[发明专利]基于残差卷积模块的非侵入式居民用户负荷分解方法

说明书

本发明涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：获取训练数据并进行数据预处理；构建并训练负荷分解模型：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数得到训练好的负荷分解模型；通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。本发明分解精度高。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法。

背景技术

大规模的电表部署以及配套的通信网络与数据系统共同组成了高级量测系统，其测量所得数据通过数据挖掘等数据分析技术可以得出用户用电行为习惯以及各电器用电量等信息；这一过程就是负荷分解。

负荷监测分为侵入式负荷监测和非侵入式负荷监测两种，其中侵入式负荷监测是在用户的每个家用电器上安装检测设备，以便获得相关电器运行信息；但这种方式成本高，实现困难，并难以保护用户的隐私，大范围推广难以实现；非侵入式负荷监测又称为负荷分解，仅通过分析用户总表数据，得出该用户家用电器的种类、开关状态以及有功功率损耗等信息，更充分的挖掘电表数据的信息价值；这种方式成本较低，实现难度小，容易获得用户认同，是未来负荷监测的主要方向。

基于深度学习的非侵入式负荷分解方法是负荷分解的常用方法之一；深度学习模型中有许多网络变体，如去噪自动编码器(DAE)、RNN、seq2point常规卷积等等，但现有的分解方法具有分解精度低及未对电器进行筛选的问题。

发明内容

本发明的目的是为了提供基于残差卷积模块的非侵入式居民用户负荷分解方法，提高居民负荷分解的准确性。

为解决以上技术问题，本发明的技术方案为：基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：

步骤1：获取训练数据并进行数据预处理；

步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；

步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；

步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；

步骤2：构建并训练负荷分解模型；

步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；

步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；

步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。

进一步的，负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。

进一步的，步骤2.1具体为：