[发明专利]一种基于字典学习的区别分组非侵入式负荷分解方法

说明书

本发明涉及电力负荷分解技术领域，公开了一种基于字典学习的区别分组非侵入式负荷分解方法，采用区别字典学习算法以及分组思想训练出每个设备的字典，再根据字典进行稀疏编码，实现负荷的非侵入式分解。利用字典学习方法能够较快的学习到各类用电设备的用电模式，使得该算法迁移到不同地方时具有较强的适应能力。同时使所训练的字典能够较好的针对特定设备，这样训练的字典保留了设备各自的独特性，能够降低因为特征相近所带来的误判，使得负荷分解结果准确性更好。对训练样本数据进行设备集分组，能够将非侵入式负荷监测问题由传统的整体分解任务转化为递归分解任务，提高负荷分解结果的准确性和稳定性，避免出现功率相近电器分解效果差的现象。

技术领域

本发明涉及电力负荷分解技术领域，特别涉及一种基于字典学习的区别分组非侵入式负荷分解方法。

背景技术

随着现代社会的发展，人们对能源的需求也同步激增。能源危机的到来，使得节能问题引起了全社会的高度重视，提高能源效率是减少碳排放、缓解能源危机的重要途径。电能作为一种经济、实用、清洁的可再生二次能源，能够实现灵活调节和精确控制，使终端能源利用效率提高。智能电网是一个被广泛讨论的可以提高能源效率的概念。负荷分解技术作为智能电网实现节能的关键技术之一，主要是通过将负荷总用电信息分解为各时段每个负荷的运行状态和对应能耗信息，使得用户获取详细用电信息，以引导用户调整用电习惯达到节能降耗的目的。

目前负荷分解技术主要包括侵入式和非侵入式两类。侵入式负荷分解需要为每个用电设备安装传感器以获得详细用电数据，其优点是数据准确可靠，缺点是可操作性低、成本高、用户接受程度低。而非侵入式负荷分解只需采集总能耗信息就可以利用各用电设备的工作特征识别出单个设备能耗信息。非侵入式负荷分解技术弥补了传统侵入式的缺陷，是未来负荷分解的主要发展方向。

目前国内外都对非侵入式负荷分解方法进行了大量的研究，如组合优化算法，支持向量机，稀疏编码，隐马尔可夫模型，深度长短时记忆网络等算法。相较于其他方法深度神经网络和稀疏编码方法能够取得更好结果。但是深度神经网络随着网络层数增加，会导致参数量的增加，模型的训练难度也随之加大。稀疏编码算法在这方面具有一定优势能提升分解性能，但在识别的准确度上仍然有较大的提升空间。因此，如何提高现有非侵入式负荷分解方法的效率与准确性，是现有技术亟待解决的问题之一。

发明内容

本发明的主要目的为提供一种基于字典学习的区别分组非侵入式负荷分解方法，旨在解决现有技术中非侵入式负荷分解方法的效率与准确性难以提高的技术问题。

为实现上述发明目的，本发明采用了如下技术方案：

一种基于字典学习的区别分组非侵入式负荷分解方法，包括以下步骤：

S1：获取设备的数据集，对所述数据集进行数据预处理，并将预处理后的数据分为训练样本数据和测试样本数据；所述数据集包括原始测量的功率信号；

S2：对训练样本数据进行设备集分组，所述设备集分组包括第一分组与第二分组，所述第一分组包括一个设备，所述第二分组包括多个设备；

S3：根据训练样本数据，对第一分组和第二分组进行区别字典训练，分别得到对应的第一字典和第二字典；

S4：基于区别指标，对所述第一字典与所述第二字典区别衡量，并记录区别指标值；

S5：在第一分组和第二分组中选择出字典区别指标最小的分组，将其确定为最优分组；

S6：进行功率分解，利用最优分组训练好的第一字典和第二字典对预处理好的聚合功率信号数据进行稀疏编码，得到稀疏表示，并将稀疏表示与区别字典相乘得到分解结果；

S7：通过剔除最优分组里面被分出来的设备及其功率预测值来更新设备集和总功率；

S8：重复步骤S2-S7，得到每次迭代的分解结果，直到所述第二分组中只包括一个设备，进入S9；