1.一种带有太阳能供电系统的家庭用电负荷分解系统,其特征在于,包括数据预处理模块,用于对数据集进行保存、抽取和分类;数据生成模块,数据生成模块与数据预处理模块相连,用于将数据预处理模块输出的数据分为训练数据和测试数据;长短期记忆-循环神经网络,记为LSTM-RNN,用于定义长短期记忆-循环神经网络的结构、参数、超参数;网络训练模块,网络训练模块与数据生成模块、长短期记忆-循环神经网络相连,网络训练模块将数据生成模块的练数据送入长短期记忆-循环神经网络进行训练,并保存训练后的模型;家庭智能电表数据分解模块,家庭智能电表数据分解模块与网络训练模块相连,用于收集总电表数据,并通过长短期记忆-循环神经网络输出电表数据的分解结果。
2.根据权利要求1所述的带有太阳能供电系统的家庭用电负荷分解系统,其特征在于,所述数据预处理模块包括数据分类子模块、数据抽取子模块、数据保存子模块;数据分类子模块包括对数据集中每个家庭中电器的分类和训练集、测试集的分类;数据抽取子模块利用NILMTK工具包得到三种数据:目标电器数据、辅助电器数据、总电表数据,然后将三种数据保存入csv文件,以待后续使用,辅助电器是指除了目标电器之外的其他大功率电器。
3.根据权利要求2所述的带有太阳能供电系统的家庭用电负荷分解系统,其特征在于,所述数据生成模块对预处理后的数据进行转换,将其转换成适合于长短期记忆-循环神经网络输入的二维数据,其中转换的文件包括目标电器文件、辅助电器文件和总电表功率文件;再对数据进一步处理,得到作为长短期记忆-循环神经网络输入的数据集,数据集分为训练集和测试集。
4.根据权利要求3所述的带有太阳能供电系统的家庭用电负荷分解系统,其特征在于,所述长短期记忆-循环神经网络包括参数及超参数定义子模块、长短期记忆-循环神经网络结构定义子模块;长短期记忆-循环神经网络的定义默认为六层,第一层为输入层,第二层为第一全连接层,第三层为第一双向LSTM层,第四层为第二双向LSTM层,第五层为第二全连接层,第六层为输出层。
5.一种基于权利要求4中所述的非侵入式负荷分解系统的带有太阳能供电系统的家庭用电负荷分解方法,包括以下步骤:步骤一:利用数据预处理模块对数据集的数据进行预处理;
步骤二:将预处理后的数据送入数据生成模块,数据生成模块将数据分为训练数据和测试数据;
步骤三:将训练数据送入到长短期记忆-循环神经网络,网络训练模块对长短期记忆-循环神经网络进行训练,并保存训练后的模型;
步骤四:将测试数据送入训练好的长短期记忆-循环神经网络,得到测试结果;
步骤五:评价长短期记忆-循环神经网络的性能。
6.根据权利要求5所述的带有太阳能供电系统的家庭用电负荷分解方法,其特征在于:
所述步骤一中,数据预处理的过程包括数据获取、根据真实数据生成实验数据、测试负荷的选择、提取用电负荷激活、提取样本数据;其中:数据获取:采用2014年发布的UK-DALE公开数据集与kaggle官网上下载的公开太阳能数据集作为源数据进行实验;
根据真实数据生成实验数据:由于公开数据集UK-DALE提供家庭数据中没有太阳能板的发电量,采用numpy和pandas将UK-DALE数据集与太阳能数据集进行叠加拟合成网络所需要的输入数据格式,numpy和pandas是python中用于处理数据的两个库;
测试负荷的选择:选择数据集中4种电器作为研究对象:太阳能板、冰箱、洗衣机和洗碗机,这4种电器具有不同复杂性和不同工作周期,并且消耗了整个住宅中的大部分能量;
提取用电负荷激活:超过负荷运行完整周期内的消耗数据表示为一个负荷激活,利用NILMTK工具包提取每个住宅内的负荷激活,NILMTK工具包是一个用于NILM领域的开源工具包,此处用到的是get_activations()函数,此函数可得到数据集中目标负荷为激活状态的所有功率序列;
提取样本数据:数据在输入LSTM-RNN之前被转换为一致的输入格式,每个样本都分段成恒定的宽度M,为1*M的向量,也将此称为窗口,窗口宽度表示LSTM-RNN网络输入的大小,由采样点来定义窗口宽度,采样时间为6s;
获得窗口样本的方式是在一定时间内滑动采样窗口,从数据中提取正负样本,所谓正样本表示包含负荷激活的数据集,占总样本数据的50%,其生成方式为:首先查找负荷的激活状态,然后使用数据采样窗口仅采集包含一个完整激活的数据,并随机滑动复制;而负样本表示不包括任何负荷激活的数据集,其生成方式为:随机选择一个窗口,仅采样不包含目标负荷激活的数据,占总样本数据的25%;随机选择一个窗口,仅采样不包含目标负荷激活但其他负荷激活的数据,占总样本数据的25%。
7.根据权利要求6所述的带有太阳能供电系统的家庭用电负荷分解方法,其特征在于:
所述步骤二中,数据生成模块进行数据组合与标准化,在合成所有数据之后,把它们分为训练集和测试集,训练集与测试集应该包含正负样本,包含目标负荷所有的可能状态,并且在用于网络训练之前,对数据进行归一化处理。
8.根据权利要求7所述的带有太阳能供电系统的家庭用电负荷分解方法,其特征在于:
所述步骤三中,长短期记忆-循环神经网络为可变输入双向双层长短期记忆-循环神经网络,在长短期记忆-循环神经网络中,细胞状态ct代表长期记忆,ct会随着不同的时刻传递下去,在t时刻时,输入数据Xt以及之前时间步中传递下来的隐藏状态和记忆状态,经过门机制进行状态更新,得到新的隐藏状态和记忆状态并继续传递下去,LSTM中保存的历史信息受输入门、遗忘门和输出门控制,计算公式如下:it=σ(Wi·[ht-1,xt]+bi) (1)
ft=σ(Wf·[ht-1,xt]+bf) (2)
ot=σ(Wo·[ht-1,xt]+b0) (4)
其中,xt是t时刻的输入数据,ht是t时刻LSTM单元的输出状态值, 是t时刻记忆单元的候选值,ct是t时刻记忆单元的状态值,it是输入门t时刻的状态值,ft是遗忘门t时刻的状态值,ot是输出门t时刻的状态值,Wi、Wf、Wc、Wo分别为输入门、遗忘门、记忆单元、输出门的权值,bi、bf、bc、b0为分别为输入门、遗忘门、记忆单元、输出门的偏置参数,σ为激活函数,tanh表示双曲函数, 表示元素间的点积,逐点相乘,记忆单元的状态值由输入门和遗忘门共同调节;
双向双层长短期记忆-循环神经网络中的隐藏状态ht表示为:
其中 分别是在t时刻LSTM中输入数据的前向和后向的隐藏状态, 表示整合操
作。
9.根据权利要求8所述的带有太阳能供电系统的家庭用电负荷分解方法,其特征在于:
所述步骤四中,长短期记忆-循环神经网络的算法步骤为:
第一步:初始化神经单元的细胞状态C0和h0,将预处理后的数据输入第一全连接层,输入形式为每个时间步输入一段数据;
第二步:将第一全连接层输出的数据,输入到第一双向LSTM层的神经元,并进行dropout处理后输出数据;
第三步:按照式(1)、式(2)、式(3)和式(5),分别计算出当前神经单元的遗忘门状态ft、输入门状态it、记忆单元的候选值 输出门状态ot;
第四步:根据式(4),计算当前神经单元的记忆状态值ct;
第五步:根据式(6),计算当前神经单元的输出值ht;
第六步:保留ct和ht,并使用到下一时刻的LSTM神经单元计算中;
第七步:重复第三步-第六步,直到向前层、向后层的LSTM神经单元均学习完全部的时间序列,根据式(4)和正、反向神经单元最后的输出 和 计算出ht,进入下一层双向LSTM;
第八步:重复以上步骤,直到第二层双向LSTM层输出非线性数据特征值;
第九步:进入第二全连接层部分,对非线性数据特征进行加权计算,得到隐含层的输出值;
第十步:将隐含层的输出值,输入到输出层,得到预测值yi′。
10.根据权利要求9所述的带有太阳能供电系统的家庭用电负荷分解方法,其特征在于:所述步骤五中,对深度学习网络所使用的评价指标包括:F1、精确率precision、召回率recall、准确率accuracy、总功率相对误差relative error in total energy、平均绝对误差mean absolute error,具体计算方法分别如下所示:式中,F1为F1分数,PRE为精确率precision的缩写,即表示精确率precision;RE为召回率recall的缩写,即表示召回率recall; 与yt分别表示负荷在时间t的真实消耗功率与预测的消耗功率;TP表示负荷在真实数据中打开而在预测中也是打开时的总数;FP表示负荷在真实数据中关闭而在预测中打开时的总数;TN表示负荷在真实数据中关闭而在预测中也是关闭时的总数;FN表示负荷在真实数据中打开而在预测中关闭时的总数; 表示训练误差值;E表示真实误差值;P表示真实数据中负荷打开的总数;N表示真实数据中负荷关闭的总数,T表示周期。