基于深度学习的经背景筛选的电能分解方法技术

本发明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领域，其解决了基于深度学习的电能分解推广实施难度较大的问题。本发明专利技术步骤如下：确定目标电器，提取电力负荷的原始总口数据和目标电器的工作曲线；建立并利用获取的工作曲线和原始总口数据训练背景筛选模型，继而借此得到筛选工作曲线后的背景数据；利用的背景筛选后得到的背景数据以及工作曲线，合成仿真总口数据；利用合成的仿真总口数据构建并训练用于电能分解的深度神经网络；最终，在线应用训练所得的深度神经网络。本发明专利技术仅需要获取电力负荷的原始总口数据和工作曲线，即可实现在不同场景下各目标电器设备用电量的非侵入式估计。

【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，以往应用深度学习实现非侵入式电量分解的研究成果或技术专利技术，除非侵入式量测得到的电力负荷的原始总口数据外，还需要对目标电器进行时间同步的侵入式量测或已知用电场景内中几乎全部电器的正常工作的功率曲线才能实现部署。上述要求存在推广实施难度较大的缺陷。
技术实现思路
针对现有技术存在的上述缺陷，本专利技术提出了一种基于深度学习的经背景筛选的电能分解方法，目的是解决基于深度学习的电能分解方法推广实施难度较大的问题，仅需要获取电力负荷的原始总口数据和目标电器的工作曲线，即可实现在家居、商业办公、工厂车间等不同场景下各电器设备用电量的非侵入式估计。本专利技术是采用以下的技术方案实现的：本专利技术所述的基于深度学习的经背景筛选的电能分解方法，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非侵入式量测的电力负荷的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。进一步地，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。进一步地，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。进一步地，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。进一步地，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。进一步地，所述S22、S23和S3中，合成仿真总口数据包括如下小步：S31：从背景数据中随机选取一段连续24小时时长的用电参数序列X；S32：为目标电器遍历第S31步中已选取的用电参数序列X中的全部时刻点，每到一时刻点，随机判断目标电器此刻是否开启；若经判断设置为开启状态，则跳至第S33步；若设置为关闭状态，则继续对相邻的下一个时刻点进行同样的随机判断；若对于目标电器，用电参数序列X中的各个时刻点均已被遍历，则跳至第S34步；S33：由开启时刻起，将目标电器的工作曲线中的数据点与用电参数序列X中对应时刻点的数据进行叠加，以叠加后的结果替换用电参数序列X在对应时刻点的原值；而后，跳至第S32步，并以所添加的目标电器的工作曲线结束时相邻的下一个时刻点作为遍历用电参数序列X过程中的下一个随机判断时刻点；记录叠加目标电器的工作曲线的时刻与叠加值；S34：重复S31至S33，合成多个24小时时长的仿真总口数据，将每个24小时时长的数据序列平均分为长度为L的窗口，并根据S33中对叠加目标电器的工作曲线的位置与叠加值的记录，标记各个窗口中是否存在目标电器的电能消耗或具体的电能消耗值，每个标记后的窗口为一个训练样本；S35：结束。进一步地，所述S22和S23中提及的合成仿真总口数据在第S34步的标记信息为是否有目标电器的电能消耗；而所述S3中提及的合成仿真总口数据在第S34步的标记信息为目标电器的电能消耗值。进一步地，所述S22、S23和S4中，神经网络包括但不仅限于卷积层、递归层、全连接层，神经网络输入一个关于至少一个用电参数的序列，经过有限个结构层的非线性变换，得到对应的网络输出，第S22、S23步的神经网络的输出层的激活函数为Sigmoid函数，最终输出为所输入的序列中是否存在目标电器；第S4步的神经网络的输出层的激活函数为ReLU函数，最终输出为所输入的序列中目标电器的电能消耗值。进一步地，所述S2和S4中，训练是指将每条训练数据样本输入神经网络计算神经网络输出，由神经网络输出与样本标记计算损失函数，利用反向传播算法对神经网络权值进行更新。进一步地，所述S5中，将实际场景中采集得到的与训练数据序列长度相同、用电参数类型相同的任意时间段内的用电参数序列输入S4所构建并训练的深度神经网络，直接计算出所在时间段内的目标电器的电能消耗值。并据此记录该时间段内目标电器的工作状态。本专利技术的有益效果是：（1）采用本专利技术所述的基于深度学习的经背景筛选的电能分解方法，能够仅通过本文档来自技高网...

【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