[发明专利]非侵入式电力负荷监测序列生成方法、系统、设备及介质

说明书

本公开公开了非侵入式电力负荷监测序列生成方法、系统、设备及介质，包括：获取电表的总数据序列；将电表的总数据序列输入到预先训练好的条件对抗生成网络中，预先训练好的条件对抗生成网络输出目标电器的数据序列；其中，所述条件对抗生成网络包括生成网络和判别网络；所述生成网络用于生成与目标电器真实数据序列相似的合成数据序列，所述判别网络用于在所述条件对抗生成网络的训练阶段判别生成网络生成的合成数据序列是否为目标电器真实的数据序列。

技术领域

本公开属于电力负荷预测领域，涉及非侵入式电力负荷监测序列生成方法、系统、设备及介质。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

在电力负荷预测领域，非侵入式电力负荷监测是一个重要的课题。非侵入式电力负荷监测，又被称为电力数据分解，是一项通过电表监测的总用电情况推测单独用电器用电情况的技术，因无需在电器设备上装备传感器而被冠以非侵入式。在家庭用电中，通常有一个总电表，若能够从总电表的监测数据推得单独用电器的用电情况，则能够帮助用户了解电器的工作行为，及时发现工作状态不正常的用电器，帮助其节约电能。若能够在更大的地域维度上进行综合，可以帮助调度员更好的进行电网调度与调控。图1展示了电表采集的总数据与同时段采集到的某用电器用电数据，横坐标代表时间戳，纵坐标代表电功率。

NILM的研究始于20世纪80年代，主要方法是根据电器的用电情况，使用人工方式分析并提取用电特征，以构造数据分解算法。使用人工提取特征，面临着人工耗费高，精确度无法保证等问题。得益于深度学习技术和计算机计算能力的提升，使用计算机自动提取特征并实现数据分解成为了可能。卷积神经网络(Convolutional Neural Networks,CNNs)、循环神经网络(Recurrent Neural Networks,RNNs)、自动编码器(Auto Encoder)等技术纷纷被用于NILM，虽取得了一定的成效，但是在序列生成的质量方面依然难以令人满意。

发明内容

为了解决现有技术的不足，本公开提供了非侵入式电力负荷监测序列生成方法、系统、设备及介质，以非侵入式电力负荷监测(Non-Intrusive Load Monitoring,NILM)为切入点，结合具有信息生成能力的条件对抗生成网络(Conditional GenerativeAdversarial Networks,CGAN)技术，设计了一种基于CGAN的非侵入式电力负荷监测算法，快速、高效、准确地完成电力负荷监测任务。

第一方面，本公开提供了非侵入式电力负荷监测序列生成方法；

非侵入式电力负荷监测序列生成方法，包括：

获取电表的总数据序列；

将电表的总数据序列输入到预先训练好的条件对抗生成网络中，预先训练好的条件对抗生成网络输出目标电器的数据序列；其中，所述条件对抗生成网络包括生成网络和判别网络；所述生成网络用于生成与目标电器真实数据序列相似的合成数据序列，所述判别网络用于在所述条件对抗生成网络的训练阶段判别生成网络生成的合成数据序列是否为目标电器真实的数据序列。

第二方面，本公开还提供了非侵入式电力负荷监测序列生成系统；

非侵入式电力负荷监测序列生成系统，包括：

获取模块，其被配置为获取电表的总数据序列；

输出模块，其被配置为将电表的总数据序列输入到预先训练好的条件对抗生成网络中，预先训练好的条件对抗生成网络输出目标电器的数据序列；其中，所述条件对抗生成网络包括生成网络和判别网络；所述生成网络用于生成与目标电器真实数据序列相似的合成数据序列，所述判别网络用于在所述条件对抗生成网络的训练阶段判别生成网络生成的合成数据序列是否为目标电器真实的数据序列。