融合外部注意力机制的序列到点非侵入式负荷分解

TM721; 非侵入式负荷分解可以深度挖掘用户电力消耗数据蕴含的信息价值,为电力设备故障监测、需求响应等决策分析提供重要参考.为有效解决非侵入式负荷分解算法训练时间成本与分解精度间的冲突,提出一种融合外部注意力机制的序列到点非侵入式负荷分解算法.首先,将总负荷功率消耗序列进行数据清理、标准化等预处理,以固定窗口长度构建训练输入数据,输入数据通过编码层自动提取设备特征;然后,设计外部注意力机制增强重要特征权值;最终,输入到解码层得到负荷分解结果.利用REDD与UK-DALE两种公开数据集进行模型仿真计算,在信号聚合误差、平均绝对误差、标准化分解误差指标、模型分解曲线、特征图和用户耗能等方面进行对...

Full description

Saved in:
Bibliographic Details
Published in上海交通大学学报 Vol. 58; no. 6; pp. 846 - 854
Main Authors 李利娟, 刘海, 刘红良, 张青松, 陈永东
Format Journal Article
LanguageChinese
Published 湘潭大学自动化与电子信息学院,湖南湘潭 411105%湖南国家应用数学中心,湖南湘潭 411105 28.06.2024
Subjects
non-intrusive load disaggregation(NILD)
非侵入式负荷分解
external attention(EA)mechanism
neural net-works
神经网络
序列到点
sequence-to-point(Seq2Point)
外部注意力机制
Online AccessGet full text
ISSN1006-2467
DOI10.16183/j.cnki.jsjtu.2022.534

Cover

More Information
Summary:TM721; 非侵入式负荷分解可以深度挖掘用户电力消耗数据蕴含的信息价值,为电力设备故障监测、需求响应等决策分析提供重要参考.为有效解决非侵入式负荷分解算法训练时间成本与分解精度间的冲突,提出一种融合外部注意力机制的序列到点非侵入式负荷分解算法.首先,将总负荷功率消耗序列进行数据清理、标准化等预处理,以固定窗口长度构建训练输入数据,输入数据通过编码层自动提取设备特征;然后,设计外部注意力机制增强重要特征权值;最终,输入到解码层得到负荷分解结果.利用REDD与UK-DALE两种公开数据集进行模型仿真计算,在信号聚合误差、平均绝对误差、标准化分解误差指标、模型分解曲线、特征图和用户耗能等方面进行对比分析,本文模型克服了卷积层注意力分散的缺点,增强了对有效信息的提取与利用能力,在未增加训练时间成本的前提下具有更高的分解精度.
ISSN:1006-2467
DOI:10.16183/j.cnki.jsjtu.2022.534