[发明专利]一种非侵入式负荷分解模型的超参数优化和后处理方法

说明书

本发明公开了一种非侵入式负荷分解模型的超参数优化和后处理方法，该方法包括步骤：S1、采集家庭总线处和目标电器的电气运行数据，用于建立模型的数据集；S2、基于深度学习理论分别为目标电器构建基于深度残差网络的非侵入式负荷分解模型；S3、使用集群贝叶斯优化对负荷分解模型的超参数进行寻优；S4、分别为目标电器建立其最优的分解模型后，将利用训练集、验证集和测试集对模型中可训练参数进行训练直至收敛。本发明能实现负荷分解，将贝叶斯优化的方法引入负荷分解模型超参数的寻优中，克服了传统方法盲目选取超参数导致效果不佳、效率不高的问题；通过群体的搜索行为和群体内的信息交互实现超参数寻优的高效性。

技术领域

本发明涉及非侵入式负荷分解领域，具体涉及一种非侵入式负荷分解模型的超参数优化和后处理方法。

背景技术

智能电网和能源互联网的迫切需求之一是获取单个电器的耗电量数据，用户可以据此了解每个电器的耗电量规律并相应地降低能耗。这是迈向电网透明和智能化的重要一步。当前的测量技术只能自动读取总功耗数据，并且难以进一步获得用户的内部负载信息。负荷分解技术已经成为智能电网发展的主要瓶颈。

非侵入式负荷分解(non-intrusive load dis-aggregation,NILD)由Hart教授在20世纪80年代首次提出，是一种在已知用户总线的总功率需求时估算用户每个电器的功耗的技术。与侵入式负荷分解(intrusive load disaggregation,ILD)相比，其具有安装、拆卸和维护简便，硬件简单等优点等优势，因此具有更为广阔的发展前景。

目前对于NILD的研究，国内外已经有学者进行研究并取得了一定成果。文献(李如意,黄明山,周东国,周洪,胡文山.基于粒子群算法搜索的非侵入式电力负荷分解方法[J].电力系统保护与控制,2016,44(08):30-36.)采用组合优化的方法，利用粒子群搜索各电器的谐波电流和功率对总谐波电流和总功率的最优匹配实现负荷分解；文献(Kolter J Z,Jaakkola T.Approximate inference in additive factorial HMMs with applicationto energy disaggregation[C].La Palma,Spain:Microtome Publishing,2012.译文为Kolter J Z,Jaakkola T.加法阶乘HMM的近似推断及其在能量分解中的应用[C].LaPalma,Spain:Microtome Publishing,2012)构建隐马尔可夫模型进行负荷分解，但当电器数量增多算法的性能会受到影响；文献(武昕,韩笑.基于信号稀疏化欠定求解的居民用户非侵入式负荷分解算法[J].电网技术,2017,41(09):3033-3040.)使用基于信号稀疏化欠定求解的方法进行负荷分解，但对硬件的计算性能有较高的要求；文献(任文龙，许刚.基于深度序列翻译模型的非侵入式负荷分解方法[J].电网技术.2020,44(1):27-34.)结合使用序列翻译模型构建待分解的信号与电器的状态码的映射关系，但其模型比较复杂，实用性不强。以上方法虽然取得较好的效果，但通常模型复杂，超参数众多难以确定一组最优解，若引入非侵入式监控终端需要综合考虑硬件性能。另外，以上方法均对模型分解结果不加处理直接输出，缺乏精细化修正策略，模型精度有待进一步提高。因此亟需一种算法相对简单、能转换成编程语言、识别速度快的非侵入式负荷分解方法。。

发明内容

本发明要解决的技术问题是：提供一种非侵入式负荷分解模型的超参数优化和后处理方法，以解决现有技术中存在的技术问题。

本发明采取的技术方案为：一种非侵入式负荷分解模型的超参数优化和后处理方法，包括如下步骤：

步骤1：使用电压互感器和电流互感器采集家庭总线处和目标电器的电气运行数据，用于建立模型的数据集；

步骤2：基于深度学习理论分别为目标电器构建基于深度残差网络的非侵入式负荷分解模型；

步骤3：使用集群贝叶斯优化对负荷分解模型的超参数进行寻优；