基于物理约束神经网络的非侵入式负荷监测方法及装置制造方法及图纸

本发明专利技术涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明专利技术可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。的准确性。的准确性。

【技术实现步骤摘要】
基于物理约束神经网络的非侵入式负荷监测方法及装置


[0001]本专利技术涉及到智能电网与人工智能交叉领域，具体为一种基于物理约束神经网络的非侵入式负荷监测方法及装置。

技术介绍

[0002]准确的负荷辨识是实现智能电网需求侧管理的先决条件，可以支撑电网供需平衡调节、差异化售电策略制定等工作，从而促进“碳达峰与碳中和”目标的实现。区别于加装额外监测设备的侵入式负荷监测技术，非侵入式负荷监测方法可在总负荷数据中识别出各独立的用电负荷及其工作情况。鉴于传统基于特征构造及识别的非侵入式负荷监测方法在特征选取等方面存在的局限性，目前基于深度学习技术的非侵入式负荷监测方法已被广泛运用。但是，现有深度学习方法忽略了领域知识的重要性，从而限制了负荷监测的准确性。如何实现知识
‑
数据协同驱动的负荷监测，是目前电网需求侧管理及响应工作进一步开展面临的重要问题。

技术实现思路

[0003]本专利技术目的是为了解决智能电网需求侧管理工作中存在的上述技术问题，提出了一种基于物理约束神经网络的非侵入式负荷监测方法。
[0004]本专利技术的技术方案如下：一种基于物理约束神经网络的非侵入式负荷监测方法，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。
[0005]进一步的，所述步骤1具体如下：步骤1.1，采集建筑某一时段内的总负荷有功功率、无功功率，以及各独立设备负荷有功功率、无功功率，进而得到总负荷样本及各独立负荷样本，其中为设备编号；步骤1.2，采用宽度为，步长为的滑动窗口对与进行切割，构造设备的训练数据，其中
。
[0006]进一步的，所述步骤2具体如下：步骤2.1，将训练数据分别输入到如下深度学习神经网络：分别输入到如下深度学习神经网络：其中为所构建深度学习神经网络输入层的原始输入，、及分别为神经网络模型第层隐藏层的输出、权重以及偏置，为激活函数；步骤2.2，设计如下输出层进行学习：其中，为设备的负荷预测值，为网络最后一层隐藏层的输出, 及分别为输出层的权重及偏置，为激活函数。
[0007]进一步的，所述神经网络隐藏层的层数为5，激活函数采用ReLU。
[0008]进一步的，所述激活函数采用Linear函数。
[0009]进一步的，所述步骤3具体如下：首先，根据功率间的物理关系，计算设备对应的深度学习神经网络模型的物理约束违反损失，即然后，计算设备对应的深度学习神经网络模型的预测偏差损失，即其中，为差异度量函数；最后，通过加权求和方式得到所构建物理约束神经网络模型的训练损失：其中，为物理约束违反损失的权重系数。
[0010]进一步的，所述步骤4具体如下：给定该建筑任一时刻为起点，宽度为的总负荷有功功率、无功功率，构建总负荷样本；以输入上述训练好的物理约束神经网络模型，输出结果即为该建筑内各设备负荷的用电情况，包括有功功率、无功功率。
[0011]一种基于物理约束神经网络的非侵入式负荷监测装置，包括一个或多个处理器，用于实现所述的基于物理约束神经网络的非侵入式负荷监测方法。
[0012]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的
基于物理约束神经网络的非侵入式负荷监测方法。
[0013]与现有技术相比，本专利技术具有如下优点：（1）在本专利技术中，针对现有基于深度学习技术的非侵入式负荷监测方法仅采用有功功率作为负荷监测模型的输入，导致无法准确描述非阻性负荷工作特性的问题，创新性地同时运用负荷有功及无功功率作为输入，所构建的基于深度神经网络的负荷监测模型能够充分提取不同类型负荷的运行特征，提升负荷监测的准确性。
[0014]（2）在本专利技术中，为了进一步保证负荷监测结果的有效性与可解释性，采用了基于物理约束的模型训练框架对所构建的深度神经网络模型进行训练。通过构造物理约束违反损失将电气量间的物理约束嵌入模型训练过程，最终使得训练得到的模型不仅能够准确监测设备负荷用电情况，而且能够有效提升负荷监测结果在物理层面上的可解释性。
附图说明
[0015]图1为本专利技术的基于物理约束神经网络的非侵入式负荷监测方法的流程图；图2为本专利技术的基于物理约束神经网络的非侵入式负荷监测装置的结构示意图。
具体实施方式
[0016]下面结合附图和实施例对本专利技术进行详细描述。应当理解，所描述的实施例仅仅属于本专利技术中的一部分，并不是全部实施例，所以实现本专利技术不应被阐述实施例所限制，而应该借助这些实施例进一步理解本专利技术的内容本质，能更好地服务于本领域的技术人员。
[0017]如图1所示，本专利技术的基于物理约束神经网络的非侵入式负荷监测方法，包括以下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；在步骤1.1中，采集建筑某一时段内的总负荷有功功率 、无功功率，以及各独立设备负荷有功功率、无功功率，进而得到总负荷样本及各独立负荷样本，其中为设备编号；本实施例中，共采集某建筑共计78天的负荷数据，具体包含10个独立设备负荷，采样频率为5秒。本实施例中将78天的起始时刻设置为时刻1，将末尾时刻设置为时刻1347840，即、，则所获取的负荷数据可表示为：总负荷有功功率、无功功率，各独立设备负荷有功功率、无功功率，其中设备编号。进而可得到总负荷样本及各独立负荷样本。为消除采集误差对于模型训练的影响，本实施例中将总负荷及各独立负荷样本中有功功率小于零的样本数值置为零。
[0018]在步骤1.2中，采用宽度为，步长为的滑动窗口对与进行切割，构造设备的训练数据，其中
。
[0019]本实施例中，采用宽度为599，步长为1的滑动窗口对与进行切割，则所构造的训练数据可进一步表示为：可进一步表示为： 。
[0020]步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；在步骤2.1中，将训练数据分别输入到如下深度学习神经网络：分别输入到如下深度学习神经网络：其中为所构建深度学习神经网络输入层的原始输入，、及分别为神经网络模型第层隐藏层的输出、权重以及偏置，为激活函数；本实施例中，神经网络隐藏层的层数为5，激活函数采用ReLU，则所采用的深度学习神经网络可表示为：度学习神经网络可表示为：；在步骤2.2中，设计如下输出层进行学习：其中，为设备的负荷预测值，为网络最后一层隐藏层的输出, 及分别为输出层的权重及偏置，为激活函数。
[0021]本实施例中，激活函数采用Linear，则网络输出层可表示为：网络输出独立设备负荷预测值。
[0022]步骤3、基于物理约束学习框架，对深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。2.根据权利要求1所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤1具体如下：步骤1.1，采集建筑某一时段内的总负荷有功功率、无功功率，以及各独立设备负荷有功功率、无功功率，进而得到总负荷样本及各独立负荷样本，其中为设备编号；步骤1.2，采用宽度为，步长为的滑动窗口对与进行切割，构造设备的训练数据，其中，其中。3.根据权利要求2所述的一种基于物理约束神经网络的非侵入式负荷监测方法，其特征在于，所述步骤2具体如下：步骤2.1，将训练数据分别输入到如下深度学习神经网络：分别输入到如下深度学习神经网络：其中为所构建深度学习神经网络输入层的原始输入，、及分别为神经网络模型第层隐藏层的输出、权重以及偏置，为激活函数；步骤2.2，设计如下输出层进行学习：其中，为设备的负荷预测值，为网络最后一层隐藏层的输出, 及分别为输出层的权重及偏置，为激活函数。4.根据权利要求3所述的一种基于物理约束神...

【专利技术属性】
技术研发人员：黄刚，周舟，华炜，李永福，
申请(专利权)人：之江实验室，
类型：发明
国别省市：