一种基于数据增强和深度学习的电能表负荷分解方法技术

本发明专利技术公开了一种基于数据增强和深度学习的电能表负荷分解方法，步骤包括：采集电力负荷数据并对采集的数据进行处理；基于处理后的电力负荷数据构造训练集，并对训练集进行数据增强，通过聚类将训练集的样本分为多个类簇，然后对各类簇通过DBA算法生成平均序列作为合成样本，从而提高训练集中的样本数量和质量；使用数据增强后的训练集训练负荷分解网络模型，模型包括CNN层与GRU层，然后使用训练好的模型进行负荷分解。本发明专利技术通过数据填充、基于训练集生成合成样本等手段，提高了训练集的规模与质量，从而提高了负荷分解的准确度。

【技术实现步骤摘要】

本专利技术属于电力系统负荷监测领域，具体涉及一种负荷分解方法。

技术介绍

1、随着能源需求的增长和电力系统规模的扩大，对电力负荷监测与管理的需求变得日益迫切。传统的电力负荷分解方法通常依赖于昂贵的传感器设备或侵入式监测方法，这些方法成本高昂且不易于推广应用。因此，非侵入式负荷分解技术成为了解决这一问题的关键。该技术通过分析电能表采集的高频聚合电力负荷信号，识别并分解出各个单独电器或设备的功率负荷信息，实现对电力系统的智能化监测与管理。

2、近年来，机器学习技术在非侵入式负荷分解领域得到了广泛应用。通过从大量数据中学习并建立模型，机器学习技术能够实现对电力负荷信号的准确分解与识别。当前研究主要聚焦于深度神经网络方法，具体用于负荷分解的神经网络方法包括前向神经网络、去噪自编码、卷积网络、循环网络、生成网络和注意力机制等。2011年，kolter等人构建了第一个公开可用的redd数据集。2019年，davies等人使用1d-cnn来提取原始功率信号中的特征。jia等人提出了一种树状cnn(tree cnn)，以从高维的负载数据中获取事件特征。尽管深度本文档来自技高网...

【技术保护点】

1.一种基于数据增强和深度学习的电能表负荷分解方法，其特征在于步骤包括：

2.如权利要求1所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于：步骤1中，先对采集到的电力负荷数据中的异常值进行删除，然后通过插值的方式对电力负荷数据中的缺失值进行填充，填充方式为：设缺失值为Pk，k代表缺失值的位置，其前后值分别为Pk-1和Pk+1，则

3.如权利要求1所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于，步骤2具体包括：

4.如权利要求3所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于，步骤2_2中的聚类过程为：

...

【技术特征摘要】

1.一种基于数据增强和深度学习的电能表负荷分解方法，其特征在于步骤包括：

2.如权利要求1所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于：步骤1中，先对采集到的电力负荷数据中的异常值进行删除，然后通过插值的方式对电力负荷数据中的缺失值进行填充，填充方式为：设缺失值为pk，k代表缺失值的位置，其前后值分别为pk-1和pk+1，则

3.如权利要求1所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于，步骤2具体包括：

4.如权利要求3所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于，步骤2_2中的聚类过程为：

5.如权利要求4所述的基于数据增强和深度学习的电能表负荷分解方法，其特征在于，聚类过程还包括：

6.如权利要求4所...

【专利技术属性】
技术研发人员：周求湛，李新萌，王聪，武慧南，王晓东，胡春华，赵航，黄庆丰，董玉龙，陈飞，王晋硕，侯晓晗，高朋辉，林晓溪，王俊生，李海岩，李嘉敏，谢家凯，刘淇，隆海波，马瑜，
申请(专利权)人：吉林大学，
类型：发明
国别省市：