一种基于噪声推断模型的非侵入式负荷分解方法技术

本发明专利技术提供一种基于噪声推断模型的非侵入式负荷分解方法，涉及电力技术与人工智能领域。该基于噪声推断模型的非侵入式负荷分解方法，获取居民用电有功功率消耗数据；以滑动窗口法获取长度合适的功率数据序列；使用基于噪声弥散过程的训练算法进行深度学习模型的训练；从服从高斯分布的随机噪声出发，使用噪声推断算法还原出目标负荷元件功率曲线；本发明专利技术将非侵入式负荷分解处理为负荷元件功率曲线的条件生成任务，采用噪声推断模型对负荷元件功率数据的分布进行建模，相较于基于对抗生成网络的负荷分解算法，本发明专利技术提供了更为稳定的训练结构。训练结构。训练结构。

【技术实现步骤摘要】
一种基于噪声推断模型的非侵入式负荷分解方法


[0001]本专利技术涉及电力技术与人工智能
，具体为一种基于噪声推断模型的非侵入式负荷分解方法。

技术介绍

[0002]随着社会各领域电气化和数字化水平的不断提高，电能逐渐成为现代社会终端用能的主要形式，电力数据也在能源大数据中扮演着非常重要的角色。然而，现有的电力负荷数据采集硬件系统只能提供用户的总用电量数据，一定程度上限制了负荷预测、节能引导等需求侧管理措施。因此，研究人员及工程师提出了非侵入式负荷分解技术(Non
‑
Intrusive LoadMonitoring,NILM)，依据总功率电表提供的信息分解出房屋内部各用电器的电能消耗情况。基于非侵入式负荷监测的详细用电监测方案具有简单、成本低、可靠性高、数据完整性好等优点，能够在充分利用现有基础设施的情况下，获得高质量的详细用电信息，符合可持续发展理念。
[0003]非侵入式负荷分解任务可看作以生成单个负荷元件的功率曲线为目标，因此多名学者研究了深度生成模型在负荷分解领域的应用。宾汉姆顿大学的研究者提出了一种基于变分递归神经网络(Variational Recurrent Neural Networks,VRNNs)的深层次潜在生成模型，该模型进行序列到多序列的预测，产生连续而非离散的功耗信号。山东大学的课题组采用条件生成对抗网络(Conditional Generative Adversarial Network,cGAN)来避免人工设计损失函数。雅典国家技术大学的研究人员统一了自动编码器和生成对抗网络架构，使自动编码器实现非线性功率信号源分离。训练生成对抗网络需要达到纳什均衡，且对抗训练的设计导致网络的训练稳定性很差。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于噪声推断模型的非侵入式负荷分解方法，省去了判别器网络的训练，从模型结构上克服了基于生成对抗网络的负荷分解方法训练难度高的问题，同时又保证了负荷分解结果的准确度。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于噪声推断模型的非侵入式负荷分解方法，包括：
[0008]获取居民用电有功功率消耗数据；
[0009]获取目标有功功率数据序列；
[0010]基于目标有功功率数据序列使用基于噪声弥散过程的训练算法进行深度学习模型参数的训练；
[0011]从服从高斯分布的随机噪声出发，并结合参数训练后的深度学习模型，使用噪声推断算法还原出目标负荷元件的功率曲线。
[0012]优选的，所述居民用电有功功率消耗数据包括聚合有功功率数据和负荷元件的有功功率数据。
[0013]优选的，所述目标有功功率数据序列长度至少为负荷元件单次运行时长的两倍。
[0014]优选的，所述噪声推断算法包括前向过程与逆向过程；其中，前向过程是一个固定的马尔可夫链，向一段干净的目标负荷元件功率曲线添加高斯噪声直至曲线失去显著特征；逆向过程是从服从高斯分布的随机噪声一步步还原出初始分布的过程，逆向转移分布需要通过深度学习模型预测。
[0015]优选的，所述噪声弥散过程的训练算法包括：
[0016]定义线性的噪声控制参数
[0017]从训练集中选取样本x0～q(x)；
[0018]在{1,2,
…
T}中随机选取时间步t值；
[0019]取随机噪声ε～N(0,I)；
[0020]利用梯度下降法训练模型最小化实际噪声与模型预测噪声之间的距离其中α
t
＝1
‑
β
t
，
[0021]重复上述步骤，直至模型收敛；
[0022]其中，所述噪声弥散过程步数为T，涉及T个隐变量，隐变量维数与原始功率数据维数相同。
[0023]优选的，所述深度学习模型包括信息嵌入部分、核心分解部分和特征映射部分。
[0024]优选的，所述信息嵌入部分的输入信息包括含噪声的单个负荷元件功率数据x
t
、总功率数据x
d
和时间步t；对于单个负荷元件功率数据和总功率数据，采用带有Swish激活函数的一维卷积网络进行特征提取；对于时间步，首先采用基于正余弦函数的嵌入方式进行变换，然后采用带有Swish激活函数的全连接网络进行特征提取。其中，正余弦嵌入的计算公式如下：
[0025]t
embedding
＝[sin(10
‑
[0:63]×
γ
×
C
×
t)，cos(10
‑
[0:63]×
γ
×
C
×
t)]。
[0026]优选的，所述核心分解部分由N个结构一致的残差层构成，在每个残差层中，首先通过求和操作对三类嵌入数据进行融合；接着使用双向空洞卷积网络结构对融合数据进行处理，在第i个残差层中，空洞卷积核点之间的间距为2
imodn
；然后使用门控单元激活；最后将向量拆分为成两部分，分别作为该层的残差输出和跳连接输出；所述特征映射部分以所有残差层的跳连接输出之和为输入，其包括两个一维卷积层，第一个卷积层不改变所处理数据的维数，第二个卷积层将输出数据变换为一维序列的形式。
[0027]优选的，所述深度学习模型以Lognorm作为损失函数，神经网络参数优化目标为最小化
[0028]优选的，所述噪声推断算法包括：
[0029]从随机噪声x
T
～N(0,I)出发；
[0030]取t＝T；
[0031]取随机噪声z～N(0,I)；
[0032]神经网络预测噪声ε
θ
；
[0033]计算逆向转移分布的方差
[0034]计算
[0035]t＝t
‑
1，并重复上述步骤直至t＝1。
[0036](三)有益效果
[0037]本专利技术一种基于噪声推断模型的非侵入式负荷分解方法，本专利技术负荷分解算法将非侵入式负荷分解处理为负荷元件功率曲线的条件生成任务，采用噪声推断模型对负荷元件有功功率数据的分布进行建模。由于噪声推断模型无需额外训练判别器，所以相较于基于对抗生成网络的负荷分解算法，本专利技术提供了更为稳定的训练结构；在UK
‑
DALE数据集中选取微波炉、洗衣机、水壶和冰箱四个目标负荷元件作为研究对象，以1、3、4、5、6号房屋作为训练集，以2号房屋作为测试集，在Python编程平台中使用Pytorch深度学习框架进行模型的训练和测试。本专利技术模型在准确率、F1分数、平均绝对误差和平均相对误差上这四个评价指标上的表现均达到了领域内的先进水平。
附图说明
[0038]图1为本专利技术方法流程图；
[0039]图2为本专利技术噪声推断模型的前向过程和逆向过程示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于，包括：获取居民用电有功功率消耗数据；获取目标有功功率数据序列；基于目标有功功率数据序列使用基于噪声弥散过程的训练算法进行深度学习模型参数的训练；从服从高斯分布的随机噪声出发，并结合参数训练后的深度学习模型，使用噪声推断算法还原出目标负荷元件的功率曲线。2.根据权利要求1所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述居民用电有功功率消耗数据包括聚合有功功率数据和负荷元件的有功功率数据。3.根据权利要求1所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述目标有功功率数据序列长度至少为负荷元件单次运行时长的两倍。4.根据权利要求1所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述噪声推断算法包括前向过程与逆向过程；其中，前向过程是一个固定的马尔可夫链，向一段干净的目标负荷元件功率曲线添加高斯噪声直至曲线失去显著特征；逆向过程是从服从高斯分布的随机噪声一步步还原出初始分布的过程，逆向转移分布需要通过深度学习模型预测。5.根据权利要求1所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述噪声弥散过程的训练算法包括：定义线性的噪声控制参数β
1:T
＝[β1,β2,1/4,β
T
]；从训练集中选取样本x0～q(x)；在{1,2,
…
T}中随机选取时间步t值；取随机噪声ε～N(0,I)；利用梯度下降法训练模型最小化实际噪声与模型预测噪声之间的距离其中α
t
＝1
‑
β
t
，重复上述步骤，直至模型收敛；其中，所述噪声弥散过程步数为T，涉及T个隐变量，隐变量维数与原始功率数据维数相同。6.根据权利要求1所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述深度学习模型包括信息嵌入部分、核心分解部分和特征映射部分。7.根据权利要求6所述的一种基于噪声推断模型的非侵入式负荷分解方法，其特征在于：所述信息嵌入部分...

【专利技术属性】
技术研发人员：赵剑锋，董坤，孙睿晨，
申请(专利权)人：东南大学，
类型：发明
国别省市：