基于深度学习算法的非侵入式工业负荷分解方法

摘要

对工业用户进行负荷感知、分析和管理是推进智能电网建设的重要一步。非侵入式负荷分解需要根据用户总负荷来推断识别用户用电设备的负荷并提高电力用户的隐私安全。以往负荷建模和分解的对象主要为家用电器负荷,针对工业用户的负荷分解具有负荷特征较少和设备状态难以建模的问题。本文提出一种对设备差分负荷频谱曲线聚类的方法建模工业设备的负荷状态,并将负荷状态作为分解目标。然后,以具有时间依赖关系的双向长短期记忆神经网络为主干构建了一个由总负荷序列到各设备负荷状态序列的分解模型。最后,基于乌兰察布地区某工厂的月度负荷数据开展案例研究,使用本文方法得到的四台设备负荷状态平均准确率、精确率、召回率、F1_score值均超过90%,取得了良好的分解效果。