[发明专利]基于变权重时域卷积网络的非侵入式用电负荷分解方法

说明书

本发明涉及一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，该方法包括：模型训练：分别训练用于各个用电设备进行用电功率分解的分解模型，所述的分解模型包括多个进行用电功率估计的时域卷积网络，训练时，对于同一用电设备，采用不同时段的用电负荷数据进行相应的时域卷积网络的训练；模型应用：将待分解的总用电功率序列输入至各个设备的分解模型，分别采用多个时域卷积网络进行用电功率估计得到各时间点的多组用电功率估计值，对多组用电功率估计值进行逐点变权重加权求和得到用电设备在各时间点的用电功率分解结果。与现有技术相比，本发明分解精度高、泛化性能好。

技术领域

本发明涉及电力计量技术领域，尤其是涉及一种基于变权重时域卷积网络的非侵入式用电负荷分解方法。

背景技术

负荷分解是指根据房间所有设备使用的总功率信号，确定特定电器功率消耗情况，非侵入式电力负荷监测(non-intrusive load monitoring,NILM)方法在不改变客户现有的电路结构条件下，就可以提供单个电器详细的电气信息，该方法相较于在每个设备上安装传感器的侵入式负荷监测，具有安装成本低、对用户干扰小、应用灵活等优点，可广泛应用于各个领域。

在当前环境、经济和社会的影响驱动下，负荷分解正日益成为研究人员关注的焦点，一系列基于机器学习和信号处理技术的方法已经被提出，并在各个公开数据集上进行了评估。然而这些方法大多数需要事件检测和特征提取，对于识别设备的类型和采样率都有一定要求，比较耗时，而且对噪声的鲁棒性也不强。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于变权重时域卷积网络的非侵入式用电负荷分解方法。

本发明的目的可以通过以下技术方案来实现：

一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，该方法包括：

模型训练：分别训练用于各个用电设备进行用电功率分解的分解模型，所述的分解模型包括多个进行用电功率估计的时域卷积网络，训练时，对于同一用电设备，采用不同时段的用电负荷数据进行相应的时域卷积网络的训练；

模型应用：将待分解的总用电功率序列输入至各个设备的分解模型，分别采用多个时域卷积网络进行用电功率估计得到各时间点的多组用电功率估计值，对多组用电功率估计值进行逐点变权重加权求和得到用电设备在各时间点的用电功率分解结果。

优选地，对各个设备按照使用频率分为高频使用时段和低频使用频段，进而各个设备的分解模型分别包括采用高频使用时段数据集进行训练的第一时域卷积网络以及采用低频使用时段数据集进行训练的第二时域卷积网络。

优选地，模型训练时，采用粒子群算法进行寻优确定各个设备的时段划分结果，对数据集按照时间划分结果进行分割与重组，并进行相应时段对应的时域卷积网络的训练。

优选地，所述的时域卷积网络的数学模型表示为：

X_τ＝f(Y_t:t+W-1)+∈

其中，Y_t:t+W-1为输入至时域卷积网络的时间窗口[t,t+W-1]中的总用电功率序列，X_τ为时域卷积网络输出相应的时间窗口的中点元素，W为时间窗口长度，∈为误差，f为时域卷积网络的变换函数。

优选地，用于所述的时域卷积网络训练的损失函数表示为：

其中，L_p为损失函数，θ为网络参数，T为输入至时域卷积网络的总用电功率序列的总长度，p(X_τ∣Y_t:t+W-1,)为模型预测的条件概率。

优选地，所述的用电设备在各时间点的用电功率分解结果通过如下模型获得：