基于残差卷积模块的非侵入式居民用户负荷分解方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113837894A(43)申请公布日2021.12.24(21)申请号202110900810.2(51)Int.Cl.(22)申请日2021.08.06G06Q50/06(2012.01)G06N3/04(2006.01)(71)申请人国网江苏省电力有限公司南京供电G06K9/62(2006.01)分公司地址210019江苏省南京市建邺区奥体大街1号申请人河海大学国网江苏省电力有限公司南京南瑞信息通信科技有限公司(72)发明人马洲俊朱红王春宁许洪华朱正谊侯先伟牛军伟黄伟孙国强臧海祥施健魏训虎冯隆基张继东(74)专利代理机构南京天翼专利代理有限责任公司32112代理人朱戈胜权利要求书3页说明书8页附图3页(54)发明名称基于残差卷积模块的非侵入式居民用户负荷分解方法(57)摘要本发明涉及电力系统技术领域，尤其涉及一种基于残差卷积模块的非侵入式居民用户负荷分解方法，包括：获取训练数据并进行数据预处理；构建并训练负荷分解模型：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数得到训练好的负荷分解模型；通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。本发明分解精度高。CN113837894ACN113837894A权利要求书1/3页1.基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：包括步骤1：获取训练数据并进行数据预处理；步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；步骤2：构建并训练负荷分解模型；步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。2.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。3.根据权利要求2所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤2.1具体为：步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：Tzt＝f(WPt:t+W‑1+b)rt＝Max(zt)xτ＝F(rt)T其中，Pt:t+k‑1代表输入时间序列，k为卷积核大小；W表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；zt为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：yi,j＝xi,j+zi,j2CN113837894A权利要求书2/3页其中，xi,j为网络输入，zi,j为CNN学习到的特征值，yi,j为输入与特征值之和；步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：rt＝Sigmoid(Wrxxt+Wrhht‑1)zt＝Sigmoid(Wzxxt+Wzhht‑1)其中，在时间步t下，对于重置门rt而言，首先分别获得输入xt与其权重Wrh的乘积及前一时间步t‑1下的状态输出ht‑1与其权重Wrh的乘积，然后对两部分