【技术实现步骤摘要】
本专利技术属于电负荷监测，具体涉及基于waveattentivenet模型的负荷分解方法。
技术介绍
1、在电负荷分解领域，一种重要的技术是非侵入式负荷监测(nilm)。nilm是一种使用单个家庭电表读数的方法，通过分析电力数据的变化模式和特征，推断出各个电器设备的功耗贡献。nilm技术的关键在于识别和区分不同设备在总负荷中的功耗贡献，从而实现对电力数据的分解。
2、在负荷分解技术中，传统的方法包括基于统计模型、聚类分析和时序分解等。这些方法基于电力数据的统计特性和时序关系，通过建立模型或使用算法，将总负荷分解为各个设备的功耗贡献。
3、近年来，基于机器学习和深度学习的方法在负荷分解中取得了显著的进展。例如，基于深度学习的模型如卷积神经网络(cnn)、循环神经网络(rnn)和变换器(transformer)等，能够学习电力数据中的时序特征和设备关联性，从而实现准确的负荷分解。
4、此外，信号处理技术在负荷分解中也具有重要作用。通过滤波、频域分析和小波变换等技术，可以提取电力数据中不同设备的特征信号，并实现负荷分解的目标。
5、非侵入式负荷监测方法、传统的统计模型和时序分解方法，以及基于机器学习和深度学习的模型。这些技术的应用可以实现对电力数据的分解，揭示各个设备的功耗特性，为能源供应商和用户提供准确的能源需求预测和优化策略，从而促进能源领域的可持续发展。
6、但是，由于电力系统中多设备混合运行，会导致电流混叠问题；对此，上述方法的单独使用，会严重影响分解准确性和稳定性。
技术实现思路
1、本专利技术的目的是提供一种分解准确性高、稳定性好的基于waveattentivenet模型的负荷分解方法，以克服电力系统中多设备混合运行导致的电流混叠问题。
2、本专利技术提供的基于waveattentivenet模型的负荷分解方法，所述waveattentivenet模型的结构参见图2所示，包括：卷积层，多个通道e(例如为e1，…，e6)，每个通道上分别设置的深度学习网络resnet(r-net)、可学习的小波分解块(lwd)，注意力机制模块，其包括高频子带的注意力机制模块(hfa)和低频子带的注意力机制模块(lfa)，以及特征聚合模块(gfa)；其中，所述卷积层将输入数据转换为多通道(例如为6个)的特征表示，增强特征表达能力；每个通道中，经过resnet层进行深度学习处理，实现对数据特征的更深层次抽取和学习；所述可学习的小波分解块(lwd)，将数据分解为高频和低频两个子带，提取不同尺度的特征信息；高频子带和低频子带分别输入到hfa和lfa模块，使用注意力机制关注关键特征；经过hfa和lfa模块后的数据再传入gfa中，通过引导机制聚合高频和低频特征，得到最终的分解结果。具体步骤如下。
3、步骤1：数据采集和预处理；
4、通过部署电流传感器，以固定1khz采样频率采集1个插线板总线上的电流数据，以及多个分设备(对应于多个通道，例如6个)电流数据,采集时长为2h，利用滑动窗口的方法获得数据集；将数据集经过预处理操作，包括数据清洗和去噪，以确保数据的质量和准确性；后对数据集进行洗牌操作，打乱数据的顺序，选择数据集的80％用于训练，20％用于测试。
5、步骤2：深层特征提取；
6、输入数据，首先经过卷积层进行初步特征提取，将数据转换为六通道的特征表示，实现初步的数据分解；随后，经过resnet进行深度学习处理，对卷积层输出的特征进行进一步抽象和学习，提取更高级的特征表示；通过卷积层和resnet的联合作用，有效地捕获输入数据的局部特征和抽象特征，增强特征的表达能力，为后续的负荷分解过程提供了更丰富的信息基础。
7、步骤3：可学习的小波分解；
8、使用小波分解块(lwd)，通过小波变换将深层特征分解为高频和低频两个子带，捕捉不同尺度的特征信息。高频子带用于捕获电流信号的局部细节和细微波动，而低频子带用于提取整体趋势和长期依赖性特征。同时，引入可学习参数使lwd能自适应地分解，更好地适应电力系统中多设备混合运行的特点。lwd的分解为后续的注意力机制提供多尺度特征输入，有效处理电流混叠问题，提高负荷分解准确性和稳定性。
9、步骤4：通过子带的注意力机制模块，加强对关键特征的关注；
10、该注意力机制模块包括高频子带的注意力机制(hfa)和低频子带的注意力机制(lfa)。hfa通过resnet、通道注意力、空间注意力模块提取高频子带数据的关键特征；lfa在hfa的基础上外加一个卷积层，输出一个可调节参数k，用于调节高频子带特征与低频子带特征的重要程度。k越小，则说明高频子带特征更为重要。该注意力机制模块引入全局关注机制，自适应选择重要信息，加强关键特征的关注，减少冗余信息影响。这样的特征选择和加权提高对不同频率上重要特征的捕捉能力，为后续特征聚合提供更有区分度和重要性的子带数据，进一步提高负荷分解的准确性和性能。
11、步骤5：通过引导式特征聚合模块(gfa)，调整特征融合结果；
12、引导式特征聚合模块(gfa)接收经过注意力机制模块处理的高频和低频子带数据，通过resnet可学习的引导变量，调整特征融合结果，突出重要信息；最后，通过线性加权聚合高频和低频子带数据，实现准确的电力负荷分解，提高分解的准确性和性能。
13、步骤6：设计损失函数和优化器；
14、采用huber损失函数来衡量生成结果与真实负荷之间的差异；优化器选择adam优化器。
15、步骤7：模型训练和参数更新；
16、使用预处理后的电流数据作为输入，将目标负荷作为训练的目标，通过反向传播算法计算梯度并更新模型参数，以最小化损失函数；在训练过程中，采用批量训练及滑动窗口训练的方式，随机选择一批滑动窗口内数据进行模型的更新和优化。
17、步骤8：模型测试和预测；
18、将测试数据输入到训练好的waveattentivenet模型中，进行前向传播操作，得到电流负荷的预测结果。
19、进一步的，步骤1中所述数据采集具体步骤为：
20、采集1个插线板总线和6个分设备上的电流数据，分别编号d0、d1、d2、…、d6；在采集电气数据时，从0时刻起，采集器开始采集，采集频率为1khz，采集时长为2h，对每一个设备来说，采集到的数据条目总数为7200000条。
21、使用滑动窗口法构造数据集，设置窗口大小为2000，滑动步长为31，前三条数据与最后一条数据为:[0,2000),[31,2031),[62,2062),…,[7198000,7200000)，对于每个设备，总共可获得232195条数据，即每个设备的数据集矩阵格式为[232195,2000]，7个设备的数据集矩阵格式为[232195,7,2000]。本专利技术将数据集以8:2的划分方式分为训练集和测试集，训练集的矩阵格式为[185756,7,2000本文档来自技高网...
【技术保护点】
1.一种基于WaveAttentiveNet模型的负荷分解方法，其特征在于，所述WaveAttentiveNet模型的结构包括：卷积层；多个通道中每个通道上分别设置的深度学习网络ResNet、可学习的小波分解块(LWD)；注意力机制模块，其包括高频子带的注意力机制模块(HFA)和低频子带的注意力机制模块(LFA)；以及特征聚合模块(GFA)；其中，所述卷积层将输入数据转换为多通道的特征表示，增强特征表达能力；每个通道中，经过ResNet层进行深度学习处理，实现对数据特征的更深层次抽取和学习；所述可学习的小波分解块(LWD)，将数据分解为高频和低频两个子带，提取不同尺度的特征信息；高频子带和低频子带分别输入到HFA和LFA模块中，使用注意力机制关注关键特征；经过HFA和LFA模块后的数据传入GFA中，通过引导机制聚合高频和低频特征，得到最终的分解结果；具体步骤为：
2.根据权利要求1所述的负荷分解方法，其特征在于，步骤1中所述数据采集的步骤为：
3.根据权利要求2所述的负荷分解方法，其特征在于，步骤1中所述数据预处理包括：
4.根据权利要求3所述
5.根据权利要求4所述的负荷分解方法，其特征在于，步骤4中，高频子带的注意力机制模块(HFA)包括：依次连接的ResNet层、Batch Norm层、通道注意力层(CA)、空间注意力层(SA)；首先，高频子带的特征图经过ResNet层进行深度学习处理；ResNet层通过残差连接和深层网络结构，有助于捕捉高频子带中的抽象特征和复杂模式，提升特征的表达能力；随后，经过ResNet处理后的特征图进入Batch Norm层，Batch Norm层有助于规范化特征图，加速收敛，减少梯度消失问题，提高模型的训练效率和稳定性；经过Batch Norm层后的特征图进一步通过通道注意力层(CA)；通道注意力层(CA)用于自适应地调整特征图的通道权重，以突出重要的特征通道，该层利用全局平均池化操作对每个通道的特征进行池化；最后，特征图经过通道注意力层后，进入空间注意力层(SA)；空间注意力层是通过对特征图的不同位置进行加权，突出空间上的重要特征；
6.根据权利要求5所述的负荷分解方法，其特征在于，步骤5中，GFA模块的具体流程如下：
7.根据权利要求6所述的负荷分解方法，其特征在于，步骤7中，所述模型训练和参数更新，具体为：
...【技术特征摘要】
1.一种基于waveattentivenet模型的负荷分解方法，其特征在于，所述waveattentivenet模型的结构包括：卷积层；多个通道中每个通道上分别设置的深度学习网络resnet、可学习的小波分解块(lwd)；注意力机制模块，其包括高频子带的注意力机制模块(hfa)和低频子带的注意力机制模块(lfa)；以及特征聚合模块(gfa)；其中，所述卷积层将输入数据转换为多通道的特征表示，增强特征表达能力；每个通道中，经过resnet层进行深度学习处理，实现对数据特征的更深层次抽取和学习；所述可学习的小波分解块(lwd)，将数据分解为高频和低频两个子带，提取不同尺度的特征信息；高频子带和低频子带分别输入到hfa和lfa模块中，使用注意力机制关注关键特征；经过hfa和lfa模块后的数据传入gfa中，通过引导机制聚合高频和低频特征，得到最终的分解结果；具体步骤为：
2.根据权利要求1所述的负荷分解方法，其特征在于，步骤1中所述数据采集的步骤为：
3.根据权利要求2所述的负荷分解方法，其特征在于，步骤1中所述数据预处理包括：
4.根据权利要求3所述的负荷分解方法，其特征在于，步骤3中，lwd由小波变换和可学习参数组成，用于将深层特征分解为高频和低频两个子带，以提取不同尺度的特征信息；具体地，lwd首先应用小波变换对输入的深层特征进行时域和频域分解，将原始特征分解为具有不同频率范围的子带数据；然后，lwd引入可学习的参数，该可学习参数表示为滤波器...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。