[发明专利]一种图表示学习的电器设备电力指纹分解方法、存储介质及系统

说明书

本发明提供图表示学习的电器设备电力指纹分解方法、存储介质及系统，方法包括如下步骤：在用电总线处多次进行功率序列采样，以功率序列作为节点，以两两功率序列之间的时间间隔作为边，生成电力指纹图数据；将各个电力指纹图数据整合起来构建成电力指纹库，将电力指纹库中的电力指纹图数据按比例划分为训练集、验证集和测试集；基于加入残差机制的图卷积网络构建负荷分解模型，利用负荷分解模型对电力指纹图数据进行图表示学习；将训练集中的电力指纹图数据分成若干个批次并按批次送入负荷分解模型中进行激活并进行功率分解训练直至收敛；对负荷分解模型的分解结果进行后处理，剔除不合理的激活功率序列，将合理的激活功率序列的功率值进行修正。

技术领域

本发明涉及信息化通讯技术领域，特别涉及一种图表示学习的电器设备电力指纹分解方法、存储介质及系统。

背景技术

泛在电力物联网是当前智能电网的一个重要发展方向，其主要作用在于促进用户互动化的智能用电和挖掘用电大数据的增量价值，而如何获取用户用电的细微颗粒信息是其中的重点和难点。高级测量体系可以实现用户用电信息的分析和监控，特别是负荷识别，有助于实现用户和电网双向的信息交互。

非侵入式负荷监测(non-intrusive load monitoring,NILM)由Hart教授在20世纪80年代首次提出，指在用户总线处安装一个传感器，根据用户总的用电信息进行负荷分解从而获得每个负荷的运行状态。与侵入式负荷监测(intrusive load monitoring,ILM)相比，其具有成本低，易安装，不涉及用户隐私等优势，因此具有更为广阔的发展前景。

目前对于NILM，国内外已经有学者进行研究并取得了一定成果。文献(Hart,G.W.1992.Nonintrusive Appliance Load Monitoring.Proceedings of the IEEE 80(12):1870-1891.)提出检测有功功率和无功功率的变化量来进行负荷识别，该方法虽然简单但是对于特征重叠和多状态负荷则难以准确识别；文献(Kolter J Z,JaakkolaT.Approximate inference in additive factorial HMMs with application to energydisaggregation[C].La Palma,Spain:Microtome Publishing,2012.)构建负荷分解的加性因子隐马尔可夫模型，使用近似最大概率的方法进行优化求解，获得了当时较好的负荷分解性能；文献(Lam,H.Y.,G.S.K.Fung,and W.K.Lee.2007.A Novel Method toConstruct Taxonomy Electrical Appliances Based on Load Signatures.IEEETransactions on Consumer Electronics 53(2):653-660.)提出使用V-I轨迹法，利用描述轨迹特征的指标来区分负荷，虽然取得一定成效但对于小型负荷则难于区分，且难以将算法转换成编程语言；文献(任文龙，许刚.基于深度序列翻译模型的非侵入式负荷分解方法[J].电网技术.2020,44(1):27-34.)结合序列翻译模型理论，使用序列翻译模型构建待分解的信号与电器的状态码的映射关系；文献(李如意,王晓换,胡美璇,周洪,胡文山.RPROP神经网络在非侵入式负荷分解中的应用[J].电力系统保护与控制,2016,44(07):55-61.)提出利用RPROP人工神经网络来进行负荷识别。以上方法虽然取得较好的效果，但负荷分解模型缺乏精细化修正策略，负荷分解模型精度有待进一步提高。

发明内容

本发明要解决的技术问题是如何提高负荷分解模型的精度。

为解决上述技术问题，本发明提供一种图表示学习的电器设备电力指纹分解方法，包括如下步骤：

步骤S1：在用电总线处多次进行电器设备处于运行状态下的功率序列进行采样，以每次采样得到的功率序列作为节点，以两两功率序列之间的时间间隔作为边，按照图理论生成电器设备的包含节点和边的电力指纹图数据；