[發明專利]基于深度學習的非侵入式工業負荷分解方法

在審

• 申請號: 202211052074.0
• 申請日: 2022-08-31
• 公開（公告）號: CN115482123A
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 趙博超;陳姝伊;欒文鵬;劉博
• 申請（專利權）人: 天津大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李麗萍

本發明公開了基于深度學習的非侵入式工業負荷分解方法，包括：1)對采集到的工業負荷總功率數據和單個工業負荷功率數據進行歸一化處理，按深度學習的數據集劃分比例劃分成訓練集、驗證集和測試集；2)對一個目標工業負荷，將訓練集中的工業負荷總功率數據作為s2p神經網絡的輸入，將訓練集中該工業負荷的功率數據作為s2p神經網絡的輸出，以此訓練該s2p神經網絡；采用早停機制防止過擬合，得到負荷分解模型；3)將目標工業負荷測試集的總功率序列輸入到負荷分解模型中，將得到的目標工業負荷一系列功率窗口的中點值連接得到預測的該工業負荷功率信號。本發明能夠利用深度學習對此類復雜負荷進行分解，對于實現工業場景的NILM具有重大意義。

技術領域

本發明屬于非侵入式電力負荷監測領域，尤其涉及一種基于深度學習的非侵入式工業 負荷分解方法。

背景技術

隨著電力行業逐步發展，電力公司與電力用戶的互動性不斷增強。與此同時，由于全 球氣候的變化，降低碳排放成為世界各國的迫切需求。因此，負荷電能消耗細節監測技術 作為一種節能使能技術，成為專家學者研究的熱點之一。目前，負荷監測技術主要分為侵 入式和非侵入式兩種方式，其中，非侵入式負荷監測(non-intrusive loadmonitoring，NILM) 技術在1984年由Hart[1]提出。與侵入式負荷監測技術需要為每個電器安裝傳感器不同， NILM僅在用戶入口處安裝一個傳感器，是一個單通道盲源分離問題。通過采集和分析用戶 總用電數據來監測戶內每個或每類電器的用電功率和工作狀態，從而了解居民家中各電器 的耗電情況及用電規律[2]。NILM技術是一種經濟、高效的負荷監測技術，有利于電網規 劃、運行與管理，幫助用戶節省電能及電費，同時推動需求側精細化管理、節能減排[3]。

NILM算法可被分為基于事件的方法或基于狀態的方法。基于事件的方法信號處理算法，是以功率信號中的開關或狀態轉換事件為特征；基于狀態的方法如因子隱馬爾可夫算法，是將總功率信號分配到各個電器的運行狀態。將近年來，隨著人工智能技術的飛速發展，深度學習為解決NILM問題提供了新思路[4]。多種深度神經網絡已被應用于非侵入式負荷分解當中，如卷積神經網絡(convolutional neural network,CNN)、去噪自動編碼器和 長短期記憶網絡等，并展現出了比傳統方法更好的負荷分解效果。其中，CNN作為一種特 征提取網絡，能夠學習到對NILM有意義的特征，比其他神經網絡性能更優。

基于深度學習的NILM方法根據網絡的輸入輸出形式將負荷分解視為序列到序列(sequence-to-sequence,seq2seq)或序列到點(sequence-to-point,seq2point)的學習問題。seq2seq 學習是指神經網絡根據輸入的總功率序列預測對應時間戳的單個電器功率序列。而 seq2point學習是指神經網絡根據輸入的總功率序列預測單個電器相應窗口的一個點。研究 表明，序列到點學習使網絡的預測問題簡單化，將神經網絡的表征能力集中在一個點，其 中具有代表性的seq2point神經網絡是文獻[5]中的基于CNN的網絡，即s2p。該網絡充分利 用歷史和未來信息，從輸入的總功率序列預測單個電器相應窗口的中點，已被證明有較好 的負荷分解效果。

現有的NILM研究主要集中在居民用戶的一些大功率電器或常開電器上，對工業負荷 的研究較少。由于一些工廠的工業負荷是常開負荷，功率變化頻繁，且無明顯的啟停事件， 傳統基于事件和基于狀態的NILM算法難以分解此類負荷。而深度學習算法能夠在無人工 參與的情況下自動提取功率信號中的特征，學習網絡輸入與輸出之間的非線性映射，對于 此類工業負荷的運行模型具有較強的學習能力。

因此，基于上述背景，考慮利用深度學習中的序列到點CNN神經網絡對常開、功率變 化頻繁、且無明顯啟停事件的工業負荷進行分解。

[參考文獻]

[1]G.W.Hart,“Nonintrusive Appliance Load Data Acquisition Method:Progress report,” MIT Energy Laboratory,1984.