欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022115612113
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进CGAN的非侵入式多种电器短期负荷预测方法,其特征在于:包括以下步骤,S1、采集M天N个家庭k种电器负荷用能的历史负荷数据集,并采集影响电器历史负荷的外部条件数据集,对采集的历史负荷数据集与外部条件数据集进行预处理后,作为训练样本集;

S2、将步骤S1得到的训练样本集输入非侵入式负荷识别模型,得到k种电器历史负荷数据,作为分类电器真实样本数据集Si,其中,i=1,2...,k,且k≥2;

S3、构建改进CGAN的生成模型组,生成模型组包括k种电器对应的k组生成模型Gi,其中,i=1,2...,k,将步骤S2得到的分类电器真实样本数据集Si中第i类电器的功率和步骤S1采集的外部条件数据集拼接为矩阵并输入至生成模型组,生成模型组的输出数据为各生成模型Gi生成的第i类电器负荷数据集Ci,其中,i=1,2...,k;

步骤S3中,改进CGAN的生成模型组中的生成模型采用并行结构,每个生成模型采用U-Net全卷积神经网络,U-Net全卷积神经网络包括下采样层和上采样层,通过卷积与反卷积操作实现,具体为,S31、将采集的N个家庭分类电器真实样本数据集Si,其中,i=1,2...,k,中第i类电器的功率和外部条件数据集拼接成运行数据矩阵作为下采样层的输入;

S32、下采样层对运行数据矩阵进行t次下采样,获得下采样后的矩阵;

S33、上采样层对下采样后的矩阵进行t次上采样,得到第i类电器负荷数据集Ci;

S4、构建改进CGAN的判别模型组,判别模型组包括k种电器对应的k组判别模型Di,其中,i=1,2...,k,将步骤S3输出的第i类电器负荷数据集Ci和步骤S2得到的分类电器真实样本数据集Si中第i类电器功率数据集拼接成矩阵后,输入到判别模型组,判别模型组输出用于表征判别生成的第i类电器负荷数据Ci是否为真实数据的判别结果;

步骤S4中,改进CGAN的判别模型组的判别模型采用并行结构,每个判别模型采用马尔可夫判别器,具体为,S41、将步骤S3输出的第i类电器负荷数据Ci和分类电器真实样本数据集Si中第i类电器功率数据集,按照通道拼接成运行数据矩阵作为判别模型组Di的输入,进入步骤S42;

S42、进行d次卷积—BatchNormalization-LeakyReLU组合,具体为,经过3×3的卷积核进行卷积,设置步长为2,每层都使用批量归一化Batch Normalization,再通过LeakyReLU激活函数得到特征提取矩阵F;

S43、特征提取矩阵F进行1次卷积操作,具体为,经过3×3的卷积核进行卷积,设置步长为2,输出为一个n×n的矩阵X,矩阵X中每个元素Xi,j表示输入运行数据矩阵是真或假的概率;

S5、对改进CGAN的生成模型组和判别模型组进行联合训练,得到训练后的改进CGAN;

S6、输入当前时刻采集得到的实时的负荷数据集以及外部条件预测数据集到训练后的改进CGAN,由训练后的改进CGAN的k组生成模型组输出对应电器的单日负荷预测数据集Ci′。

2.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法,其特征在于:步骤S1中,对采集的历史负荷数据集与外部条件数据集进行预处理后,作为训练样本集,具体为,S11、对采集的历史负荷数据集和外部条件数据集进行数据清洗包括删除异常值、补全缺省值;

S12、将经过数据清洗后的历史负荷数据集与外部条件数据集,进行归一化处理;

S13、将经过数据清洗和归一化处理后的历史负荷数据集与外部条件数据集,作为训练样本集。

3.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法,其特征在于:步骤S32中,下采样层对运行数据矩阵进行t次下采样,获得下采样后的矩阵,具体为,S321、运行数据矩阵经过1次卷积-LeakyReLU组合,具体为,经过3×3的卷积核进行卷积,设置步长为2,再通过LeakyReLU激活函数得到特征提取矩阵A;

S322、特征提取矩阵A经过a次卷积-BatchNormalization-LeakyReLU组合,具体为,经过3×3的卷积核进行卷积,设置步长为2,每层都使用批量归一化BatchNormalization,再通过LeakyReLU激活函数得到特征提取矩阵B;

S323、特征提取矩阵B经过b次卷积-ReLU,具体为,经过3×3的卷积核进行卷积,设置步长为2,再通过ReLU激活函数得到特征提取矩阵C`作为下采样后的矩阵。

4.如权利要求3所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法,其特征在于:步骤S33中,上采样层对下采样后的矩阵进行t次上采样,得到第i类电器负荷数据集Ci,具体为,S331、将步骤S322得到的特征提取矩阵B裁剪成与步骤S323得到的特征提取矩阵C`相同大小的矩阵B`,并与特征提取矩阵C`拼接后形成特征矩阵C;

S332、特征矩阵C经过c次反卷积-BatchNormalization-ReLU组合,具体为,经过3×3的卷积核进行反卷积,设置步长为2,每层都使用批量归一化BatchNormalization,再通过ReLU激活函数得到特征矩阵D`;

S333、将步骤S321得到的特征提取矩阵A裁剪成与特征矩阵D`相同大小的矩阵A`,并与特征矩阵D`拼接后形成预测数据矩阵D;

S334、特征矩阵D经过1次反卷积—Tanh激活,具体为,经过3×3的卷积核进行反卷积,设置步长为2,再通过Tanh激活函数得到预测数据矩阵E;

S335、经由步骤S331-S334,进行t次上采样后,得到1445×M×1的第i类电器负荷数据集Ci。

5.如权利要求1-4任一项所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法,其特征在于:步骤S5中,对改进CGAN的生成模型组和判别模型组进行联合训练,得到训练后的改进CGAN,具体为,S51、训练改进CGAN的判别模型组,固定生成模型组的参数将判别模型组的判别结果反馈给判别模型组,计算判别模型组的损失函数更新判别模型组的参数S52、训练改进CGAN的生成模型组,固定判别模型组的参数将判别模型组的判别结果反馈给生成模型组,计算生成模型组损失函数更新生成模型组的参数S53、进行最大最小化损失函数优化,计算联合损失函数LGD,由步骤S51和步骤S52交替迭代,达到设定训练次数后停止,得到训练后的改进CGAN;否则,返回步骤S51。