一种基于长短时神经网络的居民负荷曲线分解方法
阅读说明：本技术 一种基于长短时神经网络的居民负荷曲线分解方法 (Long-time neural network-based resident load curve decomposition method ) 是由 林顺富 黄佳凌 李东东 詹银枫 于 2021-07-30 设计创作，主要内容包括：本发明公开了一种基于长短时神经网络的居民负荷曲线分解方法,包括利用数据采集设备采集负荷的电压与电流数据,并计算出负荷的总有功功率P,根据开关事件合集和所述负荷总有功功率数据P选择数据样本X,将所述数据样本X划分训练集和验证集；对所述训练集和所述验证集进行归一化处理；对归一化处理后的训练集和验证集进行神经网络训练,得到预测的负荷数据；基于所述预测的负荷数据和所述开关事件集合进行负荷曲线分解,得到单一负荷曲线。本发明提出的基于长短时神经网络的居民负荷曲线分解方法,既能实现组合负荷曲线中单一负荷的曲线分解,得到单一负荷详细运行曲线图,又能分解出每一种负荷具体的运行情况和消耗电能。(The invention discloses a resident load curve decomposition method based on a long-time and short-time neural network, which comprises the steps of collecting voltage and current data of a load by using data collection equipment, calculating the total active power P of the load, selecting a data sample X according to a switching event set and the total active power data P of the load, and dividing the data sample X into a training set and a verification set; carrying out normalization processing on the training set and the verification set; carrying out neural network training on the training set and the verification set after the normalization processing to obtain predicted load data; and decomposing a load curve based on the predicted load data and the switching event set to obtain a single load curve. The resident load curve decomposition method based on the long and short time neural network can realize the curve decomposition of a single load in a combined load curve to obtain a detailed operation curve chart of the single load, and can decompose the specific operation condition and the consumed electric energy of each load.)
技术领域
本发明涉及非侵入式负荷监测技术领域，尤其涉及一种基于长短时神经网络的居民负荷曲线分解方法。
背景技术
城乡居民生活用电量在全社会用电量的占比逐步提高，随着电力物联网技术等推广和应用，家庭用户内部电器的使用信息的感知与获取成为了近年的研究热点；家庭电器使用信息可以让电力公司进一步了解居民负荷组成情况，有助于节能措施的实施和电网经济运行；传统的侵入式负荷监测需要为每个居民电器安装智能插座等分离式传感装置，成本高且不便于维护；美国麻省理工大学的Hart教授提出的非侵入式负荷监测技术(non-intrusive load monitoring，NILM)有可能通过家庭总功率、总电流等数据来获取家庭中每个电器耗电数据，由于基于NILM技术的居民家庭监测设备具有低成本、易维护的优点，近年来受到广泛的关注和研究。
随着智能化科技水平的提高，负荷分解也成为非侵入式监测技术中的研究热点，但少有进行负荷曲线分解的研究；任文龙、许刚提出一种基于深度序列翻译模型的非侵入式负荷分解方法，但该方法需要建立庞大的状态码库，若状态码库中的数据较少，则会影响分解准确度，建立多种准确负荷的状态码库较为困难；崔亮节、孙毅、刘耀先等人提出一种考虑分时段状态行为的非侵入式负荷分解方法，但是该两种方法均只能对负荷的能量进行分解，无法分解出每一种负荷具体的运行工况曲线。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的技术方法只能对负荷的能量进行分解，无法分解处每一种负荷具体的运行工况曲线。
为解决上述技术问题，本发明提供如下技术方案：利用数据采集设备采集负荷的电压与电流数据，并计算出负荷的总有功功率P，根据开关事件合集和所述负荷总有功功率数据P选择数据样本X，将所述数据样本X划分训练集和验证集；对所述训练集和所述验证集进行归一化处理；对所述归一化处理后的训练集和验证集进行神经网络训练，得到预测的负荷数据；基于所述预测的负荷数据和所述开关事件集合进行负荷曲线分解，得到单一负荷曲线。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：对所述开关事件集合进行开与关事件判断包括，
若为开事件，则记录所述开事件负荷类型；
若为关事件，则返回继续判断。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：根据所述开关事件负荷类型，匹配对应事件包括，
若为恒功率负荷，则匹配所述开关事件集合中该开事件后的第一个同类型负荷关事件；
若为非线性变功率负荷，则匹配所述开关事件集合运行周期内最后一个关事件；
并按匹配后的顺序排放形成新的开关事件集合。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：所述神经网络为长短时神经网络，所述长短时神经网络包括遗忘层、输入层、更新层以及输出层。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：所述遗忘层将当前输入信息和先前输出信息通过sigmoid函数进行信息筛选，判断该部分信息是否现需要被保留包括，
若帅选后最终输出0，则表示该部分信息可进行遗忘，若帅选后最终输出1，则代表该部分信息需要进行保留；
将所述被保留的部分信息传递到下一单元，所述遗忘层输出信息ft包括，
ft＝σ(Wf[ht-1,xt]+bf)
其中，σ表示sigmoid函数，Wf表示遗忘层的权重向量，[ht-1，xt]表示将先前输出信息与当前输入信息结合成一个信息向量，bf表示遗忘层的偏置项。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：所述候选信息的获取包括，
将所述输入层的当前输入信息xt与先前输出信息ht-1通过sigmoid函数进行信息确认得到更新信息it，同时通过tanh函数得到候选信息包括，
it＝σ(Wi[ht-1,xt]+bi)
其中，Wi、Wc表示输入层两个函数的不同权重向量，bi、bc表示输入层两个函数的偏置项。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：基于先前单元信息Ct-1和所述遗忘层输出信息ft构建旧信息，利用所述更新信息it和所述候选信息得到新信息；
所述更新层将旧信息与新信息进行组合生成当前信息，并将所述当前信息输入到所述输出层，所述当前信息Ct包括，
其中，Ct-1表示先前单元信息，ft表示遗忘层输出信息，it表示更新信息，表示候选信息。
所述输出层输出中间信息和输入下一单元的信息，
所述中间信息包括，
ot＝σ(Wo[ht-1，xt]+b0)
其中，ot表示中间信息，Wo表示输出层的权重向量，b0表示输出层的偏置项；
所述输入下一单元的信息包括，
ht＝ottanh(Ct)
其中，ht表示输入下一单元的信息。
作为本发明所述的基于长短时神经网络的居民负荷曲线分解方法的一种优选方案，其中：所述预测的负荷数据的获取包括，
当训练神经网络的误差值小于设定的误差值或训练次数大于设定的训练次数满足后，停止训练，得到所述预测的负荷数据。
本发明的有益效果：本发明克服了传统方法只能对负荷的能量进行分解，无法分解处每一种负荷具体的运行工况曲线，提出了一种基于长短时神经网络的剧名负荷曲线分解方法，实现组合负荷曲线中单一负荷的曲线分解，得到单一负荷详细运行曲线图，运行情况和消耗电能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的开关事件匹配流程图；
图2为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的长短时神经网络工作原理示意图；
图3为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的组场景功率曲线图；
图4为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的组合数据功率数据曲线图；
图5为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的数据预测填补后曲线图；
图6为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的但已符合运行提取后曲线图；
图7为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的组合场景负荷曲线分解图；
图8为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的线性插值负荷曲线分解图；
图9为本发明一个实施例提供的一种基于长短时神经网络的居民负荷曲线分解方法的REDD数据功率曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2，为本发明的一个实施例，提供了一种基于长短时神经网络的居民负荷曲线分解方法，包括：
S1：利用数据采集设备采集负荷的电压与电流数据，并计算出负荷的总有功功率P，根据开关事件合集和负荷总有功功率数据P选择数据样本X，将数据样本X划分训练集和验证集。需要说明的是：
(1)对开关事件集合进行开与关事件判断；若为开事件，则记录开事件负荷类型；若为关事件，则返回继续判断；
(2)根据开关事件负荷类型，匹配对应事件包括，
若为恒功率负荷，则匹配开关事件集合中该开事件后的第一个同类型负荷关事件；
若为非线性变功率负荷，则匹配开关事件集合运行周期内最后一个关事件；
并按匹配后的顺序排放形成新的开关事件集合。
S2：对训练集和验证集进行归一化处理。
S3：对归一化处理后的训练集和验证集进行神经网络训练，得到预测的负荷数据。需要说明的是：
神经网络为长短时神经网络，长短时神经网络包括遗忘层、输入层、更新层以及输出层；
遗忘层输出信息ft包括，
遗忘层将当前输入信息和先前输出信息通过sigmoid函数进行信息筛选，判断该部分信息是否需要进行保留；
若最终输出0，则表示该部分信息可进行遗忘，若最终输出1，则代表该部分信息需要进行保留，
将被保留的部分信息传递到下一单元，遗忘层输出信息ft包括：
ft＝σ(Wf[ht-1,xt]+bf)
其中，σ表示sigmoid函数，Wf表示遗忘层的权重向量，[ht-1，xt]表示将先前输出信息与当前输入信息结合成一个信息向量，bf表示遗忘层的偏置项；
进一步地，候选信息的获取包括，
将输入层的当前输入信息xt与先前输出信息ht-1通过sigmoid函数进行信息确认得到更新信息it，同时通过tanh函数得到候选信息包括，
it＝σ(Wi[ht-1,xt]+bi)
其中，Wi、Wc表示输入层两个函数的不同权重向量，bi、bc表示输入层两个函数的偏置项；
再进一步地，基于先前单元信息Ct-1和遗忘层输出信息ft构建旧信息，利用更新信息it和候选信息得到新信息；更新层将旧信息与新信息进行组合生成当前信息，并将当前信息输入到输出层，当前信息Ct包括，
其中，Ct-1表示先前单元信息，ft表示遗忘层输出信息，it表示更新信息，表示候选信息；
更进一步地，输出层输出中间信息和输入下一单元的信息，
中间信息包括，
ot＝σ(Wo[ht-1，xt]+b0)
其中，ot表示中间信息，Wo表示输出层的权重向量，b0表示输出层的偏置项；
输入下一单元的信息包括，
ht＝ottanh(Ct)At)
其中，ht表示输入下一单元的信息。
预测的负荷数据的获取包括，
当训练神经网络的误差值小于设定的误差值或训练次数大于设定的训练次数满足后，停止训练，得到预测的负荷数据。
S4：基于预测的负荷数据和开关事件集合进行负荷曲线分解，得到单一负荷曲线。
本发明提出的基于长短时神经网络的居民负荷曲线分解方法，既能实现组合负荷曲线中单一负荷的曲线分解，得到单一负荷详细运行曲线图，又能分解出每一种负荷具体的运行情况和消耗电能。
实施例2
参照图3～9，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于长短时神经网络的居民负荷曲线分解方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
以组合数据为例，图3为组合数据功率曲线图，其负荷开关事件操作顺序如表1所示。
表1：组合场景开关事件操作顺序。
以微波炉(MO)为例，图4为利用微波炉功率曲线提取过程示例，截取微波炉开事件前20个数据点和关事件后20个数据点进行空缺数据的预测，再将总功率曲线与填补后的曲线进行相减，即可通过该两条曲线提取出单一负荷的运行曲线；图4～6为微波炉曲线提取过程，清晰地展现出了利用开关事件和长短时神经网络提取出组合数据下的单一负荷曲线；图7将组合功率曲线分解后的单一负荷曲线和原始功率曲线进行叠加对比，为了验证本发明所提负荷曲线分解算法的准确度，采用线性插值(Linear Interpolation，LI)的方法提取单一负荷曲线，分解结果如图8所示；对比图7和图8，可以看出利用长短时神经网络分解出的各个单一负荷的功率曲线更平稳，更接近真实的负荷运行曲线。
本发明中引用功率分解准确率和能量分解准确率作为负荷分解的评价指标。功率分解准确率的公式表示为：
能量分解准确率的公式表示为：
表2展示了本发明所提长短时神经网络和线性插值方法分解后的结果，对比结果显示在组合场景下，本发明所提负荷曲线分解方法也具有明显的优势，每一种负荷的准确率均在90％以上，且本发明的准确性要比采用线性插值(LI)方法的准确性高。
表2：组合数据下的功率准确率和能量分解准确率。
如图9所示，本发明选用REDD数据库中的低频功率数据进行验证，TEDD数据下的功率分解准确率和能量分解准确率如表3所示。
表3：REDD数据下的功率分解准确率和能量分解准确率。
由结果可以看出，相比于采用线性插值(LI)方法，本发明所提出的基于长短时神经网络的居民负荷曲线分解方法对于复杂混合功率曲线具有更好的分解效果，再次证明本发明所提方法的有效性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。