[發明專利]一種基于DANN域適應學習的非侵入式居民用電負荷分解方法

在審

• 申請號: 202011006060.6
• 申請日: 2020-09-23
• 公開（公告）號: CN112215405A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 高敬更;蘇海軍;王琨;楊熹;楊春光;劉繼榮;董智穎;侯琦;黃鑫
• 申請（專利權）人: 國網甘肅省電力公司營銷服務中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 蘭州智和專利代理事務所(普通合伙) 62201
• 代理人: 趙立權

本發明提供了一種基于DANN域適應學習的非侵入式居民用電負荷分解方法，包括如下步驟：1)采集電力負荷入口處的功率數據；2)對采集的數據依次進行提取、格式轉換、數據擴充和標準化處理；3)構建域適應學習DANN模型，利用預處理后的數據對DANN模型進行訓練，自動提取負荷特征；4)利用訓練完成的DANN模型對待分解的主表功率數據進行負荷分解，獲取每個用電設備的運行耗能信息。本發明采用DANN域適應學習方式，混合源域與目標域數據對網絡進行訓練，提高了任意未知家庭用電設備的負荷分解精度，提升了模型的泛化能力，對未來大規模部署負荷分解系統起到了前瞻性的作用。

技術領域

本發明屬于電力計量技術領域，涉及一種基于DANN域適應學習的非侵入式居民用電負荷分解方法。

背景技術

電力負荷設備監測和分解方法大致可以分為侵入式和非侵入式兩大類。傳統的侵入式負荷監測方法，需要在每個用戶的電器設備上安裝傳感器以獲得用戶的電器用電數據，雖然能真實反應電器的用電情況，但實施成本高，用戶難以接受。而非侵入式負荷分解只需在用戶的電表上加入NILM模塊，就能夠實現對一個用戶所有負荷的在線監測和分解。

現有的非侵入式負荷分解問題研究集中于負荷分解精度的提高，代表性的研究包括利用隱馬爾可夫模型、深度學習的方式進行非侵入式負荷分解。其中因子隱馬爾可夫模型在一定程度上改善了負荷分解精度，但一旦出現較為復雜的用電情況，模型的分解精度會下降。此外，利用深度神經網絡進行負荷分解伴隨著人工智能發展的浪潮逐漸被研究者重視起來，此類方法的優勢在于不需要進行其他方法的所必須完成的特征提取工作，同時這類方法也表現出了較好的效果，代表的研究如利用循環神經網絡和降噪自編碼器的seq2seq方法。

基于深度學習的負荷分解方法需要大量的數據對神經網絡進行訓練，所以帶來的問題是很明顯的，通過大量的數據訓練出來的模型往往只能在某一地區某一家庭某種設備上表現出良好的效果，一旦將訓練好的模型用于非訓練數據集下的設備時，模型的分解能力迅速下降。如何提高模型的泛化能力，以此期望對任意家庭設備進行負荷分解達到最佳效果，是亟待解決的一個重要問題。

發明內容

本發明的目的在于針對現有技術存在的問題，提供一種基于DANN域適應學習的非侵入式居民用電負荷分解方法。

為此，本發明采用如下技術方案：

一種基于DANN域適應學習的非侵入式居民用電負荷分解方法，包括如下步驟：

1)采集電力負荷入口處的功率數據；

2)對采集的數據依次進行提取、格式轉換、數據擴充和標準化處理，具體過程為：

201)對采集的數據選擇測試用負荷數據；

202)利用NILMTK工具包提取負荷數據；

203)對提取的負荷數據進行預處理，去除所有包含缺失值情況的時間段；

204)利用滑動窗口方法對所獲得的原始數據進行擴充；

205)利用零均值歸一化方式對擴充完成的數據做歸一化處理，用于DANN神經網絡訓練；

3)構建域適應學習DANN模型，利用預處理后的數據對DANN模型進行訓練，自動提取負荷特征；

4)利用訓練完成的DANN模型對待分解的主表功率數據進行負荷分解，獲取每個用電設備的運行耗能信息。