[发明专利]一种基于变分自编码器的负荷分解方法

说明书

本发明属于非侵入式负荷分解技术领域，具体为一种基于变分自编码器的负荷分解方法。本发明利用实例‑批处理归一化网络(IBN‑Net)来搭建网络的主要组件：编码器和解码器；IBN‑Net能加强对聚合负载数据中深层特征的提取，使得将信息映射到潜在空间的编码器和使用潜在表示重构目标设备负载信号的解码器拥有更好的表现；在编码器与解码器之间增加跨步连接，使解码器可以从编码器的特征映射中获取更多的信息，提高解码器对总功耗的全局洞察力，从而更好的重构目标设备的负载信息；变分自编码器提供的正则化潜在空间，有助于网络对聚合负载信号的相关特征进行编码，使网络模型的泛化能力更强，且在多态设备的负载信号重构方面具有更高的精度。

技术领域

本发明属于非侵入式负荷分解技术领域，具体涉及基于变分自编码器的负荷分解方法。

背景技术

建筑内部的能源消耗占全球能源消耗的20％，并且建筑能源消耗很容易通过节能措施来得到降低。非侵入式负荷监测或能量分解，就是试图通过从整个房屋电表的总功率中分解出相应电器的功率，从而制定电器使用策略来节省能源消耗。因此如何推断特定设备的电力负荷、进行电力负荷分解是现阶段主要的研究目标，如何利用深度学习相关的方法来提升负荷分解的准确率是当前研究的热门。虽然现在提出了许多解决方法，但是仍存在一些问题，例如很多模型都是在现有的数据集上针对某一电器进行训练，对未知的负载聚合数据模型的泛化能力较差，除此之外很多模型没有考虑多状态设备的负荷分解，只对有开/关状态的设备进行研究。

发明内容

本发明的目的在于提供一种基于变分自编码器的负荷分解方法，以提升网络模型的泛化性能，并有效的对多态设备的负载信号进行重构。

本发明利用实例-批处理归一化网络(简记为IBN-Net)来搭建网络的两个主要组件，分别为编码器和解码器，IBN-Net能加强对聚合负载数据中深层特征的提取，从而使得将信息映射到潜在空间的编码器和使用潜在表示重构目标设备负载信号的解码器拥有更好的表现。同时在编码器与解码器之间增加跨步连接，这些连接使得解码器可以从编码器的特征映射中获取更多的信息，提高解码器对总功耗的全局洞察力，从而更好的重构目标设备的负载信息。变分自编码器提供的正则化潜在空间，有助于网络对聚合负载信号的相关特征进行编码，使得网络模型的泛化能力更强，且在多态设备的负载信号重构方面具有更高的精度。

本发明提供的基于变分自编码器的负荷分解方法，具体步骤为：

步骤1：确定输入数据；

步骤2：构建实例-批处理归一化网络；

步骤3：确定网络整体结构；

步骤4：确定评估指标，训练网络；

步骤5：重构目标设备负载信号，判断电器运行状态信息；

下面对各步骤作进一步的具体说明。

步骤1，确定输入数据

负荷分解任务所针对的设备负载信号主要分为两种类型，一是高频采样的数据，主要表现为每秒采样千次或万次的信号波形，通常包括电器稳态和瞬态之间的状态切换，以及电器持续负载状态；二是低频采样的数据，主要表现为电器运行时的电流、电压以及功率等相关数据的均方根值。

虽然非侵入式负荷分解在高频采样数据中可以提取到更有用的特性，从而来获得更好的性能，但高频采样需要一个昂贵的高频智能电表，因此本发明为确保方法的实用性和推广性，只针对低频采样下的数据进行处理，本发明采用的网络，其输入数据为电器运行时电表记录的总功率，采样数为每秒6次。由于该网络实现的目标是重构目标设备的负载信号，因此输出数据长等于输入数据长，为确保输出的数据能够表示不同设备的运行状态，将数据长T设置为512秒。针对较长时间的聚合负载数据，采用滑动窗口的方式将聚合负载数据序列划分为输入数据，滑动窗口长等于输入数据长。

步骤2，构建实例-批处理归一化网络