[发明专利]一种非侵入式负荷分解方法及系统

说明书

一种非侵入式负荷分解方法及系统，本方案中获取目标用户一段时间内的负荷总功率序列；基于用户的负荷总功率序列以及设定的负荷种类，按照预先训练的总功率序列与各负荷种类的功率特征序列关系，将负荷总功率进行分解得到时间段内各负荷种类的功率特征序列；其中，负荷种类由用户对家电的使用情况确定；训练过程包括：基于恒等映射并按时序进行感受野放大。通过预先训练的总功率序列与各负荷种类的功率特征序列关系，对非侵入式负荷进行分解，提高了负荷分解结果的正确率和准确率；训练过程中通过恒等映射按时序将负荷总功率进行感受野方法，解决了在负荷分解过程中梯度消失的问题，又增大了感受野，使得负荷分解结果更具有真实性。

技术领域

本发明涉及电力负荷分解领域，具体涉及一种非侵入式负荷分解方法及系统。

背景技术

近年来，随着智能电网的发展，电力负荷分解技术越来越受到学者的关注。负荷监测主要包括侵入式与非侵入式两种。传统的负载用电监控一般是侵入式方法，侵入式方法获得的数据准确可靠，数据噪声小，但实施难度较大，用户接受度低。非侵入式电荷负载分解技术的出现弥补了侵入式电荷负载分解中存在的缺陷，能为电网及用户提供即时的用电信息，对电力供给方实现更精细需求侧响应及电力用户了解自身电能消费，降低用电成本有重要意义。非侵入式负荷分解是把用户的总能源消耗分解为单个设备的过程。然而这种方法具有局限性，不适用于小电器，不断变化的电器和一直在使用的电器。非侵入式负荷监测依赖于实用且广泛适用的软件系统，利用现有的软件设施，达到数据收集的目的。

非侵入式电荷监控仅在用户电力入户处安装监测设备，对用户的总电压、电流进行采集，通过分析将总用电量分解为独立电器的用电信息，进而对用户的用电信息细节进行监测。

非侵入式电荷监控的研究主要有整数规划，稀疏编码算法，隐马尔可夫模型，深度长短时记忆网络等。稀疏编码算法能提升分解性能，但这种方法只针对于包含低分辨率数据类型数据集。传统深度神经网络中，网络层数增加，会导致参数量的增加，模型的训练难度也随之加大，最严重的是随着网络层数的增加，梯度消失的和模型退化的问题也会越来越严重，导致提取到的负荷特征序列准确性低。

发明内容

为了解决现有方法中提取到的负荷特征准确性低问题，本发明提供了一种非侵入式负荷分解方法及系统。

本发明提供的技术方案是：

一种非侵入式负荷分解方法，包括：

获取目标用户一段时间内的负荷总功率序列；

基于所述用户的负荷总功率序列以及设定的负荷种类，按照预先训练的总功率序列与各负荷种类的功率特征序列关系，将所述负荷总功率进行分解得到所述时间段内各负荷种类的功率特征序列；

其中，所述负荷种类由用户对家电的使用情况确定；

训练过程包括：基于恒等映射并按时序进行感受野放大。

优选的，所述总功率序列与各负荷种类的功率特征序列关系的训练，包括：

获取历史多用户负荷总功率序列；

获取基于所述用户使用的电器种类以及与所述负荷总功率序列匹配的各负荷使用序列；

对所述负荷总功率序列和各负荷使用序列进行处理，得到训练样本数据和测试样本数据；

基于NILM网络，将所述训练样本数据进行训练得到负荷种类的功率特征序列关系。

优选的，所述对所述负荷总功率序列和各负荷使用序列进行处理，得到训练样本数据和测试样本数据，包括：

对各负荷使用序列归一化处理，通过采用最大值最小值归一化方法，使结果映射到区间[0,1]内，并设置各负荷的功率阈值；

将负荷总功率序列和归一化处理的负荷序列分解为初始训练序列和初始测试序列；