[發(fā)明專利]基于樓宇數(shù)據(jù)的多用戶負載辨識方法

在審

• 申請?zhí)枺?/td>: 202210244938.2
• 申請日: 2022-03-11
• 公開（公告）號: CN114612265A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計）人: 滿蔚仕;馮瑞豪;張志禹
• 申請（專利權(quán)）人: 西安理工大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 許志蛟

本發(fā)明基于樓宇數(shù)據(jù)的多用戶負載辨識方法，具體按以下步驟實施：獲取天氣數(shù)據(jù)和充電樁數(shù)據(jù)，從監(jiān)測負荷終端總電表中獲取負荷樓宇的能耗數(shù)據(jù)；對獲取的數(shù)據(jù)進行數(shù)據(jù)預(yù)處理；將預(yù)處理后的天氣數(shù)據(jù)和交通數(shù)據(jù)、負荷樓宇的能耗數(shù)據(jù)中的分項負荷功率分為70％的訓練矩陣與30％的驗證矩陣，通過深度學習和遷移學習，進行負荷識別。本發(fā)明從樓宇的終端總電表處提取數(shù)據(jù)對樓宇多用戶進行負荷辨識，方便快捷，并對天氣信息和交通數(shù)據(jù)進行收集，整體辨識準確率高，且利用遷移學習來對不同樓宇進行負荷辨識，不僅可以對非住宅樓宇進行識別必要時也可對居民用戶的電力負荷進行識別。

技術(shù)領(lǐng)域

本發(fā)明屬于非侵入式智能家居負荷識別技術(shù)領(lǐng)域，涉及公共樓宇的整體負荷數(shù)據(jù)識別技術(shù)，具體涉及一種基于樓宇數(shù)據(jù)的多用戶負載辨識方法。

背景技術(shù)

全球能源消耗中建筑電器消耗占比不小，節(jié)能潛力很大，現(xiàn)在許多城市里面公共樓宇巨大，電器復(fù)雜多樣，單體能耗總量大。大負荷延遲是非侵入式智能家居負荷識別的重點，可以節(jié)省費用，同時避免高峰限電。在用電高峰期間推遲大負荷運行，也可以保證電網(wǎng)的穩(wěn)定性，避免電網(wǎng)停電，實現(xiàn)能源的合理規(guī)劃與調(diào)度。傳統(tǒng)對負荷樓宇的電力識別都是非住宅區(qū)，且需要一定的前期數(shù)據(jù)進行基礎(chǔ)來訓練模型。現(xiàn)有很多非侵入負荷識別的技術(shù)和方法是基于單用戶電表的測量和分析方法，需要對每個用戶的電力數(shù)據(jù)進行采樣或為其增添智能電表裝置，成本巨大，對于電力部門，樓宇負載為所有用戶的負載之和，其總電表的數(shù)量是遠小于樓宇各用戶電表數(shù)之和，這雖然可以節(jié)省裝置費用，但也會使負荷識別的難度增大。

發(fā)明內(nèi)容

本發(fā)明的目的提供一種基于樓宇數(shù)據(jù)的多用戶負載辨識方法，能夠辨識樓宇電器設(shè)備種類及數(shù)量。

本發(fā)明所采用的技術(shù)方案是，基于樓宇數(shù)據(jù)的多用戶負載辨識方法，具體按以下步驟實施：

步驟1.獲取當?shù)靥鞖鈹?shù)據(jù)；

步驟2.獲取待辨識樓宇的總電表中的充電樁數(shù)據(jù)，即交通數(shù)據(jù)；

步驟3.從監(jiān)測負荷終端總電表中獲取負荷樓宇的能耗數(shù)據(jù)；

步驟4：將步驟1、2、3得到的數(shù)據(jù)進行數(shù)據(jù)預(yù)處理；

步驟5：將步驟4預(yù)處理后的天氣數(shù)據(jù)和總負荷數(shù)據(jù)分為70％的訓練矩陣一與30％的驗證矩陣一，總負荷數(shù)據(jù)包括交通數(shù)據(jù)和能耗數(shù)據(jù)；

步驟6：將步驟4預(yù)處理后的負荷樓宇的總負荷數(shù)據(jù)中的分項負荷功率分為70％的訓練矩陣二和30％的驗證矩陣二；

步驟7：將步驟5的訓練矩陣一放入深度學習模型層進行計算，得到數(shù)據(jù)一；再將數(shù)據(jù)一和步驟6的訓練矩陣二進行損失函數(shù)計算和決策融合，直到找到最優(yōu)解，視為學習完畢，得到訓練好的網(wǎng)絡(luò)和負荷識別深度學習結(jié)果；

步驟8：將步驟5的驗證矩陣一放入步驟7訓練好的網(wǎng)絡(luò)，進行驗證，然后將驗證后的數(shù)據(jù)與步驟6的驗證矩陣二融合，進行精度評估，得到負荷識別深度學習驗證結(jié)果，對步驟7中的負荷識別深度學習結(jié)果進行驗證。

本發(fā)明的特點還在于，

步驟1中，天氣數(shù)據(jù)包括溫度、濕度、能見度、紫外線強度、風速、霧霾和氣壓；步驟2中，充電樁數(shù)據(jù)包括需要用到充電樁的功率、電壓和電流數(shù)據(jù)；步驟3中，能耗數(shù)據(jù)包括樓宇電器設(shè)備每一天的功率、電壓、電流數(shù)據(jù)。

步驟4中，數(shù)據(jù)預(yù)處理具體為，將步驟2的交通數(shù)據(jù)和步驟3的能耗數(shù)據(jù)用工具包轉(zhuǎn)化為適合深度學習模型層的數(shù)據(jù)類型，同時將步驟1獲取的天氣數(shù)據(jù)作為輸入特征，按多元回歸模型進行相關(guān)性分析去噪，得到溫度、濕度、風速和氣壓數(shù)據(jù)。

步驟7中，深度學習模型層為分別利用多層感知器神經(jīng)網(wǎng)絡(luò)、LSTM模型、卷積神經(jīng)網(wǎng)絡(luò)進行計算，得到三組數(shù)據(jù)一，決策融合為將三組數(shù)據(jù)一分別與步驟6的訓練矩陣二進行損失函數(shù)計算后放入優(yōu)化器中進行CRITIC權(quán)重學習，找最優(yōu)解。