1.基于级联宽度学习和麻雀算法的非侵入式负荷分解方法,其特征在于,包括如下步骤:
步骤1.构建训练数据集与测试数据集;
将公共数据集UK‑DALE采集到的用户总用电功率Xp和q个目标设备功率Ypl进行降采样,将采样间隔为1min的有功功率作为非侵入式负荷分解数据集;
其中,Ypl表示第l个目标设备功率,l=1,2,…,q;将数据集分为训练数据集与测试数据集;
步骤2.构建级联宽度学习负荷分解网络;
将非侵入式负荷分解看作时间序列回归问题,针对每种目标设备分别构建级联宽度学习负荷分解网络,使其学习总用电功率Xp与各目标设备功率Ypl之间的映射关系;
搭建的级联宽度学习负荷分解网络由输入层、特征节点和增强节点、输出层组成;其中,输入层的输入数据为总用电功率Xp,输出层的数据为目标设备功率Ypl;
假设级联宽度学习负荷分解网络中包含n组特征节点和m个增强节点;
则级联宽度学习负荷分解网络的建立过程如下:步骤2.1.通过特征映射生成特征节点;
第一组特征节点F1表示为:F1=φ(XpWe1+βe1);
第i组特征节点Fi由第i‑1组特征节点Fi‑1和总用电功率Xp组成,表示为:Fi=φ(Fi‑1Wzi+XpWei+βei) (1)其中,φ为线性映射函数;
Wei和βei分别为第i组特征节点的随机权重和偏置,Wzi为附加随机权重,i=2,...,n;
每组特征节点包含k个特征节点,总共有n*k个特征节点;
步骤2.2.通过非线性映射产生增强节点;
n
将步骤2.1中生成的n组特征节点组成特征节点集合,F=[F1,F2,...,Fn];
n
由F通过非线性变换生成增强节点Ej,如公式(2)所示;
n
Ej=ξ(FWhj+βhj) (2)其中,ξ是非线性激活函数;
Whj和βhj分别表示第j个增强节点的随机权重和偏置,j=1,2,…,m;
步骤2.3.生成输入到输出的连接权重;
级联宽度学习模型用以下公式(3)表示:m n m m m
Ypl=[F1,...,Fn|E1,...,Em]W=[F|E]W=HW (3)n m
其中,“|”表示将F与E拼接在一起,属于矩阵相关的表示;
m
W为输入到输出的连接权重,即总用电功率Xp与目标设备功率Ypl的映射关系;
在训练过程中,由于权重Wzi、Wei与Whj以及偏置βei与βhj均不再变化,因此,级联宽度学习m负荷分解网络仅学习权重W即可,网络训练时求解公式(4);
m + +
从而求得W=HY,H表示H的伪逆矩阵,由公式 求得;
其中,λ表示为正则化系数,I表示单位矩阵;
步骤3.确定评估指标;
将负荷分解结果与真实值的误差作为级联宽度学习负荷分解网络分解效果的误差指标,其中,误差采用均方根误差RMSE和平均绝对误差MAE;
将召回率Recall、准确率Precision和F1分数作为开/关评估指标;
步骤4.级联宽度学习负荷分解网络的参数寻优;
利用麻雀搜索算法对步骤2中的级联宽度学习负荷分解网络进行参数寻优,待寻优参数包括n、k以及m,n、k和m的搜索范围分别设置为[1,50]、[1,50]和[1,200];
将级联宽度学习负荷分解网络的分解结果与真实值的均方根误差,作为麻雀搜索算法的适应度函数,得到级联宽度学习负荷分解网络的最优参数n、k以及m;
步骤5.训练最优参数下的级联宽度学习负荷分解网络;
利用步骤1中构建的训练数据集,对最优参数下的级联宽度学习负荷分解网络进行训练,将总用电功率Xp作为输入,目标设备功率Ypl作为输出;
对于不同的目标设备,分别构建级联宽度学习网络进行训练,最终确定每种目标设备m的级联宽度学习分解网络中的权重Wzi、Wei和Whj、偏置βei和βhj以及W,完成训练;
利用训练好的级联宽度学习负荷分解网络,在测试数据集上进行负荷分解,并与真实值进行对比,利用步骤3中的评估指标衡量级联宽度学习负荷分解网络的分解效果;
步骤6.应用级联宽度学习负荷分解网络进行负荷分解;
利用步骤5训练及测试好的级联宽度学习负荷分解网络,对负荷进行在线分解;
具体为:将采样间隔为1min的用户总用电功率输入到训练及测试好的级联宽度学习负荷分解网络中,将用户总用电功率分解为目标设备的功率序列;
分解得到的功率序列不仅反映目标设备的功率数值,还反映目标设备的运行状态。
2.根据权利要求1所述的非侵入式负荷分解方法,其特征在于,所述步骤3中,评估指标RMSE、MAE、Recall、Precision和F1的计算公式如下所示;
其中,num为样本数量; 为级联宽度学习负荷分解网络的分解结果,即目标设备功率的分解值;TP表示分解的电器状态和实际状态均为开的数量,FN表示分解的电器状态为开,实际状态为关闭的数量,FP表示分解的电器状态为关,实际状态为开的数量。
3.根据权利要求1所述的非侵入式负荷分解方法,其特征在于,所述步骤4中,对每种目标设备的分解网络都进行参数寻优,具体步骤如下:步骤4.1.设置麻雀搜索算法的参数,并初始化麻雀种群的位置;
定义麻雀种群的数量N=50、需要优化的参数个数dim=3、最大迭代次数Max_iter=
100,发现者的比例为20%,警戒者的比例为10%,安全值ST=0.8;
步骤4.2根据构建好的级联宽度学习负荷分解网络,确定麻雀搜索算法待寻优参数,用种群中每只麻雀的位置代表级联宽度学习负荷分解网络中的三个待优化参数;
步骤4.3.利用初始的麻雀位置对级联宽度学习负荷分解网络进行训练,对测试集中的总用电功率进行分解,并将负荷分解结果与真实值的均方根误差作为适应度函数;
其中,初始的麻雀位置即初始的级联宽度学习负荷分解网络参数;
步骤4.4.根据适应度值的大小,将麻雀种群划分为发现者和加入者,适应度值大的麻雀作为发现者,并为加入者提供觅食方向;同时随机挑选10%的麻雀作为警戒者;
步骤4.5.利用公式(10)更新发现者位置,发现者在迭代过程中的位置更新如下:其中,α是[0,1]之间的随机数,Q是标准正态分布的随机数,itermax为最大迭代次数;L是元素都为1的矩阵,R2和ST分别为预警值和安全值;
分别表示第t、t+1次迭代时第i个麻雀在第j维上的位置信息;
步骤4.6.利用公式(11)更新加入者位置,加入者的位置更新如下:+
其中,A是元素为1或‑1的矩阵的伪逆矩阵;
Xb和Xworst分别是目前加入者所处的最优位置和目前全局中的最差位置;
当i>N/2时,适应度值较低的加入者i没能获得食物,需要去其他地方寻找食物;
步骤4.7.利用公式(12)更新警戒者位置;部分麻雀察觉到危险时会进行反捕食行为,其数量占麻雀总数的10%‑20%,称为警戒者,其位置更新如下:其中,Xbest为目前全局中的最优位置;β为服从均值为0、方差为1的正态分布的随机数;K为[‑1,1]之间的随机数;ε是为了保证分母不为0而设置的常数;
fi是当前麻雀个体的适应度值,fg和fw分别为目前全局中的最优和最差适应度值;
步骤4.8.计算麻雀位置更新后的适应度值;
根据适应度值大小,重复执行步骤4.4至步骤4.7,不断朝着网络最优参数逼近,最终在设定的最大迭代次数内找到最小均方根误差对应的网络最优参数。