随着智能电网的不断发展,海量的用电数据被及时收集,其中蕴藏着丰富的用电行为信息。对居民的用电行为进行分析并总结规律,有利于引导居民合理用电,同时对提高用能效率、实现节能降耗具有重大的意义。非侵入式负荷分解能够通过家庭用电总负荷分解得到居民家庭中各个电器的详细用电情况,从而可以更加精准地分析居民用电行为。本文基于深度学习方法,对居民用电总负荷进行分解并分析其用电行为。本文主要完成的工作和创新点如下:
(1)基于RCBS组合模型的居民用电负荷分解。
针对目前难以获取长距离依赖关系、负荷分解模型精度不够的问题,本文提出了一种基于Res-CNN-BiGRU-SAM(RCBS)的负荷分解模型。该模型首先通过多层卷积提取深层特征,并采用残差连接保留了原始输入特征同时加速了网络的收敛,之后采用双向门控循环单元(Bidirectional Gate Recurrent Unit,BiGRU)从负荷数据上下文中获取长期依赖关系,最后通过空间注意力获取特征空间的重要信息。基于REDD数据集进行消融实验,并与其它模型进行对比,结果表明,RCBS组合模型具有更高的分解精度和开关预测准确率,验证了所提出的RCBS组合模型的有效性。
(2)基于MulTrm模型的居民用电负荷分解。
为了进一步提升负荷分解的性能,得到更高的分解精度,本文提出了一种基于多尺度特征融合与Transformer的负荷分解模型(Load Decomposition Model Based on Multi-Scale Feature Fusion And Transformer,MulTrm)。该模型首先融合多尺度功率特征与位置特征以获取更加丰富的特征信息,然后采用Transformer中的多头自注意力机制捕获长距离依赖关系。考虑到电器之间的运行特性差异,本文采用麻雀搜索算法寻找不同电器的最优滑动窗口长度。最终在REDD和UK-DALE数据集上进行实验,并与RCBS组合模型及其它模型进行了对比分析。结果表明,本文提出的MulTrm模型在分解精度和开关状态预测方面效果更好,并且采用麻雀搜索算法对滑动窗口长度进行寻优,进一步提升了模型的分解性能,更有效地实现了居民用电的负荷分解。
(3)基于多电器特征的居民用电行为分析。
为了更加全面精确地分析居民用电行为,并提高负荷聚类的效果,本文提出一种基于注意力卷积自编码器的深度聚类模型(Deep Clustering Model Based on Attention Convolutional Autoencoder,DACEC)。该模型采用注意力卷积自编码器(Attention Convolution Autoencoder,ACAE)对多维的负荷数据进行降维,实现了其深层特征的提取。之后采用K-means算法对降维后的特征进行聚类,并通过重构损失与聚类损失联合优化整体模型,以得到最佳的聚类结果。然后结合总负荷与电器负荷的聚类结果对用户用电行为进行更全面地分析。最后在REFIT数据集上进行实验分析,结果表明,本文提出的DACEC模型的DBI指标仅有0.153,SC指标为0.871,CHI指标达到了22294.975,均优于其它模型,充分证明了DACEC模型对于多特征负荷数据聚类的有效性。
暂无评论