一种非侵入式负载分解方法及系统

摘要

本发明涉及一种非侵入式负载分解方法及系统，所述方法包括：对待分解总功率数据进行归一化处理；基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值；本发明提供的技术方案能够提高非侵入式负载分解的效率，降低非侵入式负载分解的操作难度以及其操作过程中产生的误差。

说明书

技术领域

本发明涉及电力系统自动化分析技术领域，具体涉及一种非侵入式负载分解方法及系统。

背景技术

负载分解技术和负荷监控技术是实现智能电网的一项关键技术，传统的负载用电监控一般采用侵入式方法，即在用户的电器上安装传感器，然后来记录用户对各个电器的使用情况，这种负载监控手段保证了从各个电器上获得的监控数据准确可靠，数据噪声也相对较小，但是仍然面临着实施难度较大，用户的接受度相对较低等问题。

非侵入式负载分解技术的出现弥补了侵入式负载分解中存在的缺陷，非侵入式负载分解是通过分析整个家庭的电表读数来估算单个电器所消耗能量的一个过程。换句话说，非侵入式负载分解是无需在家庭用电器中安装大量监控设备，就能从单一的全家电表中分析出(估算的)各项电器的能源消耗。非侵入式负载分解能够依靠智能化技术对能源进行监控，对各种电器故障进行检测，以及对故障进行分析，因此该技术在电力的优化配置和分析中有很大的应用价值。

针对非侵入式负载分解技术，目前有许多相关研究。例如：粒子群优化算法针对少量地几种电器进行非侵入式负载分解实验，该算法可以将总功率数据同时分解到各个用电设备上，但是得到的分解结果误差仍较大。针对分解误差较大的问题，稀疏优化算法进行非侵入式负载分解算法，在一定程度上减小了分解的误差。多因子隐马尔科夫算法进行非侵入式负载分解实验，利用单个的电器隐马尔科夫链，然后利用克罗内克积得到组合的隐马尔科夫链的组合参数，在分解阶段，多因子隐马尔科夫会根据给定的总功率数据以及确定的参数寻找其最优的组合,和组合优化算法类似，该算法首先通过聚类得到电器状态功率，其编码解码过程是对这些聚类得到的功率值寻优的过程，分解得到的结果也是通过聚类得到的功率值的组合，并不能得到比较准确的电器功率消耗值。其他研究如基于Adaboost算法、K-近邻算法、支持向量机算法，模糊算法，神经网络算法等算法在非侵入式负载分解任务中都取得了一定的成就。

然而以上算法中主要存在有几个问题，以上的分解误差相对而言还是较大，效率相对较低，在提高准确的同时，需要增加大量的负载特征信息，而特征信息的获取在实际的非侵入式负载分解任务中的操作难度较大，需要大量的人工手动提取，而人工提取特征需要花费大量的时间，人工设计的特征提取方法对噪声的鲁棒性差，基于优化理论的nilm方法是离散化的算法，只适合用来分析电器的开关状态，不能精确的将总功率数据分解到各个电器的连续功率值，以上方法很难较准确地将低频总功率数据分解到各个电器功耗上。

发明内容

针对现有技术的不足，本发明的目的是提供一种非侵入式负载分解方法能够达到快速精确获取各类电器的功率值的目的。

本发明的目的是采用下述技术方案实现的：

本发明提供了一种非侵入式负载分解方法，其改进之处在于，所述方法包括：

对待分解总功率数据进行归一化处理；

基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；

对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值。

优选的，所述对待分解总功率数据进行归一化处理，包括：

按下式确定待分解总功率数据中第i个总功率值的归一化值x

上式中，x

优选的，所述预先训练的分解网络的获取过程包括：

将历史总功率数据及历史总功率数据中各类电器的功率值进行归一化处理；

将历史总功率数据的归一化值作为初始残差门控循环单元网络的输入层训练数据，将历史总功率数据中各类电器的功率值归一化值作为初始残差门控循环单元网络的输出层训练数据，采用梯度下降法对所述初始残差门控循环单元网络进行训练；

其中，所述历史总功率数据的数据长度与所述待分解总功率数据的数据长度相同。

进一步的，所述基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值，包括：

将归一化处理后的待分解总功率数据输入到预先训练的分解网络，获取预先训练的分解网络输出的待分解总功率数据中各类电器的功率归一化值。

优选的，所述对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，包括：

按下式确定待分解总功率数据中第k类电器的功率值

上式中，x

基于同一发明构思，本发明还提供了一种非侵入式负载分解系统，其改进之处在于，所述系统包括：

处理模块：用于对待分解总功率数据进行归一化处理；

分解模块：用于基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；

获取模块：用于对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值。

优选的，所述处理模块具体用于：

按下式确定待分解总功率数据中第i个总功率值的归一化值x

上式中，x

优选的，所述预先训练的分解网络的获取过程包括：

将历史总功率数据及历史总功率数据中各类电器的功率值进行归一化处理；

将历史总功率数据的归一化值作为初始残差门控循环单元网络的输入层训练数据，将历史总功率数据中各类电器的功率值归一化值作为初始残差门控循环单元网络的输出层训练数据，采用梯度下降法对所述初始残差门控循环单元网络进行训练；

其中，所述历史总功率数据的数据长度与所述待分解总功率数据的数据长度相同。

优选的，所述分解模块具体用于：

将归一化处理后的待分解总功率数据输入到预先训练的分解网络，获取预先训练的分解网络输出的待分解总功率数据中各类电器的功率归一化值。

优选的，所述获取模块具体用于：

按下式确定待分解总功率数据中第k类电器的功率值

上式中，x

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的技术方案，提出一种非侵入式负载分解方法及系统，首先，对待分解总功率数据进行归一化处理；其次，基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；最后，对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值。该方案能够通过预先训练的分解网络模型获取各类电器的功率值，提高非侵入式负载分解的效率，降低非侵入式负载分解的操作难度以及其操作过程中产生的误差，大大节省了非侵入式负载分解的时间。

附图说明

图1是本发明提供的一种非侵入式负载分解方法流程图；

图2是本发明实施例中滑动采样原理示意图；

图3是本发明实施例中初始残差门控循环单元网络结构图；

图4是本发明实施例中残差单元结构图；

图5是本发明提供的一种非侵入式负载分解系统结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

为了更好地分解的各个电器的用电功率分析出用户的用电行为，传统的负载用电监控一般采用侵入式方法，即在用户的电器上安装传感器，然后来记录用户对各个电器的使用情况，这种负载监控手段保证了从各个电器上获得的监控数据准确可靠，数据噪声也相对较小，但是仍然面临着实施难度较大，用户的接受度相对较低等问题。

非侵入式负载分解技术的出现弥补了侵入式负载分解中存在的缺陷，非侵入式负载分解是无需在家庭用电器中安装大量监控设备，就能从单一的全家电表中分析出各项电器的能源消耗。非侵入式负载分解能够依靠智能化技术对能源进行监控，对各种电器故障进行检测，以及对故障进行分析，因此该技术在电力的优化配置和分析中有很大的应用价值。

针对非侵入式负载分解技术，目前有许多相关研究，但是还是存在分解误差相对而言较大，效率相对较低操作难度较大，需要大量的人工手动提取，而人工提取特征需要花费大量的时间，很难较准确地将低频总功率数据分解到各个电器功耗上。

针对现有的非侵入式负载分解技术存在误差大、效率低及操作难度较大等缺点，本发明提供了一种非侵入式负载分解方法，如图1所示，所述方法包括：

步骤(1)对待分解总功率数据进行归一化处理；

步骤(2)基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；

步骤(3)对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值。

具体的，步骤(1)中可以按下式确定待分解总功率数据中第i个总功率值的归一化值x

上式中，x

本发明提供的实施例中，所述预先训练的分解网络的获取过程包括：

将历史总功率数据及历史总功率数据中各类电器的功率值进行归一化处理；

将历史总功率数据的归一化值作为初始残差门控循环单元网络的输入层训练数据，将历史总功率数据中各类电器的功率值归一化值作为初始残差门控循环单元网络的输出层训练数据，采用梯度下降法对所述初始残差门控循环单元网络进行训练；

其中，在训练数据选择方面，本发明提供的实施例中可以采用滑动窗口的方法对整个总功率时序数据和各个电器的功耗时序数据进行滑动处理，滑动窗口的方法类似于卷积操作，与卷积操作的不同点在于，本发明中滑动窗口只在时序数据上做滑动处理，每次滑动都可以得到一个时序长度等于滑动窗口大小的时序数据，而不像卷积操作对数据进行滤波处理。滑动采样的目的是选取一定量的训练数据送入网络模型。

上述方案中，所述历史总功率数据的数据长度与所述待分解总功率数据的数据长度相同。

本发明提供的最优实施例中，滑动采样过程可以为：

将原始总功率数据作为输入数据，每一个电器的真实功率作为训练的标签。本发明设计中采用滑动输入，即网络每次输入的数据大小为如图2所示的右侧的大小为[N,input_size]大小的矩阵。图2中，M代表一个家庭采样数据的总次数，N代表滑动窗口的大小。本次输入的数据为原始总功率、差分数据，因此input_size的值为3。长度为N的窗口在输入数据X的起始位置上截取一段作为一个输入数据，然后窗桑也不口向下滑动一个时刻截取，直至序列结束为止。因此，共截取了M-N+1段数据，构成了一个维度为[M-N+1,N,input_size]的矩阵。

其中，原始总功率数据使用的是公开数据，使用的实验数据来自于公开数据集UK_DALE和WikiEnergy，WiKiEnergy数据集是某单位发布的电力数据。该数据包含六百多个家庭的用电数据，其中有家庭总电源和每个独立家电电源的数据，该数据集的采样频率为1/60HZ。该装置开始于2011年1月，并仍在收集大多数建筑物的数据。目前WiKiEnergy数据集包含600多个家庭的各种电器的长期功率消耗信息以及整个家庭的功耗总量。其中，18号家庭中空调、冰箱、洗衣机、洗碗机、微波炉的历史功耗数据被用于负荷分解任务。

进一步的，本发明提供的最优实施例中，初始残差门控循环单元网络包括三个部分：多尺度卷积核处理、残差网络、门控循环单元网络。多尺度卷积采用三种大小不同的卷积核对总功率数据进行卷积操作。经过三种不同尺度的卷积的特征提取后得到特征信息，即特征图，我们对每一种卷积得到的特征图进行拼接操作，这样就能得到不同尺度的浅层次的特征信息，再将不同尺度的浅层次的特征信息送入到残差网络中。通过残差网络对浅层次的特征信息进行处理进一步获得高阶语义特征信息，同时残差网络又可以进一步加深网络解决梯度消失。最后利用门控循环单元网络的门控机制对高阶语义特征信息进行更新和维护，从而获得标电器的输出功率值，如图3所示，多尺度卷积核分为三种尺寸：1x1，1x3，1x5。残差网络包括残差块1(Residual block1)、残差块2(Residual block2)、残差块3(Residual block3)。残差块1包括3个残差单元(Residual unit)、残差块2包括4个残差单元(Residual unit)、残差块3包括4个残差单元(Residual unit)。GRU表示门控循环单元网络。第一个GRU之后有n个分支，每个分支上个又一个GRU。dense表示全连接层，全连接层的长度为N。每个dense的输出的序列长度为N。targetsequence的个数为n。

本发明提供的实施例中，可以假设目标电器的个数为n。inputsequence表示输入的总功率数据，inputsequence的长度为N，表示N个不同时刻的总功率数据，是网络模型的输入数据。targetsequence一共有n组，每一组代表一个目标电器，每一组的长度也为N，表示网络模型输出的N个不同时刻的目标电器功率值。在模型训练阶段，需要将总功率数据作为输入数据输入到网络模型中，n个目标电器的功率数据作为标签数据也输入到网络模型中。总功率数据、n个目标电器的功率数据作为训练数据对网络模型进行训练、学习。

当训练结束后，网络模型根据输入的总功率数据就可以预测n个目标电器的功率，本发明中基于上述模型，将归一化处理后的待分解总功率数据输入到预先训练的分解网络，获取预先训练的分解网络输出的待分解总功率数据中各类电器的功率归一化值，即n个目标电器的功率。

具体的，本发明实施例中在初始残差门控循环单元网络中设置了一组多尺度卷积进行浅层的多尺度时序特征提取，在第一层的多尺度卷积中使用了1x1，3x1，5x1三种卷积尺度进行多尺度特征提取，并设置1x1卷积核的个数为6个，3x1尺寸卷积核的个数为10个，5x1尺寸卷积核的个数为14个，经过三种不同尺度的卷积的特征提取后，对每一种卷积得到的特征图进行拼接操作，这样就能得到不同尺度的浅层次的特征信息，再送入到残差网络部分。

本发明实施例中，残差网络中每一个残差单元中均包含了三个卷积操作，每个残差单元中的卷积层卷积核的尺寸分别为1x1，3x1，1x1，并在每一个卷积操作之前均使用了BatchNorm(批归一化)和ReLU函数激活等。以残差单元为基础模块构造残差块，三个残差块组成残差网络。残差单元如图4所示。

残差单元结构较为简单。假设在单个残差单元结构中，残差块的输出是H(x)，按照残差结构的思想来源，我们可以用一个由多个隐层堆叠的神经网络来拟合任意的一个函数，在残差单元结构中，我们需要拟合的函数是H(x)-x，将神经网络的输入通过跨层连接将其加到堆叠隐层的输出上，就得到了H(x)。这样就可以将H(x)-x定义为F(x)，残差单元结构如图4所示，每一个残单元差结构有三层，x表示输入。

图4是残差单元结构图，x是残差单元的输入，F(x)是x是残差单元的输入,H(x)是x与F(x)之和。

在第一个残差块中，使用了由3个残差单元组成的残差块进行深层次的特征提取。以此类推，多尺度残差网络中的第二个残差块有4个残差单元构成，第3个残差块由6个残差单元构成，每一个残差单元的结构和第一个残差块中残差单元的结构相同。其中，第一个残差块的卷积核个数均为30，第2个残差块中卷积核的个数为40个，第3个残差块中卷积核的个数为50个，经过3个残差块的处理后的特征图实际包含了丰富的多尺度负载特征，在最后一个残差单元中，我们首先使用了一个更大尺度的卷积进行深层次特征的进一步提取，然后利用一个卷积核个数为50进行最终的表征，经过多个残差块的特征提取之后的序列信息被送入到门控循环单元网络中。

门控循环单元网络中有两个门，包括重置门和更新门，通过更新门与重置门实现对状态信息的维护与控制，实现长期记忆。门控循环单元网络特征提取之后的序列信息被送入到门控循环单元网络中，再经过dense层，就得到网络模型的输出，即各个目标电器的功率值。

获取预先训练的分解网络输出的待分解总功率数据中各类电器的功率归一化值之后，进行反归一化处理，即得到待分解总功率数据中各类电器的功率值。

其中，本发明提供的实施例中利用下式确定待分解总功率数据中第k类电器的功率值

上式中，x

综上所述，本发明提出的一种非侵入式负载分解方法可以根据预先训练的分解网络，达到精确快速的获取各类电器的功率值的目的。

基于同一发明构思，本发明还提供了一种非侵入式负载分解系统，如图5示，所述系统包括：

处理模块：用于对待分解总功率数据进行归一化处理；

分解模块：用于基于预先训练的分解网络对归一化处理后的待分解总功率数据进行分解，获取待分解总功率数据中各类电器的功率归一化值；

获取模块：用于对待分解总功率数据中各类电器的功率归一化值进行反归一化处理，获取待分解总功率数据中各类电器的功率值。

优选的，所述处理模块具体用于：

按下式确定待分解总功率数据中第i个总功率值的归一化值x

上式中，x

优选的，所述预先训练的分解网络的获取过程包括：

将历史总功率数据及历史总功率数据中各类电器的功率值进行归一化处理；

将历史总功率数据的归一化值作为初始残差门控循环单元网络的输入层训练数据，将历史总功率数据中各类电器的功率值归一化值作为初始残差门控循环单元网络的输出层训练数据，采用梯度下降法对所述初始残差门控循环单元网络进行训练；

其中，所述历史总功率数据的数据长度与所述待分解总功率数据的数据长度相同。

优选的，所述分解模块具体用于：

将归一化处理后的待分解总功率数据输入到预先训练的分解网络，获取预先训练的分解网络输出的待分解总功率数据中各类电器的功率归一化值。

优选的，所述获取模块具体用于：

按下式确定待分解总功率数据中第k类电器的功率值

上式中，x

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。