基于边缘嵌入深度学习的非侵入式负荷分解方法

随着国家电网提出了“三型两网、世界一流”的战略目标,用户内部设备负荷信息的感知与获取在泛在电力物联网建设、推进过程中具有至关重要的地位,而非侵入式负荷分解技术使深度挖掘用户内部数据、获取家庭设备负荷信息成为可能,也是电网提升用户信息价值的必要前提.为此,首先通过改进的迭代K-Medoids算法,提高电器设备负荷聚类结果的稳定性与实用性,并将设备状态信息输入隐马尔可夫模型(hidden Markov model,HMM)生成模型训练数据.之后构建了一种基于多序列到点与时间信息编码的深度学习网络,利用双向门控循环单元网络挖掘分解时间点与前多序列之间的时间关联特征,联结时间标记编码特征,输入全连通网络进行特征解码实现深度学习网络模型的训练,挖掘家庭设备状态与负荷时间信息间的深层潜在关系.训练得到的深度学习网络模型嵌入至边缘节点中实现用户终端的本地化负荷分解.最后,利用真实公开数据集Ampds对所提方法的有效性进行了验证,结果表明基于边缘嵌入深度学习的非侵入式负荷分解方法与现有负荷分解方法相比具有明显优越性.