本发明专利技术属于电负荷监测技术领域，具体为一种基于TCN‑RNN集成模型的负荷分解方法。本发明专利技术针对电力系统中多设备混合运行导致的电流混叠问题，将TCN和RNN两种神经网络模型组合；利用TCN模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度；引入RNN模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性。本发明专利技术将TCN和RNN组合为集成模型，有效地分解各个设备的电流信号，实现准确的负荷分解。这对于电力系统的负荷监测、设备故障检测和能源管理具有重要意义。本发明专利技术为解决负荷分解问题提供了一种有效的解决方案，可应用于负荷管理、能源优化等领域。
【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tcn-rnn集成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、本专利技术的目的在于针对上述负荷分解的问题，提供一种分解准确性高、稳定性好的基于tcn-rnn集成模型的负荷分解方法，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tcn-rnn集成模型的负荷分解方法，将tcn和rnn两种神经网络模型组合，记为tcn-rnn集成模型；利用tcn模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度，同时引入rnn模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性；具体步骤为：
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6个分设备电流数据,采集时长为2h，利用滑动窗口的方法获得本方法中的数据集；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：构建tcn模型；
6、使用tcn作为主要模型进行负荷分解。tcn模型由4个tcn块堆叠而成，每个tcn块包含时序卷积层、残差连接、空间扩张卷积、正则化层，实现特征提取以及捕捉设备之间的时序依赖性。
7、步骤3：构建rnn辅助模型；
8、为了进一步提高负荷分解的准确性，本方法引入rnn辅助模型，其包括rnn层与全连接层。rnn模型具有记忆能力，能够捕捉时间序列中的长期依赖关系。
9、步骤4：集成tcn与rnn模型；
10、将tcn和rnn模型进行集成，以充分利用它们各自的优势。集成模型的输入是经过预处理的电流数据，输出是各个设备的负荷分解结果。
11、步骤5：设计损失函数和优化器；
12、采用huber损失函数，用于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。所述huber损失函数，是平方损失和绝对损失的结合，它在接近真实值的区域使用平方损失，在远离真实值的区域使用绝对损失；这使得它对异常值更具鲁棒性，能够更好地平衡准确性和稳健性。huber损失函数的表达式为：
13、
14、步骤6：模型训练和参数更新；
15、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。
16、步骤7：模型测试和预测；
17、通过将测试数据输入到训练好的tcn-rnn集成模型中，进行前向传播操作，得到电流负荷的预测结果。这些预测结果可以用于负荷管理、能源优化等应用中。
18、进一步的，步骤1中，数据预处理，步骤1中所述数据采集步骤，具体包括：
19、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。
20、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],测试集的矩阵格式为[46439,7,2000]；这样就同时得到了用来训练及测试模型的输入数据和计算loss的真实数据；
21、进一步的，步骤1中，数据预处理，步骤1中所述数据预处理步骤，具体包括：
22、(1)数据清洗：对采集到的原始电力数据可能包含的缺失值、异常值、重复值，进行数据清洗，以确保数据的准确性和一致性；具体包括：
23、(a)缺失值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)缺失，则使用相邻时间点的平均值进行填充，即
24、(b)异常值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)明显偏离其他时间点的取值范围，将其视为异常值；假设取值范围为[min,max]，则异常值处理公式如下：
25、如果p(t)<min或p(t)>max，则
26、(2)数据去噪：采用基于小波变换方法去噪，具体如下：
27、将电流数据应用于小波变换，将其转换到小波域中；对小波系数应用软阈值滤波，将幅值低于阈值的小波系数置零，保留幅值高于阈值的小波系数；对滤波后的频域表示进行逆小波变换，得到去噪后的电力数据序列。
28、进一步的，步骤2中，通过堆叠4个tcn块能够同时利用卷积操作的并行性和局部感受野，有效地处理时间序列数据；其中时序卷积层通过一维卷积操作捕捉时间序列数据的局部特征，使用多个不同长度的卷积核来获取多尺度的特征表示；残差连接用于增强梯度传递和避免梯度消失问题，使网络更容易学习到残差部分的特征；空间扩张卷积通过在卷积核之间插入一定数量的零元素本文档来自技高网...
【技术保护点】
1.一种基于TCN-RNN集成模型的负荷分解方法，其特征在于，将TCN和RNN两种神经网络模型组合，记为TCN-RNN集成模型；利用TCN模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度；引入RNN模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性；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中所述数据采集具体步骤为：
3.根据权利要求1所述的负荷分解方法，其特征在于，步骤2中，通过堆叠4个TCN块能够同时利用卷积操作的并行性和局部感受野，有效地处理时间序列数据；其中时序卷积层通过一维卷积操作捕捉时间序列数据的局部特征，使用多个不同长度的卷积核来获取多尺度的特征表示；残差连接用于增强梯度传递和避免梯度消失问题，使网络更容易学习到残差部分的特征；空间扩张卷积通过在卷积核之间插入一定数量的零元素，增大卷积操作的感受野大小，以捕捉更长期的时序依赖性；正则化层以加速训练和提高模型的泛化能力。
4.根据权利要求1所述的负荷分解方法，其特征在于，步骤3中，RNN层负责处理输入序列数据，并通过时间步展开来建立序列之间的依赖关系；全连接层用于将RNN层的输出映射到负荷分解结果的维度，以获得最终的负荷分解预测结果。
5.根据权利要求1所述的方法，其特征在于，步骤6所述的模型训练和参数更新，具体为：
...
【技术特征摘要】
1.一种基于tcn-rnn集成模型的负荷分解方法，其特征在于，将tcn和rnn两种神经网络模型组合，记为tcn-rnn集成模型；利用tcn模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度；引入rnn模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性；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中所述数据采集具体步骤为：
3.根据权利要求1所述的负荷分解方法，其特征在于，步骤2中，通过堆叠4个tcn块能够同时利用卷积操作的并行性和局部感受野，有效地处理时间序列数据；其中时序卷积层通过一维卷积操作捕捉时间序列数据的局...
【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。