一种基于长短期记忆网络的非侵入负荷分解方法和系统技术方案

本发明专利技术提供了一种基于长短期记忆网络的非侵入负荷分解方法和系统，包括：采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；将经过差分处理及窗口采样处理的总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。该方法和系统避免了侵入式负荷分解研究下硬件成本较高以及高频采样数据的数据量大的问题，能够对小电器、不断变化的电器和一直在使用的电器的功率进行分解。

A Non-intrusive Load Decomposition Method and System Based on Long-term and Short-term Memory Networks

The invention provides a non-intrusive load decomposition method and system based on long-term and short-term memory network, which includes: collecting multiple total load data over a period of time, performing differential processing and window sampling processing; inputting the total load data after differential processing and window sampling processing into a pre-established composite deep-layer long-term and short-term memory network model, and obtaining the power value of each electrical type. The model of composite deep-layer long-term and short-term memory network includes the relationship between total load and power values of various types of electrical appliances. This method and system avoid the problem of high hardware cost and large amount of high frequency sampled data under the research of intrusive load decomposition, and can decompose the power of small appliances, constantly changing appliances and appliances that have been in use.

【技术实现步骤摘要】
一种基于长短期记忆网络的非侵入负荷分解方法和系统
本专利技术属于电力系统自动化分析
，具体涉及一种基于长短期记忆网络的非侵入负荷分解方法和系统。
技术介绍
近年来，随着智能电网的发展，电力负荷分解技术越来越受到国内外学者的关注。以往传统的负荷检测大多是侵入式，但是侵入式的设备成本比较高，单独测量每个设备的消耗，提供这样的反馈，都是非常昂贵和难以管理的。因此，非侵入式负荷监测应运而生。非侵入式负荷监测依赖于实用且广泛适用的软件系统，利用现有的软件设施，达到数据收集的目的。非侵入式负荷监测是把用户的总能源消耗分解为单个设备的过程。这一过程可以体现几种目的：首先，通过反馈的数据让大家意识到用户每个电器消耗的能量情况，然后适当的采取措施节约用电。其次，能够提供个性化的反馈，量化特定设备的节省量。比如当一个旧设备效率低下的时候，为了节约财务，换一个新的高效电器。非侵入式负荷监测最早由Hart提出，用于收集设备终端使用负载数据，并由此推出家庭中电器的能量消耗。目前的非侵入式负荷分解方法主要基于人工提取的负荷特征，利用优化理论或传统的机器学习方法进行分类，从而得到不同电器的状态。这些方法对于本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络的非侵入负荷分解方法，其特征在于，包括：采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；所述复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。

【技术特征摘要】
1.一种基于长短期记忆网络的非侵入负荷分解方法，其特征在于，包括：采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；所述复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。2.如权利要求1所述的方法，其特征在于，所述复合深层长短期记忆网络模型的建立，包括：基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集；将所述训练集的历史时段总负荷数据作为主干，以各种类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系；基于所述总负荷与各电器类型的功率值之间的关系构建复合深层长短期记忆网络模型；基于验证集对所述复合深层长短期记忆网络模型进行验证；其中，所述主干深层长短期记忆网络的输入端为所述总负荷数据；所述分支深层长短期记忆网络的输入端包括：所述主干深层长短期记忆网络的输出端和所述总负荷数据，所述分支深层长短期记忆网络的输出端包括：所述分支对应的电器类型的功率值，所述电器类型包括：小电器、不断变化的电器和一直在使用的电器。3.如权利要求2所述的方法，其特征在于，所述基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集，包括：采集历史时段总负荷数据和对应的各种电器类型的功率；对所述历史时段总负荷数据进行差分处理及窗口采样处理；将完成差分处理及窗口采样处理的历史时段总负荷数据以及对应的各种电器类型的功率划分为训练集和验证集。4.如权利要求2所述的方法，其特征在于，所述将所述训练集的历史时段负荷数据作为主干，以各类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系，包括：将所述训练集的历史时段总负荷数据作为输入值输入主干深层长短期记忆网络；所述主干深层长短期记忆网络按照主干深层长短期记忆网络的参数对所述输入值进行处理，并将处理后数据均分后传输至每个所述分支深层长短期记忆网络；针对每个所述分支深层长短期记忆网络，通过跨层连接获取所述输入值，并结合所述主干深层长短期记忆网络发送的数据，按照分支深层长短期记忆网络的参数进行处理，将处理后数据输出；分别将训练集的历史时段总负荷数据对应的各种电器类型的功率作为各分支深层长短期记忆网络的目标输出值，对主干深层长短期记忆网络和所有分支深层长短期记忆网络的参数进行训练，得到每个所述参数的值，并得到每个分支深层长短期记忆网络和电器类型的对应关系以及总负荷与各电器类型的功率值之间的关系；其中，所述主干深层长短期记忆网络和分支深层长短期记忆网络的参数分别包括遗忘门、输入门以及输出门的权重。5.如权利要求2所述的方法，其特征在于，所述基于所述总负荷与各电器类型的功率值之间的关系关系构...

【专利技术属性】
技术研发人员：王珂，夏闵，钱甜甜，姚建国，杨胜春，朱克东，耿建，汤必强，李亚平，刘建涛，郭晓蕊，周竞，毛文博，王刚，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网江苏省电力有限公司，国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：江苏,32