[发明专利]一种面向需求响应的家庭电路负荷分解方法及系统

说明书

本发明涉及一种面向需求响应的家庭电路负荷分解方法及系统，将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；利用深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。

技术领域

本发明属于非侵入式负荷监测领域，具体涉及一种面向需求响应的家庭电路负荷分解方法及系统。

背景技术

在家庭中，通常住户只能获取家庭总的用电情况，无法知晓各个用电器的耗电情况，尤其当家用电器种类较多时，准确掌握各个用电器的耗电情况，有助于住户对家庭的用电模式做出准确的调整，同时帮助供电方制定需求响应策略。有研究表明，合理的用电模式调整可以帮助住户减少5％至15％的用电。为了达到这个目的，最理想化的方案是给每一个用电器装上传感器，但考虑到成本，用户接受度等因素，这个方案实施难度大。因此将负荷分解问题视作一种单通道盲源分离(Blind Source Separation,BSS)问题，即没有任何信号源数据的先验信息，仅根据信号源数据相互之间的独立分布性质，从可观测数据中将混合在一起的信号源数据分开的一类问题。家庭中各个用电器的功率总和就是家庭电力供给入口处的总功率，即：

P(t)＝P₁(t)+P₂(t)+…+P_n(t)+ε

P(t)是t时刻所有用电器的总功率，P_i(t)表示t时刻用电器i的功率，ε表示噪音。由上式可知，单个用电器的功率变化将引起总功率的变化，反之，总功率的改变必定是由单个用电器运行状态改变导致的，这就是负荷分解的基本依据。

当前对于负荷分解的研究有很多，Marchiori等人用贝叶斯算法，对每一个用电器训练一个贝叶斯分类器，来识别单个用电器的使用情况；Kamat.S.P提出利用模糊识别进行负荷分解的方法，Suzuki.K等人提出基于整数规划的非侵入式负荷分解方法，还有一些人工智能算法，例如支持向量机(Support Vector Machine，SVM)，隐马尔科夫模型(HiddenMarkov Model，HMM)等，都被尝试应用到此问题上。

深度学习是机器学习的分支，是一种使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取来替代手工获取特征。目前深度学习领域已有数种深度学习框架，例如深度神经网络，卷积神经网络，递归神经网络。这些框架和方法尚未应用于负荷分解领域。

发明内容

为了解决家庭用电器种类多，感应元件成本高问题，本发明提供一种面向需求响应的家庭电路负荷分解方法及系统，考虑电价等需求响应因素，通过非侵入式监测数据进行负荷分解，达到侵入式监测效果，为需求响应策略制定提供依据。

本发明的目的是采用下述技术方案实现的：

一种面向需求响应的家庭电路负荷分解方法，所述方法包括：

将采集的目标家庭的电路负荷数据，代入预先建立的深度长短期记忆网络模型中；

利用所述深度长短期记忆网络模型对所述目标家庭的电路负荷数据进行分解，并将分解结果进行拼接，得到所述目标家庭各用电器的用电情况；其中，

所述深度长短期记忆网络模型包括预先采集的典型家庭电路负荷数据。

优选的，所述深度长短期记忆网路模型的预先建立包括：

对预先采集的典型家庭电路负荷数据进行预处理；

基于预处理后的典型家庭电路负荷数据的损失函数训练深度长短期记忆网络，生成深度长短期记忆网路模型。

进一步地，所述对预先采集的典型家庭电路负荷数据进行预处理，包括：