一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于FCN的住宅分布式能源负荷监测方法


[0001]本专利技术属于非侵入式负荷监测
，主要涉及了一种基于
FCN
的住宅分布式能源负荷监测方法
。

技术介绍

[0002]传统石油和化石能源的使用对环境造成了不可忽视的负面影响，包括全球变暖
、
能源以及生态危机等问题，引起了全球范围内越来越多的关注
。
分布式能源的兴起为调节能源消耗
、
实现可持续能源系统转型以及减轻气候变化的影响提供了新的方法
。
然而这些新兴技术也带来了新的挑战，电动汽车和光伏等分布式能源资源的不断集成，可再生能源发电具有间歇性，光伏和风电场等资源的可再生能源发电会引发电能质量下降
、
潮流逆转和设备损耗增加等问题，对电网的稳定运行产生了影响
。
此外，电动汽车的随机充电行为可能导致电压降低和负载不平衡，甚至可能引发电缆或变压器的过载问题
。
为了应对这些挑战并支持分布式能源资源的整合，有效的配电网规划和管理至关重要
。
[0003]为了促进分布式能源资源的顺利整合并基于负荷预测创建相应的需求响应计划，充分挖掘多源负荷数据的信息变得尤为重要
。
非侵入式负荷监测
(NI LM)
作为一种经济高效且具有潜力的技术，用于获取住宅电力信息，从而指导电网调度工作
。
通过有效实施
NILM
技术，可以提升低压配电网的可观测性，为居民提供能耗信息，促进他们积极参与需求响应，从而优化居民用电行为
。

技术实现思路

[0004]本专利技术正是针对现有技术中的不足，提供一种基于
FCN
的住宅分布式能源负荷监测方法，首先收集总功率和住宅内各个设备的负荷数据，对数据进行预处理，完成数据清洗；再将预处理后数据分成训练集与测试集，利用基于自适应窗口长度的滑动窗口法，进行数据分段；随后建立
FCN
模型，构建用于训练
FCN
模型的损失函数后对模型进行训练；基于输入测试集总功率数据，利用已建立的
FCN
模型，通过两步分解法对单类能源或设备功率数据进行分解，输出分解得到的激活序列功率；再建立迁移学习模型，将训练后的设备模型应用于其他具有相似特征的设备，缩短模型的训练时间；最后建立评估模型，对分解可靠性进行评估
。
本专利技术方法克服了传统模型无法准确识别分布式能源的的局限性，可同时用于发电
/
用电类分布式能源与家用电器的功率分解
。
[0005]为了实现上述目的，本专利技术采取的技术方案是：一种基于
FCN
的住宅分布式能源负荷监测方法，包括如下步骤：
[0006]S1
，数据预处理：收集总功率和住宅内各个设备的负荷数据，对数据进行预处理，完成数据清洗；
[0007]S2
，数据分段：将经过步骤
S1
预处理后数据分成训练集与测试集，利用基于自适应窗口长度的滑动窗口法，进行数据分段，并输入
FCN
；
[0008]S3
，建立
FCN
模型：所述
FCN
模型包括八层，第一层至第三层为编码器，第四层包括
三个一维卷积层与三个
dropout
层，第五层至第七层为解码器，第八层为输出层；
[0009]S4
，构建用于训练
FCN
模型的损失函数：输入训练集中住宅总功率实际值以及单个设备功率实际值，训练网络模型参数；
[0010]S5
，功率分解：基于输入测试集总功率数据，利用步骤
S3
已建立的
FCN
模型，通过两步分解法对单类能源或设备功率数据进行分解，输出分解得到的激活序列功率；
[0011]S6
，建立迁移学习模型：将训练后的设备模型应用于其他具有相似特征的设备，缩短模型的训练时间；
[0012]S7
，建立评估模型：对分解可靠性进行评估
。
[0013]作为本专利技术的一种改进，所述步骤
S1
中的数据预处理至少包括利用小波降噪进行数据清洗，使用离散小波离散变换将原始数据分解为低频序列
P
L
和高频序列：
[0014][0015]其中，是基本小波的共轭函数；
p(t)
是小波去噪之前的原始数据；
D
是离散小波数据；
[0016]在小波去噪过程中，分别重构低频序列和高频序列的小波系数
P
nL
和高频序列
D
n
,
使用这些重建的序列来重建原数据
p(t)
：
[0017][0018]其中，
l
为低通滤波器；
h
为低通滤波器；
p
n
(t)
重建后的原始数据
。
[0019]作为本专利技术的一种改进，所述步骤
S2
中基于自适应窗口长度的滑动窗口法进行数据分段具体包括：
[0020]S21
，初始化：设定初始窗口长度和滑动步长，完成滑动窗口的初始化；
[0021]S22
，滑动窗口分割：将住宅能源负荷时间序列数据按照预设的滑动步长进行分割，得到一系列初始窗口；
[0022]S23
，特征提取与编码：对于每个初始窗口，通过特征提取，获得窗口内能源负荷的编码表示；
[0023]S24
，自适应窗口调整：基于步骤
S23
中获得的编码特征，采用自适应方法对窗口长度进行调整，若编码特征表现出明显波动，窗口长度增加；反之，窗口长度缩短
。
[0024]作为本专利技术的另一种改进，所述步骤
S3
中的
FCN
模型具体为：
[0025]第一层至第三层为编码器，其中：第一层为第一卷积单元组，包括四个一维卷积层，一个最大池化层，卷积层由
30
个维度为8的卷积核构成，且均采用
ReLU
激活函数；第二
、
三层分别为第二卷积单元组，第三卷积单元组，其结构与第一卷积单元组相同；
[0026]第四层包括三个一维卷积层与三个
dropout
层，其中：一维卷积层1连接
dropout
层1；
dropout
层1连接一维卷积层2；一维卷积层2连接
dropout
层2；
dropout
层2连接一维卷积层3；一维卷积层3连接
dropout
层3；
dropout
层3连接解码器；
[0027]第五层至第七层为解码器，其中：第五层为第四本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
FCN
的住宅分布式能源负荷监测方法，其特征在于
,
包括如下步骤：
S1
，数据预处理：收集总功率和住宅内各个设备的负荷数据，利用小波降噪对数据进行预处理，完成数据清洗；
S2
，数据分段：将经过步骤
S1
预处理后数据分成训练集与测试集，利用基于自适应窗口长度的滑动窗口法，进行数据分段，并输入
FCN
；
S3
，建立
FCN
模型：所述
FCN
模型包括八层，第一层至第三层为编码器，第四层包括三个一维卷积层与三个
dropout
层，第五层至第七层为解码器，第八层为输出层；
S4
，构建用于训练
FCN
模型的损失函数：输入训练集中住宅总功率实际值以及单个设备功率实际值，训练网络模型参数；
S5
，功率分解：基于输入测试集总功率数据，利用步骤
S3
已建立的
FCN
模型，通过两步分解法对单类能源或设备功率数据进行分解，输出分解得到的激活序列功率；
S6
，建立迁移学习模型：将训练后的设备模型应用于其他具有相似特征的设备，缩短模型的训练时间；
S7
，建立评估模型：对分解可靠性进行评估
。2.
如权利要求1所述的一种基于
FCN
的住宅分布式能源负荷监测方法，其特征在于：所述步骤
S1
中的数据预处理至少包括利用小波降噪进行数据清洗，使用离散小波离散变换将原始数据分解为低频序列
P
L
和高频序列：其中，是基本小波的共轭函数；
p(t)
是小波去噪之前的原始数据；
D
是离散小波数据；在小波去噪过程中，分别重构低频序列和高频序列的小波系数
P
nL
和高频序列
D
n
,
使用这些重建的序列来重建原数据
p(t)
：其中，
l
为低通滤波器；
h
为低通滤波器；
p
n
(t)
重建后的原始数据
。3.
如权利要求1或2所述的一种基于
FCN
的住宅分布式能源负荷监测方法，其特征在于：所述步骤
S2
中基于自适应窗口长度的滑动窗口法进行数据分段具体包括：
S21
，初始化：设定初始窗口长度和滑动步长，完成滑动窗口的初始化；
S22
，滑动窗口分割：将住宅能源负荷时间序列数据按照预设的滑动步长进行分割，得到一系列初始窗口；
S23
，特征提取与编码：对于每个初始窗口，通过特征提取，获得窗口内能源负荷的编码表示；
S24
，自适应窗口调整：基于步骤
S23
中获得的编码特征，采用自适应方法对窗口长度进行调整，若编码特征表现出明显波动，窗口长度增加；反之，窗口长度缩短
。4.
如权利要求3所述的一种基于
FCN
的住宅分布式能源负荷监测方法，其特征在于：所述步骤
S3
中的
FCN
模型具体为：
第一层至第三层为编码器，其中：第一层为第一卷积单元组，包括四个一维卷积层，一个最大池化层，卷积层由
30
个维度为8的卷积核构成，且均采用
ReLU
激活函数；第二
、
三层分别为第二卷积单元组，第三卷积单元组，其结构与第一卷积单元组相同；第四层包括三个一维卷积层与三个
dropout
层，其中：一维卷积层1连接
dropout
层1；
dropou...

【专利技术属性】
技术研发人员：张远实，钱文妍，胡秦然，陈涛，叶宇剑，章飞，冯忆文，李扬，
申请(专利权)人：东南大学，
类型：发明
国别省市：