System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能电网,具体涉及一种基于多标签一致深度字典学习的负荷辨识方法。
技术介绍
1、随着新能源技术的不断发展,我国电力行业也在朝着经济、绿色这两大目标不断迈进,但现阶段传统的火力发电仍是我国主要的供能来源,占比约70%,且根据国网能源研究院的研究表明,至2025年,我国火电的装机占比仍将维持在45%左右这一较高的水平,且仍会在未来较长一段时间内保持发电的主导地位。近年来,随着我国经济建设推进,建筑能源消耗量也逐渐成为我国主要能耗来源之一,其中城乡居民用电量占社会总用电量的15%左右。除了重视能源供应侧,还要重视电力需求侧管理(demand side management,dsm)以均衡电力生产与供应,从而更加经济地利用电能。获取用户能耗信息是进行需求侧管理的前提。目前已有许多研究表明,如果用户可以清楚知道自己的家用电器的消费信息,意识到自己用电行为中存在的问题,平均可以节省10%以上的电力消费,这在人口数量巨大的今天对能源问题的改善效果是十分可观的。同时,越来越多的用户希望可以获取自身的用电信息。
2、另一方面,随着科技的不断进步,传统电力工业正朝着智能电网的新模式发展,同时电网加强了与用户的双向互动,用户通过需求响应可以参与到用电管理中,离实现“业务流、电力流、信息流”高度一体化融合的现代电网的目标也越来越近。对用户负荷进行优化以提高电能利用率的智能用电技术是实现智能电网的核心之一。智能电表的普及和家庭能源管理系统(home energy management system,hems)的应用可以及时向电网
3、经检索,专利号为cn 115841268 a公开了一种基于深度学习的非侵入式负荷辨识模型,该专利技术在传统深度模型的基础上,保持输入层和输出层不变,分别为一维卷积层和转置卷积层,先扩展负荷序列特征维度,同时提取数据局部特征,再还原数据尺寸。而在中间层则引入了一种完全避免卷积神经网络和循环神经网络的注意力机制,有效提高序列数据的相互依赖性,使模型更擅长挖掘长序列数据前后远距离的特征。
4、但是上述模型将负荷辨识问题当作回归问题去处理。一方面,让网络从样本中获取信息并最终输出具体实际值的学习过程十分复杂,容易出现过拟合,网络较难训练优化。另一方面,回归问题中使用的mse损失函数容易受功率值中异常值影响,一个较大的异常值可能会影响最后分解模型的效果。
技术实现思路
1、1.所要解决的技术问题:
2、针对上述技术问题,本专利技术提供一种基于多标签一致深度字典学习的负荷辨识方法,通过建立负荷辨识模型,将负荷辨识问题重新构思为电器状态的多标签分类问题,实现负荷的辨识。同时因为本方法改变传统的负荷辨识的回归处理从而提高了辨识的效率以及准确率。
3、2.技术方案:
4、一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:包括如下步骤:
5、步骤一:获取智能电表记录的多个单个设备的状态量和智能电表的总功率数据,初始化字典矩阵和稀疏矩阵;进而建立基于深度字典学习的总功率模型;所述单个设备的单个设备的状态量包括开状态、关状态;
6、步骤二:搭建基于多标签一致深度字典学习的负荷辨识模型,在第一层字典学习中,使用pca方法提取后的样本特征作为输入,在第二层字典学习到最后一层字典学习中,使用上一层字典学习中经过双曲正切函数tanh激活函数后的特征作为该层字典学习层的输入,确保这多层学习不会合并为单独一层;
7、步骤三:将基于多标签一致深度字典学习的负荷辨识模型中的典型的稀疏矩阵字典学习问题转化为最小化问题,建立最小化问题目标函数;利用增强拉格朗日算法进行目标问题分解,分解后的所有子问题都是原始形式或等效形式的线性最小二乘问题;
8、步骤四:迭代更新矩阵参数,使用moore-penrose伪逆求解子问题,直到达到局部极小值,当目标函数没有随着进一步迭代而发生实质性变化时,即停止迭代;更新完毕,得到训练好的模型;
9、步骤五:训练完毕后,进入测试阶段,将一段时间的总功率代入基于多标签一致深度字典学习模型求解,即可输出相同时间段内所有设备单独的功率。
10、进一步地,步骤二中:搭建基于多标签一致深度字典学习模型,具体为:
11、智能电表对应的正在工作的设备有多个,基于字典学习的技术假设智能电表的总读数是各个电器功率的总和;则如果x是n个设备的总功率矩阵,其中矩阵x中各列表示训练中同一时间段内的总电表读数,则总功率建模为:
12、
13、式中,x矩阵每一列代表一个时间段内的值;z表示稀疏矩阵,d1,d2,d3三级字典矩阵;φ为激活函数,采用双曲正切函数tanh,确保这三个级别不会合并为单独一个。
14、3.根据权利要求2所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤三中将典型的稀疏矩阵字典学习问题转化为最小化问题,具体地,模型学习线性映射,使得来自最终级别的稀疏矩阵映射到多标签目标:
15、
16、式中,t是目标;每个目标的长度与器具的数量相同;如果电器打开,则相应值为1,否则为0;映射矩阵m将稀疏矩阵z投影到多标签目标标签t;λ是拉格朗日乘子,能够控制学习成本。
17、进一步地,步骤三中利用增强拉格朗日算法进行目标问题分解,分解后的所有子问题都是原始形式或等效形式的线性最小二乘问题;具体为:
18、令可得
19、
20、按照交替乘子法,将上式分成以下子问题,每个子问题都是更新单个变量;
21、
22、
23、
24、
25、
26、
27、
28、则所有子问题都是原始形式或等效形式的线性最小二乘问题。
29、进一步地,步骤四中,在使用moore-penrose伪逆来求解,直到达到局部极小值过程中,由于求解的问题不是凸优化,因此不存在全局收敛的保证;求解子问题,直到达到局部极小值,当目标函数没有随着进一步迭代而发生实质性变化时,停止迭代,得到训练好的模型。
30、进一步地,还包括对模型进行测试;具体包括:给定一段时间内的总电表读数x:
31、
32、对此,类比步骤三,同样使用替换来解决,对于第一级来说对于第二级来说通过这些代换,增广拉格朗日可表示为:
33、
34、分解为以下子问题:
35、
36、
37、
38、所有子问题都有伪逆形式的封闭式解;因为经过训练,此时字典矩阵是固定,模型输出稀疏向量z即可计算出各个设备的状态:
39、
40、上式中,表示估计出各个设备的状态量矩阵;m为投射矩阵;
41、进而根据估计出的设备状态乘以设备的平均功耗即可得到实际功耗本文档来自技高网...
【技术保护点】
1.一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤二中:搭建基于多标签一致深度字典学习模型,具体为:
3.根据权利要求2所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤三中将典型的稀疏矩阵字典学习问题转化为最小化问题,具体地,模型学习线性映射,使得来自最终级别的稀疏矩阵映射到多标签目标:
4.根据权利要求3所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤三中利用增强拉格朗日算法进行目标问题分解,分解后的所有子问题都是原始形式或等效形式的线性最小二乘问题;具体为:
5.根据权利要求4所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤四中,在使用Moore-Penrose伪逆来求解,直到达到局部极小值过程中,由于求解的问题不是凸优化,因此不存在全局收敛的保证;求解子问题,直到达到局部极小值,当目标函数没有随着进一步迭代而发生实质性变化时,停止迭代,得到训练好的模型。<
...【技术特征摘要】
1.一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤二中:搭建基于多标签一致深度字典学习模型,具体为:
3.根据权利要求2所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤三中将典型的稀疏矩阵字典学习问题转化为最小化问题,具体地,模型学习线性映射,使得来自最终级别的稀疏矩阵映射到多标签目标:
4.根据权利要求3所述的一种基于多标签一致深度字典学习的负荷辨识方法,其特征在于:步骤三中利用增强拉格朗日算法进行目...
【专利技术属性】
技术研发人员:诸晓骏,王旭,郭莉,陈琛,谈健,谢珍建,薛贵元,徐筝,牛文娟,徐遥,孙静惠,吴垠,
申请(专利权)人:国网江苏省电力有限公司经济技术研究院,
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。