本发明专利技术公开了一种基于迁移学习模型的非工用户空调负荷分解方法及设备，包括如下步骤：(1)分析各类公共建筑负荷特性；(2)确定使用迁移学习法的约束条件；(3)采用LSTM长短时记忆网络使用有空调数据标签的楼宇在源域训练模型；(4)在模型中增加关口负荷的滑动窗口作为输入变量，提高模型的精准性(5)将训练好的模型固定其中部分网络层，在目标楼宇中使用少量空调标签重新训练迁移模型，分解出目标楼宇实时空调负荷；本发明专利技术同时涉及运行该方法的电子设备。本发明专利技术使用迁移学习模型分解出只有少量标签数据或无标签数据的非工用户实时空调负荷，有效提高空调负荷分解精准性，助力电网节能节电工作。
【技术实现步骤摘要】
本专利技术涉及电力系统领域，尤其是一种基于迁移学习模型的非工用户空调负荷分解方法，本专利技术同时还涉及运行该方法的电子设备。
技术介绍
1、作为全社会用能占比最高的一种能耗类型，建筑空调能耗约占全社会用能15％，夏季空调负荷占比达30％以上，且由于当前空调节能意识相对薄弱，存在严重的空调能耗浪费问题，节能空间巨大。
2、但是目前针对空调负荷的监测分析和互动调控却存在缺少全面的楼宇空调监测数据、空调负荷估算方法相对粗略、缺少空调能耗对标评估方法等问题。尤其当前电网对于多数公共建筑楼宇只能采用实时关口负荷与典型日基准线负荷作差的方式估算用户空调负荷，该方法实时性与准确性都不佳。以此，构建一种迁移学习模型，实时分解楼宇空调负荷，对于电网准确评估用户用能水平，并给出相应的节能策略，有着一定的实际意义。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种针对非工公共建筑用户的空调负荷分解方法，在目标用户数据样本较少的条件下能够实时的、准确的分解出非工建筑用户的空调负荷，并对模型进行优化以提高分解空调负荷的精度，帮助电网更好地分析用户用能水平，从而提供高效的节能策略。
2、为解决上述技术问题，本专利技术提供一种基于迁移学习模型的非工用户空调负荷分解方法，包括如下步骤：
3、(1)基于公共建筑楼宇关口负荷曲线和可监测的楼宇空调负荷曲线，分析各类公共建筑负荷特性；
4、(2)基于各类公共建筑负荷特性，确定使用迁移学习法的约束条件；
<
p>5、(3)采用lstm长短时记忆网络使用有空调数据标签的楼宇在源域训练模型；6、(4)在源域模型中增加关口负荷的滑动窗口作为输入变量，提高模型的精准性；
7、(5)将训练好的模型固定其中部分网络层，在目标楼宇中使用少量空调标签重新训练迁移学习模型，分解出目标楼宇实时空调负荷；
8、优选的，步骤(1)具体为：
9、(11)分析公共建筑楼宇空调季与非空调季的负荷特性，并由关口负荷与空调负荷作差得到公共建筑非空调基础负荷曲线：
10、非空调基础负荷＝关口负荷-空调负荷。
11、式中，关口负荷、空调负荷都为典型日关口负荷和典型日空调负荷，典型日负荷的取法为各季节所有具有完整96个点的日期的各时间点负荷平均值。
12、(12)基于三条曲线分析各类公共建筑空调负荷以及非空调负荷随季节的变化规律，分析各季节空调负荷在关口负荷中的占比、基础负荷运性四季规律性，空调负荷日开启时间规律等负荷特性。
13、优选的，步骤(2)具体为：
14、(21)基于(1)中分析过的公共建筑负荷特性，选用不同的公共建筑空调负荷分解方法。对于满足各季非空调基础负荷稳定运行和存在不使用空调季节两个基础条件的用户，能够基于非空调季的用采数据构建基础负荷的一用户一模型，随后在空调季通过深度学习网络分解基础负荷的方式得到空调负荷；对于另一部分空调四季常开或基础负荷四季运行不稳定的用户，无法使用用采数据构建基础负荷分解模型，需要额外采集少量同类型用户的空调及其他负荷数据，使用深度学习网络及迁移学习模型直接进行空调负荷分解。
15、(22)分析选用迁移学习法的条件，并建立以下约束：
16、∑p春、秋季空调>0.1∑p春、秋季关口
17、min∑p关口≤0.1max∑p关口
18、式中：∑p春、秋季空调为春、秋季节典型日96点空调负荷的和；∑p春、秋季关口为春秋季节典型日96点关口负荷的和；min∑p关口为各季节典型日关口负荷的和的最小值；
19、max∑p关口为各季节典型日关口负荷的和的最大值。
20、若春、秋季空调负荷占比达到关口总负荷的10％以上，判定为该用户空调四季常开，或者典型日基础负荷最小值小于等于典型日基础负荷最大值的10％，判定为该用户基础负荷运行不稳定，则使用迁移学习法进行用户空调负荷分解。
21、优选的，步骤(3)具体为：
22、(31)利用lstm模型实现，即遗忘门、输入门和输出门的计算，用来保护和控制细胞状态；
23、(32)遗忘门负责决定保留多少上一时刻的单元状态到当前时刻的单元状态，即决定从细胞状态中丢弃什么信息，该门读取ht-1和xt-1，然后经过sigmoid层后，输出一个0-1之间的数ft给每个在细胞状态ct-1中的数字逐点相乘。ft的值为0表示完全丢弃，1表示完全保留。公式为：
24、ft＝σ(wf*[ht-1,xt]+bf)
25、式中，ht-1和ht分别为t-1和t时刻的隐藏层状态，xt-1和xt分别为t-1和t时刻的输入值，wf是权重矩阵,bf是偏差,σ是sigmoid函数。
26、(33)输入门负责决定保留多少当前时刻的输入到当前时刻的单元状态，包含两个部分，第一部分为sigmoid层，该层决定要更新什么值，第二部分为tanh层，该层把需要更新的信息更新到细胞状态里。tanh层创建一个新的细胞状态值向量会被加入到状态中，公式为：
27、it＝σ(wi*[ht-1,xt]+bi)
28、
29、式中，it为t时刻输入门的输入值，为tanh层创建一个新的细胞状态值向量在t时刻的值，wi和wc为权重系数矩阵，bi和bc为偏置项。
30、(34)更新旧细胞状态，将ct-1更新为ct，把旧状态与ft相乘，丢弃确定需要丢弃的信息，再加上这样就完成了细胞状态的更新。公式为：
31、
32、式中，ct-1和ct分别为t-1和t时刻的细胞状态。
33、(35)输出门负责决定当前时刻的单元状态有多少输出，通过一个sigmoid层来确定细胞状态的哪个部分将输出出去。把细胞状态通过tanh进行处理，得到一个-1到1之间的值，并将它和sigmoid门的输出相乘，最终仅仅输出确定输出的部分，公式为：
34、ot＝σ(wo*[ht-1,xt]+bo)
35、ht＝ot*tanh(ct)。
36、式中，ot为t时刻输出门的输出值，wo为权重系数矩阵，bo为偏置项。
37、优选的，步骤(4)中对公共建筑负荷特性进行分析，将楼宇关口负荷作为重要的特征项引入模型的输入变量，所述模型输入变量为楼宇过去24个时刻的关口负荷以及对应时刻的实时动态影响因素和静态影响因素，所述模型输入变量以滑动窗口的方式做出，每个时间点将输入变量定为过去24个时间点的特征形成的窗口，按时序往下滑动，所述的时间点每15分钟增加一个。
38、优选的，步骤(5)具体为：
39、(51)若某楼宇只有不超过两周的空调标签数据，则采用特征提取器的方法进行模型迁移，即采用有标注样本的楼宇训练模型，再将训练完成的模型中部分中间层参数传递给新模型并冻结，然后利用已有标签数据对新模型进行训练，从而完成对该楼宇模型的构建；
本文档来自技高网...
【技术保护点】
1.一种基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(1)具体为：
3.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(2)具体为：
4.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(3)具体为：
5.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(4)中对公共建筑负荷特性进行分析，将楼宇关口负荷作为重要的特征项引入模型的输入变量，所述模型输入变量为楼宇过去24个时刻的关口负荷以及对应时刻的实时动态影响因素和静态影响因素，所述模型输入变量以滑动窗口的方式做出，每个时间点将输入变量定为过去24个时间点的特征形成的窗口，按时序往下滑动，所述的时间点每15分钟增加一个。
6.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(5)具体为：
7.一种电子设备，其特征在于：包括一个或多个处理器，用于储存一个或多个程序，当所述的一个或多个程序被所述的一个或多个处理器执行，使得一个或多个处理器执行权利要求1到6中任一项所述的一种基于迁移学习模型的非工用户空调负荷分解方法。
...
【技术特征摘要】
1.一种基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(1)具体为：
3.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(2)具体为：
4.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(3)具体为：
5.如权利要求1所述的基于迁移学习模型的非工用户空调负荷分解方法，其特征在于，步骤(4)中对公共建筑负荷特性进行分析，将楼宇关口负荷作为重要的特征项引入模型的输入变量，...
【专利技术属性】
技术研发人员：郑杨，任禹丞，汤文艳，王雨薇，刘京易，孙海翔，杨子跃，任家磊，
申请(专利权)人：国网江苏省电力有限公司镇江供电分公司，
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。