一种改进的非侵入式负荷分解模型制造技术

本公开是一种改进的非侵入式负荷分解模型，其中，该方法包括：将结构化概率剪枝算法和Luong Attention机制引入到非侵入式负荷分解模型，首先将家庭总负荷数据和各电器的负荷数据进行预处理，通过滑动窗口方式提取有功功率时间序列，构建适用于输入长序列的seq2point网络模型；引入结构化概率剪枝算法压缩模型，提高模型训练效率；采用LuongAttention机制提升模型对时间序列信息特征的提取与利用能力；比较传统神经网络模型，该模型在负荷分解精度和效率上都具有一定程度的提升。和效率上都具有一定程度的提升。和效率上都具有一定程度的提升。

【技术实现步骤摘要】
一种改进的非侵入式负荷分解模型


[0001]本公开涉及非侵入式负荷分解领域，具体涉及一种改进的非侵入式负荷分解模型，以解决现有技术中存在的技术问题。

技术介绍

[0002]智能电网中的高级测量体系(AMI)是包含测量，采集，分析以及掌握用户用电详细信息的集成网络和系统，其中的智能电表会提前设置一定的时间间隔记录用户详细用电信息，例如用电量、电流、电压等，以AMI提供的用电信息为基础，可进行进一步的非侵入式负荷监测，即可以通过对居民家庭入户处负荷数据的分析，实现对总负荷的分解，无需侵入用户隐私空间即可实现家庭用户每种用电设备运行状态和使用频率等信息的监测，因此能开展电能消耗情况的分项统计工作，达到针对性的需求侧管理效果，非侵入式负荷监测是智能电网的重要技术，能够根据电器的运行数据，准确的获取电器的功率信息，该信息有利于发掘家庭用户的用电行为规律，对用户、电网、社会都具有重要的意义。
[0003]目前，已经有一部分研究人员将深度学习模型应用于非侵入式负荷分解领域，分解效果相对较好的是一种序列到点的卷积神经网络模型，该方法虽然运用深度学习的方法将误判率降低到较低水平，但在复杂家庭用电情况下，深度学习模型的信息提取能力有待提高，同时功率分解值的准确性也有待于进一步提高。因此，需要提供一种或多种至少能够解决上述技术问题的技术方案。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开的目的在于提供一种改进的非侵入式负荷分解模型。本专利技术的技术方案如下：
[0006]建立一种改进的非侵入式负荷分解模型，包括以下步骤：
[0007]1)数据预处理：从智能电表采集主电源的总有功功率以及各个电器的电力负荷数据，对其进行初步的数据预处理，数据归一化处理公式如下：
[0008][0009]式中：x
t
表示在时间t电表的功率读数，表示主电源或家用电器的功率平均值，σ表示主电源或家用电器的功率标准差,X表示归一化后的数据。
[0010]2)时间序列数据提取：因为电力负荷数据是一种长序列数据，不可直接输入，且深度学习模型的输入序列长度固定，所以采用滑动窗口的方法提取数据；将预处理后得到的数据，设置一个参数为W的滑动窗口，对预处理后的时间序列数据进行提取；读取主电源有功功率的时间序列作为神经网络模型的输入；
[0011]3)深度神经网络模型选取：为了减小窗口边缘信息的影响，凸显输入窗口中处于
稳定状态的真实信息，选择适用于输入长序列(有功功率时间序列)的序列到点(seq2point)模型；本专利技术采用卷积神经网络来建立seq2point模型，模型由5个一维卷积层和2个完全连接层组成；其中输入是主电源有功功率的时间序列，输出是目标设备窗口的中点，即目标设备对应窗口的中点功率值；
[0012]seq2point模型原理为通过整个窗口的数据训练网络模型，该模型使网络的表达能力集中在主电源窗口的中点，并充分利用相邻区域的信息，提高负荷分解精度，在这一模型中神经网络定义为F
p
,网络输入的总负荷窗口数据为Y
t:t+W
‑1，输出为目标设备相应窗口的中点X
τ
，其中将输入的滑动窗口Y
t:t+W
‑1映射到对应窗口X
t:t+W
‑1的中点，模型的损失函数可表示为：
[0013][0014]其中,θ
p
是神经网络F
p
的参数，T是输入信号的长度，W是滑动窗口的大小，p是概率论中的近似分布，通过序列到点学习直接对中点值建模，因此，对p(x
τ
|Y,θ)的优化可以通过以下公式实现；
[0015][0016]由上面公式获得的最小值表示为θ
*
，即模型的最优值，那么中点值的近似分布为p
τ
(x
τ
|Y,θ
*
)。
[0017]4)基于结构化概率剪枝算法的seq2point模型优化：引入结构化概率剪枝算法压缩seq2point模型，该算法是一种用于卷积神经网络加速的渐进式参数剪枝方法，以概率的方式有效地删减卷积层的权重，且引入了每个权重的剪枝概率，能够纠正早期训练阶段对重要性的误判，在训练过程中，根据重要性准则降低剪枝概率。
[0018]5)Luong Attention机制解码：引入Luong Attention机制，Luong Attention是一种乘性注意力机制，能获取和当前时刻相关度最高的编码层隐藏状态完成解码，避免模型训练过程中的梯度问题、获得更精细化的负荷特征、提高负荷辨识精度；
[0019]首先基于LSTM模型的编码器进行负荷信息的提取，然后通过引入Luong Attention机制的解码器，从获取的信息中提取和当前时刻相关度最高的重要信息用于解码并最终得到负荷分解结果，具体流程如下：
[0020]①
输入主电源窗口有功功率数据Y
t:t+W
‑1经编码器对时间序列的先后顺序编码，生成当前时刻编码器的隐藏状态向量h
t
：
[0021]h
t
＝f(h
t
‑1,Y
t:t+W
‑1)
[0022]②
从输入序列每时刻的隐藏状态{h1,h2,
…
,h
T
}中获取包含主电源窗口全部有功功率信息的上下文向量C
t
：
[0023]C
t
＝f(h1,h2,
…
,h
T
)
[0024]③
解码时将上下文向量C
t
作为输入信号的一部分参与运算，并生成解码器解码向量C
t
过程中的隐藏状态S
t
(与编码器的隐藏状态h
t
进行区分)，解码器网络将包含的总负荷有功功率信息分解出来：
[0025][0026][0027]上述式中f为解码器内部LSTM网络的计算规则，g为从隐藏状态S
t
到分解功率概率密度P的映射函数，根据分解概率分布，负荷分解出输出窗口的中点元素x
τ
，其中τ＝t+W/2，即该窗口的分解功率值。
[0028]模型通过引入结构化概率剪枝算法和Luong Attention机制，提高模型训练效率，且提升了模型对时间序列信息特征的提取与利用能力，最后经过Dense完全连接层，输出窗口为负荷分解得到的功率值。
[0029]本专利技术的有益效果：与现有技术相比，本专利技术提出了一种改进的非侵入式负荷分解模型，即将结构化概率剪枝算法和Luong Attention机制引入到非侵入式负荷分解模型。首先将家庭总负荷数据和各电器的负荷数据进行预处理，通过滑动窗口方式提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的非侵入式负荷分解模型，其中，该方法包括：将结构化概率剪枝算法和Luong Attention机制引入到非侵入式负荷分解模型，首先将家庭总负荷数据和各电器的负荷数据进行预处理，通过滑动窗口方式提取有功功率时间序列，构建适用于输入长序列的seq2point网络模型；引入结构化概率剪枝算法压缩模型，提高模型训练效率；采用Luong Attention机制提升模型对时间序列信息特征的提取与利用能力；比较传统神经网络模型，该模型在负荷分解精度和效率上都具有一定程度的提升，具体实现步骤如下：(1)数据预处理：从智能电表采集主电源的总有功功率以及各个电器的电力负荷数据，对其进行初步的数据预处理，数据归一化处理公式如下:式中：x
t
表示在时间t电表的功率读数，表示主电源或家用电器的功率平均值，σ表示主电源或家用电器的功率标准差,X表示归一化后的数据；(2)时间序列数据提取：因为电力负荷数据是一种长序列数据，不可直接输入，且深度学习模型的输入序列长度固定，所以采用滑动窗口的方法提取数据；将预处理后得到的数据，设置一个参数为W的滑动窗口，对预处理后的时间序列数据进行提取；读取主电源有功功率的时间序列作为神经网络模型的输入；(3)深度神经网络模型选取：为了减小窗口边缘信息的影响，凸显输入窗口中处于稳定状态的真实信息，选择适用于输入长序列(有功功率时间序列)的序列到点(seq2point)模型；本发明采用卷积神经网络来建立seq2point模型，模型由5个一维卷积层和2个完全连接层组成；其中输入是主电源有功功率的时间序列，输出是目标设备窗口的中点，即目标设备对应窗口的中点功率值；seq2point模型原理为通过整个窗口的数据训练网络模型，该模型使网络的表达能力集中在主电源窗口的中点，并充分利用相邻区域的信息，提高负荷分解精度，在这一模型中神经网络...

【专利技术属性】
技术研发人员：林琳，史建成，王升，陈诚，张杰，高兴泉，韩光信，于军，陈玲玲，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：