基于1D卷积神经网络和LSTM结合的非侵入式负荷分解方法

技术领域

本发明属于用电负荷分解技术领域，具体涉及基于1D卷积神经网络和LSTM结合的非侵入式负荷分解方法。

背景技术

近年来，随着泛在电力物联网的建设和智慧用电时代的到来，智能电表有望成为国家电网各类终端中的主流产品。通过分析智能电表端实时采集的用电数据，可以实时、准确地掌握负荷的用电规律和用电量，从而更加合理地引导用户用电，实现需求侧响应的目标。除此之外，通过智能电表对电力资源的使用施行实时的监测，在必要时采取措施以减少能源浪费，这对于合理利用电力资源有着极大的研究意义。

非侵入式负荷分解就是在不用安装大量的传感器和监控设备的情况下，实现总功率数据到单个电器消耗功率的分解。非侵入式负荷分解只需要在用户的总电表中加入非侵入式负荷分解模块，并根据量测获得的时间序列值，来分解用户不同负荷的运行状态和相关的参数信息，从而实现对负荷耗电量的在线监测。这不仅省去了大量的监测设备和繁琐的传感器装置，大大降低了经济成本，有效避免了侵入式负荷监测带来的实际可操作性差，实施成本和维护成本都高，设备维护修理也会非常不方便等问题，同时还提高了系统监测的稳定性和可靠性，且对用户的生产和生活不会产生过多的打扰。

非侵入式负荷分解主要面向电网公司，该技术更倾向于了解各类电器的功率消耗，而不关心电器开/关十分准确的时刻。目前，常规的方法是结合电力系统的暂态和稳态特征，并采用模式识别的方法对非侵入式用电负荷进行分解，但是，这些方法对特征相近的用电负荷，分解的准确率普遍不高。负荷分解技术依然是一个极具挑战性的问题，这一领域的研究还尚处于不成熟的阶段，仍然有重大的技术难题有待克服。

发明内容

本发明的目的是提供基于1D卷积神经网络和LSTM结合的非侵入式负荷分解方法，本发明方法可对负荷入口所安装传感器所获取的总功率信息进行分解，得到每一个用电负荷在不同时刻的有功功率信息。

本发明提供的基于1D卷积神经网络和LSTM结合的非侵入式负荷分解方法，包括：

S1采集一段时间内的总负荷和各类单负荷的有功功率时间序列数据作为样本数据；

S2对各类单负荷分别训练相应的神经网络模型，具体为：以总负荷的有功功率时间序列数据为输入，以各类单负荷的有功功率时间序列数据为输出，对1D卷积神经网络和LSTM结合的神经网络模型进行训练，得到各类单负荷对应的神经网络模型；

所述1D卷积神经网络和LSTM结合的神经网络模型包括输入层、隐藏层和输出层；

所述输入层用来接收一维向量，即总负荷的有功功率时间序列数据；

所述隐藏层包含3个卷积层、2个LSTM层和2个全连接层；其中，第一个卷积层由32个维度为5的卷积核构成，其卷积步长1，采用BatchNormalization算法对激活函数的输入进行归一化；第二个卷积层由32个维度为5的卷积核构成，其卷积步长为1，采用BatchNormalization算法对激活函数的输入进行归一化；第三个卷积层由16个维度为4的卷积核构成，其卷积步长为1，采用BatchNormalization算法对激活函数的输入进行归一化；第一个LSTM层采用大小为64维进行输出；第二个LSTM层采用大小为128维进行输出；第二个LSTM层后是一个维度为64的全连接层，对上一层得到的结果进行全连接，然后调用ReLU激活函数，再进行一次维度为1的全连接，经过一次线性变化后，得到最终的输出，即某个特定负荷的有功功率信息；

所述输出层输出该神经网络所对应负荷的有功功率信息；

S3将总负荷的有功功率数据输入已训练的神经网络模型，则分解出相应单负荷的有功功率数据。

进一步的，第一个全连接层中激活函数采用ReLU激活函数，卷积层、LSTM层和第二个全连接层中的激活函数均为线性函数。

作为优选，在隐藏层中每两个卷积层之间还有一个参数为0.2的Dropout层；

在第一个LSTM层与第二个LSTM层之间也有一个参数为0.2的Dropout层；

在第二个LSTM层和全连接层、以及两个全连接层之间各有一个参数为0.5的Dropout层。

本发明具有如下优点和有益效果：

本发明无需利用事件监测机制来对负荷曲线进行变点检测，大大简化了负荷分解过程。

附图说明

图1为本发明方法的流程示意图；

图2为具体实施方式中所采用网络模型的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在描述具体实施方式之前，需要说明，下文以及全文所说负荷即用电设备。

有功功率可作为区别不同负荷的主要特征之一。本发明将用户侧总负荷的有功功率和各单负荷的有功功率分别作为神经网络模型的输入和输出，即输入层是用户侧总负荷的有功功率数据，输出层为分解出的单负荷有功功率数据。采用总负荷的有功功率和各单负荷的有功功率对构建的1D卷积神经网络和LSTM相结合的神经网络模型进行训练，训练完成后，只需要将总负荷有功功率数据输入已训练的神经网络模型，则输出特定单负荷的用电量信息。

假设时段t内家庭各单负荷用电数据为

本发明实现的目标为将某一段时间内的总负荷有功功率数据作为输入数据，通过训练好的1D卷积神经网络和LSTM相结合的神经网络输出某个特定负荷的有功功率曲线。为进行负荷分解，设计的神经网络模型包含输入层、隐藏层和输出层。输入层采用总负荷的有功功率作为神经网络的输入。输出层只有一个节点，该节点对应某一种负荷。给定某一时段内的用电数据，输出结果为该时段内该特定负荷的用电量信息。本发明需要针对每一个负荷进行单独训练，一个神经网络模型只对应了一种家庭负荷，有多少个负荷就需要训练多少个该结构的神经网络模型，神经元的输出为该负荷的用电量信息。

下面将提供1D卷积神经网络和LSTM相结合的神经网络模型的构建方法。

非侵入式负荷分解需要解决的问题是，从采集的总负荷用电曲线中识别出负荷的成分，本发明利用改进的神经网络来解决该问题。

如图1所示，为所构建的1D卷积神经网络和LSTM相结合的神经网络模型结构。利用该神经网络模型对负荷的有功功率进行训练，提取其相应的有功功率曲线特征。进一步构建每一类负荷的神经网络模型结构作为提取对应类别负荷的识别器。训练完成之后，将模型应用到推理场景中，对输入的总负荷用电曲线进行分解，从而达到从各个信号中分解出某一负荷的目的。

具体而言，给定一个从某个时间点开始的长度为t时间窗口x(t)，该时间窗口x(t)包含K个负荷的总有功功率信息，采用模型g

式(1)中，

ω

在训练阶段，将(x(t),ω(t))称为具有K个数据样本的训练段。使用非重叠窗口从混合信号时间序列(x(t),ω(t))中提取训练段，使得训练集的输入为：

x＝((x

式(3)中，(x

相应的单负荷输出功率Ω记为：

Ω＝(ω(k),ω(2k),...,ω(n*k)) (4)

然后计算相对于单负荷真实的有功功率的输出误差，并使用均方误差(MSE)作为损失函数对网络模型进行训练。

本发明构建的基于1D卷积神经网络和LSTM相结合的神经网络模型的结构描述如下。

见图2所示，该神经网络包括输入层和隐藏层和输出层。输入层为指定时间戳内负荷的总有功功率时间序列，这是一个一维向量，包含了按照一定频率采样的总有功功率信息。

隐藏层包含3个卷积层、2个LSTM层和2个全连接层，第一个卷积层由32个维度为5的卷积核构成，其卷积步长1，采用Batch Normalization算法(即图1中的BN)，对激活函数的输入进行归一化，以解决输入数据发生偏移和增大的影响。激活函数采用线性函数。第二个卷积层也是由32个维度为5的卷积核构成，其卷积步长为1，同样采用BatchNormalization算法对激活函数的输入进行归一化，激活函数采用线性函数。第三个卷积层由16个维度为4的卷积核构成，其卷积步长为1，采用Batch Normalization算法对激活函数的输入进行归一化，激活函数采用线性函数。第一个LSTM层采用大小为64维进行输出，激活函数采用线性函数。第二个LSTM层采用大小为128维进行输出，激活函数采用线性函数。第二个LSTM层后是一个维度为64的全连接层，对上一个LSTM层得到的结果进行全连接，然后调用ReLU激活函数，再进行一次维度为1的全连接，经过一次线性变化后，得到最终的输出，即某个特定负荷的有功功率信息。

输出层输出该神经网络所对应负荷的有功功率信息。

在隐藏层中每两个卷积层之间还有一个参数为0.2的Dropout层。在第一个LSTM层与第二个LSTM层之间也有一个参数为0.2的Dropout层。在第二个LSTM层和全连接层、以及两个全连接层之间各有一个参数为0.5的Dropout层。Dropout层的作用是在深度学习的训练过程中，对于神经网络的训练单元，按照一定的概率将其从网络中移除，由于是随机丢弃，故而每次随机选择batch_size个样本时都在训练不同的网络。

深度学习模型拥有强大的学习和表达的能力，虽然从智能电表上采集到的数据是各个负荷叠加以后的复合数据，并且与各个分解数据之间的关系非常复杂，没有客观规律可循，但是深度学习模型使用多个非线性的隐藏层通过不断学习对象的深层特征，对输入数据重新进行表达。不仅如此，这些抽象的特征还很好的表达了输入与输出之间的关系。与传统的方法相比，采用深度学习方法对时间序列数据进行处理时，不必再区分负荷的暂态和稳态过程，不需要检测负荷的开关事件就能够实现端到端的负荷分解过程。

本领域的普通技术人员将会意识到，在本发明各方法实施例中，所述各步骤的序号并不能用于限定各步骤的先后顺序，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，对各步骤的先后变化也在本发明的保护范围之内。这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。