【技术实现步骤摘要】
本专利技术涉及非侵入式负荷分解，具体涉及一种基于滑动窗口的多通道负荷分解方法。
技术介绍
1、随着经济和工业生产的不断发展，工业电力消费占社会电力消费的比例将持续保持较高水平，因此如何提高工业能源效率以显著降低能源消耗、提升社会效益具有重大研究意义。在工业生产中，广泛应用非侵入式负荷分解技术，对于帮助工业用户节能、降低生产成本具有重要价值。目前，尽管非侵入式负荷分解技术已经在居民和商业领域广泛应用，但在工业领域仍然面临较大问题，工业设备具有结构复杂、用电负荷特殊的特点，使得工业领域的非侵入式负荷分解技术应用的挑战性更大。
2、自1985年hart等人提出一种名为transient detectionalgorithm的算法，非侵入式负荷分解逐渐成为研究热点。mauch等人利用长短期记忆(lstm)神经元实现了一个深度循环网络，该网络使用同一时间点的聚合值来预测设备在特定时间点的能量消耗。基于同样的原理，thi-thu-huong等人比较了门控循环单元(gru)与传统循环网络在能量分解任务上的性能，在实验中，gru取得了更好的结果。zhang通过深度卷积网络取得了最先进的成果，该网络使用一个聚合数据窗口来预测同一设备消耗窗口的中点值，他们将上述方法命名为“序列到点”，这种方法具有训练速度快、模型复杂度低、适用范围广和有效避免误差累积等优点。
3、然而，在超低频的工业环境中，负荷数据每次采样的间隔更长，负荷特征更复杂。而现有的滑动窗口类方法，在长窗口尺度下会因时间跨度过长而导致负荷特征失去意义，在短窗口尺度下
技术实现思路
1、(一)解决的技术问题
2、针对现有技术所存在的上述缺点，本专利技术提供了一种基于滑动窗口的多通道负荷分解方法，能够有效克服现有技术所存在的因难以选择合适窗口大小而无法较好地进行非侵入式负荷分解的缺陷。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：
5、一种基于滑动窗口的多通道负荷分解方法，包括以下步骤：
6、s1、采集多通道总线负荷序列并进行融合，得到目标总线负荷序列；
7、s2、选择低序列长度的窗口对目标总线负荷序列进行拟合，得到拟合结果；
8、s3、基于目标总线负荷序列与拟合结果之间对应的映射关系，对多通道负荷分解模型进行模型训练，得到训练好的多通道负荷分解模型；
9、s4、利用训练好的多通道负荷分解模型对实时采集的多通道总线负荷序列进行负荷分解，得到支线负荷数据。
10、优选地，s1中采集多通道总线负荷序列并进行融合，得到目标总线负荷序列，包括：
11、采集n个处于相同时间线上的对应不同类型参数的总线负荷序列：a＝{a0,a1,…,ax}、b＝{b0,b1,…,bx}、…、n＝{n0,n1,…,nx}；
12、对各总线负荷序列进行归一化处理，得到归一化后的n个总线负荷序列：a’＝{a0’,a1’,…,ax’}、b’＝{b0’,b1’,…,bx’}、…、n’＝{n0’,n1’,…,nx’}；
13、将归一化后的n个总线负荷序列按照相同时间线融合为目标总线负荷序列：y＝{a0’,b0’,…,n0’,a1’,b1’,…,n1’,ax’,bx’,…,nx’}。
14、优选地，所述对各总线负荷序列进行归一化处理，包括：
15、分别获取各总线负荷序列的最大值、最小值，利用归一化公式计算得到归一化后的n个总线负荷序列。
16、优选地，s2中选择低序列长度的窗口对目标总线负荷序列进行拟合，得到拟合结果，包括：
17、对原本l长度的总线负荷序列和原本l长度的支线负荷数据进行拟合，此时的映射关系为：输入为n*l长度的目标总线负荷序列的滑动窗口yn(t-(w/2)):n(t+(w/2))，输出为支线窗口对应的中点数据xτ。
18、优选地，所述映射关系采用下式表示：
19、
20、其中，w为设置的窗口大小，t为时刻，θm为网络参数。
21、优选地，s3中基于目标总线负荷序列与拟合结果之间对应的映射关系，对多通道负荷分解模型进行模型训练，得到训练好的多通道负荷分解模型，包括：
22、经过数据的多通道融合后，原本输入窗口大小为w的窗口扩充至n*w窗口大小，使得神经网络的层数得以加深，基于目标总线负荷序列与拟合结果之间对应的映射关系，对深度神经网络模型进行模型训练，得到训练好的深度神经网络模型。
23、优选地，s4中利用训练好的多通道负荷分解模型对实时采集的多通道总线负荷序列进行负荷分解，得到支线负荷数据，包括：
24、实时采集多通道总线负荷序列，并对实时采集的多通道总线负荷序列进行融合，得到实时目标总线负荷序列；
25、利用训练好的深度神经网络模型对实时目标总线负荷序列进行负荷分解，得到支线负荷数据。
26、(三)有益效果
27、与现有技术相比，本专利技术所提供的一种基于滑动窗口的多通道负荷分解方法，具有以下有益效果：
28、1)对处于相同时间线的多通道总线负荷序列进行融合，实现了对处于原本时间线上的稀疏数据的有效扩充，以解决超低频工业环境中短窗口尺度下出现的特征缺失的问题；
29、2)采用多通道低窗口序列到点与深度神经网络模型相结合的负荷分解方法，可以在相同的时间窗口下获得更多通道的特征量，以解决超低频工业环境中短窗口尺度下出现的数据特征不足的问题。
本文档来自技高网...【技术保护点】
1.一种基于滑动窗口的多通道负荷分解方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的基于滑动窗口的多通道负荷分解方法，其特征在于：S1中采集多通道总线负荷序列并进行融合，得到目标总线负荷序列，包括：
3.根据权利要求2所述的基于滑动窗口的多通道负荷分解方法，其特征在于：所述对各总线负荷序列进行归一化处理，包括：
4.根据权利要求2所述的基于滑动窗口的多通道负荷分解方法，其特征在于：S2中选择低序列长度的窗口对目标总线负荷序列进行拟合，得到拟合结果，包括：
5.根据权利要求4所述的基于滑动窗口的多通道负荷分解方法，其特征在于：所述映射关系采用下式表示：
6.根据权利要求4所述的基于滑动窗口的多通道负荷分解方法，其特征在于：S3中基于目标总线负荷序列与拟合结果之间对应的映射关系，对多通道负荷分解模型进行模型训练，得到训练好的多通道负荷分解模型，包括：
7.根据权利要求6所述的基于滑动窗口的多通道负荷分解方法，其特征在于：S4中利用训练好的多通道负荷分解模型对实时采集的多通道总线负荷序列进行负荷分解，
...【技术特征摘要】
1.一种基于滑动窗口的多通道负荷分解方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的基于滑动窗口的多通道负荷分解方法，其特征在于：s1中采集多通道总线负荷序列并进行融合，得到目标总线负荷序列，包括：
3.根据权利要求2所述的基于滑动窗口的多通道负荷分解方法，其特征在于：所述对各总线负荷序列进行归一化处理，包括：
4.根据权利要求2所述的基于滑动窗口的多通道负荷分解方法，其特征在于：s2中选择低序列长度的窗口对目标总线负荷序列进行拟合，得到拟合结果，包括：<...
【专利技术属性】
技术研发人员：刘业军，金宝，程志友，杨猛，
申请(专利权)人：安徽灿邦电气有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。