基于深度学习的非侵入负荷分解方法、系统、介质和设备技术方案

本发明专利技术属于电网中负荷感知技术应用领域，涉及一种基于深度学习的非侵入式负荷分解方法、系统、介质和设备，包括以下步骤：S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；S3将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。其能够有效对工业设备负荷进行建模，并基于该模型，通过工业设备的总负荷获得各个工业设备的负荷。设备的负荷。

【技术实现步骤摘要】
基于深度学习的非侵入负荷分解方法、系统、介质和设备


[0001]本专利技术涉及一种基于深度学习的非侵入负荷分解方法、系统、介质和设备，属于电网中负荷感知技术应用领域，特别适用于工业设备中的各工业设备负荷感知领域。

技术介绍

[0002]对于工业用电负荷进行感知、分析和管理是推进智能电网建设的重要一步。负荷分解是感知并识别对象负荷成分及其状态的重要技术，也称为非侵入式负荷监测(non
‑
intrusive load monitoring，NILM)。对于负荷分解问题主要包括数据采集、负荷特征提取和负荷分解方法三个部分。
[0003]对于负荷特征提取方法主要基于工业设备的稳态特征和暂态特征。已提出的方法包括均值法、变点监测、傅立叶分解、小波分析、回归分析、隐马尔可夫模型(HMM)等。
[0004]对于负荷分解方法，则主要包括优化方法和学习算法。优化方法主要通过规划方法或启发式算法求解得到当前用电工业设备的状态，如粒子群算法、遗传算法等。学习算法则通过学习各个工业设备的负荷特征来对总体特征进行分解，主要包括支持向量机、K近邻算法、基于HMM的算法等。
[0005]但现有技术中负荷分解方法的对象几乎全部是商业和居民用电负荷。而工业设备，与商业和居民用电负荷不同，具有周期性强、连续性强、稳定性低的特点，故很难用现有技术中的方法对其及进行负荷分解。

技术实现思路

[0006]针对上述问题，本专利技术的目的是提供了一种基于深度学习的非侵入负荷分解方法、系统、介质和设备，其能够有效对工业设备负荷进行建模，并基于该模型，通过工业设备的总负荷获得各个工业设备的负荷。
[0007]为实现上述目的，本专利技术采取以下技术方案：一种基于深度学习的非侵入式负荷分解方法，包括以下步骤：S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；S3将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。
[0008]进一步，总负荷历史数据包括总有功功率、总无功功率、电流和功率因数。
[0009]进一步，短期负荷历史数据为对应数据的差分值，差分值d
i，t
的计算公式为：
[0010]d
i，t
＝P
i，t
‑
P
i，t
‑1，i＝1，2，...，N
[0011]其中，i表示第i个工业设备，N是工业设备数，t是时间，P
i，t
是采集的数据。
[0012]进一步，步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对功率差分曲线进行快速傅里叶变化，得到幅值序列，并将幅值序列输入初始模型中进行聚类训练，从而获得工业设备典型负荷模型。
[0013]进一步，初始模型为长短期记忆人工神经网络模型。
[0014]本专利技术还公开了一种基于深度学习的非侵入式负荷分解系统，包括以下步骤：数据采集模块，用于获取每个工业设备的短期负荷历史数据和总负荷历史数据；模型训练模块，用于根据短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；输出模块，用于将实时获得的总负荷参数输入工业设备典型负荷模型获得每台工业设备的负荷。
[0015]本专利技术还公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算工业设备执行时，使得计算工业设备执行根据上述任一项的基于隐私保护的图像处理方法。
[0016]本专利技术还公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的基于隐私保护的图像处理方法。
[0017]本专利技术由于采取以上技术方案，其具有以下优点：
[0018]1、本专利技术能够有效对工业设备负荷进行建模，并基于该模型，基于深度学习的非侵入式负荷分解通过工业设备的总负荷获得各个工业设备的负荷。
[0019]2、本专利技术能够避免为工业设备安装负荷监测装置带来的高额成本，同时由于该系统只使用工业用户的总线负荷而保护了用户的数据安全。
具体实施方式
[0020]为了使本领域技术人员更好的理解本专利技术的技术方案，通过具体实施例对本专利技术进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本专利技术，它们不应该理解成对本专利技术的限制。在本专利技术的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0021]本专利技术提供了一种基于深度学习的非侵入负荷分解方法、系统、介质和工业设备，其使用对象包括工业大用户、电力部门等需要监测工业生产企业生产工业设备负荷状态的用户。针对用户需要对工业生产工业设备负荷进行状态监测的应用需求，构建了包括工业用户、工业用户总线负荷监测装置、远程数据获取终端的非侵入式负荷分解系统。专利技术针对大工业用户生产工业设备负荷周期性强、连续性强、稳定性弱的特征，设计了工业设备负荷的建模方法，并在系统中使用深度学习算法对工业用户总负荷进行分解，得到用户下各个生产工业设备的负荷状态，避免对每个工业设备安装监测工业设备的高额成本并保护了用户的数据安全。下面结合具体实施例对本专利技术方案进行详细说明。
[0022]实施例一
[0023]本实施例公开了一种基于深度学习的非侵入式负荷分解方法，包括以下步骤：
[0024]S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；总负荷历史数据包括但不限于总有功功率、总无功功率、电流和功率因数。以有功功率为例，设工业用户及用户下的工业设备有4台，即N＝4，每台工业设备在t时刻的有功功率为P
i，t
，i＝1，2，...，N，t为时间参数，每单位时间间隔为15分钟，总线负荷包括每个工业设备的总有功功率
[0025]S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型。
[0026]步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对功率差分曲线进行快速傅里叶变化，得到幅值序列，并将幅值序列输入初始模型中进行聚类训练，从而获得工业设备典型负荷模型。如上面获得的有功功率，对其进行差分处理来捕捉工业设备的有功变化。差分值d
i，t
定义为d
i，t
＝P
i，t
‑
P
i，t
‑1，i＝1，2，...，N。其中，i表示第i个工业设备，N是工业设备数，t是时间，P
i，t
是采集的数据。同时总的有功功率差分值为通常来说，只通过当前时刻的总功率值难以识别出总线下各个工业设备的负荷状态，只有一段时间的功率曲线才能表现出工业设备的状态变化特征，从而达到识别的效果。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的非侵入式负荷分解方法，其特征在于，包括以下步骤：S1获取每个工业设备的短期负荷历史数据和总负荷历史数据；S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练，获得工业设备典型负荷模型；S3将实时获得的总负荷参数输入所述工业设备典型负荷模型获得每台工业设备的负荷。2.如权利要求1所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述总负荷历史数据包括总有功功率、总无功功率、电流和功率因数。3.如权利要求1或2所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述短期负荷历史数据为对应数据的差分值，所述差分值d
i,t
的计算公式为：d
i,t
＝P
i,t
‑
P
i,t
‑1,i＝1,2,
…
,N其中，i表示第i个工业设备，N是工业设备数，t是时间，P
i,t
是采集的数据。4.如权利要求3所述的基于深度学习的非侵入式负荷分解方法，其特征在于，所述步骤S2的具体操作方法为：获得预设时段内，某一工业设备的某一数据的差分值，并生成功率差分曲线，对所述功率差...

【专利技术属性】
技术研发人员：于波，沙涛，刘娟，王巍，
申请(专利权)人：北京智中能源互联网研究院有限公司，
类型：发明
国别省市：