[发明专利]一种基于深度学习的电力负荷用电分解方法

说明书

技术领域：

本发明属于电力负荷用电细节监测领域，涉及一种基于深度学习的电力负荷用电分解方法。

背景技术：

电能正逐步成为社会的主要终端能源。电网是电能传输、分配及使用的载体，维持电能的供需平衡与系统安全稳定是电力系统规划、运行与管理的根本目标。在智能电网深入发展的背景下，电力需求侧管理是实现这一目标的重要手段之一。负荷用电监测是电力需求侧管理的基础。基于智能电表的传统负荷用电监测只能获取负荷用电总量信息，这制约着电力需求侧管理所能带来的价值。基于高级传感与数据分析技术的用电细节监测能够获得精确到电器设备的用电信息。对于电力公司而言，利用用电细节信息不仅可以构建更加准确的负荷模型，还可以更加科学地制定需求侧响应协议以及动态电价；对于电力用户而言，用电细节信息能够帮助用户优化用电行为，及实现电器设备故障监测等高级功能。

随着中央处理器（CPU）与图像处理器（GPU）的处理能力的提高，由简单神经网络拓展出的深度神经网络重新被世界范围内的研究人员发掘，成为人工智能领域的重要工具。而且，深度学习已经在计算机视觉、语音识别、文本处理等领域获得巨大成功。电器设备用电量估计是非侵入式电力负荷监测与分解技术系统的核心问题之一。对于复杂电器设备（如变频空调、洗衣机、洗碗机、热泵等）和功率偏小的电器设备（如计算机、电视机），现有技术的用电量估计的准确度较低。

发明内容：

本发明的目的是提供一种基于深度学习的电力负荷用电分解方法，它采用深度学习技术实现在家居、商业办公、工厂车间等不同场景下各电器设备用电量的非侵入式估计。

上述目的可通过下述技术方案实现：

一种基于深度学习的电力负荷用电分解方法，本方法包括五个步骤：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，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。

所述的一种基于深度学习的电力负荷用电分解方法，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。

所述的一种基于深度学习的电力负荷用电分解方法，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。

所述的一种基于深度学习的电力负荷用电分解方法，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：

①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；

②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此刻是否设置为“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；

③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；

④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；

⑤结束。

所述的一种基于深度学习的电力负荷用电分解方法，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。