基于改进CGAN的非侵入式多种电器短期负荷预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936068A(43)申请公布日2023.04.07(21)申请号202211561211.3(22)申请日2022.12.06(71)申请人南京工程学院地址211167江苏省南京市江宁科学园弘景大道1号(72)发明人陆旦宏倪敏珏杨婷范文尧李思琦朱晓王玉莹(74)专利代理机构南京正联知识产权代理有限公司32243专利代理师王素琴(51)Int.Cl.G06N3/0464(2023.01)G06N3/08(2023.01)G06Q50/06(2012.01)H02J3/00(2006.01)权利要求书3页说明书8页附图3页(54)发明名称基于改进CGAN的非侵入式多种电器短期负荷预测方法(57)摘要本发明提供一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，通过采集M天N个家庭k种电器负荷用能的历史负荷数据集，并采集影响电器历史负荷的外部条件数据集，预处理后作为训练样本集；输入非侵入式负荷识别模型，得到分类电器真实样本数据集；构建改进CGAN的生成模型组，输出数据为各生成模型生成的第i类电器负荷数据集；构建改进CGAN的判别模型组，输出用于表征判别生成的第i类电器负荷数据Ci是否为真实数据的判别结果；联合训练后得到训练后的改进CGAN；由训练后的改进CGAN的生成模型组输出k组对应电器的单日负荷预测数据集C′i；该方法能够更好的捕捉数据映射特征，提高网络模型预测的准确性，能够准确高效实现多种负荷的快速预测。CN115936068ACN115936068A权利要求书1/3页1.一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：包括以下步骤，S1、采集M天N个家庭k种电器负荷用能的历史负荷数据集，并采集影响电器历史负荷的外部条件数据集，对采集的历史负荷数据集与外部条件数据集进行预处理后，作为训练样本集；S2、将步骤S1得到的训练样本集输入非侵入式负荷识别模型，得到k种电器历史负荷数据，作为分类电器真实样本数据集Si，其中，i＝1，2...,k，且k≥2；S3、构建改进CGAN的生成模型组，生成模型组包括k种电器对应的k组生成模型Gi，其中，i＝1，2...,k，将步骤S2得到的分类电器真实样本数据集Si中第i类电器的功率和步骤S1采集的外部条件数据集拼接为矩阵并输入至生成模型组，生成模型组的输出数据为各生成模型Gi生成的第i类电器负荷数据集Ci，其中，i＝1，2...,k；S4、构建改进CGAN的判别模型组，判别模型组包括k种电器对应的k组判别模型Di，其中，i＝1，2...,k，将步骤S3输出的第i类电器负荷数据集Ci和步骤S2得到的分类电器真实样本数据集Si中第i类电器功率数据集拼接成矩阵后，输入到判别模型组，判别模型组输出用于表征判别生成的第i类电器负荷数据Ci是否为真实数据的判别结果；S5、对改进CGAN的生成模型组和判别模型组进行联合训练，得到训练后的改进CGAN；S6、输入当前时刻采集得到的实时的负荷数据集以及外部条件预测数据集到训练后的改进CGAN，由训练后的改进CGAN的k组生成模型组输出对应电器的单日负荷预测数据集Ci′。2.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S1中，对采集的历史负荷数据集与外部条件数据集进行预处理后，作为训练样本集，具体为，S11、对采集的历史负荷数据集和外部条件数据集进行数据清洗包括删除异常值、补全缺省值；S12、将经过数据清洗后的历史负荷数据集与外部条件数据集，进行归一化处理；S13、将经过数据清洗和归一化处理后的历史负荷数据集与外部条件数据集，作为训练样本集。3.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S3中，改进CGAN的生成模型组中的生成模型采用并行结构，每个生成模型采用U‑Net全卷积神经网络，U‑Net全卷积神经网络包括下采样层和上采样层，通过卷积与反卷积操作实现，具体为，S31、将采集的N个家庭分类电器真实样本数据集Si，其中，i＝1，2...,k，中第i类电器的功率和外部条件数据集拼接成运行数据矩阵作为下采样层的输入；S32、下采样层对运行数据矩阵进行t次下采样，获得下采样后的矩阵；S33、上采样层对下采样后的矩阵进行t次上采样，得到第i类电器负荷数据集Ci。4.如权利要求3所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S32中，下采样层对运行数据矩阵进行t次下采样，获得下采样后的矩阵，具体为，S321、运行数据矩阵经过1次卷积－LeakyReLU组合，具体为，经过3×3的卷积核进行卷积，设置步长为2，再通过LeakyReLU激活函数得到特征提取矩阵A；2CN11