる（１１５）（段階２）。モジュール１１３についての結果は次に、畳み込みエネルギーディスアグリゲーションネットワーク（Convolutional Energy Disaggregation Network：Ｃｏｎｖ－ＥＤＮｅｔ）１６９（段階３）およびディスアグリゲーション後調節１２０（段階４）を通ってエネルギーディスアグリゲーションモジュール１１０に渡され、最終的な固有負荷およびＰＶ発電の予測結果が得られる。

Ｃｏｎｖ－ＥＤＮｅｔ：畳み込みエネルギーディスアグリゲーションネットワーク
図１に示すように、Ｃｏｎｖ－ＥＤＮｅｔフレームワーク１６９は、符号器１１７、特徴抽出器１１６、分離器ネットワーク１１８、および復号器１１９という４つのサブネットワークを使用して構築される。

符号器ネットワーク

特徴抽出器ネットワーク
図２は、特徴抽出器ネットワーク２００を示す概略図である。特徴抽出器ネットワークの目標は、純負荷データと補足的なコンテキストデータとを利用して、ディスアグリゲーションタスクを支援することである。ＣＰＯＷユニット１１１は個々の位相電流および電圧を測定し、それらから、集約された純負荷値が計算される（１１４）。このデータはまた、高調波成分についての情報を抽出すること（１１５）によってディスアグリゲーションタスクを補足するのを助け、それは、発電機接続性ステータスおよび発電機障害の検出を支援することによってＰＶ発電を定量化するのを助ける。よって、別個の専用ネットワーク２００が、放射照度および温度の測定値とともに瞬間電圧および電流測定データから重大な特徴を抽出するという唯一の責任を有して開発されている。

特徴抽出器ネットワークは、ＳＴＦＴ方法を使用して、インバータベースのＰＶ発電によって分配システムに導入された高調波特徴を識別する。ＰＶ発電機は、ＰＶ発電および発電機ステータスを識別するために使用され得る電気信号になるよう高調波を生成するＤＣ／ＡＣインバータを通して、分配システムと接続される。インバータは、電力を直流（direct current：ＤＣ）から交流（alternating current：ＡＣ）に変換するために使用される。

Ｃｏｎｖ－ＥＤＮｅｔについては、整流線形ユニット（rectified linear unit：ＲｅＬＵ）が、非負の潜在空間表現を保証するために活性化関数として使用される。温度および放射照度２１１についてのコンテキスト情報は各々、一意的な１Ｄ畳み込み層２１２、続いて非線形活性化２１３を通って渡され、時間ドメイン潜在空間表現が得られる。次元が減少した潜在空間表現を得るために、３つの異なるネットワーク位相に対応する瞬間電圧および電流のＳＴＦＴスペクトログラム２１４が連結され、複数の２Ｄ畳み込み層２１５および非線形活性化２１６を通って渡される。最後に、時間ドメインおよび時間周波数ドメインの潜在空間表現が連結され（２１７）、出力２２０の次元が符号器出力の次元と一致するようにそのハイパーパラメータが選択された状態で１Ｄ畳み込み層２１８および活性化２１９を通って渡される。

分離器ネットワーク

分離器ネットワークは、負荷およびＰＶ発電の時間特徴を学習しなければならない。よって、時間学習メカニズムを追加するために、我々は、時間畳み込みネットワーク（temporal convolutional network：ＴＣＮ）を使用することを提案する。このネットワークは、スタックされた拡張１ＤＴＣＮブロックの連続層で構成され、各ブロックはゲート付き残余ネットワークで構成される。各連続層内で、ＴＣＮブロックは、たとえば、スタックがより高くなり続けるにつれて拡張係数がスタックされた層の数の関数として指数関数的に増加し続けるように、スタックされる。拡張係数の指数関数的増加は、十分に大きい時間受容フィールドサイズを保証して、負荷およびＰＶ発電時系列内で観測された長期の時間特徴のモデル化を容易にするように設計されている。Ｃｏｎｖ－ＥＤＮｅｔは、拡張係数が１、２、４、８、…、２^Ｍ－１という値をとる、Ｍ個の１ＤＴＣＮブロックで構成される。スタックされたシーケンスは次に、Ｒ回連続して繰り返される（３０４、３０５、および３０６）。この設計の詳細な表現を図３Ａに示す。

各１ＤＴＣＮブロックは、ゲート付き線形ユニット（gated linear unit：ＧＬＵ）と残余学習アーキテクチャとを使用して慎重に設計されている。経時的逆伝搬を介する訓練中の勾配消失問題を緩和するために、ゲーティングメカニズムが導入される。我々は、図３Ｂに示す新しい残余ブロックにＴＣＮおよび残余学習を組み込むことによって、ＧＬＵを修正する。組合せ全体は、勾配消失および劣化の問題に対処するとともに、時間学習コンポーネントを追加するのを助ける。以下、このブロックは、残余時間ＧＬＵ（residual temporal GLU：ＲＴ－ＧＬＵ）３２０として対処される。ＲＴ－ＧＬＵブロックは、２つの出力、すなわち、残余出力３３０とスキップ接続３３１とを有する。あるＲＴ－ＧＬＵブロックの残余出力は、次の連続ブロックへの入力として作用する。Ｒ個の連続層のＭ個のスタックされたブロックからのスキップ接続出力がまとめられ（３１１）、分離器ネットワークの最終の１Ｄ畳み込み層３０７および３０８に渡される。ここで、出力チャネルカウントは２Ｎとして選択され、Ｎ個のチャネルの第１および第２の組が、ＰＶ発電および固有負荷の重み関数をそれぞれ形成する。

要約すると、次元２Ｎ×Ｌを有する連結された符号器出力および特徴抽出器ネットワーク出力３０１が与えられ、Ｂ個のチャネル、カーネルサイズＫ、およびストライドＳを有するボトルネック畳み込み層３０２および３０３は、Ｂ×Ｌ次元出力を生成し、Ｂ＜Ｎである。ＲＴ－ＧＬＵブロックの最初の１Ｄ畳み込み層３２２および３２３は、入力のチャネルカウントをＢ３２１からＨ３２２へ変更し、カーネルサイズおよびストライドをそれぞれＫおよびＳで固定されたまま保つ。Ｎ個のチャネルすべてにわたって固定長Ｌを保証するために、拡張畳み込み層３２４および３２５の出力はパディングされる。すべてのＲＴ－ＧＬＵブロックの最終の１Ｄ畳み込み層３０７および３０８は、次元Ｂ×Ｌの出力を生成するようにサイズ決めされる。提案されたＲＴ－ＧＬＵブロックでは、出力経路３３０とスキップ接続経路３３１とは同じ次元を有するが、これは必須ではなく、ハイパーパラメータ調整を行ないながら変更可能である。最後に、最終の１Ｄ畳み込み層３０７および３０８は、ＰＶ発電および固有負荷に対応する同じ次元の別個の重み関数を生成するように、チャネルカウントを２Ｎへと２倍にする。

復号器

Ｃｏｎｖ－ＥＤＮｅｔ＋：畳み込みエネルギーディスアグリゲーションネットワークへの敵対的学習の追加

Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋の訓練

ディスアグリゲーション後調節

Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋についての事例研究
数値シミュレーションが、Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋を使用して行なわれる。分配送電網におけるＣＰＯＷ測定ユニットの制限された配備、およびプライバシー／セキュリティに関する懸念のため、この種のデータは公的に入手可能ではない。よって、我々は、マトラボ・シミュリンク（Matlab-Simulink）を使用して得られた合成ＣＰＯＷデータに頼る。ランダムノイズを合成データに挿入して測定誤差を反映させ、提案されたディスアグリゲーションモデルが合成ネットワークモデルをそのまま学習するのを防ぐために、注意が払われてきた。

図５Ｂは、本開示の実施形態に従った、合成データ生成のための分配ネットワーク構造を示す概略図である。

図５Ｂに示すように、構築されたネットワークモデル５００は、伝送ネットワーク５１０と、ＭＷＰＶ発電機５３１および住宅負荷５３２を含む配電フィーダ５３０に接続されたＣＰＯＷ－ＭＵ５２１を含む変電所５２０とを含むように構成される。現在、フィーダヘッドに位置する１つのＣＰＯＷユニットのみが考慮される。ＰＶ発電機定格は１ＭＷであり、ピーク集約需要は１５ＭＷである。ＣＰＯＷ測定値の基準を満たすために、３ｋＨｚのデータサンプリング周波数が選択される。次に、異なる曜日、異なる季節、異なる雲量シナリオ、および異なるネットワーク障害シナリオを考慮することによって、全体的な合成データセットが得られる。総訓練データは１５日間にわたり、テストデータは５日間にわたる。計算資源利用可能性が制限されているため、我々は符号器入力を３ｋＨｚから０．２ｋＨｚへダウンサンプリングする。しかしながら、高調波特徴が正確に抽出されることを保証するために、特徴抽出器ネットワークには３ｋＨｚのデータがダウンサンプリングなく提供される。ハイパーパラメータおよびそれらの値を図５Ｃに示す。実験はすべて、パイソン（Python）およびパイトーチ（Pytorch）を使用する、１２ＧＢのＲＡＭを有するエヌビディア・タイタンＸ（パスカル）（NVIDIA TitanX (Pascal)）ＧＰＵを使用して実現される。

ここで、我々は、Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋アプローチの性能を、音源分離のためにＹ．ルオらによって提案されたＣｏｎｖ－ＴａｓＮｅｔ（詳しくは背景の項を参照）、ならびに、「ニューラルＮＩＬＭ：エネルギーディスアグリゲーションに適用される深層ニューラルネットワーク」（Neural NILM: Deep neural networks applied to energy disaggregation）と題された論文（エネルギー効率の良い構築された環境のための埋め込みシステムについての第２回ＡＣＭ国際会議の議事録、２０１５年、５５～６４頁）でケリー（Kelly）およびＷ．ノットンベルト（Knottenbelt）によって提案されたＤＡＥ－Ｎｅｔ（denoising autoencoder：ノイズ除去自動符号器）方法という既存のアプローチと比較する。これらの異なる方法についてのモデルはしたがって、ＣＰＯＷデータについて修正され、訓練され、独立して評価される。

図６Ａおよび図６Ｂは、通常動作およびＰＶ発電機障害条件下での結果をそれぞれ示す。図７は、４つの方法によって行なわれた予測を定量化する性能メトリックを示す。これらのメトリックは、平均絶対誤差（mean absolute error：ＭＡＥ）と、二乗平均平方根誤差（root mean squared error：ＲＭＳＥ）と、信号集約誤差（signal aggregate error：ＳＡＥ）とを含む。図７から、我々は、Ｃｏｎｖ－ＥＤＮｅｔ＋モデルが他のすべての比較される方法よりも性能が優れており、Ｃｏｎｖ－ＥＤＮｅｔが２番目に性能が優れたモデルであることに気付いている。これらの結果は、部分的に曇っていて曇りから晴れに移行する日についての予測を示す図６Ａを使用して裏付けられ得る。負荷予測については、同様で正確な予測がすべての比較される方法について観測され、Ｃｏｎｖ－ＥＤＮｅｔ＋予測がグラウンドトゥルースに最も近い。ＰＶ予測については、我々は、Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋モデルがＰＶ発電の開始を正確に検出できることに気付いている。これは、新しい特徴抽出モジュールによるものであり得る。それは、放射照度およびＳＴＦＴベースの高調波特徴へのその依存のため、向上したＰＶ発電検出能力を有する。それは残りの２つの方法にはないため、残りの２つの方法は性能が劣っており、ＤＡＥ－Ｎｅｔが最も精度の低い結果を生み出す。ＰＶ発電プロファイルの残りについては、我々は、比較される方法の中でＣｏｎｖ－ＥＤＮｅｔ＋が著しく性能が優れていることに気付いている。

図６Ｂは、正午にＰＶ発電機が送電網から切断された障害事象についての、部分的に曇りの冬の日についての予測を示す。我々は、Ｃｏｎｖ－ＥＤＮｅｔ＋、続いて、若干のタイムラグを有するＣｏｎｖ－ＥＤＮｅｔが、正確に障害を検出し、ＰＶ発電値を直ちに低下させることができることに気付いている。Ｃｏｎｖ－ＴａｓＮｅｔおよびＤＡＥ－Ｎｅｔは、障害を検出するのが遅い。このため、ＣＰＯＷデータがすべてのアプローチを訓練するために使用される場合でも、Ｃｏｎｖ－ＥＤＮｅｔおよびＣｏｎｖ－ＥＤＮｅｔ＋は、従来のアプローチよりも性能が優れている。これは、時間周波数ドメイン特徴特徴付けのための専用ネットワークと組合されたＣＰＯＷデータの使用が予測精度の急激な上昇をもたらすことを実証する。

ＣｏｎｖＥＤ－ＤＡＮ：ドメイン適応とＣｏｎｖ－ＥＤＮｅｔ＋との組合せ
ＰＶ発電機の配備およびそのような再生可能エネルギーが豊富なネットワークを動作させる複雑性の増加に起因して、測定値を正確にディスアグリゲーションすることはますます重要になってきた。モデル訓練は、教師あり深層学習ネットワークのために、多様で詳細なラベル付きデータを必要とする。この詳細データを集めることは、時間がかかり、高くつき、そして、多くの場合、プライバシーに関する懸念のために公益企業から得ることが難しい。この開示は、我々の上述のＣｏｎｖ－ＥＤＮｅｔ＋の拡張版である、ドメイン適応を用いた畳み込みエネルギーディスアグリゲーションネットワーク（convolutional energy disaggregation network with domain adaptation：ＣｏｎｖＥＤ－ＤＡＮ）を提示する。ドメイン適応の利用を通して、提案されたエネルギーディスアグリゲーションモデルは、合成データセットを使用することによって訓練され得るものの、現実世界データについての予測のために適用され得る。

電力システムアプリケーションでは、現実世界フィールドデータを得ることは難易度が高い。多くの電力システムアプリケーションのための深層学習アプリケーションを実証するために、合成によって生成されたデータが使用される。このデータは主としてコンピュータシミュレーションを使用して得られるが、それらは実際のシステムを表わしていないかもしれない。シミュレートされたデータのサイズは、ロバストなモデル訓練を保証するには適切ではないかもしれない。そのような問題に取り組むために、我々は、転移学習のサブカテゴリであるドメイン適応を使用することを提案する。ここで、訓練データは、２つのデータ、すなわち、ソースドメインデータとターゲットドメインデータとに分類される。ソースドメインデータは詳細なラベル付きデータセットであり、一方、ターゲットドメインデータは主として、ラベルではなく訓練特徴で構成される。ここで、モデルを訓練するために使用される合成の生成データが、ソースドメインデータである。ニューラルネットワークモデルをテストするために使用されるラベルなし現実世界データが、ターゲットドメインデータである。なお、ソースドメインデータおよびターゲットドメインデータは、同じ特徴空間を有するものの、異なるデータ分布を有する。ドメイン適応はエネルギーディスアグリゲーションにとって好適である。なぜなら、根本的なタスクが同じままであるためである。唯一の違いは、訓練データが実際の現実世界データとは異なる分布を有するということである。

ドメイン適応を行なうための弁別器の再利用
Ｃｏｎｖ－ＥＤＮｅｔ＋では、ネットワークは、敵対的訓練を行なうために弁別器８３０の弁別器ネットワーク８０５と組合されたＣｏｎｖ－ＥＤＮｅｔエネルギーディスアグリゲーションモデル（生成器８００）で構成される。生成器８００は、特徴抽出器８２１と、符号器８２２と、分離器ネットワーク８２３と、復号器８２４とを含む。ドメイン適応を取り入れるために、我々は、ドメイン適応のタスクを行なうために弁別器ネットワークを再利用する。根本的な考え方は、弁別器が、Ｃｏｎｖ－ＥＤＮｅｔ＋で使用されるディスアグリゲーションされた時系列の代わりに特徴空間を使用してモデルを敵対的に訓練するということである。目標は、ソースドメイン特徴空間とターゲットドメイン特徴空間との間の偏差を最小化することである。図８は、ドメイン適応タスクを行なうための再利用されるＣｏｎｖ－ＥＤＮｅｔ＋モデルを示す。グラウンドトゥルースラベルがソースドメインデータ８１０のために利用可能であるため、我々は、ソースドメインデータについての平均二乗誤差（ＭＳＥ）予測損失を計算することができる。しかしながら、我々はターゲットドメインデータ８２０が利用できないと仮定するため、これを行なうことができない。よって、我々は、ソースドメインデータを使用してネットワークパラメータを訓練するために、特徴空間に対してＭＳＥ損失関数を使用する。次に、生成器８００は、ソースドメインデータに対するＭＳＥ損失値および特徴空間に対するＭＳＥ損失値に対応する重み付き関数を使用して更新される。特徴空間ＭＳＥ値は、ソースドメインデータ８１０およびターゲットドメインデータ８２０の特徴空間間のギャップを最小化することを目標とする。最後に、弁別器８３０は、入力特徴空間がソースまたはターゲットドメインデータから得られる確率を計算するバイナリクロスエントロピー損失を使用して更新される。

Ｃｏｎｖ－ＥＤＮｅｔ＋とは異なり、ＣｏｎｖＥＤ－ＤＡＮのための弁別器８３０は主として、特徴空間におけるソースドメインデータおよびターゲットドメインデータを検出するために使用される。よって、弁別器は、Ｃｏｎｖ－ＥＤＮｅｔ＋について示されたように時間学習能力を用いて向上される必要がない。したがって、我々は弁別器を、減少する次元を有する連続する完全接続層で構成される簡略化されたものに修正する。まず、２つの連続する完全接続層が、活性化層およびドロップアウト層を通して接続される。活性化関数の選択は、リーキー（Leaky）ＲｅＬＵである。弁別器の最終層はシグモイド活性化関数であり、それは、入力データがソースドメインデータセットまたはターゲットドメインデータセットからのものである確率を出力する。最後に、最後から二番目の完全接続層の出力が、特徴空間ＭＳＥ損失を計算するために使用される。

図８は、ＣｏｎｖＥＤ－ＤＡＮモデルのフレームワークを示す。全体的な訓練アルゴリズムは図９に示される。

ＣｏｎｖＥＤ－ＤＡＮについてのテスト結果
まず、我々は、データ分布を分析することによって始める。ここで、実際のデータが利用できないため、我々は、異なる２年にわたって同じ月の同じ日に対応するデータを使用する。第１の年はソースドメインデータを表わし、第２の年はターゲットドメインデータを表わす。

図１０Ａは、純負荷測定値についてのソースドメインデータ１０１０およびターゲットドメインデータ１０２０の分布間のカルバック・ライブラー（Kullback-Leibler：ＫＬ）ダイバージェンスを示す。図１０Ｂは、ＰＶ発電データについてのソースドメイン１０３０とターゲットドメイン１０４０との間のＫＬダイバージェンスを示す。図１０Ｃは、固有負荷データについてのソースドメイン１０５０とターゲットドメイン１０６０との間のＫＬダイバージェンスを示す。

我々は、上述の図から、ターゲットドメインデータとソースドメインデータとの間の分布シフトに気付くことができる。これは、ドメイン適応タスクを検証する。次に、我々は、ドメイン適応を行なう結果を示す。

図１１Ａおよび図１１Ｂは、ディスアグリゲーションされた負荷およびＰＶ発電についての予測結果を要約する。まず、我々は、ソースドメインについて訓練されたモデルを使用するソースドメインデータの性能がどれよりも優れていることに気付いている。モデルがソースドメインデータを使用して訓練され、ターゲットドメインデータについて評価された場合、性能は低下する。次に、ドメイン適応（図における「ソース→ターゲット」として示された行に対応）を使用すると、我々は、ソースドメインデータについてのドメイン適応されたモデルの性能が若干低下することに気付いている。しかしながら、ドメイン適応されたモデルについてターゲットデータが評価される場合、優れた予測が得られる。これは、ドメイン適応を行なうことにより、ソースドメインデータについての性能は若干低下するものの、ターゲットドメインデータについての著しい改良が観測されるということを示す。結論として、ドメイン適応を行なうための訓練モデルは、ソースドメインデータについての性能と、ソースおよびターゲットドメインデータ間の特徴ギャップの最小化についての性能との間のトレードオフを伴う。

最後に、我々は、特徴空間に対するドメイン適応の効果を視覚化する。我々は、ソースおよびターゲットドメインデータについて得られた特徴空間を抽出し、それを、ｔ分布型確率的近傍埋め込み法（t-distributed stochastic neighbor embedding：ｔ－ＳＮＥ）を使用して２次元空間に減少させる。

図１２Ａは、ドメイン適応を使用する特徴空間の視覚化を示す概略図であり、１２０１および１２０２は、ターゲットドメインデータおよびソースドメインデータをそれぞれ表わす。

図１２Ｂは、ドメイン適応なしの特徴空間の視覚化を示す概略図であり、１２１０および１２２０は、ターゲットドメインデータおよびソースドメインデータをそれぞれ表わす。

図１２Ａに示されるように、ドメイン適応を使用することにより、ソースドメインデータ１２０２およびターゲットドメインデータ１２０１の特徴空間は、互いに著しく重複する。

電力分配システムのためのエネルギーディスアグリゲーションシステム
図１３は、本発明のいくつかの実施形態に従った、電力分配システム１００のためのエネルギーディスアグリゲーションシステムを示すブロック図である。

エネルギーディスアグリゲーションシステム１３００は、キーボード１３１１およびポインティングデバイス／媒体１３１２と接続可能なヒューマン・マシン・インターフェイス（human machine interface：ＨＭＩ）１３０２と、プロセッサ１３１０と、ストレージデバイス１３２０と、メモリ１３４０と、ローカルエリアネットワークおよびインターネットネットワークを含むネットワーク１３６１と接続可能なネットワークインターフェイスコントローラ１３０３（network interface controller：ＮＩＣ）と、ディスプレイデバイス１３６４に接続されたディスプレイインターフェイス１３０４と、入力デバイス１３６５と接続可能な入力インターフェイス１３０５と、プリンティングデバイス１３６６と接続可能なプリンターインターフェイス１３０６とを含む。

エネルギーディスアグリゲーションシステム１３００は、分配システム１００に配置された変電所１７５またはフィーダ１６５の電圧および電流測定値１６６、もしくは、再生可能発電１４５および顧客負荷１５５の調整ステータス１４６および１５６、を示す電気信号１９５を、ＮＩＣ１３０３に接続されたネットワーク１３６１を介して受信することができる。ネットワーク１３６１は外部システム１３０１に接続される。外部システム１３０１は、測定デバイスおよび発電または負荷コントローラの遠隔制御を行なうために、分配システム１００の測定デバイス１１０に、もしくは、発電１４５または負荷需要１５５のコントローラに制御信号を提供することができる。また、エネルギーディスアグリゲーションシステム１３００は、外部システム１３０１が、分配システム１００に配置された測定、発電または需要調整アクションを制御できるように、ネットワーク１３６１を介してステータスデータ（信号）を制御する外部システム１３０１を提供することができる。また、エネルギーディスアグリゲーションシステム１３００は、ネットワーク１３６１を介してエネルギーディスアグリゲーションシステム１３００の制御データ（信号）を受信することによって、外部システム１３０１から制御され得る。

ストレージデバイス１３２０は、分配システム１００およびエネルギーディスアグリゲーションシステムプログラムモジュール１３３０に関する、履歴負荷、発電および純負荷データ１３２８を含む。入力デバイス／媒体１３６５は、コンピュータ読取可能録媒体（図示せず）上に格納されたプログラムを読み取るモジュールを含んでいてもよい。分配システム１００のためのエネルギーディスアグリゲーションを行なうために、エネルギーディスアグリゲーションシステム１３００は、分配システム１００に含まれる測定デバイス１１０から分配システム１００のステータスデータ１６６を受信してもよい。

本発明のいくつかの実施形態によれば、分配システム１００は、変電所（トランスの２次側バスのみが図に示される）１７５と、１組のフィーダ１６５と、１組のＣＰＯＷ測定デバイス１１０と、１組の再生可能発電機１４５と、１組の顧客負荷１５５とを含んでいてもよい。エネルギーディスアグリゲーションシステム１３００はインターフェイス１３０３を使用して、測定された電圧および電流データを、ネットワーク１３６１（通信ネットワーク）を介して受信する。メモリ１３４０は、ストレージ１３２０に格納されたコンピュータ実行可能プログラムをロードすることができ、コンピュータ実行可能プログラムは、履歴データ１３２８と、分配システム１００のためのエネルギーディスアグリゲーションを行なうように構成されたエネルギーディスアグリゲーションシステムプログラム（モジュール）１３３０とを含む。

エネルギーディスアグリゲーションシステムプログラム（モジュール）１３３０は、データ処理および高調波スペクトル抽出プログラムモジュール１１３と、符号器ネットワーク１１７と、特徴抽出器ネットワーク１１６と、分離器ネットワーク１１８と、復号器ネットワーク１１９とを含んでいてもよい。メモリ１３４０およびインターフェイス１３０３と接続された少なくとも１つのプロセッサ１３１０が、ストレージ１３２０からロードされたエネルギーディスアグリゲーションシステムプログラム１３３０を行なうために使用される。たとえば、分配システム１００についての異常周波数軌跡が外部システム１３０１によって捕らえられた場合、エネルギーディスアグリゲーションタスクが、プロセッサ１３１０を通して、外部システム１３０１によってトリガされ得る。エネルギーディスアグリゲーションモジュール１３３０はさらに、プロセッサ１３１０が、測定値１９５から電圧および電流ＣＰＯＷデータを受信するようにする。測定値１９５からこれらの純負荷ＣＰＯＷ測定値を受信すると、エネルギーディスアグリゲーションモジュール１３３０はまず、ディスアグリゲーションのための時間周波数ドメイン特徴を準備するためにデータ処理および高調波スペクトル抽出モジュール１１３を実行し、次に、エネルギーディスアグリゲーションモジュール１３３０は、データ処理モジュール１１３によって生成された時間周波数特徴に従って、復号器１１９、分離器ネットワーク１１８、特徴抽出器１１６、および符号器１１７というその統合サブネットワークを通して、固有負荷とＰＶ発電との分離を実現する。次に、プロセッサ１３１０は、分配システム１００についての予測された再生可能発電および固有負荷に関するディスアグリゲーション結果データを、ＮＩＣ１３０３を通して外部システム１３０１に戻すように出力する。次に、ディスアグリゲーション結果データに基づいて、外部システム１３０１は、異常なより高い周波数が検出された場合には再生可能エネルギーをあふれさせ、異常なより低い周波数が識別された場合には負荷需要を削減するように判断することができる。外部システム１３０１は次に、対応する調整信号を、分配システム１００における発電機１４５および負荷１５５に戻すように送信する。また、インターフェイス（ＮＩＣ）１３０３は、測定信号１６６と、発電調整ステータス１４６および負荷調整ステータス１５６との更新１９５を、事前設定された期間ごとに、分配システム１００からネットワーク１３６１を介して受信することができる。場合によっては、瞬間再生可能発電の予測を始める／行なうための命令が、キーボード１３１１を使用して、または、外部システム１３０１からネットワーク１３６１を介して、エネルギーディスアグリゲーションシステム１３００に送信される。

本開示の上述の実施形態は、多くのやり方のうちのいずれかで実現され得る。たとえば、実施形態は、ハードウェア、ソフトウェア、またはそれらの組合せを使用して実現されてもよい。ソフトウェアで実現される場合、ソフトウェアコードが、任意の好適なプロセッサまたはプロセッサの集合上で、当該プロセッサが単一のコンピュータにおいて提供されようと複数のコンピュータ中に分散されようと、実行されてもよい。そのようなプロセッサは、集積回路部品において１つ以上のプロセッサを有する集積回路として実現されてもよい。しかしながら、プロセッサは、任意の好適なフォーマットの回路を使用して実現されてもよい。

また、ここで概説されるさまざまな方法またはプロセスは、さまざまなオペレーティングシステムまたはプラットフォームのいずれか１つを採用する１つ以上のプロセッサ上で実行可能なソフトウェアとして符号化されてもよい。加えて、そのようなソフトウェアは、いくつかの好適なプログラミング言語および／またはプログラミングツールまたはスクリプトツールのいずれかを使用して書かれてもよく、フレームワークまたは仮想マシン上で実行される実行可能マシン言語コードまたは中間コードとしてコンパイルされてもよい。典型的には、プログラムモジュールの機能性は、さまざまな実施形態において所望されるように組合わされるかまたは分散されてもよい。

また、本開示の実施形態は、その例が提供された方法として具現化されてもよい。当該方法の一部として実行される動作は、任意の好適なやり方で順序付けられてもよい。したがって、例示的な実施形態では連続的な動作として示されていても、動作が例示とは異なる順序で実行される実施形態が構築されてもよい。したがって、添付された請求項の目的は、本開示の真の精神および範囲内に収まるようにそのようなすべての変形および変更を網羅することである。

本開示を、ある好ましい実施形態を参照して説明してきたが、本開示の精神および範囲内で他のさまざまな他の適応および変更が実施可能であることが理解されるべきである。したがって、添付された請求項の局面は、本開示の真の精神および範囲内に収まるようにそのようなすべての変形および変更を網羅することである。

Claims

連続ポイントオンウェーブ（ＣＰＯＷ）測定ユニットを使用して分配システムレベルの純負荷測定値のエネルギーディスアグリゲーションを分配システムに対して行なうための、コンピュータにより実現される方法であって、前記方法は、メモリに格納された、符号器ネットワーク、特徴抽出器、分離器ネットワーク、復号器ネットワークを含むニューラルネットワークを使用して前記方法を実現するメモリ格納命令と結合されたプロセッサを使用し、前記命令は、前記プロセッサによって実行されると前記方法のステップを実施し、前記ステップは、
前記ＣＰＯＷ測定ユニットを介して電圧および電流測定値から純負荷時系列データを生成するステップと、
前記符号器ネットワークを使用して、前記純負荷時系列データから、圧縮された潜在空間表現を生成するステップと、
短時間フーリエ変換（ＳＴＦＴ）方法を使用して、前記純負荷時系列データを時間周波数ドメインに変換するステップと、
純負荷時系列データの変換された時間周波数ドメイン表現を有する時間ドメインコンテキスト情報を、高調波特徴を正確に抽出するように訓練された前記特徴抽出器に渡すステップと、
前記圧縮された潜在空間表現に重みを割り当てるように訓練された前記分離器ネットワークを使用して、前記符号器ネットワークからの出力で乗算されるべき２つの重み行列を推定し、固有負荷および光起電力（ＰＶ）発電の時間特徴を学習するステップと、
前記復号器ネットワークを使用して、前記固有負荷および前記ＰＶ発電に対応する重み付けされた前記圧縮された潜在空間表現を、前記符号器ネットワークおよび前記分離器ネットワークの出力からの時間ドメイン表現に変換するステップと、
ディスアグリゲーション後調節方法を使用して、前記固有負荷および前記ＰＶ発電に対応する変換された前記時間ドメイン表現から、分配システムレベルでの前記固有負荷および前記ＰＶ発電を予測するステップとを含む、方法。
前記符号器ネットワークは、１次元（１Ｄ）畳み込み演算を行なって、前記純負荷時系列を純負荷の前記圧縮された潜在空間表現に変換する、請求項１に記載の方法。
前記特徴抽出器は、前記ＳＴＦＴ方法を使用して、インバータベースのＰＶ発電によって前記分配システムに導入された前記高調波特徴を識別する、請求項１に記載の方法。
前記分離器ネットワークは、時間畳み込みネットワーク（ＴＣＮ）を使用して前記時間特徴を学習し、
前記ＴＣＮは、スタックされた拡張１ＤＴＣＮブロックの連続層を含み、前記スタックされた拡張１ＤＴＣＮブロックの各々はゲート付き残余ネットワークで構成される、請求項１に記載の方法。
前記スタックされた拡張１ＤＴＣＮブロックは、スタックされた層の数の関数として拡張係数が指数関数的に増加し続けるように互いにスタックされる、請求項４に記載の方法。
各１ＤＴＣＮブロックは、ＴＣＮおよび残余学習を新しい残余ブロックに取り入れる残余時間ゲート付き線形ユニット（ＲＴ－ＧＬＵ）である、請求項５に記載の方法。
前記復号器ネットワークは、１Ｄ転置畳み込みを使用して、重み付けされた前記潜在空間表現を、重み付けされた前記潜在空間表現の時間ドメイン表現に戻るように変換する、請求項１に記載の方法。
前記ディスアグリゲーション後調節方法は、総重み付け二乗誤差を最小化することによって、ディスアグリゲーションされた前記固有負荷および前記ＰＶ発電の値を、それらの予測値周りで精密化して、ディスアグリゲーションされた前記固有負荷と前記ＰＶ発電との差が前記純負荷測定値と等しいことを保証するために使用される、請求項１に記載の方法。
エネルギーディスアグリゲーションの敵対的学習を行なうために、生成器として再編成された前記ニューラルネットワークに弁別器が追加され、
前記弁別器の入力は、純負荷測定値と、前記生成器の出力に基づいて決定された純負荷との間でシャッフルされ、
前記生成器は、前記符号器ネットワーク、前記特徴抽出器、前記分離器ネットワーク、および前記復号器ネットワークによって構成され、
前記生成器の入力は、ＣＰＯＷユニットからの実測データである、請求項１に記載の方法。
前記弁別器は、特徴抽出のための畳み込み層と、純負荷の時間特性をモデル化するためのゲート付き回帰型ユニット（ＧＲＵ）と、ＧＲＵの出力から分類確率を出力するための、減少する次元を有する連続スタック線形層とを含む、より深いネットワークであり、
前記確率は、入力データがＣＰＯＷユニットからの前記実測データであるか、または、前記生成器からの生成データであるかを示す、請求項９に記載の方法。
前記弁別器の前記入力は特徴空間であり、
前記弁別器は、純負荷データの２つの異なる源によって訓練され、一方のデータ源は固有負荷およびＰＶ発電ラベルを有するソースドメインであり、他方のデータ源は固有負荷およびＰＶ発電ラベルを有していないターゲットドメインであり、
訓練中に、ソースドメイン特徴空間とターゲットドメイン特徴空間との間の偏差は最小化される、請求項９に記載の方法。
前記弁別器は、減少する次元を有する連続する完全接続層で構成され、
前記弁別器の最終層はシグモイド活性化関数であり、
前記シグモイド活性化関数の出力は、ソースドメインデータセットまたはターゲットドメインデータセットからの入力データである確率である、請求項１１に記載の方法。
連続ポイントオンウェーブ（ＣＰＯＷ）測定ユニットを使用して分配システムレベルの純負荷測定値のエネルギーディスアグリゲーションを分配システムに対して行なうためのエネルギーディスアグリゲーションシステムであって、
前記分配システムに配置された変電所またはフィーダの電圧および電流測定値を示す電気信号の測定データを受信するように構成されたネットワークインターフェイスコントローラと、
符号器ネットワーク、特徴抽出器、分離器ネットワーク、および復号器ネットワークを含むニューラルネットワークを使用してエネルギーディスアグリゲーション方法を実現する命令を格納するように構成されたメモリと、
前記メモリと結合されたプロセッサとを含み、前記プロセッサは、前記エネルギーディスアグリゲーション方法のステップを実施する前記命令を実行するように構成され、前記ステップは、
前記符号器ネットワークと前記電気信号の前記測定データとを使用して、純負荷時系列から圧縮された潜在空間表現を生成するステップと、
短時間フーリエ変換（ＳＴＦＴ）方法を使用して、前記純負荷時系列を時間周波数ドメインに変換するステップと、
純負荷時系列の変換された時間周波数ドメイン表現を有する時間ドメインコンテキスト情報を、高調波特徴を正確に抽出するように訓練された前記特徴抽出器に渡すステップと、
前記圧縮された潜在空間表現に重みを割り当てるように訓練された前記分離器ネットワークを使用して、前記符号器ネットワークからの出力で乗算されるべき２つの重み行列を推定し、固有負荷および光起電力（ＰＶ）発電の時間特徴を学習するステップと、
前記復号器ネットワークを使用して、前記固有負荷および前記ＰＶ発電に対応する重み付けされた前記圧縮された潜在空間表現を、前記符号器ネットワークおよび前記分離器ネットワークの出力からの時間ドメイン表現に変換するステップと、
ディスアグリゲーション後調節方法を使用して、前記固有負荷および前記ＰＶ発電に対応する変換された前記時間ドメイン表現から、分配システムレベルでの前記固有負荷および前記ＰＶ発電を予測するステップとを含む、エネルギーディスアグリゲーションシステム。
前記符号器ネットワークは、１次元（１Ｄ）畳み込み演算を行なって、前記純負荷時系列を純負荷の前記圧縮された潜在空間表現に変換する、請求項１３に記載のエネルギーディスアグリゲーションシステム。
前記特徴抽出器は、前記ＳＴＦＴ方法を使用して、インバータベースのＰＶ発電によって前記分配システムに導入された前記高調波特徴を識別する、請求項１３に記載のエネルギーディスアグリゲーションシステム。
前記分離器ネットワークは、時間畳み込みネットワーク（ＴＣＮ）を使用して前記時間特徴を学習し、
前記ＴＣＮは、スタックされた拡張１ＤＴＣＮブロックの連続層を含み、前記スタックされた拡張１ＤＴＣＮブロックの各々はゲート付き残余ネットワークで構成される、請求項１３に記載のエネルギーディスアグリゲーションシステム。
前記スタックされた拡張１ＤＴＣＮブロックは、スタックされた層の数の関数として拡張係数が指数関数的に増加し続けるように互いにスタックされる、請求項１６に記載のエネルギーディスアグリゲーションシステム。
各１ＤＴＣＮブロックは、ＴＣＮおよび残余学習を新しい残余ブロックに取り入れる残余時間ゲート付き線形ユニット（ＲＴ－ＧＬＵ）である、請求項１７に記載のエネルギーディスアグリゲーションシステム。
前記復号器ネットワークは、１Ｄ転置畳み込みを使用して、重み付けされた前記潜在空間表現を、重み付けされた前記潜在空間表現の時間ドメイン表現に戻るように変換する、請求項１３に記載のエネルギーディスアグリゲーションシステム。
前記ディスアグリゲーション後調節方法は、総重み付け二乗誤差を最小化することによって、ディスアグリゲーションされた前記固有負荷および前記ＰＶ発電の値を、それらの予測値あたりで精密化して、ディスアグリゲーションされた前記固有負荷と前記ＰＶ発電との差が前記純負荷測定値と等しいことを保証するために使用される、請求項１３に記載のエネルギーディスアグリゲーションシステム。
エネルギーディスアグリゲーションの敵対的学習を行なうために、生成器として再編成された前記ニューラルネットワークに弁別器が追加され、
前記弁別器の入力は、純負荷測定値と、前記生成器の出力に基づいて決定された純負荷との間でシャッフルされ、
前記生成器は、前記符号器ネットワーク、前記特徴抽出器、前記分離器ネットワーク、および前記復号器ネットワークによって構成され、
前記生成器の入力は、ＣＰＯＷユニットからの実測データである、請求項１３に記載のエネルギーディスアグリゲーションシステム。
前記弁別器は、特徴抽出のための畳み込み層と、純負荷の時間特性をモデル化するためのゲート付き回帰型ユニット（ＧＲＵ）と、ＧＲＵの出力から分類確率を出力するための、減少する次元を有する連続スタック線形層とを含む、より深いネットワークであり、
前記確率は、入力データがＣＰＯＷユニットからの前記実測データであるか、または、前記生成器からの生成データであるかを示す、請求項２１に記載のエネルギーディスアグリゲーションシステム。
前記弁別器の前記入力は特徴空間であり、
前記弁別器は、純負荷データの２つの異なる源によって訓練され、一方のデータ源は固有負荷およびＰＶ発電ラベルを有するソースドメインであり、他方のデータ源は固有負荷およびＰＶ発電ラベルを有していないターゲットドメインであり、
訓練中に、ソースドメイン特徴空間とターゲットドメイン特徴空間との間の偏差は最小化される、請求項２１に記載のエネルギーディスアグリゲーションシステム。
前記弁別器は、減少する次元を有する連続する完全接続層で構成され、
前記弁別器の最終層はシグモイド活性化関数であり、前記シグモイド活性化関数の出力は、ソースドメインデータセットまたはターゲットドメインデータセットからの入力データである確率である、請求項２３に記載のエネルギーディスアグリゲーションシステム。