【技术实现步骤摘要】
本专利技术涉及电荷分解，特别涉及基于seq2seq和se-resnet的非侵入式负荷分解方法。
技术介绍
1、非侵入式负荷分解(non-intrusive load monitoring,nilm)是指通过分析电力系统的总用电数据，将总用电分解为各个电器设备的用电量。这种方法对于电力系统的能效管理、负荷监测等方面具有重要意义。与传统的侵入式负荷监测方法相比，非侵入式负荷分解无需在各个电器设备上安装传感器，只需在电力系统的关键节点安装传感器，降低了设备成本和维护难度。
2、非侵入式负荷分解方法的研究始于20世纪80年代，最初采用基于规则的方法，通过分析电器设备的功率特征和运行模式，制定规则进行负荷分解。然而，这种方法存在准确性和实时性不足的问题，无法满足实际应用需求。
3、随着机器学习和深度学习技术的发展，基于数据驱动的方法逐渐成为非侵入式负荷分解的主流。这些方法通过训练学习算法，自动从数据中提取特征并进行负荷分解。常用的学习算法包括支持向量机(svm)、决策树(dt)、随机森林(rf)、神经网络(nn)等。
4、近年来，深度学习技术在非侵入式负荷分解领域取得了显著成果。常用的深度学习模型包括卷积神经网络(cnn)、循环神经网络(rnn)、长短期记忆网络(lstm)、门控循环单元(gru)等。这些模型具有较强的特征提取和分类能力，能够提高负荷分解的准确性和实时性。
5、然而，现有的非侵入式负荷分解方法仍存在一些挑战，如负荷数据的噪声、无法提取有效的负荷特征信息等。为了解决这些问题，研
技术实现思路
1、针对上述现有技术存在的不足，本专利技术提供了基于seq2seq和se-resnet的非侵入式负荷分解方法，能够解决现有的神经网络但未对网络提取的信息进行筛选，即提取有效信息的能力不足，导致负荷分解准确度不高的问题。
2、具体技术方案如下：
3、基于seq2seq和se-resnet的非侵入式负荷分解方法，包括：
4、s1.基于总负荷有功功率和对应用电设备的有功功率数据集，修正数据集中的空缺值；
5、s2.对修正后的数据集采用序列对序列的方式对总负荷有功功率序列和用电设备有功功率序列进行组合，构建训练集和测试集；
6、s3.对训练集采用1维cnn对输入的总负荷有功功率序列进行卷积操作，利用基于se注意力机制的残差网络结构，对输入的总负荷有功功率序列进行特征信息提取，得到特征序列信息；
7、s4.将所述特征序列信息作为基于lstm网络结构的seq2seq模型的输入序列信息，将总负荷有功功率序列提取出的特征序列信息映射为各个用电设备有功功率序列，构建总负荷有功功率序列与用电设备有功功率序列之间的分解模型；
8、s5.采用均方误差作为模型的评估指标，将测试集输入分解模型进行负荷预测分解，计算分解的用电设备有功功率序列值与该设备对应的真实序列值之间的均方误差；依据评估指标评估分解模型，获取最终分解模型。
9、优选地，所述步骤s1包括：对数据集中的无效值进行处理，用同一时刻的所有用电设备的负荷之和填充总负荷的空值，修正总负荷有功功率序列中的空缺值；用电器设备下一时刻的负荷代替此时刻的空值，修正用电设备有功功率序列数据中的空缺值。
10、优选地，所述步骤s2包括：对数据集进行分割，构建训练集和测试集，训练集和测试集数量比例为7：2。
11、优选地，构建训练集和测试集步骤包括：
12、步骤1、采用滑动窗口法处理总负荷有功功率序列，并对数据进行归一化处理，在总负荷有功功率序列中截取固定长度的有功功率序列；
13、步骤2、选取常用的电器设备作为分解目标，按照不同用电设备分组进行随机选取，划分训练集和测试集。
14、优选地，所述步骤s3包括：
15、采用1维cnn对输入的总负荷有功功率序列进行卷积操作，提取序列中的信息，对输入总负荷有功功率序列sl做如下卷积：
16、h(sl)＝f(sl,ωl) (3)
17、其中：ωl表示卷积网络的权重,l表示第l个sernet；卷积阶段的输出作为挤压和scale的输入；
18、通过引入注意力机制挤压和激励网络，用于对提取的信息进行筛选：
19、挤压阶段，挤压阶段对输入的信息进行压缩，2维信息被映射为1个实数；挤压阶段的输出为：
20、
21、其中：h和w分别表示输入的高和宽；挤压阶段的输出作为激励阶段的输入；
22、激励阶段，全连接网络生成的权重为：
23、we(sl)＝fex(zs,ω)＝σ(ω2δ(ω1,zs)) (5)
24、其中：ω为全连接层的参数；σ，δ分别表示sigmoid激活函数、relu激活函数；
25、scale阶段，对卷积阶段输出的原始信息权重进行重新标定，重新标定后的输出信息为：
26、
27、其中：为逐元素乘法的运算符号；
28、采用残差网络的方式跨层加和输入信号sl，预防网络的退化，使得输入的数据信息可以传递到更深层的网络，保证了特征信息的流通：
29、跨层求和阶段，将输入信号sl与scale阶段的输出信号相加，得到最终的输出信息为：
30、tl＝sl+zsc(sl) (7)
31、其中，tl为特征序列信息。
32、优选地，步骤s4中：
33、将步骤3中提取的有效特征序列信息作为seq2seq模型的输入序列信息，编码器读取输入序列，并将其编码为一个固定维度的上下文向量；所述上下文向量包含了输入序列的整个历史信息，用于指导解码器生成输出序列，计算公式如下：
34、ht＝f(ht-1,xt) (14)
35、c＝q({h1,h2,…,ht}) (15)
36、其中，ht是编码器在时间步t的隐藏状态，xt是输入序列在时间步t的元素，f是rnn的更新函数，c是上下文向量，q是一个函数，将最后一个隐藏状态ht作为上下文向量；
37、引入遗忘门、输入门、输出门以及一个细胞状态，来控制信息的流入、保留和流出；
38、解码器根据编码器生成的上下文向量，逐步生成输出序列，即用电设备的负荷序列；在每一步，解码器都会根据当前的隐藏状态、上一个时刻的输出和上下文向量来生成下一个输出；计算如下：
39、st＝g(st-1,yt-1,c) (16)
40、
41、其中，st是解码器在时间步t的隐藏状态，yt是输出序列在时间步t的元素，g是解码器的更新函数，p是输出序本文档来自技高网...
【技术保护点】
1.基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，所述步骤S1包括：对数据集中的无效值进行处理，用同一时刻的所有用电设备的负荷之和填充总负荷的空值，修正总负荷有功功率序列中的空缺值；用电器设备下一时刻的负荷代替此时刻的空值，修正用电设备有功功率序列数据中的空缺值。
3.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，所述步骤S2包括：对数据集进行分割，构建训练集和测试集，训练集和测试集数量比例为7：2。
4.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，构建训练集和测试集步骤包括：
5.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，所述步骤S3包括：
6.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，步
7.根据权利要求1所述的基于Seq2Seq和SE-ResNet的非侵入式负荷分解方法，其特征在于，步骤S5中：评估训练过程中初始化学习率设置为0.001，采用Adam优化器加快模型的收敛速度，用均方误差作为损失函数评估模型的误差。
...【技术特征摘要】
1.基于seq2seq和se-resnet的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的基于seq2seq和se-resnet的非侵入式负荷分解方法，其特征在于，所述步骤s1包括：对数据集中的无效值进行处理，用同一时刻的所有用电设备的负荷之和填充总负荷的空值，修正总负荷有功功率序列中的空缺值；用电器设备下一时刻的负荷代替此时刻的空值，修正用电设备有功功率序列数据中的空缺值。
3.根据权利要求1所述的基于seq2seq和se-resnet的非侵入式负荷分解方法，其特征在于，所述步骤s2包括：对数据集进行分割，构建训练集和测试集，训练集和测试集数量比例为7：2。
...
【专利技术属性】
技术研发人员：杨舟，彭宇翔，李捷，陈俊，周政雷，何涌，韦航，吴一鸣，潘俊涛，韦杏秋，陈珏羽，覃及翠，
申请(专利权)人：广西电网有限责任公司，
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。