【技术实现步骤摘要】
基于深度学习的经背景筛选的电能分解方法
本专利技术涉及一种基于深度学习的经背景筛选的电能分解方法,属于电力负荷用电细节监测
技术介绍
随着社会电能总用量的逐年增加,加强电能能耗监测对提高电能利用效率、实现能源资源的可持续性利用、建设节约型社会具有重要的现实意义。在智能电网的背景下,传统用电总量信息监测已经不能满足需要,一方面对于电力公司,它能够帮助更加准确地获得用户的用电细节并构建更加准确的模型,同时更加科学地制定需求侧响应协议以及动态电价,另一方面有助于用户了解各个用电设备的使用情况,引导其合理用电,从而减少电能消耗和消减峰荷,降低用电开支。有研究表明,向用户反馈其用电信息,有助于用户采取节能措施,可以减少15%左右的电能消耗。目前实现用电细节监测的方案有两种,侵入式电力负荷监测(ILM:IntrusiveLoadMonitoring)和非侵入式电力负荷监测与分解(NILM:NonintrusiveLoadMonitoring)。前者能够利用侵入式传感器测得各电器设备的真实用电情况。但是由于每个电器设备都需要配备一个侵入式传感装置,成本会随着电器设备的增加而线性增加,同时过多的侵入式传感装置会为安装过程造成一定难度。而NILM技术通过采集和跟踪分析负荷端总口电压和总电流信号,采用模式识别的方法,将总负荷分解成各成分用电设备的用电信息之和,NILM具有简单、经济和易于推广等优势。深度学习目前在解决各种模式识别问题中取得重大进展。随着GPU等硬件设备的发展,深度学习的计算效率逐年提高。由于深度学习的使用需要具有标记的训练数据进行训练,因此,以往应用 ...
【技术保护点】
1.一种基于深度学习的经背景筛选的电能分解方法,其特征在于,包括如下步骤:S1:数据准备:确定目标电器,利用非侵入式量测装置获取目标电器在设定时间内的电力负荷的原始总口数据,并根据目标电器的用电参数从中提取完整的目标电器的工作曲线;S2:背景筛选:建立并利用S1获取的目标电器的工作曲线和原始总口数据训练背景筛选模型,继而借此筛选得到相对于目标电器的用电背景数据;S3:仿真总口数据合成:利用S2的背景筛选后得到的相对于目标电器的背景数据以及目标电器的工作曲线,合成仿真总口数据;S4:用于电能分解的深度神经网络构建:利用S3合成的仿真总口数据训练用于电能分解的深度神经网络,构建用于电能分解的深度神经网络;S5:在线电能分解:在线应用S4训练得到的用于电能分解的深度神经网络实现电能分解。
【技术特征摘要】
1.一种基于深度学习的经背景筛选的电能分解方法,其特征在于,包括如下步骤:S1:数据准备:确定目标电器,利用非侵入式量测装置获取目标电器在设定时间内的电力负荷的原始总口数据,并根据目标电器的用电参数从中提取完整的目标电器的工作曲线;S2:背景筛选:建立并利用S1获取的目标电器的工作曲线和原始总口数据训练背景筛选模型,继而借此筛选得到相对于目标电器的用电背景数据;S3:仿真总口数据合成:利用S2的背景筛选后得到的相对于目标电器的背景数据以及目标电器的工作曲线,合成仿真总口数据;S4:用于电能分解的深度神经网络构建:利用S3合成的仿真总口数据训练用于电能分解的深度神经网络,构建用于电能分解的深度神经网络;S5:在线电能分解:在线应用S4训练得到的用于电能分解的深度神经网络实现电能分解。2.根据权利要求1所述的基于深度学习的经背景筛选的电能分解方法,其特征在于,所述S1中,将目标电器从启动到停止的过程定义为一个完整工作循环;在一个完整工作循环中,由某种用电参数按时间所绘制的曲线被定义为该目标电器的关于该用电参数的目标电器的工作曲线;其中,所述用电参数包括基波/谐波有功功率、无功功率或电流有效值。3.根据权利要求2所述的基于深度学习的经背景筛选的电能分解方法,其特征在于,所述S1中,目标电器的关于某种用电参数的目标电器的工作曲线的获取方式是,在目标用电场景中,对目标电器的用电过程进行单独量测;非侵入式量测的电力负荷的原始总口数据由总口处的非侵入式量测装置直接获取。4.根据权利要求1所述的基于深度学习的经背景筛选的电能分解方法,其特征在于,所述S2中,背景筛选包括如下小步:S21:将全部的非侵入式量测的电力负荷的原始总口数据作为待筛选的数据,将其均分为A和B两部分;S22:以A为背景数据,连同目标电器的工作曲线,合成仿真总口数据t1,用其训练背景筛选神经网络a;S23:将B均分为长度为L的子序列,依次输入网络a,判断各子序列是否包含目标电器,将不包含目标电器的子序列按时间顺序直接首尾相连,形成一整段相对于目标电器的背景数据B',用B'作为背景负荷,连同目标电器的工作曲线,重新合成仿真总口数据t2,并训练筛选神经网络b;S24:将A均分为长度是L的子序列,依次输入网络b,判断各子序列是否包含目标电器,将不包含目标电器的子序列按时间顺序直接首尾相连,形成一整段相对于目标电器的背景数据A';S25:将A'和B'首尾相接,得到筛选后的相对于目标电器的背景数据。5.根据权利要求4所述的基于深度学习的经背景筛选的电能分解方法,其特征在于,所述S2和S3中,背景数据截取自非侵入式量测的电力负荷的原始总口数据中的一段。6.根据权利要求4所述的基于深度学习的经背景筛选的...
【专利技术属性】
技术研发人员:栾文鹏,刘博,崔高辰,余贻鑫,刘卫涛,王岩,刘浩,马骁,杜伟强,杨静,尹凯,蒋仲明,李蓓,刘中胜,冯丽,
申请(专利权)人:天津求实智源科技有限公司,
类型:发明
国别省市:天津,12
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。