[发明专利]基于深度学习的非侵入负荷分解方法、系统、介质和设备有效
申请号: | 202110784068.3 | 申请日: | 2021-07-12 |
公开(公告)号: | CN113408210B | 公开(公告)日: | 2023-08-01 |
发明(设计)人: | 于波;沙涛;刘娟;王巍 | 申请(专利权)人: | 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F17/14;G06F18/23213;G06N3/0442;G06N3/08 |
代理公司: | 北京纪凯知识产权代理有限公司 11245 | 代理人: | 赵悦 |
地址: | 012000 内蒙古*** | 国省代码: | 内蒙古;15 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 侵入 负荷 分解 方法 系统 介质 设备 | ||
1.一种基于深度学习的非侵入式负荷分解方法,其特征在于,包括以下步骤:
S1获取每个工业设备的短期负荷历史数据和总负荷历史数据;
S2采用步骤S1中短期负荷历史数据和总负荷历史数据对初始模型进行训练,获得工业设备典型负荷模型;
S3将实时获得的总负荷参数输入所述工业设备典型负荷模型获得每台工业设备的负荷;
所述短期负荷历史数据为对应数据的差分值,所述差分值di,t的计算公式为:
di,t=Pi,t-Pi,t-1,i=1,2,…,N
其中,i表示第i个工业设备,N是工业设备数,t是时间,Pi,t是采集的数据;
所述步骤S2的具体操作方法为:获得预设时段内,某一工业设备的某一数据的差分值,并生成功率差分曲线,对所述功率差分曲线进行快速傅里叶变化,得到幅值序列,并将所述幅值序列输入所述初始模型中进行聚类训练,从而获得工业设备典型负荷模型;所述初始模型为长短期记忆人工神经网络模型。
2.如权利要求1所述的基于深度学习的非侵入式负荷分解方法,其特征在于,所述总负荷历史数据包括总有功功率、总无功功率、电流和功率因数。
3.一种基于深度学习的非侵入式负荷分解系统,其特征在于,包括以下步骤:
数据采集模块,用于获取每个工业设备的短期负荷历史数据和总负荷历史数据;
模型训练模块,用于根据短期负荷历史数据和总负荷历史数据对初始模型进行训练,获得工业设备典型负荷模型;
输出模块,用于将实时获得的总负荷参数输入所述工业设备典型负荷模型获得每台工业设备的负荷;
所述短期负荷历史数据为对应数据的差分值,所述差分值di,t的计算公式为:
di,t=Pi,t-Pi,t-1,i=1,2,…,N
其中,i表示第i个工业设备,N是工业设备数,t是时间,Pi,t是采集的数据;
所述步骤S2的具体操作方法为:获得预设时段内,某一工业设备的某一数据的差分值,并生成功率差分曲线,对所述功率差分曲线进行快速傅里叶变化,得到幅值序列,并将所述幅值序列输入所述初始模型中进行聚类训练,从而获得工业设备典型负荷模型;所述初始模型为长短期记忆人工神经网络模型。
4.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算工业设备执行时,使得所述计算工业设备执行根据权利要求1至2任一项所述的基于深度学习的非侵入式负荷分解方法。
5.一种计算设备,其特征在于,包括:一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至2任一项所述的基于深度学习的非侵入式负荷分解方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于内蒙古电力(集团)有限责任公司乌兰察布供电分公司,未经内蒙古电力(集团)有限责任公司乌兰察布供电分公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110784068.3/1.html,转载请声明来源钻瓜专利网。