基于滑窗算法和序列翻译模型的非侵入式负荷跨域分解

TM92; 非侵入式负荷分解作为实现电网与家庭用户能量监测的关键技术,能够量化能耗,为合理分配能源提供数据支撑.虽然目前已有算法在同数据集中功率分解准确率上有了很大的提高,但模型泛化性差且跨数据集间分解准确率低.为此,文中提出了一种基于滑窗方法的序列翻译优化模型,并运用迁移学习实现算法的跨数据集分解.该模型以滑动窗口的方式读取主电源有功功率的时间序列,采用基于LSTM编解码的序列到点模型预训练,经迁移学习获得训练模型,实现在不同数据集中的负荷分解.算例结果表明,提出的深度学习模型在不同的数据集间训练测试均有较高的分解性能和准确率,提高了算法的泛化能力....

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 59; no. 8; pp. 139 - 146
Main Authors 刘海东, 崔昊杨, 楼志斌
Format Journal Article
LanguageChinese
Published 上海电力大学电子与信息工程学院,上海200090 2022
Subjects
序列到点模型
非侵入式负荷分解
深度学习
迁移学习
滑窗算法
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2022.08.019

Cover

More Information
Summary:TM92; 非侵入式负荷分解作为实现电网与家庭用户能量监测的关键技术,能够量化能耗,为合理分配能源提供数据支撑.虽然目前已有算法在同数据集中功率分解准确率上有了很大的提高,但模型泛化性差且跨数据集间分解准确率低.为此,文中提出了一种基于滑窗方法的序列翻译优化模型,并运用迁移学习实现算法的跨数据集分解.该模型以滑动窗口的方式读取主电源有功功率的时间序列,采用基于LSTM编解码的序列到点模型预训练,经迁移学习获得训练模型,实现在不同数据集中的负荷分解.算例结果表明,提出的深度学习模型在不同的数据集间训练测试均有较高的分解性能和准确率,提高了算法的泛化能力.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2022.08.019