【技术实现步骤摘要】
一种基于字典学习的区别分组非侵入式负荷分解方法
[0001]本专利技术涉及电力负荷分解
,特别涉及一种基于字典学习的区别分组非侵入式负荷分解方法。
技术介绍
[0002]随着现代社会的发展,人们对能源的需求也同步激增。能源危机的到来,使得节能问题引起了全社会的高度重视,提高能源效率是减少碳排放、缓解能源危机的重要途径。电能作为一种经济、实用、清洁的可再生二次能源,能够实现灵活调节和精确控制,使终端能源利用效率提高。智能电网是一个被广泛讨论的可以提高能源效率的概念。负荷分解技术作为智能电网实现节能的关键技术之一,主要是通过将负荷总用电信息分解为各时段每个负荷的运行状态和对应能耗信息,使得用户获取详细用电信息,以引导用户调整用电习惯达到节能降耗的目的。
[0003]目前负荷分解技术主要包括侵入式和非侵入式两类。侵入式负荷分解需要为每个用电设备安装传感器以获得详细用电数据,其优点是数据准确可靠,缺点是可操作性低、成本高、用户接受程度低。而非侵入式负荷分解只需采集总能耗信息就可以利用各用电设备的工作特征识别出单个设备能耗信息。非侵入式负荷分解技术弥补了传统侵入式的缺陷,是未来负荷分解的主要发展方向。
[0004]目前国内外都对非侵入式负荷分解方法进行了大量的研究,如组合优化算法,支持向量机,稀疏编码,隐马尔可夫模型,深度长短时记忆网络等算法。相较于其他方法深度神经网络和稀疏编码方法能够取得更好结果。但是深度神经网络随着网络层数增加,会导致参数量的增加,模型的训练难度也随之加大。稀疏编码算法在这方面具有一 ...
【技术保护点】
【技术特征摘要】
1.一种基于字典学习的区别分组非侵入式负荷分解方法,其特征在于,包括以下步骤:S1:获取设备的数据集,对所述数据集进行数据预处理,并将预处理后的数据分为训练样本数据和测试样本数据;所述数据集包括原始测量的功率信号;S2:对训练样本数据进行设备集分组,所述设备集分组包括第一分组与第二分组,所述第一分组包括一个设备,所述第二分组包括多个设备;S3:根据训练样本数据,对第一分组和第二分组进行区别字典训练,分别得到对应的第一字典和第二字典;S4:基于区别指标,对所述第一字典与所述第二字典区别衡量,并记录区别指标值;S5:在第一分组和第二分组中选择出字典区别指标最小的分组,将其确定为最优分组;S6:进行功率分解,利用最优分组训练好的第一字典和第二字典对预处理好的聚合功率信号数据进行稀疏编码,得到稀疏表示,并将稀疏表示与区别字典相乘得到分解结果;S7:通过剔除最优分组里面被分出来的设备及其功率预测值来更新设备集和总功率;S8:重复步骤S2
‑
S7,得到每次迭代的分解结果,直到所述第二分组中只包括一个设备,进入S9;S9:将每次递归迭代结果作为一个设备的预测结果,并对该预测结果进行反归一化处理及输出。2.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法,其特征在于,步骤S1中,所述数据预处理包括以下步骤:(1
‑
1)对所述数据集进行选取;(1
‑
2)将所述数据集的进行除燥;(1
‑
3)将除燥后的数据集进行归一化;(1
‑
4)生成样本数据。3.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法,其特征在于,步骤S2中,所述设备集分组包括第一分组与第二分组,所述第一分组包括一个设备,命名为one;所述第二分组包括多个设备,命名为rest。4.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法,其特征在于,步骤S3中,所述区别字典训练包括以下步骤:(2
‑
1)对每个设备的功率信号X
i
∈R
m
×
n
学习一个字典D
i
∈R
m
×
q
和一个稀疏表示Z
i
∈R
q
×
n
使得每个设备的功率信号等于一个字典和一个稀疏表示的乘积,其计算公式为:X
i
=D
i
Z
i
,i=1...N (1)其中,i表示设备编号,N表示总设备数,X
i
为设备的功率信号,D
i
为字典,Z
i
为稀疏表示;(2
‑
2)利用预处理好的训练样本数据建立学习字典,所述学习字典的基本模型如下:s.t.D
i
≥0,Z
i
≥0,||d
j
||2=1 i=1...N j=1...q (2)其中,λ1是权衡重构误差与稀疏性的参数,添加约束D
i
≥0,Z
i
≥0的原因是设备的功率信号总是非负的,d
j
表示字典D
i
的第j列,即D
i
=[d1,d2,...,d
j
,...,d
q
],亦称为字典原子,令||d
j
||2=1是为了防止出现退化解;||
·
||
F
表示F范数运算,||
·
||1表示1范...
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。