论文部分内容阅读
非侵入式负荷监测(NILM)通过分析用户电力入口处的数据实现对户内负荷种类、运行状态及能耗等信息的监控，是智能电网实现状态全面感知与信息双向流通的关键技术，具有广泛的应用场景及重要的社会价值。而近年来人工智能领域中的深度学习技术凭借其出色的性能引起了各行各业的广泛关注。为此，本文将两者相结合，开展了基于深度学习的非侵入式负荷辨识和分解相关算法研究并开发了一套非侵入式负荷监测原型系统，具体工作如下：
1)为了克服单一稳态特征的局限性及不同类型特征融合所面临的困难，提出了一种基于深度特征融合的非侵入式负荷辨识算法。该算法利用卷积与BP高级特征提取网络实现V-I轨迹与功率特征的抽象表达及融合，并利用BP分类神经网络对复合特征进行辨识，改善了V-I轨迹特征无法反映负荷功率大小的缺点，提高了其负荷辨识能力。分别采用公开数据集与真实测试场景实验对该算法的效果进行了验证。
2)针对非侵入式负荷辨识研究领域数据标注成本高，且实际数据中存在大量低价值样本的问题，提出了一种基于深度主动学习的负荷辨识样本优选算法。该算法利用深度主动学习技术从大量未标注样本中筛选出少量值得标注的高价值样本，使算法使用少量的样本便能达到较高的精度，保证负荷辨识准确率的同时显著降低了数据标注成本。采用一个混合数据集对该算法的效果进行了验证，并对比分析了基于池与基于流的抽样方式对NILM的适用性。
3)针对传统算法无法考虑功率序列的时序相关性及基于长短期记忆网络(LSTM)的深度学习算法运算速度慢的问题，提出了一种基于深度序列翻译模型的非侵入式负荷分解算法。在基于双向门控循环单元(GRU)的Seq2seq深度序列翻译模型中，引入了局部注意力机制与集束搜索算法对模型的编码与解码过程进行优化，实现了负荷分解精度与计算速度的双重提高。分别采用公开数据集与真实测试场景实验对该算法的效果进行了验证。
4)开发了一套可扩展性强的非侵入式负荷监测原型系统，在各个环节均采用了便于扩展与复用的模块化设计，并紧跟技术潮流与现代设计理念设计了可视化界面。所开发的系统具有跨平台、跨终端、界面直观与扩展性强等优点。
1)为了克服单一稳态特征的局限性及不同类型特征融合所面临的困难，提出了一种基于深度特征融合的非侵入式负荷辨识算法。该算法利用卷积与BP高级特征提取网络实现V-I轨迹与功率特征的抽象表达及融合，并利用BP分类神经网络对复合特征进行辨识，改善了V-I轨迹特征无法反映负荷功率大小的缺点，提高了其负荷辨识能力。分别采用公开数据集与真实测试场景实验对该算法的效果进行了验证。
2)针对非侵入式负荷辨识研究领域数据标注成本高，且实际数据中存在大量低价值样本的问题，提出了一种基于深度主动学习的负荷辨识样本优选算法。该算法利用深度主动学习技术从大量未标注样本中筛选出少量值得标注的高价值样本，使算法使用少量的样本便能达到较高的精度，保证负荷辨识准确率的同时显著降低了数据标注成本。采用一个混合数据集对该算法的效果进行了验证，并对比分析了基于池与基于流的抽样方式对NILM的适用性。
3)针对传统算法无法考虑功率序列的时序相关性及基于长短期记忆网络(LSTM)的深度学习算法运算速度慢的问题，提出了一种基于深度序列翻译模型的非侵入式负荷分解算法。在基于双向门控循环单元(GRU)的Seq2seq深度序列翻译模型中，引入了局部注意力机制与集束搜索算法对模型的编码与解码过程进行优化，实现了负荷分解精度与计算速度的双重提高。分别采用公开数据集与真实测试场景实验对该算法的效果进行了验证。
4)开发了一套可扩展性强的非侵入式负荷监测原型系统，在各个环节均采用了便于扩展与复用的模块化设计，并紧跟技术潮流与现代设计理念设计了可视化界面。所开发的系统具有跨平台、跨终端、界面直观与扩展性强等优点。