基于深度学习的非侵入式工业负荷分解方法

1.本发明属于非侵入式电力负荷监测领域，尤其涉及一种基于深度学习的非侵入式工业负荷分解方法。

背景技术：

2.随着电力行业逐步发展，电力公司与电力用户的互动性不断增强。与此同时，由于全球气候的变化，降低碳排放成为世界各国的迫切需求。因此，负荷电能消耗细节监测技术作为一种节能使能技术，成为专家学者研究的热点之一。目前，负荷监测技术主要分为侵入式和非侵入式两种方式，其中，非侵入式负荷监测(non-intrusive load monitoring，nilm) 技术在1984年由hart[1]提出。与侵入式负荷监测技术需要为每个电器安装传感器不同， nilm仅在用户入口处安装一个传感器，是一个单通道盲源分离问题。通过采集和分析用户总用电数据来监测户内每个或每类电器的用电功率和工作状态，从而了解居民家中各电器的耗电情况及用电规律[2]。nilm技术是一种经济、高效的负荷监测技术，有利于电网规划、运行与管理，帮助用户节省电能及电费，同时推动需求侧精细化管理、节能减排[3]。
[0003]
nilm算法可被分为基于事件的方法或基于状态的方法。基于事件的方法信号处理算法，是以功率信号中的开关或状态转换事件为特征；基于状态的方法如因子隐马尔可夫算法，是将总功率信号分配到各个电器的运行状态。将近年来，随着人工智能技术的飞速发展，深度学习为解决nilm问题提供了新思路[4]。多种深度神经网络已被应用于非侵入式负荷分解当中，如卷积神经网络(convolutional neural network,cnn)、去噪自动编码器和长短期记忆网络等，并展现出了比传统方法更好的负荷分解效果。其中，cnn作为一种特征提取网络，能够学习到对nilm有意义的特征，比其他神经网络性能更优。
[0004]
基于深度学习的nilm方法根据网络的输入输出形式将负荷分解视为序列到序列 (sequence-to-sequence,seq2seq)或序列到点(sequence-to-point,seq2point)的学习问题。seq2seq 学习是指神经网络根据输入的总功率序列预测对应时间戳的单个电器功率序列。而 seq2point学习是指神经网络根据输入的总功率序列预测单个电器相应窗口的一个点。研究表明，序列到点学习使网络的预测问题简单化，将神经网络的表征能力集中在一个点，其中具有代表性的seq2point神经网络是文献[5]中的基于cnn的网络，即s2p。该网络充分利用历史和未来信息，从输入的总功率序列预测单个电器相应窗口的中点，已被证明有较好的负荷分解效果。
[0005]
现有的nilm研究主要集中在居民用户的一些大功率电器或常开电器上，对工业负荷的研究较少。由于一些工厂的工业负荷是常开负荷，功率变化频繁，且无明显的启停事件，传统基于事件和基于状态的nilm算法难以分解此类负荷。而深度学习算法能够在无人工参与的情况下自动提取功率信号中的特征，学习网络输入与输出之间的非线性映射，对于此类工业负荷的运行模型具有较强的学习能力。
[0006]
因此，基于上述背景，考虑利用深度学习中的序列到点cnn神经网络对常开、功率
变化频繁、且无明显启停事件的工业负荷进行分解。
[0007]
[参考文献]
[0008]
[1]g.w.hart,“nonintrusiveapplianceloaddataacquisitionmethod:progressreport,”mitenergylaboratory,1984.
[0009]
[2]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[j].电网技术,2016,40(03):791-796.
[0010]
[3]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[j].南方电网技术,2013,7(04):1-5.
[0011]
[4]j.kelly,andw.knottenbelt,“neuralnilm:deepneuralnetworksappliedtoenergydisaggregation,”inproceedingsofthe2ndacminternationalconferenceonembeddedsystemsforenergy-efficientbuiltenvironments,2015,pp.55-64.
[0012]
[5]c.zhang,m.zhong,z.wang,n.goddard,andc.sutton,“sequence-to-pointlearningwithneuralnetworksfornon-intrusiveloadmonitoring,”inproceedingsoftheaaaiconferenceonartificialintelligence,2018,vol.32,no.1.

技术实现要素：

[0013]
工业负荷运行特征与家庭负荷运行特征差别很大。由于一些工厂的工业负荷是常开负荷，功率变化频繁，且无明显的启停事件，传统基于事件和基于状态的nilm算法难以分解此类负荷。针对上述现有技术，本发明设计了一种基于深度学习的非侵入式负荷分解方法，利用先进的序列到点神经网络s2p分解具有上述特征的工业负荷。
[0014]
为了解决上述技术问题，本发明提出的一种基于深度学习的非侵入式工业负荷分解方法，包括以下步骤：
[0015]
步骤1、确定待分解的多种目标工业负荷：对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理，然后，按深度学习的数据集划分比例划分成训练集、验证集和测试集三部分；
[0016]
步骤2、s2p神经网络网络训练和验证：所述训练集和验证集用来训练s2p神经网络，所述测试集中的数据为待分解的工业负荷总功率数据，用来测试训练后的s2p神经网络的分解性能；所述s2p神经网络的结构是包括输入层和输出层，自所述输入层至输出层依次设有5个卷积层和一个全连接层，5个卷积层依次记为卷积层1、卷积层2、卷积层3、卷积层4和卷积层5，上述所有各层的参数如下：
[0017][0018]
对一个目标工业负荷，将训练集中的工业负荷总功率数据作为s2p神经网络的输入，将训练集中该工业负荷的功率数据作为s2p神经网络的输出，以此训练该s2p神经网络；将验证集中的工业负荷总功率数据作为该训练的s2p神经网络的输入，将训练集中该工业负荷的功率数据作为该训练的s2p神经网络的输出，在每一迭代轮次中调整该训练后的s2p神经网络的参数；
[0019]
所述的网络训练和验证过程中，应用长度为w的滑动窗口，将训练集中的总功率信号y 分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y分割成多个长度为w的总功率序列y
t:t+w-1
，t为时间点；s2p神经网络的输入为多个总功率序列y
t:t+w-1
，且w为奇数；该s2p神经网络的输出是对应时刻电器m功率序列的中点值s2p神经网络如式(1)所示：
[0020][0021]
式(1)中，ε是w维的高斯随机噪声；
[0022]
s2p神经网络训练的损失函数形式为：
[0023][0024]
式(2)中，θ
p
是网络参数，t是输入的总功率序列的总长；
[0025]
网络训练和验证过程中，采用早停机制防止过拟合，当满足早停机制的容忍度是5个迭代轮次，得到训练后的神经网络即为用于从总功率中分解出单个电器功率的负荷分解模型；对于各个目标工业负荷执行步骤2，对每一个目标工业负荷训练一个用于分解的神经网络模型；
[0026]
步骤3：对于一个目标工业负荷测试集的总功率信号y
test
，应用长度为w的滑动窗口，将训练集中的总功率信号y
test
分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y
test
分割成多个长度为w的总功率序列t为时间点；将总功率序列输入到步骤2得到的负荷分解模型中，该负荷分解模型输出单个负荷功率窗口的中点值，网
络输入窗口以步长1个样本延时间轴滑动，得到目标工业负荷一系列功率窗口的中点值，将各个中点值连接，进而得到预测的单个工业负荷功率信号。
[0027]
进一步讲，本发明所述的非侵入式工业负荷分解方法，其中：
[0028]
步骤1中，所述训练集和验证集中包括工业负荷总功率数据和单个工业负荷功率数据，所述测试集仅包括工业负荷总功率数据；其中，训练集中数据量均分别大于验证集中数据量和测试集中数据量，同时，训练集中数据量为测试集中数据量的2倍以上。
[0029]
步骤2中，所述的早停机制的容忍度是5个迭代轮次，是指当某次迭代后连续5次迭代中的损失函数都大于该次迭代中的损失函数值，则取该次迭代后的神经网络为训练后的神经网络，训练和验证停止。
[0030]
与现有技术相比，本发明的有益效果是：
[0031]
本发明针对工厂的工业负荷，设计了一种基于深度学习的非侵入式工业负荷分解方法。该方法利用序列到点卷积神经网络s2p，实现对工厂中工业负荷的非侵入式负荷分解。尤其是对于工业中存在的一些常开负荷，其功率变化频繁，且无明显的启停事件，传统基于事件和基于状态的nilm算法难以分解此类负荷。而本发明能够利用深度学习对此类复杂负荷进行分解，对于实现工业场景的nilm具有重大意义。
附图说明
[0032]
图1是本发明中所采用的s2p神经网络结构示意图；
[0033]
图2是研究材料中1#受总柜和4#受总柜的真实电量和预测电量饼状图；
[0034]
图3是研究材料中1d6气磨区的负荷分解结果；
[0035]
图4是研究材料中4d4 500kg单室烧结炉x10的负荷分解结果。
具体实施方式
[0036]
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
[0037]
本发明提出了一种基于深度学习的非侵入式工业负荷分解方法的设计思路是：由于工业中存在一些常开负荷，其功率变化频繁，且无明显的启停事件，传统基于事件和基于状态的nilm算法难以分解此类负荷。因此，本发明利用序列到点卷积神经网络s2p实现对工业中上述复杂负荷的分解。将采集到的数据划分为训练集、验证集和测试集，按深度学习常用的数据集划分比例进行划分，其中，训练集中数据量可选为测试集中数据量的2倍以上，验证集数据量可选为接近于测试集数据量，具体划分比例应由数据情况而定，通过训练集和验证集数据对序列到点(s2p)卷积神经网络进行训练，每种负荷训练一个对应的负荷分解网络。最终，利用测试集测试训练后的s2p卷积神经网络的负荷分解效果，该网络中的超参数可根据负荷分解结果进行调整。
[0038]
实现本发明的非侵入式工业负荷分解方法共包含数据准备模块、神经网络训练模块和神经网络测试模块，数据准备、神经网络训练和神经网络测试过程的具体流程如下：
[0039]
(1)所述的数据准备模块，用于准备训练、测试神经网络的数据。将采集到的总功率数据和单个工业负荷数据按一定比例划分成训练集、验证集和测试集，并对所有数据进行归一化处理。
[0040]
(2)所述的神经网络训练模块，用于获得能够分解单个负荷的神经网络。首先，对于每种目标工业负荷，将训练集和验证集中的总功率数据作为神经网络的输入，负荷功率数据作为神经网络的输出，以此方式对网络进行训练和验证，以使网络学习目标负荷的功率变化、功率范围、运行时长等特征。
[0041]
(3)所述的神经网络测试模块，用于测试训练好的负荷分解网络的性能。首先，将来自测试集的总功率数据，输入到上述得到的训练好的神经网络中，将网络预测的各个功率序列窗口的中点连接，得到预测的单个负荷功率信号。
[0042]
本发明提出的一种基于深度学习的非侵入式工业负荷分解方法，包括以下步骤：
[0043]
步骤1、确定待分解的多种目标工业负荷
[0044]
对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理，然后，按深度学习的数据集划分比例划分成训练集、验证集和测试集三部分；所述训练集和验证集中包括工业负荷总功率数据和单个工业负荷功率数据，所述测试集仅包括工业负荷总功率数据；其中，训练集中数据量均分别大于验证集中数据量和测试集中数据量，同时，训练集中数据量为测试集中数据量的2倍以上。
[0045]
步骤2、s2p神经网络网络训练和验证
[0046]
所述训练集和验证集用来训练s2p神经网络，所述测试集中的数据为待分解的工业负荷总功率数据，用来测试训练后的s2p神经网络的分解性能。所述s2p神经网络的结构是包括输入层和输出层，自所述输入层至输出层依次设有5个卷积层和一个全连接层，5个卷积层依次记为卷积层1、卷积层2、卷积层3、卷积层4和卷积层5，上述所有各层的参数如表1 所示。
[0047]
表1 s2p神经网络具体参数
[0048][0049]
对一个目标工业负荷，将训练集中的工业负荷总功率数据作为s2p神经网络的输入，将训练集中该工业负荷的功率数据作为s2p神经网络的输出，以此训练该s2p神经网络。
[0050]
将验证集中的工业负荷总功率数据作为该训练的s2p神经网络的输入，将训练集
述训练集和验证集中包括工业负荷总功率数据和单个工业负荷功率数据，所述测试集仅包括工业负荷总功率数据。
[0065]
表2各受总柜下待分解的目标电器
[0066][0067][0068]
首先，对所用数据进行归一化处理：
[0069][0070]
其中，x
t
表示t时刻功率值，和σ分别表示总负荷或单个负荷用电功率的平均值和标准差。滑动窗口长度w设定为199个样本点。
[0071]
2)对每种工业负荷，利用训练集和验证集中的数据，对s2p神经网络进行训练，网络输入总功率数据，输出单个负荷功率数据，在不断的迭代中更新网络参数。
[0072]
3)早停机制下，训练停止后，得到可用于分解单个负荷的s2p神经网络。
[0073]
4)对训练好的s2p神经网络进行测试。对每种电器，将测试集中的总功率信号输入相应的训练好的s2p神经网络中。
[0074]
本发明中，对于负荷分解结果的评价指标包括平均绝对误差(mae)、均方根误差 (rmse)、准确率(acc)、日均能耗误差(epd)。
[0075]
mae用来计算t时刻预测值与真实值x
t
之间的绝对误差的平均值。
[0076][0077]
均方根误差rmse
[0078][0079]
准确率acc
[0080][0081]
日均能耗误差epd
且无明显的启停事件)进行非侵入式负荷分解，深度学习对该工业负荷的分解效果较好，对大多数负荷分解准确率在90％以上，功率曲线简单的负荷(功率波形近似为一条直线) 分解准确率达100％。
[0089]
以1#受总柜和4#受总柜为例，展示测试5天的真实电量与本发明方法预测出的电量饼状图分别如图2(a)、(b)、(c)和(d)所示，由图2所示的电量预测结果可知，利用本发明方法进行非侵入式工业负荷分解估计的电量值与真实值十分接近。
[0090]
以2个负荷(1d6气磨区、4d4 500kg单室烧结炉x10)为例，将利用本发明方法分解出的功率曲线与真实功率曲线对比，图3(a)示出了1d6气磨区的分解出的功率曲线与真实功率曲线对比，图3(b)示出了该1d6气磨区的分解出的功率曲线与真实功率曲线对比的局部放大图；图4(a)示出了4d4 500kg单室烧结炉x10的分解出的功率曲线与真实功率曲线对比，图4(b)示出了该4d4 500kg单室烧结炉x10的分解出的功率曲线与真实功率曲线对比的局部放大图；从图3和图4中可以得出利用本发明方法分解出的单个工业负荷功率曲线和真实值十分接近。
[0091]
由上述研究材料可知，本发明方法能够实现非侵入式工业负荷分解，并在多种指标评估下获得很好的负荷分解效果。对于工厂中存在的一些基本全天工作，功率变化频繁，且无明显的启停事件的设备，从功率曲线上较难发现设备的运行规律和特征，用基于事件的方法或基于特征的方法均难以挖掘此类负荷的特征。而深度学习能够从功率数据中自动学习特征，对受总柜功率曲线与单个电器功率曲线进行非线性回归，有效提高了对上述复杂工业负荷的分解效果。因此，本发明方法对于在工业场景下实现nilm具有重大意义。
[0092]
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

技术特征：

1.一种基于深度学习的非侵入式工业负荷分解方法，其特征在于，包括以下步骤：步骤1、确定待分解的多种目标工业负荷：对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理，然后，按深度学习的数据集划分比例划分成训练集、验证集和测试集三部分；步骤2、s2p神经网络网络训练和验证：所述训练集和验证集用来训练s2p神经网络，所述测试集中的数据为待分解的工业负荷总功率数据，用来测试训练后的s2p神经网络的分解性能；所述s2p神经网络的结构是包括输入层和输出层，自所述输入层至输出层依次设有5个卷积层和一个全连接层，5个卷积层依次记为卷积层1、卷积层2、卷积层3、卷积层4和卷积层5，上述所有各层的参数如下：对一个目标工业负荷，将训练集中的工业负荷总功率数据作为s2p神经网络的输入，将训练集中该工业负荷的功率数据作为s2p神经网络的输出，以此训练该s2p神经网络；将验证集中的工业负荷总功率数据作为该训练的s2p神经网络的输入，将训练集中该工业负荷的功率数据作为该训练的s2p神经网络的输出，在每一迭代轮次中调整该训练后的s2p神经网络的参数；所述的网络训练和验证过程中，应用长度为w的滑动窗口，将训练集中的总功率信号y分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y分割成多个长度为w的总功率序列y
t:t+w-1
，t为时间点；s2p神经网络的输入为多个总功率序列y
t:t+w-1
，且w为奇数；该s2p神经网络的输出是对应时刻电器m功率序列的中点值s2p神经网络如式(1)所示：式(1)中，ε是w维的高斯随机噪声；s2p神经网络训练的损失函数形式为：式(2)中，θ
p
是网络参数，t是输入的总功率序列的总长；网络训练和验证过程中，采用早停机制防止过拟合，当满足早停机制的容忍度是5个迭代轮次，得到训练后的神经网络即为用于从总功率中分解出单个电器功率的负荷分解模型；对于各个目标工业负荷执行步骤2，对每一个目标工业负荷训练一个用于分解的神经网络模型；
步骤3、对于一个目标工业负荷测试集的总功率信号y
test
，应用长度为w的滑动窗口，将训练集中的总功率信号y
test
分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y
test
分割成多个长度为w的总功率序列t为时间点；将总功率序列输入到步骤2得到的负荷分解模型中，该负荷分解模型输出单个负荷功率窗口的中点值，网络输入窗口以步长1个样本延时间轴滑动，得到目标工业负荷一系列功率窗口的中点值，将各个中点值连接，进而得到预测的单个工业负荷功率信号。2.根据权利要求1所述的非侵入式工业负荷分解方法，其特征在于，步骤1中，所述训练集和验证集中包括工业负荷总功率数据和单个工业负荷功率数据，所述测试集仅包括工业负荷总功率数据；其中，训练集中数据量均分别大于验证集中数据量和测试集中数据量，同时，训练集中数据量为测试集中数据量的2倍以上。3.根据权利要求1所述的非侵入式工业负荷分解方法，其特征在于，步骤2中，所述的早停机制的容忍度是5个迭代轮次，是指当某次迭代后连续5次迭代中的损失函数都大于该次迭代中的损失函数值，则取该次迭代后的神经网络为训练后的神经网络，训练和验证停止。

技术总结

本发明公开了基于深度学习的非侵入式工业负荷分解方法，包括：1)对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理，按深度学习的数据集划分比例划分成训练集、验证集和测试集；2)对一个目标工业负荷，将训练集中的工业负荷总功率数据作为s2p神经网络的输入，将训练集中该工业负荷的功率数据作为s2p神经网络的输出，以此训练该s2p神经网络；采用早停机制防止过拟合，得到负荷分解模型；3)将目标工业负荷测试集的总功率序列输入到负荷分解模型中，将得到的目标工业负荷一系列功率窗口的中点值连接得到预测的该工业负荷功率信号。本发明能够利用深度学习对此类复杂负荷进行分解，对于实现工业场景的NILM具有重大意义。重大意义。重大意义。