[发明专利]一种基于双向扩张卷积的负荷分解方法

说明书

本发明属于非侵入式负荷监测、分解技术领域，具体为一种基于双向扩张卷积的负荷分解方法。本发明在时态卷积网络的基础上，采用双向扩张卷积替换因果扩张卷积来构建残差模块，同时引入两种形式的残差连接，一是在残差模块中，二是在不同残差模块之间。双向扩张卷积能够扩大网络的感受野从而提高模型的性能，残差连接使得训练深度模型更加方便，同时能通过将不同层次提取的负荷特征相结合来提高最终预测结果的准确率。本发明引入seq2point方法对家庭的用电测量数据进行负荷特征提取，得到不同电器的负荷分解结果，同时根据负荷分解结果判断电器的运行状态，在非侵入式负荷分解以及非侵入式电器开关状态识别方面具有优越性。

技术领域

本发明属于非侵入式负荷监测、分解技术领域，具体为一种基于双向扩张卷积的负荷分解方法。

背景技术

非侵入式负荷监测或能量分解，都是试图通过从整个房屋电表的总功率中分解出相应电器的功率，从而制定电器使用策略来节省能源消耗。因此，如何推断特定设备的电力负荷、进行电力负荷分解是现阶段主要的研究目标。如何利用深度学习相关的方法来提升负荷分解的准确率是当前研究的热门。理论上，网络的深度越深，模型提取负荷特征的能力越强。然而，由于存在梯度消失、梯度爆炸以及网络退化等问题，导致深度神经网络难以得到充分的训练。

发明内容

本发明的目的在于提供一种基于双向扩张卷积的负荷分解方法，在提升网络的感受野、提高模型性能的同时解决深度网络难以训练的问题。

本发明提供的基于双向扩张卷积的负荷分解方法，是在时态卷积网络的基础上，采用双向扩张卷积替换因果扩张卷积来构建残差模块，从而扩大网络的感受野、提高模型的性能，同时引入两种形式的残差连接：一是在残差模块中，使得训练深度模型更加方便，二是在不同残差模块之间，通过将不同层次提取的负荷特征相互结合，来提高最终预测结果的准确率。本发明引入seq2point方法对家庭一天的用电测量数据进行负荷特征提取，得到不同电器的负荷分解结果，同时根据负荷分解结果判断电器的运行状态，在非侵入式负荷分解以及非侵入式电器开关状态识别方面具有优越性，从而达到上述提升模型性能的同时解决网络难以训练问题的目的。

本发明提供的基于因果卷积的负荷分解方法，具体步骤为：

步骤1：确定输入数据；

步骤2：数据预处理；

步骤3：构建残差模块；

步骤4：确定网络整体结构；

步骤5：确定评估指标，训练网络模型；

步骤6：得到电器负荷分解结果，判断电器运行状态信息。

下面对各步骤作进一步的具体说明。

步骤1、确定输入数据，

首先明确电器指纹分为两个方面：

①高频采样：主要表现为电器的信号波形，包括电器稳态和瞬态之间的状态切换，以及电器持续负载状态；

②低频采样：主要表现为均方根值(RMS)，即电器运行时的电流、电压以及功率等相关数据；

虽然非侵入式负荷分解在高频采样数据中可以提取到更有用的特性，从而获得更好的性能，但高频采样需要一个昂贵的高频智能电表，因此本发明为确保方法的实用性和推广性，优选只针对低频采样下的数据进行处理，网络的输入数据为电器运行时电表记录的总功率，采样频率为1HZ。

步骤2数据预处理，

步骤2.1：对于家庭电表用电数据的采集，在数据采集的过程中可能会出现一些外界因素影响，例如传感器的短暂故障导致采集的数据出现部分缺失，对于这种数据缺失的情形，采用后向填充的手段来补齐缺失的数据，即将缺失的值替换为连续数据的下一有效值。