一种基于因果卷积的负荷分解方法技术

本发明专利技术属于非侵入式负荷分解技术领域，具体为一种基于因果卷积的负荷分解方法。本发明专利技术通过对电流、有功功率、无功功率以及视在功率四种信号序列进行处理，输入到以因果卷积为主要组成部分的神经网络中，该网络模型基于之前已生成的所有数据，预测当前输入序列的概率分布，从而生成对应的信号序列。经实验证明，最佳的生成结果应为电流序列，该电流序列作为聚合数据负荷分解出的电器指纹，可以用来判断输入信号序列中包含的电器运行相关信息。该方法最大的优点之一在于能够实现多种输入方式，如电流、有功功率以及有功功率与无功功率组合等输入方式，以帮助提升负荷分解的准确性。以帮助提升负荷分解的准确性。以帮助提升负荷分解的准确性。

【技术实现步骤摘要】
一种基于因果卷积的负荷分解方法


[0001]本专利技术属于非侵入式负荷分解
，具体为一种基于因果卷积的负荷分解方法。

技术介绍

[0002]电表只能报告家庭总的电力负荷数据，因此如何推断特定设备的电力负荷、进行电力负荷分解是现阶段主要的研究目标，如何利用深度学习相关的方法来提升负荷分解的准确率是当前研究的热门。一些成功的方法包括隐马尔可夫模型(HMM)、交叉熵方法和整数规划等都不具有因果关系，无法进行实时性较强的应用。并且很多方法只针对电压或有功功率作为输入数据来进行负荷分解，没有将电流、无功功率以及视在功率等数据利用起来，方法还有很大的进步空间。

技术实现思路

[0003]本专利技术的目的在于提供一种基于因果卷积的负荷分解方法，以解决实时性较差以及数据利用不全面的问题。
[0004]本专利技术提供的基于因果卷积的负荷分解方法，通过对电流、有功功率、无功功率以及视在功率四种信号序列进行处理，输入到以因果卷积为主要组成部分的神经网络中，该网络模型基于之前已生成的所有数据，预测当前输入序列的概率分布，从而生成对应的信号序列。经实验证明，最佳的生成结果应为电流序列，该电流序列作为聚合数据负荷分解出的电器指纹，可以用来判断输入信号序列中包含的电器运行相关信息。该方法最大的优点之一在于能够实现多种输入方式(如电流、有功功率以及有功功率与无功功率组合等输入方式)，以帮助提升负荷分解的准确性，从而可以解决上述技术中实时性较差以及数据利用不全面的问题。
[0005]本专利技术提供的基于因果卷积的负荷分解方法，具体步骤为：
[0006]步骤1：对电表记录数据进行处理，确定输入数据；
[0007]步骤2：构建扩张因果卷积的门控版本；
[0008]步骤3：确定网络整体结构；
[0009]步骤4：确定评估指标，训练网络模型；
[0010]步骤5：网络生成的信号序列，作为聚合数据负荷分解的电器指纹，从而得到电器运行相关信息。
[0011]下面对各步骤作进一步的具体说明。
[0012]步骤1，对电表记录数据进行处理，确定输入数据
[0013]首先明确电器指纹主要分为两个方面：
[0014]①
高频采样：主要表现为电器稳态和瞬态之间的状态切换(On/Off)，以及持续负载状态下的信号波形；
[0015]②
低频采样：主要表现为均方根值(Root
‑
Mean
‑
Squared，RMS)，即电流I、有功功率
P、无功功率Q以及视在功率S等相关数据。
[0016]步骤1.1：本文提出针对非侵入式负荷监测(NILM)的负荷分解方法，是对来自中央仪表(如家庭智能电表)记录的聚合数据中分解出单一的测量值，从而估计不同负载设备的使用情况。主要记录数据包括两种，有功功率P以及无功功率Q，为得到所有的低频采样相关数据，需要通过以下数学计算公式：
[0017]S＝I
·
V；
[0018]P＝S
·
cos(θ)；
[0019]Q＝S
·
sin(θ)；
[0020]其中，V表示电压，I表示电流，θ为电压相对于电流的相位(即相位角)。
[0021]步骤1.2：该方法能够实现多种输入数据方式，如单独输入电流I、有功功率P，或输入有功功率P与无功功率Q组合的数据，确保数据都是在相同时间步长下进行的采样，对组合数据进行相加。
[0022]步骤2构建扩张因果卷积的门控版本，具体包括：
[0023]步骤2.1：因果卷积是根据之前已经生成的所有样本，来预测当前样本的概率分布；记输入数据的长为M样本(每1分钟采样一个样本)，因此T时刻内的生成样本概率p(x)为：
[0024][0025]步骤2.2：因为输入数据较长，采用扩张卷积可以扩大感受野，扩张卷积输入为x[m]，扩张因子为D，长为M的参数c
k
，因此输出y[m]为：
[0026][0027]尽管输入长为M，但输出y的感受野为D
·
(M
‑
1)+1，通过堆叠扩张卷积，并不断提升扩张因子，可以实现在极大提升感受野的情形下仍保持因果关系、采样率以及使用所有输入的特性。
[0028]步骤2.3：门控版本由两个激活函数实现，每一卷积层的输出同时进入sigmoid激活函数以及修正的线性激活函数，两部分的函数输出相乘，作为当前模块的输出；同时输出被分成两个部分，一部分作为下一层的输入，另一部分使用跨步连接，跳过后续的所有卷积，直接传递至网络的最后一层，此外每一层的dropout为10％。
[0029]步骤3确定网络整体结构
[0030]网络的整体结构由以下三部分组成：
[0031]全连接层：全连接层共包含M个以时间分布的节点，每一个时间节点之间是相互独立的，所有的输入数据以严格的时间顺序通过全连接层输入到卷积层模块；
[0032]卷积层模块：包括9个门控版本的扩张卷积层，每一层包含不同个数的过滤器，即有着特定的扩张因子，同时该模块的输出分为两个部分，一部分输出到网络下一层，另一部分通过残差模块连接到网络的最后一层；
[0033]输出层：该层首先包括一个全连接层，确保输出的信号长度与输入相对应，在采用聚合数据输入时，该层输出还经过一个tanh激活函数，该函数输出的掩码确保整个网络只会输出希望分解出的该类型数据。
[0034]步骤4确定评估指标，训练网络模型
[0035]步骤4.1：因为本方法的网络是一个回归网络，通过生成相关数据实现负荷分解，因此网络训练过程中评估的标准应是生成的数据与真实的数据之间的误差，采用通用评估标注“估计精度”(S.Makonin and F.Popowich,“Nonintrusive load monitoring(NILM)performance evaluation,”Energy Efficiency,vol.8,no.4,pp.809
–
814,2015)：
[0036][0037]其中，为电器k在时刻t的生成数据，s
k
(t)为真实的数据；T表示总时间，K为电器的总数量。
[0038]在一些特殊情形下，例如只针对某一特定电器，可以不去进行总和的计算，在Est.Acc.中的表示为去除对于k的求和计算，只针对特定设备的估计结果计算估计精度，以估计精度来计算loss值；输入的数据长为M，为确保因果关系，在训练时对数据进行重叠操作，loss值的计算从M
‑
1到总数据长N，以便将所有的可用数据同时用于训练。
[0039]步骤5利用网络模型生成信号序列
[0040]步骤4中训练好的网络只对特定的信号进行生成，主要为电流数据，本方法实现两种情形下对目标电器的指纹数据进行分解，一是将聚合数据中来自其他电器负载的信号看作是测量噪声，从中分解出目标数据；二是从特定电器聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果卷积的负荷分解方法，其特征在于，具体步骤为：步骤1，对电表记录数据进行处理，确定输入数据；首先确定电器指纹分为两个方面：
①
高频采样：主要表现为电器稳态和瞬态之间的状态切换(On/Off)，以及持续负载状态下的信号波形；
②
低频采样：主要表现为均方根值(RMS)，即电流I、有功功率P、无功功率Q以及视在功率S相关数据；对来自中央仪表记录的聚合数据中分解出单一的测量值，从而估计不同负载设备的使用情况；主要记录数据包括两种，有功功率P以及无功功率Q，通过以下数学公式计算得到所有的低频采样相关数据：S＝I
·
V；P＝S
·
cos(θ)；Q＝S
·
sin(θ)；其中，V表示电压，I表示电流，θ为电压相对于电流的相位；对于多种输入数据方式，包括单独输入电流I、有功功率P，或输入有功功率P与无功功率Q组合的数据，确保数据都是在相同时间步长下进行的采样，对组合数据进行相加；步骤2，构建扩张因果卷积的门控版本，具体包括：步骤2.1、因果卷积是根据之前已经生成的所有样本，来预测当前样本的概率分布；记输入数据的长为M样本，T时刻内的生成样本概率p(x)为：步骤2.2、由于输入数据较长，采用扩张卷积扩大感受野，扩张卷积输入为x[m]，扩张因子为D，长为M的参数c
k
，输出y[m]为：尽管输入长为M，但输出y的感受野为D
·
(M
‑
1)+1，通过堆叠扩张卷积，并不断提升扩张因子，实现在极大提升感受野的情形下仍保持因果关系、采样率以及使用所有输入的特性；步骤2.3、门控版本由两个激活函数实现，每一卷积层的输出同时进入sigmoid激活函数以及修正的线性激活函数，两部分的函数输出相乘，作为当前模块的输出；同时输出被分成两个部分，...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：