[发明专利]一种基于深度学习的电力负荷用电分解方法

权利要求书

1.一种基于深度学习的电力负荷用电分解方法，其特征是: 本方法包括五步，第一步，根据需要，获取目标用电场景内所有目标电器设备的关于某一种或几种用电参数的完整工作曲线；第二步，利用第一步获取的电器设备的完整工作曲线，根据目标场景中的实际用电情况，合成模拟目标场景内各电器设备混合使用情形的仿真数据；第三步，构建用于电力负荷分解的深度神经网络，包括确定神经网络分层数目和每层所含神经元数目，及各分层所含神经元之间的链接关系；第四步，利用第二步中合成出的仿真数据建立训练数据集，用以训练在第三步搭建的深度神经网络；第五步，在线应用训练所得深度神经网。

2.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法，其特征是: 所述的第一步中将某个电器设备从启动到停止的过程定义为一个完整工作循环，在一个完整工作循环中，由某一种用电参数数据点按时间所绘制的曲线被定义为该电器设备的关于所述用电参数的完整工作曲线；其中，所述用电参数数据可以是基波或谐波有功功率、无功功率或电流有效值。

3.根据权利要求2所述的一种基于深度学习的电力负荷用电分解方法，其特征是:目标电器设备的关于某种用电参数的完整工作曲线的获取方式是，在目标用电场景中，对目标电器设备的用电过程进行单独量测。

4.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法，其特征是: 所述的第二步中模拟目标场景内各电器设备混合使用情形的仿真数据生成方法的具体步骤如下所述：

创建数据时间序列X，并将各时刻的数据的初始取值设为0；

为电器设备i遍历一次第①步中已创建的序列X中的全部时刻点，每到一时刻点，随机判断电器设备i是否设置为“开启”状态；若设置为“开启”状态，则跳至第③步；若设置为“没有开启”，则继续对相邻的下一个时刻点进行同样的随机判断；若对于电器设备i，序列X中的各个时刻点均已被遍历，则跳至第④步；

由“开启”时刻起，将电器设备i的完整工作曲线中的数据点与序列X中对应时刻点的数据叠加，以叠加结果替换序列X在对应时刻点的原值；而后，跳至第②步，并以所添加的完整工作曲线结束时相邻的下一个时刻点作为遍历序列X过程中的下一个随机判断时刻点；

若仍有某目标电器设备的完整工作曲线未被加入序列X，则跳至第②步，电器设备i被设置为下一个未被添加的电器设备，重新遍历序列X；若全部目标电器设备的完整工作曲线均已被加入序列X，则执行第⑤步；

结束。

5.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法，其特征是: 所述的第三步中神经网络包含但不限于卷积层、递归层、全连接层结构层；网络输入经过多个结构层的非线性变换，再经过一个激活函数为线性函数的全连接神经元后，最终得到对应的网络输出。

6.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法，其特征是: 所述的第四步用于电力负荷分解的深度神经网络以某段时间内的总量用电数据序列为输入，以该时间段内各目标电器的用电量估计结果为输出；每条训练数据样本由所述输入数据和对应的真实输出结果共同构成，所述训练数据集由多条所述训练数据样本组成；根据需要，在建立训练数据集合时，将第三步中获取的序列X划分为多个长度为L的时间序列，并计算每个时间序列对应时段内，目标电器设备i的真实用电量。

7.根据权利要求6所述的一种基于深度学习的电力负荷用电分解方法，其特征是:利用反向传播算法训练神经网络，采用基于梯度的算法优化网络参数以使得网络输出与真实值之间的误差函数达到较小值。

8.根据权利要求1所述的一种基于深度学习的电力负荷用电分解方法，其特征是:所述的第五步将实际场景中采集得到的与训练数据序列长度相同、用电参数数据类型相同的任意时间段内的总量量测数据序列输入第四步所得深度神经网络，直接计算出所在时间段内的各目标电器的用电量，据此记录该时间段内各目标电器的工作状态。