一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法技术

本发明专利技术公开了一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法。本发明专利技术提出一种结合外部注意力机制的Seq2Point非侵入式负荷分解方法，实现了训练时间成本不增加的情况下的分解精度的提升。首先，将采集到的功率序列进行数据预处理，并构建窗口数据；接着，利用编码器对窗口数据处理得到原始特征编码；然后，利用外部注意力机制修正原始特征编码，得到修正特征编码；将原始特征编码和修正特征编码进行残差连接，得到综合特征编码；最后，通过解码器解码综合特征编码，实现非侵入式负荷分解。本方法能利用低频功率序列信息，花费少量的训练时间，实现准确的非侵入式负荷分解。本方法能够为进一步挖掘用户用电信息提供帮助，为电网需求侧响应提供参考。为电网需求侧响应提供参考。

【技术实现步骤摘要】
一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法


[0001]本专利技术属于非侵入式负荷分解检测领域，涉及一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法。

技术介绍

[0002]非侵入式负荷分解(Non
‑
Intrusive Load Disaggregation，NILD)是通过获取在某一区域入口侧智能电表总用电信息后进行一定技术手段分解，获得用户的用电情况及能耗数值。分解得到的信息在设备故障监测、需求侧响应、数据分析等方面具有重要的意义。相比较传统的侵入式负荷分解(Intrusive Load Disaggregation，ILD)，NILD不仅减少了传感设备的数量，同时免去了对现有用电线路改造以及维护的问题，是一种成本低廉、易与实现的分解方式。NILD最早由Hart教授在上世纪80年代提出，但受计算能力的限制，以及模型精度不足的缺点，并没有引起广泛的关注。直到近十年，随着世界各国智能电网建设快速推进以及以英伟达、谷歌等公司为代表的人工智能技术兴起，电力系统开始转向以大数据和物联网为支撑的信息物理融合系统。用户侧部署的大量智能电表，不单单可以实现传统的电费计量功能，还能提供海量的电力数据。

技术实现思路

[0003]NILD是典型的时间序列分析问题，可以分为基于暂态特征信号分解以及基于稳态特征信号分解两类。基于暂态特征信号分解通常采用高频采样数据。基于稳态特征信号的方法通常采用低频采样数据，通常是低频采集的功率、电压、电流等数据。有学者已经将深度学习应用于NILD，取得了良好的效果。有的模型利用Seq2Seq方法进行非侵入式负荷分解，有的模型利用注意力机制进行负荷分解，但是在训练时间成本和模型分解精度上存在矛盾，专利技术人提出一种结合外部注意力机制的Seq2Point非侵入式负荷分解方法，在训练时间成本不增加的基础上，提高非侵入式负荷分解精度。
[0004]本专利技术提出的结合外部注意力机制的Seq2Point非侵入式负荷分解方法，包括以下步骤：
[0005]步骤1：输入数据的预处理以及窗口数据的制作；
[0006]步骤1
‑
1：数据整理；
[0007]对所有数据下采样，降低数据频率，并将设备功率数据与总负荷数据对齐时间戳；
[0008]步骤1
‑
2：数据标准化处理；
[0009]利用对所有负荷数据标准化处理，其中x'
t
表示预处理之后的结果，x
t
表示采集设备在t时刻的功率读数，表示采集到的功率读数序列的平均值，σ为采集到的功率读数序列的标准差；
[0010]步骤1
‑
3：构造窗口数据；
[0011]取t时刻至t+s
‑
1时刻已标准化之后的数据序列为一个窗口数据，表示为z＝{x'
t
,x'
t+1
,x'
t+2
,...,x'
t+s
‑1}，s表示窗口长度。
[0012]步骤2：构建用于非侵入式负荷分解的结合外部注意力机制与Seq2Point的非侵入式负荷分解模型；
[0013]利用基于一维卷积层的编码器对窗口数据进行特征编码，得到原始特征编码信息；利用外部注意力机制修正原始特征编码信息，得到修正特征编码信息；对原始特征编码信息和修正特征编码信息进行残差连接，得到综合特征编码信息；最后通过基于线性层的解码器解码综合特征编码信息得到设备负荷分解值O，实现从窗口数据z到负荷分解值O的非侵入式负荷分解。
[0014]步骤2
‑
1：利用基于一维卷积层的编码器对窗口数据编码进行特征编码，表示为C＝Encode(z)；
[0015]Encode(z)＝[Conv1D(z)]k
，k＝1,2,3,...,K，表示窗口数据z经过了k个一维卷积层进行连续变化，而不是窗口数据z经过一个卷积层之后进行k次幂；
[0016]Conv1D(z)＝(c1,c2,...,c
i
,...,c
s
‑
l
‑1)，c
i
表示的第i个位置的特征向量，c
i
＝f(kernal
e
·
x'
i:i+l
‑1+b)，b是偏置向量，kernal
e
表示第e个大小为1
×
l的卷积核，表示卷积核kernal
e
的第i个位置的特征值，x'
i:i+l
‑1表示向量(x'
i
,x'
i+1
,x'
i+2
,...,x'
i+l
‑1)，f表示激活函数；
[0017]步骤2
‑
2：利用外部注意力机制修正原始特征编码信息，得到修正特征编码信息，表示为E＝EA(C)；
[0018]首先对C进行Query操作，表示为Q＝Query(C)；然后利用外部记忆单元M
k
处理Q，即R＝M
k
(Q)，接着将R标准化得到S，即S＝Noraml(R)，最后利用外部记忆单元M
v
处理S得到修正特征编码信息E，即E＝M
v
(S)；
[0019]Query操作是通过卷积层来实现；
[0020]M
k
(
·
)和M
v
(
·
)是通过线性层来实现；线性层表示为Y＝f(WX+b)，是X线性层的输入，W是权值矩阵；
[0021]Noraml(
·
)标准化操作的计算过程为其中是输入的初始数据矩阵中第i行的第j列位置上的数据，为对矩阵的行进行标准化运算结果；α
i,j
为对矩阵的列进行标准化运算结果；
[0022]步骤2
‑
3：将原始特征编码信息和修正特征编码信息进行残差连接，得到综合特征编码信息，表示为F＝E+C；
[0023]步骤2
‑
4：利用基于线性层的解码器对综合特征编码信息进行解码，表示为O＝Decode(F)，实现从窗口数据z到负荷分解值O的非侵入式负荷分解；
[0024]Decode(F)＝[Y＝f(WF+b)]u
，u＝1,2,3,...,U，表示综合特征编码信息F经过u个线性层进行连续变化得到解码信息，而不是F经过一个线性层之后进行u次幂。
附图说明
[0025]图1为实施非侵入式负荷分解的流程图；
[0026]图2为结合外部注意力机制的Seq2Point非侵入式负荷分解模型的具体结构；
[0027]图3为外部注意力机制的结构示意图；
[0028]图4为Seq2Point方法、CBAM方法和本方法的分解效果示意图。
具体实施方式
[0029]下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法包括以下步骤：步骤1：输入数据的预处理以及窗口数据的制作；为了规范输入数据，扩大分解方法的适用范围，考虑功率数据序列数值范围不一致以及功率数据采样频率不一致的情况，通过数据标准化，数据下采样，构造窗口数据三个操作对数据进行处理；步骤2：构建用于非侵入式负荷分解的结合外部注意力机制与Seq2Point的非侵入式负荷分解模型；利用基于一维卷积层的编码器对窗口数据进行特征编码，得到原始特征编码信息；利用外部注意力机制修正原始特征编码信息，得到修正特征编码信息；对原始特征编码信息和修正特征编码信息进行残差连接，得到综合特征编码信息；最后通过基于线性层的解码器解码综合特征编码信息得到设备负荷分解值O，实现从窗口数据z到负荷分解值O的非侵入式负荷分解。2.根据权利要求1所述的输入数据预处理以及窗口数据的制作步骤，其特征在于，所述权利要求1的步骤1中，数据标准化、数据下采样和构造窗口数据，步骤如下：步骤1
‑
1：数据整理；对所有数据下采样，降低数据频率，并将设备功率数据与总负荷数据对齐时间戳；步骤1
‑
2：数据标准化处理；利用对所有负荷数据标准化处理，其中x'
t
表示预处理之后的结果，x
t
表示采集设备在t时刻的功率读数，表示采集到的功率读数序列的平均值，σ为采集到的功率读数序列的标准差；步骤1
‑
3：构造窗口数据；取t时刻至t+s
‑
1时刻已标准化之后的数据序列为一个窗口数据，表示为z＝{x'
t
,x'
t+1
,x'
t+2
,...,x'
t+s
‑1}，s表示窗口长度。3.根据权利要求1所述的构建用于非侵入式负荷分解的结合外部注意力机制与Seq2Point的非侵入式负荷分解模型，其特征在于，所述权利要求1的步骤2中，建立用于非侵入式负荷分解的结合外部注意力机制与Seq2Point的非侵入式负荷分解模型，步骤如下：步骤2
‑
1：利用基于一维卷积层的编码器对窗口数据编码进行特征编码，得到原始特征编码信息，表示为C＝Encode(z)；Encode(z)＝[Conv1D(z)]
k
，k＝1,2,3,...,K，表示窗口数据z经过了k个一维卷积层进行连续变化，而不是窗口数据z经过一个卷积层之后进行k次幂；Conv1D(z)＝(c1,c2,...

【专利技术属性】
技术研发人员：李利娟，张青松，刘海，刘红良，李辉，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：