基于LSTM-GRU集成学习的非侵入式负荷监测方法技术

基于LSTM

【技术实现步骤摘要】
基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法


[0001]本专利技术属于非侵入式用电负荷监测
，具体为基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法。

技术介绍

[0002]为了更好地帮助居民开展智能用电双向互动服务，国内的科技公司和政府投入一些重要项目对家庭用电监测系统进行不断地开发和推行，但起初在对家庭内部电器进行测量获取数据的时候，很多都是侵入式的进行监测，即对每个电器和配电箱之间安装带有高级通信功能的传感器，虽然该种方式测量精确度高，但是硬件安装或改造会给居民生活带来不便，结构往往复杂、成本高，后期维护，也较为繁琐。因此提出了非侵入式负荷监测结构用来填补这个缺陷，相当于一对多的关系。拿单个家庭来说，如果在入户处安装一个智能电表，就可以采集到用户的用电信息，可以获取每个设备的用电情况，从而使硬件成本大大降低，安装便捷，适用于家庭负荷监测。
[0003]就非侵入式负荷辨识算法而言，目前的非侵入式电力负载智能辨识系统一般都是基于单一模型进行聚合，常用的模型深度学习模型等，限制了负荷监测模型的准确性。换言之，如何使用多个模型共同作用到负荷监测的过程中，从而提升设备的负荷监测的效果是目前的关键问题，本专利技术旨在实现综合的优化，通过多个模型的作用并且使用时间卷积神经网络使得负荷监测效果达得到提升。

技术实现思路

[0004]为了解决以上问题，本专利技术提出基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，在集成LSTM和GRU模型性能的基础上，综合回归子模型和分类子模型的性能结合时间卷积的特征提取能力，来提升负荷监测效果。
[0005]为实现上述目的，本专利技术采取的技术方案是：
[0006]基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，其特征在于，包括以下步骤：
[0007]包括：
[0008]1)获取用户总线以及各个负荷的有功功率的测量值；
[0009]2)结合数据的情况将用户总线有功功率和各个负荷有功功率对其进行预处理并进行配对组成数据集；
[0010]3)构建基于LSTM的基模型和基于GRU的基模型，分别将总线有功功率作为模型的输入，目标负荷的有功功率作为目标输出，分别训练所构建的基于LSTM和GRU的基模型；
[0011]4)使用训练好的两个基模型分别对总线有功功率进行初步分解得到目标负荷的初步分解值，并将两个基模型获得的目标负荷的初步分解结果进行结合；
[0012]5)构建基于LSTM
‑
GRU集成学习的集成模型，将两个基模型获得的目标负荷的初步分解结果结合后的结果作为模型的输入，目标负荷的有功功率作为输出，训练所构建的基于LSTM
‑
GRU集成学习的元模型；
[0013]6)根据当前总线的有功功率分解获得当前目标负荷的有功功率的数据。
[0014]作为本专利技术进一步改进，所述步骤1)获取用户总线以及各个负荷的有功功率，其中目标负荷的有功功率仅仅在训练期间需要测量，包括：利用有功功率监测设备按照次/分钟的频率提取出用户各个负荷及负荷集群的有功功率数据，以时间顺序进行排列，得到用户总线的有功功率[p1,p2,
…
,p
N
]以及第i个负荷的有功功率
[0015]作为本专利技术进一步改进，所述步骤2)对采集到的数据进行预处理，处理时间序列数据中的缺失值，将之前获得到的[p1,p2,
…
,p
N
]和进行预处理，采用线性插值方法，假设出现缺失的点是第t时刻，由于时序数据的横坐标是连续的，直接将缺失值计算为左右两边相邻值的平均值；对时序数据进行去噪处理，采用滚动平均值的方法进行去噪处理，p
t
＝(a
t
‑1+a
t
‑2+
…
+a
t
‑
n
)/n，p
t
表示对t时刻的去噪值，n表示移动平均的时期个数，a
t
‑1,a
t
‑2,...,a
t
‑
n
分别表示前一时刻、前二时刻以至前n时刻的实际值。
[0016]作为本专利技术进一步改进，所述步骤2)数据集，包括：
[0017]滑动窗口获取指定长度的有功功率数据，包括：设定滑动窗口截取的时序数据长度为T，对获取到的用户总线的有功功率与各个负荷的有功功率按时间排序以1为步长逐步进行滑动截取，来构成训练数据集，数据总长为N，
[0018]则获取用户总线有功功率的数据为：
[0019]第i个负荷的有功功率的数据为：第i个负荷的工作情况用分类子网络的数据训练的数据结合第i个负荷的有功功率的数据使用公式α为阈值，超过阈值判定为第i个负荷在工作状态，否则为非工作状态，p表示有功功率的值，代入公式获得
[0020]用户总线有功功率和各个负荷有功功率进行配对组成数据集，包括：
[0021]令用户总线有功功率的数据其中x
n
为T为向量，n＝1,2,
…
,N
‑
T+1，
[0022]第i个负荷的有功功率的数据其中为T为向量，n＝1,2,
…
,N
‑
T+1；
[0023]第i个负荷的有功功率的数据其中为T为向量，n＝1,2,
…
,N
‑
T+1；
[0024]则(x
n
,)为用户总线有功功率和各个负荷有功功率配对的数据集，用作回归子网络的训练；(x
n
,)为用户总线有功功率和各个负荷工作状态配对的数据集，用作分类子网络的训练，将数据以6:2:2的比例进行划分为训练集:测试集:验证集。
[0025]作为本专利技术进一步改进，所述步骤5)构建基于LSTM
‑
GRU集成学习的集成模型并进行训练，并分别使用训练好的基模型对总线有功功率进行初步分解将两个基模型输出结果进行结合，包括：
[0026](5
‑
1)搭建基于LSTM的基模型：第一层和第二层使用卷积神经网络进行初步的特征提取；第三层网络使用的是双向的长短记忆神经网络使用该神经网络通过选择性记忆和遗忘对数据进行过滤筛选，并且使用双向结构结合输入数据“过去”和“未来”的信息进行特征提取；接下来两层全连接层进行回归数据预测获得基于LSTM的基模型的预测结果
[0027][0028](5
‑
2)搭建基于GRU的基模型：基于GRU的基模型的网络结构和基于LSTM的基模型除LSTM层替换为GRU层其余层保持一致，最终的分解结果为
[0029][0030](5
‑
3)对模型进行训练，使用Adma优化算法更新模型参数，使模型达到最佳的收敛状态；
[0031](5
‑
...

【技术保护点】

【技术特征摘要】
1.基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，其特征在于，包括以下步骤：包括：1)获取用户总线以及各个负荷的有功功率的测量值；2)结合数据的情况将用户总线有功功率和各个负荷有功功率对其进行预处理并进行配对组成数据集；3)构建基于LSTM的基模型和基于GRU的基模型，分别将总线有功功率作为模型的输入，目标负荷的有功功率作为目标输出，分别训练所构建的基于LSTM和GRU的基模型；4)使用训练好的两个基模型分别对总线有功功率进行初步分解得到目标负荷的初步分解值，并将两个基模型获得的目标负荷的初步分解结果进行结合；5)构建基于LSTM
‑
GRU集成学习的集成模型，将两个基模型获得的目标负荷的初步分解结果结合后的结果作为模型的输入，目标负荷的有功功率作为输出，训练所构建的基于LSTM
‑
GRU集成学习的元模型；6)根据当前总线的有功功率分解获得当前目标负荷的有功功率的数据。2.根据权利要求1所述的基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，其特征在于：所述步骤1)获取用户总线以及各个负荷的有功功率，其中目标负荷的有功功率仅仅在训练期间需要测量，包括：利用有功功率监测设备按照次/分钟的频率提取出用户各个负荷及负荷集群的有功功率数据，以时间顺序进行排列，得到用户总线的有功功率[p1,p2,
…
,p
N
]以及第i个负荷的有功功率3.根据权利要求1所述的基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，其特征在于：所述步骤2)对采集到的数据进行预处理，处理时间序列数据中的缺失值，将之前获得到的[p1,p2,
…
,p
N
]和进行预处理，采用线性插值方法，假设出现缺失的点是第t时刻，由于时序数据的横坐标是连续的，直接将缺失值计算为左右两边相邻值的平均值；对时序数据进行去噪处理，采用滚动平均值的方法进行去噪处理，p
t
＝(a
t
‑1+a
t
‑2+
…
+a
t
‑
n
)/n，p
t
表示对t时刻的去噪值，n表示移动平均的时期个数，a
t
‑1,a
t
‑2,...,a
t
‑
n
分别表示前一时刻、前二时刻以至前n时刻的实际值。4.根据权利要求1所述的基于LSTM
‑
GRU集成学习的非侵入式负荷监测方法，其特征在于：所述步骤2)数据集，包括：滑动窗口获取指定长度的有功功率数据，包括：设定滑动窗口截取的时序数据长度为T，对获取到的用户总线的有功功率与各个负荷的有功功率按时间排序以1为步长逐步进行滑动截取，来构成训练数据集，数据总长为N，则获取用户总线有功功率的数据为：
第i个负荷的有功功率的数据为：第i个负荷的工作情况用分类子网络的数据训练的数据结合第i个负荷的有功功率的数据使用公式α为阈值，超过阈值判定为第i个负荷在工作状态，否则为非工作状态，p表示有功功率的值，代入公式获得用户总线有功功率和各个负荷有功功率进行配对组成数据集，包括：令用户总线有功功率的数据其中x
n
为T为向量，n＝1,2,
…
,N
‑
T+1，第i个负荷的有功功率的数据其中为T为向量，n＝1,2,
…
,N
‑
T+1；第i个负荷的有功功率的数据其中为T为向量，n＝1,2,
…
...

【专利技术属性】
技术研发人员：王立辉，张核，金伟明，
申请(专利权)人：东南大学，
类型：发明
国别省市：