[发明专利]基于深度可分离卷积的轻量化广义负荷分解方法

说明书

本发明公开了一种基于深度可分离卷积的轻量化广义负荷分解方法，将深度可分离卷积和经典序列到点神经网络相结合，旨在解决NILM技术在用户侧边缘设备上部署应用的问题。本发明方法主要包括：根据卷积的深度分离过程将卷积分为逐通道卷积和逐点卷积，完成对经典序列到点卷积神经网络进行轻量化设计，极大程度地减小了网络模型参数的数量和计算复杂度；通过对广义负荷数据集的有监督训练和验证得到轻量化的序列到点卷积神经网络模型，从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。

技术领域

本发明属于非侵入式电力负荷监测领域，具体涉及一种基于深度可分离卷积的轻量化广义负荷分解方法。

背景技术

随着智能电网的不断发展以及智能传感技术的持续推广，电力大数据分析已逐渐成为电力行业专家学者们研究的热点^[1]。在新型电力系统中，广义负荷包括常规负荷、风电和光伏发电等分布式电源及电动汽车、储能等，其具有负荷成分多元、运行特性复杂、影响因素多样以及响应能力灵活等特点，如何从多种源荷设备运行数据中获取广义负荷的有用信息，推动电力公司与用户良性互动，优化电网运行的同时保障双方利益，是电力行业关注的重点。

非侵入式负荷监测(Non-intrusive Load Monitoring，NILM)技术是指仅在用户入口处安装一个传感器，通过采集和分析用户总口数据来监测户内每个或每类电器的用电功率和工作状态，从而了解居民家中各电器的耗电情况及用电规律。NILM技术对于优化电网规划、运行与管理，用户节省电能及电费具有重要意义，同时也是推动需求侧精细化管理、节能减排的关键技术之一^[2]。

NILM技术自提出以来便受到了广泛关注，目前已有多种方法被应用于非侵入式负荷分解中，其中近年来热门的深度学习理论，已经成为了实现NILM技术的重要工具。其中，卷积神经网络能够有效挖掘多种源、荷设备的内部特征，且基于卷积神经网络提出的Seq2point模型^[3]将NILM问题转化为序列到点模型的训练过程，依据不断滑动的总功率窗口序列得到单个源荷设备窗口的中点功率值，在负荷分解领域展现出良好的效果。由于该模型具有超过数百万的参数需要微调，而且也需要大量的标签数据进行训练，因此仅能在云端进行训练和验证。然而，云端和边缘端进行大量的数据传输增加了通信成本，同时也对用户的隐私安全产生了一定的隐患。因此，针对上述问题，亟需对模型进行轻量化设计，使其仅在边缘设备上完成训练、验证及测试。

[参考文献]

[1]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[J].电网技术,2016,40(03):791-796.

[2]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网技术,2013,7(04):1-5.

[3]C.Zhang,M.Zhong and Z.Wang,et al.Sequence-to-point learning withneural networks for non-intrusive load monitoring[C],in Proceedings of theAAAI Conference on Artificial Intelligence,2018.

[4]A.G.Howard,M.Zhu and B.Chen,et al.MobileNets:EfficientConvolutional Neural Networks for Mobile Vision Applications[C],in ComputerVision and Pattern Recognition,2017.