一种非侵入式负荷分解方法和系统技术方案

本申请提供一种非侵入式负荷分解方法和系统，包括：将采集到的低频功率数据集划分为训练集和测试集后进行数据预处理，剔除训练集和测试集中的异常值，对数据进行归一化处理，然后采用滑动窗口的方式对数据进行分割；为每个实验电器单独训练模型，以家庭总功率滑动窗口序列为输入，以实验电器的功率窗口序列的窗口中点值为输出，构建子任务门控网络对输入输出进行非线性回归学习，所述子任务门控网络包括并联的回归学习主网络模型和分类子网络模型；回归主网络采用基于卷积注意力模块结合双向长短期记忆网络的网络结构，提高整体架构的泛化能力。分类子网络采用全卷积网络实现对电器开关状态的识别来提高模型负荷分解结果的精确度。精确度。精确度。

【技术实现步骤摘要】
一种非侵入式负荷分解方法和系统


[0001]本申请涉及智能电网中的非侵入式负荷监测
，尤其涉及一种非侵入式负荷分解方法和系统。

技术介绍

[0002]近年来，我国进入以降碳为重点，推动减污降碳协同增效，促进经济社会全面绿色转型的关键时期。电能既是清洁、高效的二次能源，也是国民生产的重要消费形式，对电能的精准调控能够有效提高能源利用效率。非侵入式监测技术(nonintrusive load monitoring，NILM)将电力入口处的总负荷用电信息分解得到各用电设备负荷的用电信息，为高效的电力需求侧管理提供技术支撑]。NILM技术是一种低成本的能耗监测与管理方式，能有效减少建筑物内的能源浪费，有重要的现实意义。因此，对负荷分解方法的研究得到了较多关注。
[0003]负荷分解方法分为侵入式与非侵入式两种，与侵入式负荷分解相比，非侵入式负荷分解不需要安装大量的测量装置便能获得各个用电设备的运行情况，一方面节约了传感设备的购置成本，另一方面不需要改造现存的用电设备线路，是一种经济、便捷、利于推广的监测方式。
[0004]根据数据采集的频率可分为基于高频数据的负荷分解方法和基于低频数据的负荷分解方法两类。虽然高频采集获取的数据有更丰富的电气参数信息，但是高频数据的获取要求高水平的测量设备，过程复杂，成本较高，不适合居民用电负荷。所以，目前学者的研究重点转为提高基于智能电表获取的低频数据的负荷分解精度的研究。基于低频采集数据的非侵入式负荷分解准确率的提高依赖于高效的负荷特征提取以及更精确的的识别方法。尽管现在针对低频采样的非侵入式负荷分解方法的性能得到了较大的提升，但泛化性能仍然是一个较难攻克的挑战。尤其是面向未知场景的多状态复杂电器时，常规的非侵入式负荷分解方法的精度难以满足需求。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种非侵入式负荷分解方法和系统，本申请能够针对性的解决现有的问题。
[0006]基于上述目的，本申请提出了一种非侵入式负荷分解方法，包括：
[0007]步骤1：将采集到的低频功率数据集划分为训练集和测试集后进行数据预处理，剔除训练集和测试集中的异常值，对数据进行归一化处理，然后采用滑动窗口的方式对数据进行分割；
[0008]步骤2：为每个实验电器单独训练模型，以家庭总功率滑动窗口序列为输入，以实验电器的功率窗口序列的窗口中点值为输出，构建子任务门控网络对输入输出进行非线性回归学习，所述子任务门控网络包括并联的回归学习主网络模型和分类子网络模型；
[0009]步骤3：回归学习主网络模型中的卷积注意力模块对所述家庭总功率滑动窗口序
列进行特征提取；
[0010]步骤4：将所述特征提取的结果提供给回归学习主网络模型中的电器识别模块，识别可能的目标电器序列模式，作为回归输出；
[0011]步骤5：由分类子网络模型输出设备开关状态的二进制分类结果，将所述回归学习主网络的所述回归输出与所述二进制分类结果相乘得到最终的目标电器负荷分解模型。
[0012]基于上述目的，本申请还提出了一种非侵入式负荷分解系统，包括：
[0013]预处理模块，将采集到的低频功率数据集划分为训练集和测试集后进行数据预处理，剔除训练集和测试集中的异常值，对数据进行归一化处理，然后采用滑动窗口的方式对数据进行分割；
[0014]子任务门控模块，为每个实验电器单独训练模型，以家庭总功率滑动窗口序列为输入，以实验电器的功率窗口序列的窗口中点值为输出，构建子任务门控网络对输入输出进行非线性回归学习，所述子任务门控网络包括并联的回归学习主网络模型和分类子网络模型；
[0015]特征提取模块，使用回归学习主网络模型中的卷积注意力模块对所述家庭总功率滑动窗口序列进行特征提取；
[0016]回归输出模块，将所述特征提取的结果提供给回归学习主网络模型中的电器识别模块，识别可能的目标电器序列模式，作为回归输出；
[0017]负荷分解模块，由分类子网络模型输出设备开关状态的二进制分类结果，将所述回归学习主网络的所述回归输出与所述二进制分类结果相乘得到最终的目标电器负荷分解模型。
[0018]总的来说，本申请的优势及给用户带来的体验在于：
[0019]1、本申请使用数据是低频功率数据，通过一维卷积神经网络对数据进行特征自提取，避免使用只有使用高频数据才能获得的传统电气特征。
[0020]2、本申请使用双向长短期记忆网络进行负荷识别，充分挖掘功率数据中隐藏在时间关系上的价值信息，减小了在低频采样下的识别误差。
[0021]3、本申请在特征提取模块加入注意力机制，为一维卷积提取的功率特征重新分配权重，进一步增强了特征提取的效率和模型的泛化性能。
[0022]4、本申请中引进全卷积网络构成的分类子网络，分类子网络通过对电器开关状态的精准识别来提高模型的负荷分解精确度。
附图说明
[0023]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
[0024]图1为本申请中非侵入式负荷分解方法的流程图。
[0025]图2为本申请中非侵入式负荷分解模型的结构图。
[0026]图3为本申请中注意力机制计算步骤示意图。
[0027]图4为本申请负荷分解结果的实例图。
[0028]图5示出根据本申请实施例的非侵入式负荷分解系统的构成图。
[0029]图6示出了本申请一实施例所提供的一种电子设备的结构示意图。
[0030]图7示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
[0031]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0032]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0033]本申请提供了一种基于回归学习主网络和分类子网络相耦合的序列到点模型来实现负荷分解的方法，分类子网络称为子任务门控网络。回归主网络采用基于卷积注意力模块结合双向长短期记忆网络的网络结构，提高整体架构的泛化能力。分类子网络采用全卷积网络实现对电器开关状态的识别来提高模型负荷分解结果的精确度。
[0034]采用本申请的方法完成非侵入式负荷分解任务，具体包括如图1所示的步骤：
[0035]步骤1：从智能电表采集一段时间内家庭主电源的总有功功率以及各独立用电设备的有功功率数据，将采集到的数据添加时间标签，整理为标准的有功功率时间序列，作为低频功率数据集。将采集到的低频功率数据集划分为训练集和测试集后对其进行初步的数据预处理。首先剔除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式负荷分解方法，其特征在于，包括：步骤1：将采集到的低频功率数据集划分为训练集和测试集后进行数据预处理，剔除训练集和测试集中的异常值，对数据进行归一化处理，然后采用滑动窗口的方式对数据进行分割；步骤2：为每个实验电器单独训练模型，以家庭总功率滑动窗口序列为输入，以实验电器的功率窗口序列的窗口中点值为输出，构建子任务门控网络对输入输出进行非线性回归学习，所述子任务门控网络包括并联的回归学习主网络模型和分类子网络模型；步骤3：回归学习主网络模型中的卷积注意力模块对所述家庭总功率滑动窗口序列进行特征提取；步骤4：将所述特征提取的结果提供给回归学习主网络模型中的电器识别模块，识别可能的目标电器序列模式，作为回归输出；步骤5：由分类子网络模型输出设备开关状态的二进制分类结果，将所述回归学习主网络的所述回归输出与所述二进制分类结果相乘得到最终的目标电器负荷分解模型。2.根据权利要求1所述的方法，其特征在于，所述的低频功率数据集的采集过程如下：从智能电表采集一段时间内家庭主电源的总有功功率以及各独立用电设备的有功功率数据，将采集到的数据添加时间标签，整理为标准的有功功率时间序列，作为低频功率数据集。3.根据权利要求1所述的方法，其特征在于，所述归一化处理公式如下：其中，z是归一化后的数值，z
t
表示t时刻总电源或实验电器的读数，z
p
表示总电源或实验电器的均值，σ表示总电源或实验电器的标准差。4.根据权利要求1所述的方法，其特征在于，所述子任务门控网络，采用序列到点的映射方式，即序列到点架构的负荷分解模型，表达式如下：x
τ
＝F
b
(Y
t:t+W
‑1)+∈其中，所述子任务门控网络的输入为Y
t:t+W
‑1，该输入为总功率滑动窗口序列，窗口宽度为W；输出是相应的目标电器功率窗口序列的窗口中点值x
τ
，其中τ＝t+[W/2]；F
b
是将输入Y
t:t+W
‑1映射到输出x
τ
的神经网络，∈是W维高斯噪声。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：邓若愚，胡尚薇，王茂，
申请(专利权)人：同济人工智能研究院苏州有限公司，
类型：发明
国别省市：