[發明專利]一種基于深度學習的電力負荷用電分解方法

在審

• 申請號: 201710678688.2
• 申請日: 2017-08-10
• 公開（公告）號: CN107392391A
• 公開（公告）日: 2017-11-24
• 發明（設計）人: 欒文鵬;劉博;崔高辰;余貽鑫;劉浩;馬驍;杜偉強;楊靜;王巖;尹凱;李蓓;蔣仲明;劉中勝;馮麗
• 申請（專利權）人: 天津求實智源科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市邦杰專利代理事務所(普通合伙)23212
• 代理人: 吳江東

1.一種基于深度學習的電力負荷用電分解方法，其特征是: 本方法包括五步，第一步，根據需要，獲取目標用電場景內所有目標電器設備的關于某一種或幾種用電參數的完整工作曲線；第二步，利用第一步獲取的電器設備的完整工作曲線，根據目標場景中的實際用電情況，合成模擬目標場景內各電器設備混合使用情形的仿真數據；第三步，構建用于電力負荷分解的深度神經網絡，包括確定神經網絡分層數目和每層所含神經元數目，及各分層所含神經元之間的鏈接關系；第四步，利用第二步中合成出的仿真數據建立訓練數據集，用以訓練在第三步搭建的深度神經網絡；第五步，在線應用訓練所得深度神經網。

2.根據權利要求1所述的一種基于深度學習的電力負荷用電分解方法，其特征是: 所述的第一步中將某個電器設備從啟動到停止的過程定義為一個完整工作循環，在一個完整工作循環中，由某一種用電參數數據點按時間所繪制的曲線被定義為該電器設備的關于所述用電參數的完整工作曲線；其中，所述用電參數數據可以是基波或諧波有功功率、無功功率或電流有效值。

3.根據權利要求2所述的一種基于深度學習的電力負荷用電分解方法，其特征是:目標電器設備的關于某種用電參數的完整工作曲線的獲取方式是，在目標用電場景中，對目標電器設備的用電過程進行單獨量測。

4.根據權利要求1所述的一種基于深度學習的電力負荷用電分解方法，其特征是: 所述的第二步中模擬目標場景內各電器設備混合使用情形的仿真數據生成方法的具體步驟如下所述：

創建數據時間序列X，并將各時刻的數據的初始取值設為0；

為電器設備i遍歷一次第①步中已創建的序列X中的全部時刻點，每到一時刻點，隨機判斷電器設備i是否設置為“開啟”狀態；若設置為“開啟”狀態，則跳至第③步；若設置為“沒有開啟”，則繼續對相鄰的下一個時刻點進行同樣的隨機判斷；若對于電器設備i，序列X中的各個時刻點均已被遍歷，則跳至第④步；

由“開啟”時刻起，將電器設備i的完整工作曲線中的數據點與序列X中對應時刻點的數據疊加，以疊加結果替換序列X在對應時刻點的原值；而后，跳至第②步，并以所添加的完整工作曲線結束時相鄰的下一個時刻點作為遍歷序列X過程中的下一個隨機判斷時刻點；

若仍有某目標電器設備的完整工作曲線未被加入序列X，則跳至第②步，電器設備i被設置為下一個未被添加的電器設備，重新遍歷序列X；若全部目標電器設備的完整工作曲線均已被加入序列X，則執行第⑤步；

結束。

5.根據權利要求1所述的一種基于深度學習的電力負荷用電分解方法，其特征是: 所述的第三步中神經網絡包含但不限于卷積層、遞歸層、全連接層結構層；網絡輸入經過多個結構層的非線性變換，再經過一個激活函數為線性函數的全連接神經元后，最終得到對應的網絡輸出。

6.根據權利要求1所述的一種基于深度學習的電力負荷用電分解方法，其特征是: 所述的第四步用于電力負荷分解的深度神經網絡以某段時間內的總量用電數據序列為輸入，以該時間段內各目標電器的用電量估計結果為輸出；每條訓練數據樣本由所述輸入數據和對應的真實輸出結果共同構成，所述訓練數據集由多條所述訓練數據樣本組成；根據需要，在建立訓練數據集合時，將第三步中獲取的序列X劃分為多個長度為L的時間序列，并計算每個時間序列對應時段內，目標電器設備i的真實用電量。

7.根據權利要求6所述的一種基于深度學習的電力負荷用電分解方法，其特征是:利用反向傳播算法訓練神經網絡，采用基于梯度的算法優化網絡參數以使得網絡輸出與真實值之間的誤差函數達到較小值。

8.根據權利要求1所述的一種基于深度學習的電力負荷用電分解方法，其特征是:所述的第五步將實際場景中采集得到的與訓練數據序列長度相同、用電參數數據類型相同的任意時間段內的總量量測數據序列輸入第四步所得深度神經網絡，直接計算出所在時間段內的各目標電器的用電量，據此記錄該時間段內各目標電器的工作狀態。