基于序列到点模型和迁移学习的电力负荷分解方法及系统与流程

1.本发明涉及电力负荷分解技术领域，尤其涉及基于序列到点模型和迁移学习的电力负荷分解方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.能源是人类赖以生存及发展的基础，是生产和生活正常运行的保障。然而，以石油煤炭为主的不可再生能源面临枯竭，有限的能源和无限的能源需求之间的矛盾日益激化，能源危机成为了无法避免的问题。电能作为最广泛应用的二次能源，在应对能源危机中扮演重要角色。
4.电能作为清洁、高效的二次能源，能够实现灵活调节和精确控制，促进终端能源利用效率提高。电能的高效利用贯穿于电能生产、传输、分配、利用各个环节，智能电网这一概念的提出及深入进一步实现了发电，输电，配电环节的能源优化利用。然而，在电能传输终端，即用户侧，负荷控制、优化调度及电能管理的研究与应用仍然有限。电能分项统计数据的缺失是限制用户侧负荷控制发展的原因。
5.电力负荷分解是电能分项统计的前提，负荷分解是将电表测量的总用电数据分解成单个负荷用电数据，有侵入式和非侵入式两种手段。两种方式的工作原理如图1所示。侵入式负荷分解需在每个用电设备上安装传感器来计量该用电设备耗能情况。虽然分解精度高，但是需要安装多个传感器，系统硬件成本较高。非侵入式负荷分解在不改变用户现有的电路结构的前提下，通过在入户端加装智能电表获得用户用电数据(电压、电流、功率)，经过负荷分解算法得到分解结果，从而获得当前系统内各负荷状态。该方法具有实施成本低，对用户干扰小的优点。
6.通过深度学习的方式为数据提供端到端的处理方案，对于非侵入式负荷监测任务而言，不需要检测电器开关事件便能直接进行负荷分解。但是，传统的序列到序列模型是学习总负荷序列与各个独立设备序列间的非线性回归模型。由于输入与输出的序列可能会很长，模型训练所需的计算和存储资源将会很高，必须采用滑窗对序列进行分割。在序列到序列模型中，输出信号的每个元素被预测多次，最终的功率分析结果通过对多次估计值进行平均获得；但是不同的滑窗预测结果的效果各有优劣，仅通过简单的滑窗平均处理会使模型的预测效果不佳。
7.另外，目前已公开的nilm领域数据集主要集中在欧美地区，但由于不同地区的电压等级、生活习惯、同种电器制造上的差异等等，利用公开数据集训练的模型不适用于国内，容易导致模型的预测结果不准确。


技术实现要素：

8.为了解决上述问题，本发明提出了一种基于序列到点模型和迁移学习的非入侵电
力负荷分解方法及系统，使用深度学习和迁移学习等人工智能方法，通过分析电气入口处的电气信息，得到内部各用电负荷的具体使用状况。
9.在一些实施方式中，采用如下技术方案：
10.一种基于序列到点模型和迁移学习的电力负荷分解方法，包括：
11.获取设定区域内各入户端采集到的电力负荷数据；
12.将所述获取的数据输入至训练好的电力负荷模型，输出电力负荷有功功率估计值；
13.基于各个电力负荷有功功率估计值，得到电力负荷分解结果；
14.其中，所述电力负荷模型采用公开数据集进行预训练，将预训练后得到的模型参数作为电力负荷模型的初始化参数，然后采用实际采集到的电力入口样本数据对所述电力负荷模型进行训练。
15.作为进一步地方案，每次选取设定长度的有功功率序列进行分解；对于获取到的数据序列，使用滑窗进行处理；每一段序列组成的滑窗用于预测该滑窗中点的功率分析结果；
16.对于序列开始和末尾的功率点，通过在整段序列的开始和末尾填充设定数量的零值，使所述功率点能够组成完整的滑窗，并且这些功率点恰好位于滑窗的中部。
17.作为进一步地方案，所述电力负荷模型为序列到点的模型；电力负荷模型的输入为设定长度的时间序列数据，输出为电力负荷有功功率估计值。
18.作为进一步地方案，所述电力负荷模型包括五个一维卷积层和两个全连接层；且在一维卷积层之间使用dropout，以防止模型过拟合。
19.作为进一步地方案，对于电力负荷模型进行训练的过程包括：
20.在公开数据集上选取需要训练的用电负荷数据；
21.利用所述数据对电力负荷模型进行预训练，得到模型参数；
22.利用上述得到的模型参数作为电力负荷模型的初始参数，获取自入户端采集到的实际电力负荷数据，利用所述数据对电力负荷模型进行训练。
23.作为进一步地方案，基于各个电力负荷有功功率估计值，得到电力负荷分解结果；具体包括：
24.对输出的数据进行反标准化处理，得到各个电力负荷的有功功率序列；
25.按照功率阈值、最小运行时间以及最小关断时间提取电器运行状态，得到电力负荷的开通状态时间段；
26.计算所述时间段内电力负荷消耗的电能，形成所述电力负荷的用电事件。
27.作为进一步地方案，所述电力负荷分解结果数据存储至云端数据库；利用客户端从云端数据库查询电力负荷分解结果。
28.在另一些实施方式中，采用如下技术方案：
29.一种基于序列到点模型和迁移学习的电力负荷分解系统，包括：
30.数据获取模块，用于获取设定区域内各入户端采集到的电力负荷数据；
31.电力负荷分析模块，用于将所述获取的数据输入至训练好的电力负荷模型，输出电力负荷有功功率估计值；
32.电力负荷分解模块，用于基于各个电力负荷有功功率估计值，得到电力负荷分解
结果；其中，所述电力负荷模型采用公开数据集进行预训练，将预训练后得到的模型参数作为电力负荷模型的初始化参数，然后采用实际采集到的电力入口样本数据对所述电力负荷模型进行训练。
33.在另一些实施方式中，采用如下技术方案：
34.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于序列到点模型和迁移学习的电力负荷分解方法。
35.在另一些实施方式中，采用如下技术方案：
36.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于序列到点模型和迁移学习的电力负荷分解方法。
37.与现有技术相比，本发明的有益效果是：
38.本发明通过构建序列到点模型，能够有效降低不同的滑动窗口对模型预测结果的影响，提高电力负荷分解的精度；通过增加神经网络中卷积层的数量可以使模型学习到更多的电力负荷功耗曲线的图形特征。使用基于迁移学习的模型训练方法能够有效地提高模型的泛化能力，能够大幅度提高数据的重复利用率，减少因数据采集和模型训练所带来的成本花销。
39.本发明按照“用户电气数据采集—电力负荷模型构建—模型迁移训练—在线电力负荷分解”的思路，使用深度学习和迁移学习等人工智能方法，通过分析用户家庭电气入口处的电气信息，得到用户家庭的各用电负荷的具体使用状况。用户使用客户端查询云端数据库得到负荷分解结果，通过这些信息可以帮助用户调整用电行为，养成良好的用电习惯，最终达到降低建筑能耗的目的。
40.本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
41.图1是侵入式和非侵入式负荷监测工作原理示意图；
42.图2是本发明实施例中序列数据处理方法示意图；
43.图3是本发明实施例中电力负荷模型结构示意图；
44.图4是本发明实施例中非侵入式电力负荷分解过程示意图；
45.图5是本发明实施例具体实施与应用过程示意图。
具体实施方式
46.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
48.实施例一
49.根据本发明的实施例，公开了一种基于序列到点模型和迁移学习的电力负荷分解方法的实施例，具体包括以下步骤：
50.(1)获取设定区域内各入户端采集到的电力负荷数据；
51.(2)将所述获取的数据输入至训练好的电力负荷模型，输出电力负荷有功功率估计值；
52.(3)基于各个电力负荷有功功率估计值，得到电力负荷分解结果；
53.其中，所述电力负荷模型采用公开数据集进行预训练，将预训练后得到的模型参数作为电力负荷模型的初始化参数，然后采用实际采集到的电力入口样本数据对所述电力负荷模型进行训练。
54.具体地，参照图4，数据采集阶段利用测量装置采集属于同一地区的家庭电力入口处的电气量，包括电压、电流、有功功率、无功功率等数据(采样频率为1s)，同时将这些采集的信息上传至mysql数据库。
55.每次从数据库中选取长度为1小时的有功功率序列进行分解。这个有功功率序列称为聚合功率序列(aggregate power)；
56.数据输入模型时需要对数据进行标准化处理；标准化使用的参数：均值为1800w，标准差600w。具体的做法是：将待处理的数据减去均值，然后再除以标准差。
57.构建序列到点的电力负荷模型，传统的神经网络架构包含2个一维卷积层和3个全连接层。这种网络架构包含的卷积层较少，导致模型对序列的图像特征学习效果较差，因此本实施例电力负荷模型的神经网络架构需要增加一维卷积层的数量，调整后模型的神经网络架构包含5个一维卷积层和两个全连接层。同时为了防止模型过拟合，在一维卷积层之间使用dropout，dropout的比率设置为0.2。具体的神经网络架构如图3所示。
58.序列到点模型是对序列到序列模型的改进，它以模型的输入、输出大小命名。模型的输入为一定长度的时间序列(本实施例模型的输入序列长度为99)，模型输出的结果为的各电器负荷的有功功率估计值(长度为1)。
59.电力负荷模型可以包括多个，比如茶吧机、电视机等，每一个电力负荷模型会输出相应的有功功率估计值。数据序列指的是从用户电力入口处采集的总有功功率的时间序列。
60.将这种有功功率序列以小时为单位进行分割用于负荷分解。每一段输入的总的有功功率序列的时间长度为1小时(3600个采样点)。
61.本实施例中，对要处理的(时间长度为1小时，有3600个点)有功功率时间序列进行滑窗处理，每一段滑窗的长度为模型的输入长度(即99)；由于滑动窗口的步长为1，因此，有功功率时间序列会被划分为多个长度为99的时间窗口。输出的结果为对应于滑动时间窗口中点(时刻)的对应电器的该时刻的有功功率值。
62.本实施例电力负荷模型对于序列的处理方法如下：
63.序列使用滑窗进行处理，每一段序列组成的滑窗仅用于预测该滑窗中点的功率分析结果，而不是预测该滑窗所有点的功率序列。对于序列开始和末尾的一些功率点，这些功率点所处在序列的位置使它们不能组成完整的滑窗。通过在整段序列的开始和末尾填充数量为滑窗长度的一半的0，使这些功率点能够组成完整的滑窗，并且这些功率点恰好位于滑
窗的中部，如图2所示。
64.模型训练阶段采用基于迁移学习的模型训练方法。
65.模型在开始训练时，需要为模型的神经网络的参数(隐含层的连接权值和阈值)赋值。传统的方法是将随机数赋给这些参数，然后通过后期的模型训练来调整参数。基于迁移学习的模型训练方法在初始化模型参数不使用随机数进行赋值，而是使用在公开数据集训练的用电负荷模型的参数进行赋值。通过在中国家庭采集的少量样本数据对模型进行训练。具体的步骤如下所示：
66.步骤1)：对用电负荷模型进行预训练。从公开数据集ukdale上选取需要训练的用电负荷，如电视机、照明灯、冰箱、微波炉等。模型的神经网络架构采用图3中的序列到点模型。训练样本的处理如表1所示：
67.表1训练样本数据处理
[0068][0069][0070]
步骤2)：将训练好的模型参数(连接权值和阈值)以hdf5文件的形式保存到本地。
[0071]
步骤3)：从中国家庭中采集少量数据用于训练。采集的数据包括净化器、茶吧机、10wled灯、35w吊灯、冰箱、电视机以及聚合功率数据。
[0072]
步骤4)：建立新的用电负荷模型，使用预训练模型参数初始化新用电负荷模型的参数。其中，由于热水壶与茶吧机、净化器和20w照明灯、35w吊灯和40w照明灯的功率轮廓较为相近，因此可以用热水壶、20w照明灯、40w照明灯的模型参数来初始化相应的新用电负荷模型。
[0073]
步骤5)：使用在中国家庭采集的数据来训练新用电负荷模型。其中，训练轮次、批次大小与损失函数同表1。
[0074]
利用训练好的模型对装置采集的电气量进行分析，并将分析结果进行处理，最终完成负荷分解的任务。具体的实施过程如图4所示。
[0075]
本实施例中，输出的数据为时间长度1小时的对应电器的有功功率序列。由于输入模型的数据是经过标准化后的，需要对其做相反地处理，即该序列需要乘以标准差并加上均值。但是该均值与标准差是各电器的参数(该值由之前量测的电器有功功率序列求解得到)；而不是总的有功功率序列的参数。
[0076]
在得到各电器的有功功率序列后，使用相应函数按功率阈值、最小运行时间、最小关断时间等提取电器运行状态(开启、关闭)。
[0077]
确定好电器的开、关时间后，计算该时间段内电器消耗的电能，形成该电器的用电事件，包括(开启时间、关断时间以及电能消耗等)。
[0078]
本实施例非侵入式负荷分解方法在具体的实施过程中，参照图5，按照“用户电气数据采集—电力负荷模型构建—模型迁移训练—在线电力负荷分解”的思路，使用深度学习和迁移学习等人工智能方法，通过分析用户家庭电气入口处的电气信息，得到用户家庭的各用电负荷的具体使用状况。用户使用客户端查询云端数据库得到负荷分解结果，通过这些信息可以帮助用户调整用电行为，养成良好的用电习惯，最终达到降低建筑能耗的目的。
[0079]
需要说明的是，本实施例以聚合有功功率作为序列到点电力负荷模型中所使用的负荷特征，可以使用总的有功功率组成的时间序列或者总的视在功率组成的时间序列或者总的有功功率与总的无功功率组成的时间序列的组合；本领域技术人员可以根据实际需要进行选择。
[0080]
其中，所使用的负荷特征，指的是输入负荷模型的时间序列，即一开始从用户采集的电气量数据(有功、无功、视在功率)，然后经过滑窗处理、标准化处理后输入到负荷模型的时间序列。
[0081]
实施例二
[0082]
根据本发明的实施例，公开了一种基于序列到点模型和迁移学习的电力负荷分解系统的实施例，包括：
[0083]
数据获取模块，用于获取设定区域内各入户端采集到的电力负荷数据；
[0084]
电力负荷分析模块，用于将所述获取的数据输入至训练好的电力负荷模型，输出电力负荷有功功率估计值；
[0085]
电力负荷分解模块，用于基于各个电力负荷有功功率估计值，得到电力负荷分解结果；其中，所述电力负荷模型采用公开数据集进行预训练，将预训练后得到的模型参数作为电力负荷模型的初始化参数，然后采用实际采集到的电力入口样本数据对所述电力负荷模型进行训练。
[0086]
需要说明的是，上述各模块的具体实现方法已经在实施例一中进行了说明，此处不再赘述。
[0087]
实施例三
[0088]
根据本发明的实施例，公开了一种终端设备的实施例，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于序列到点模型和迁移学习的电力负荷分解方法。为了简洁，在此不再赘述。
[0089]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用
处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0090]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0091]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
[0092]
实施例一中的基于序列到点模型和迁移学习的电力负荷分解方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0093]
在另一些实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于序列到点模型和迁移学习的电力负荷分解方法。
[0094]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。