基于残差卷积模块的非侵入式居民用户负荷分解方法技术

本发明专利技术涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：获取训练数据并进行数据预处理；构建并训练负荷分解模型：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数得到训练好的负荷分解模型；通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。本发明专利技术分解精度高。高。高。

【技术实现步骤摘要】
基于残差卷积模块的非侵入式居民用户负荷分解方法


[0001]本专利技术涉及电力系统
，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法。

技术介绍

[0002]大规模的电表部署以及配套的通信网络与数据系统共同组成了高级量测系统，其测量所得数据通过数据挖掘等数据分析技术可以得出用户用电行为习惯以及各电器用电量等信息；这一过程就是负荷分解。
[0003]负荷监测分为侵入式负荷监测和非侵入式负荷监测两种，其中侵入式负荷监测是在用户的每个家用电器上安装检测设备，以便获得相关电器运行信息；但这种方式成本高，实现困难，并难以保护用户的隐私，大范围推广难以实现；非侵入式负荷监测又称为负荷分解，仅通过分析用户总表数据，得出该用户家用电器的种类、开关状态以及有功功率损耗等信息，更充分的挖掘电表数据的信息价值；这种方式成本较低，实现难度小，容易获得用户认同，是未来负荷监测的主要方向。
[0004]基于深度学习的非侵入式负荷分解方法是负荷分解的常用方法之一；深度学习模型中有许多网络变体，如去噪自动编码器(DAE)、RNN、seq2point常规卷积等等，但现有的分解方法具有分解精度低及未对电器进行筛选的问题。

技术实现思路

[0005]本专利技术的目的是为了提供基于残差卷积模块的非侵入式居民用户负荷分解方法，提高居民负荷分解的准确性。
[0006]为解决以上技术问题，本专利技术的技术方案为：基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：
[0007]步骤1：获取训练数据并进行数据预处理；
[0008]步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；
[0009]步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；
[0010]步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；
[0011]步骤2：构建并训练负荷分解模型；
[0012]步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；
[0013]步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解
模型；
[0014]步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。
[0015]进一步的，负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。
[0016]进一步的，步骤2.1具体为：
[0017]步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：
[0018][0019]z
t
＝f(W
T
P
t:t+W
‑1+b)
[0020]r
t
＝Max(z
t
)
[0021]x
τ
＝F(r
t
)
[0022]其中，P
t:t+k
‑1代表输入时间序列，k为卷积核大小；W
T
表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；z
t
为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；
[0023]步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：
[0024][0025][0026]y
i,j
＝x
i,j
+z
i,j
[0027]其中，x
i,j
为网络输入，z
i,j
为CNN学习到的特征值，y
i,j
为输入与特征值之和；
[0028]步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：
[0029]r
t
＝Sigmoid(W
rx
x
t
+W
rh
h
t
‑1)
[0030]z
t
＝Sigmoid(W
zx
x
t
+W
zh
h
t
‑1)
[0031][0032][0033]其中，在时间步t下，对于重置门r
t
而言，首先分别获得输入x
t
与其权重W
rh
的乘积及前一时间步t
‑
1下的状态输出h
t
‑1与其权重W
rh
的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门z
t
而言，首先分别获得输入x
t
同其权重W
zx
的乘积及前一时间步t
‑
1下的状态输出h
t
‑1同其权重W
zh
的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；针对当前候选状态输出对前一时间步t
‑
1下的状态输出h
t
‑1与重置门r
t
求哈达玛积实现对过去信息的保留，然后分别获得其与权重W
ch
以及输入x
t
与其权重W
cx
的乘积，最后对两部分乘积求和再经过tanh函数将输出缩放至
‑
1到1
之间；当前状态输出h
t
保存着当前GRU学习到的信息，将会在神经网络中继续往后传递；首先用1减去更新门z
t
中每个数据，再将得到的差与前一状态输出h
t
‑1相乘得到经过丢弃操作之后剩下的信息；之后将更新门z
t
同当前候选状态输出相乘得到该单元记忆的信息，最后将两部分信息相加得到当前状态输出h
t
。
[0034]步骤2.14：经过两Dens本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：包括步骤1：获取训练数据并进行数据预处理；步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；步骤2：构建并训练负荷分解模型；步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。2.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。3.根据权利要求2所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤2.1具体为：步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：z
t
＝f(W
T
P
t:t+W
‑1+b)r
t
＝Max(z
t
)x
τ
＝F(r
t
)其中，P
t:t+k
‑1代表输入时间序列，k为卷积核大小；W
T
表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；z
t
为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：的特征相加：y
i,j
＝x
i,j
+z
i,j
其中，x
i,j
为网络输入，z
i,j
为CNN学习到的特征值，y
i,j
为输入与特征值之和；步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：r
t
＝Sigmoid(W
rx
x
t
+W
rh
h
t
‑1)z
t
＝Sigmoid(W
zx
x
t
+W
zh
h
t
‑1))其中，在时间步t下，对于重置门r
t
而言，首先分别获得输入x
t
与其权重W
rh
的乘积及前一时间步t
‑
1下的状态输出h
t
‑1与其权重W
rh
的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门z
t
而言，首先分别获得输入x
t
同其权重W
zx

【专利技术属性】
技术研发人员：马洲俊，朱红，王春宁，许洪华，朱正谊，侯先伟，牛军伟，黄伟，孙国强，臧海祥，施健，魏训虎，冯隆基，张继东，
申请(专利权)人：河海大学国网江苏省电力有限公司南京南瑞信息通信科技有限公司，
类型：发明
国别省市：