一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统技术方案

本发明专利技术公开了一种基于Bi‑GRU‑SA的家庭用电负荷分解方法及系统，方法包括：采集用户的家庭用电功率数据和一段时间内单个设备功率数据；建立基于自注意力机制的双向门控递归神经网络的负荷分解模型；将所述家庭用电功率数据分为训练集数据和测试集数据；使用所述训练集对所述负荷分解模型进行训练；门控神经网络将能够很好地避免梯度爆炸和局部最优；双向机制可充分利用未来时刻的信息；自注意力机制使得重要特征得以突出；故本发明专利技术提出的家庭用电负荷分解方法能使得负荷分解的准确性大大提高。

【技术实现步骤摘要】
一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统
本专利技术涉及智能用电
，具体涉及一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统。
技术介绍
目前，无论是生产领域还是消费领域，均致力于降低电能消耗，使得能源得到高效的利用，从而实现能源的可持续发展。对于业主和住户而言，知晓家庭各用电设备的电力消耗情况，更利于做出针对性的节电行为。负荷监测技术是比较主流的电力设备的电力消耗检测技术，负荷监测技术分为侵入式负荷监测和非侵入式负荷分解。侵入式负荷监测需要为每一台用电设备配备具有通信功能的传感器，通过传感器采集各用电设备的用电信息来分析用户用电行为。非侵入式负荷分解是一种仅需在用户的电力输入端采集总负荷数据并将用户总负荷分解为各项电气设备负荷的技术。它能够为居民用户提供家电设备的具体能耗信息，从而指导用户经济合理地安排用电，提高能源利用效率；更有利于指导电网公司合理安排调度，实现消峰填谷。此外，相对于侵入式监测技术，非侵入式负荷分解技术无需居民用户在各设备端安装数据采集单元，保护了用户的隐私安全，同时减少了安装、检测成本，实用性更强。非侵入式负荷分解技术的准确性依赖于提取的负荷特征的有效性及所用识别方法的有效性。现有的非侵入式负荷分解技术提取的是电气当前运行时刻的特征，而电气设备的运行状态特征是时间关联的，即设备当前时刻运行状态与前一时刻运行状态相关，同时也影响后一时刻运行状态。仅仅采用当前运行时刻的特征没有考虑到特征的时间关联性，也没有考虑不同特征之间的重要性差异，导致最终的分解结果的准确性有待提升。
技术实现思路
本专利技术的主要目的是提供一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统，旨在解决现有技术中非侵入式负荷分解技术的最终分解结果的准确性有待提升的问题。本专利技术提出一种基于Bi-GRU-SA的家庭用电负荷分解方法，本方法包括：采集用户的家庭用电功率数据和一段时间内单个设备功率数据；建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型；将所述家庭用电功率数据分为训练集数据和测试集数据；使用所述训练集数据对所述负荷分解模型进行训练；应用所述负荷分解模型对用户进行家庭用电负荷分解。优选的，所述建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型，包括：建立包括双向门控递归神经网络，其中，所述双向门控递归神经网络的输出变量的表达式为：其中，Yt为所述输出变量，所述双向门控递归神经网络包括前向层和后向层，所述前向层用于处理下一时刻的信息，所述后向层用于处理上一时刻的信息，xt为输入的时间序列，为所述前向层的输出隐藏因子，为所述后向层的输出隐藏因子，Yt为输出变量，wb、w'b、wf和w'f均为权值向量；将所述双向门控递归神经网络作为负荷分解模型。优选的，所述建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型，还包括：建立自自注意力机制层，其中，所述自注意力机制层的环境向量的表达式为：其中，fatt为注意力函数，va和wa均为可学习的网络参数，Ht为当前时刻的隐藏状态序列，Hi为i时刻的隐藏状态序列，且有Hi＝{h1,h2,...,hn}，{h1,h2,...,hn}itanh表示激活函数，为双曲正切函数，为i时刻的隐藏状态向量，αi为注意力权重，αi表示各历史时刻的所述隐藏状态向量产生的注意力权重，C为环境向量，C表示所述注意力权重对当前时刻的所述隐藏状态序列的线性加权组合；建立全连接层和归一化指数函数层；将所述双向门控递归神经网络、所述自自注意力机制层、所述全连接层与所述归一化指数函数层构建为所述负荷分解模型。优选的，所述使用所述训练集数据对所述负荷分解模型进行训练，包括：采用有监督式学习算法训练所述非侵入式负荷分解模型以得到的模型参数；优选的，所述使用所述训练集数据对所述负荷分解模型进行训练，之后还包括：对使用训练好的所述负荷分解模型对所述测试集数据进行分解而产生的输出结果进行准确性检验。优选的，所述采集用户的家庭用电功率数据，之后还包括：对所述家庭用电功率数据进行去噪及归一化处理。优选的，所述对所述家庭用电功率数据进行去噪及归一化处理，包括：采用基于贝叶斯估计的小波去噪法对所述家庭用电功率数据进行去噪处理。优选的，所述采用基于贝叶斯估计的小波去噪法对所述家庭用功率数据进行去噪处理，之后还包括：采用(0,1)标准化算法对去噪处理后的所述家庭用电功率数据进行归一化处理。本专利技术还提出一种基于Bi-GRU-SA的家庭用电负荷分解系统，应用于如上述任一项所述的基于Bi-GRU-SA的家庭用电负荷分解方法，所述系统包括：采集模块，用于采集用户的家庭用电功率数据和一段时间内单个设备功率数据，并将所述家庭用电功率数据分为训练集数据和测试集数据；负荷分解模块，用于建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型；训练及测试模块，用于使用所述训练集数据对所述负荷分解模型进行训练；应用模块，用于应用所述负荷分解模型对用户进行家庭用电负荷分解。通过上述技术方案，能实现以下有益效果：本专利技术提出的一种基于Bi-GRU-SA的家庭用电负荷分解方法；本方法的核心在于建立一个负荷分解模型，且这个模型是基于Bi-GRU-SA的；这里的Bi-GRU-SA为(Bi-directionalGatedRecurrentUnit-SelfAttentionmechanism)，即为引入自注意力机制的双向门控递归单元神经网络；也就是在门控递归神经网络GRU中引入双向机制(Bi-directional)及自注意力机制(自注意力机制SelfAttentionmechanism)。负荷分解的准确性依赖于提取的负荷特征的有效性及所用识别方法的有效性；即现有的非侵入式负荷分解技术提取的是电气当前运行时刻的特征，而电气设备的运行状态特征是时间关联的，即设备当前时刻运行状态与前一时刻运行状态相关，同时也影响后一时刻运行状态。仅仅采用当前运行时刻的特征没有考虑到特征的时间关联性，也没有考虑不同特征之间的重要性差异，导致最终的分解结果的准确性有待提升。门控神经网络在处理时间序列时具有显著优势，已在语音、文本、财务数据、音频、视频、天气等时序数据的处理中获得巨大成功。本专利技术利通过双向门控神经网络(Bi-GRU)的双向机制自动将设备运行当前时刻、前一时刻和后一时刻特征纳入特征提取，从而使得负荷分解的准确性提高。由于门控神经网络采用两个门控制信息的传递和更新，作为长短期记忆网络(LSTM，LongShort-TermMemory)的变种，相比长短期记忆网络(LSTM)具有更为简单的结构，因而使得负荷分解具有更快的速度。此外，自注意力机制(Attentionmechan本文档来自技高网...

【技术保护点】
1.一种基于Bi-GRU-SA的家庭用电负荷分解方法，其特征在于，包括：/n采集用户的家庭用电功率数据和一段时间内单个设备功率数据；/n建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型；/n将所述家庭用电功率数据分为训练集数据和测试集数据；/n使用所述训练集数据对所述负荷分解模型进行训练；/n应用所述负荷分解模型对用户进行家庭用电负荷分解。/n

【技术特征摘要】
1.一种基于Bi-GRU-SA的家庭用电负荷分解方法，其特征在于，包括：
采集用户的家庭用电功率数据和一段时间内单个设备功率数据；
建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型；
将所述家庭用电功率数据分为训练集数据和测试集数据；
使用所述训练集数据对所述负荷分解模型进行训练；
应用所述负荷分解模型对用户进行家庭用电负荷分解。


2.根据权利要求1所述的基于Bi-GRU-SA的家庭用电负荷分解方法，其特征在于，所述建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型，包括：
建立双向门控递归神经网络，其中，所述双向门控递归神经网络的输出变量Yt的表达式为：









其中，Yt为所述输出变量，所述双向门控递归神经网络包括前向层和后向层，所述前向层用于处理下一时刻的信息，所述后向层用于处理上一时刻的信息，xt为输入的时间序列，为所述前向层的输出隐藏因子，为所述后向层的输出隐藏因子，Yt为输出变量，wb、w'b、wf和w'f均为权值向量；
将所述双向门控递归神经网络作为负荷分解模型。


3.根据权利要求1所述的基于Bi-GRU-SA的家庭用电负荷分解方法，其特征在于，所述建立基于引入自注意力机制的双向门控递归神经网络的负荷分解模型，还包括：
建立自自注意力机制层，其中，所述自注意力机制层的环境向量的表达式为：









其中，fatt为注意力函数，va和wa均为可学习的网络参数，Ht为当前时刻的隐藏状态序列，Hi为i时刻的隐藏状态序列，且有Hi＝{h1,h2,...,hn}，{h1,h2,...,hn}itanh表示激活函数，为双曲正切函数，为i时刻的隐藏状态向量，αi为注意力权重，αi表示各历史时刻的所述隐藏状态向量产生的注意力权重，C为环境向量，C表示所述注意力权重对当前时刻的所述隐藏状态序列的线性加权组合；
建立全连接层和归一化指数函数层；
将所述双...

【专利技术属性】
技术研发人员：何洪英，罗滇生，黎灿兵，周斌，蒋宇翔，高思远，尹希浩，赵友琳，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43