CN116523681A - 电动汽车的负荷分解方法、装置、电子设备及存储介质 - Google Patents
电动汽车的负荷分解方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116523681A CN116523681A CN202310491742.8A CN202310491742A CN116523681A CN 116523681 A CN116523681 A CN 116523681A CN 202310491742 A CN202310491742 A CN 202310491742A CN 116523681 A CN116523681 A CN 116523681A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- load
- sequence
- data
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000012360 testing method Methods 0.000 claims abstract description 109
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 92
- 238000012545 processing Methods 0.000 claims description 61
- 238000010606 normalization Methods 0.000 claims description 45
- 230000005611 electricity Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000068645 Carya illinoensis Species 0.000 description 1
- 235000009025 Carya illinoensis Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电动汽车的负荷分解方法、装置、电子设备及存储介质,用于解决现有的负荷分解方法中负荷分解准确度低下的技术问题。所述方法包括:获取用电区域的功率序列数据集,并将其按照一定比例划分为联合训练集以及负荷分解测试集,分别对联合训练集以及负荷分解测试集进行数据预处理,获得对应的功耗训练集以及功耗测试集,以提高模型训练准确性,建立基于VGG‑16卷积神经网络的电动汽车负荷分解模型,并采用功耗训练集以及功耗测试集进行模型训练,获取用电区域的总负荷功耗信息,并将总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,从而快速提取出电动汽车功率序列,提高了负荷分解准确度。
Description
技术领域
本发明涉及非侵入式负荷分解技术领域,尤其涉及一种电动汽车的负荷分解方法、装置、电子设备及存储介质。
背景技术
近年来,随着人们对电力需求的不断增大,也随着人们生活水平质量的不断提高,智能家居、光伏发电等新兴设备逐渐出现在大众视野并成为人们日常生活的重要组成部分,而这些新兴设备与传统设备的负载特性往往具有很大的差异性,从而使得负载结构变得越来越复杂,同时随着分布式能源(如电动汽车和公交车)的广泛使用,这些交通工具的充电需求也会使得电网负荷大幅增长,可能导致峰谷负荷差增加、线路流量违规等问题。为确保电力***以及输电线路的正常运行,电力运维人员需要对负载进行负荷监测,以获取负载的电力信息并帮助运维人员制定需求响应计划,由于负载性质以及使用方式不断改变,在进行负荷监测时需要针对性地进行负荷建模,从而使得模型参数的时变性质也逐渐凸显。
对于负荷监测方法,目前主要可以分为侵入式负载监测(Intrusive LoadMonitoring,ILM)以及非侵入式负载监测(Non-Intrusive Load Monitoring,NILM,NILM)两种。其中,侵入式负载监测需要直接接入被监控设备,对被监控设备进行修改和添加,而非侵入式负载监测则是利用电网自身的电力信号来进行负载监测,由此可见,非侵入式负载监测方法相对于侵入式负载监测具有更好的安全性和可扩展性,且无需额外设备与成本。相关技术中,当前一般采用基于人工经验分析的非侵入式负荷建模方法进行建模,并通过建立的模型进行负荷分解,以实现对于用电设备的负荷监测,而采用这种方式,需要进行人工干预,容易导致负荷分解准确度低的问题。
发明内容
本发明提供了一种电动汽车的负荷分解方法、装置、电子设备及存储介质,用于解决或部分解决现有的负荷分解方法中负荷分解准确度低下的技术问题。
本发明提供的一种电动汽车的负荷分解方法,所述方法包括:
获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
可选地,所述电动汽车负荷分解模型包括输入层、与所述输入层依次串联连接的5个卷积块以及3个全连接块,与全连接块末端连接的归一化映射层,所述将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列,包括:
将所述区域总功耗信息输入至输入层进行归一化处理,获得待分解总功耗序列;
将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图;
将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图;
将所述输出特征序列图输入至所述归一化映射层进行归一化映射处理,转换为所述输出特征序列图对应的输出概率分布,所述输出概率分布表示所述区域总功耗信息中各个输入负荷所属负荷分类的概率;
根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列。
可选地,所述5个卷积块对应为第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块以及第五卷积模块,所述将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图,包括:
将所述待分解总功耗序列传送至第一卷积模块进行连续两次标准卷积,再进行池化处理,输出第一中间特征图至第二卷积模块进行连续两次标准卷积,再进行池化处理,获得第二中间特征图;
将所述第二特征序列图传送至第三卷积模块进行连续三次标准卷积,再进行池化处理,输出第三中间特征图至第四卷积模块进行连续三次标准卷积,再进行池化处理,输出第四中间特征图至第五卷积模块进行连续三次标准卷积,再进行池化处理,获得总功耗特征图。
可选地,每一卷积模块中包括若干个卷积层,所述卷积层用于对输入所述卷积层的特征图进行标准卷积处理,所述标准卷积处理的步骤包括:
确定输入特征图,通过所述卷积层的卷积核在所述输入特征图上进行扫描,将所述输入特征图相乘,并与所述卷积层的感受野偏差相加,获得输出特征图,具体计算公式如下:
其中,Zl表示第(l+1)个卷积层的输入特征图,Zl+1表示第(l+1)个卷积层的输出特征图,wl+1表示第(l+1)个卷积层的权重系数,b为感受野偏差;
获取所述输入特征图的输入体积,并根据所述输入体积计算所述输出特征图的输出体积,具体计算公式如下:
其中,Vl为第(l+1)个卷积层的输入体积的空间大小,Vl+1为第(l+1)个卷积层的输出体积的空间大小,k为相应卷积层中神经元的核大小,p为边缘处的零填充量,s为步长,表示滤波器每次转换的单位数;
采用ReLU激活函数对所述输出特征图进行线性修正,获得修正输出特征图。
可选地,所述3个全连接块对应为第一全连接块、第二全连接块以及第三全连接块,所述将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图,包括:
将所述总功耗特征图输入至所述第一全连接块进行特征组合分类处理,输出第一分类特征图,采用ReLU激活函数对所述第一分类特征图进行线性修正,输出第一修正分类特征图至所述第二全连接块;
对所述第一修正分类特征图进行特征组合分类处理,输出第二分类特征图,采用ReLU激活函数对所述第二分类特征图进行线性修正,输出第二修正分类特征图至所述第三全连接块;
对所述第二修正分类特征图进行特征组合分类处理,获得输出特征序列图。
可选地,所述根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列,包括:
通过如下计算公式对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列:
其中,Pagg(t)表示在变电站的低压侧测量的在T={t1,t2,...,tn}时刻的待分解总功耗序列;n表示采样点的总数;N表示根据细化级别的负载类型;Pi(t)为i类负载对应的功率序列,表示为:
Pi(t)={pi,1,pi,2,...pi,n}
其中,Pi,t表示采样点t处第i类负载的功耗。
可选地,在所述获取用电区域的功率序列数据集之前,所述方法还包括:
收集用电区域内不同用电接入点的剩余负荷数据,所述剩余负荷数据包括家用负荷数据、商业负荷数据以及电动汽车负荷数据;
对所述家用负荷数据、所述商业负荷数据以及所述电动汽车负荷数据进行组合相加处理,形成所述用电区域的功率序列数据集,所述功率序列数据集内包含区域总功耗数据以及电动汽车功耗数据;
所述将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集,包括:
将所述区域总功耗数据以及所述电动汽车功耗数据按照一定比例划分为联合训练集以及负荷分解测试集,其中,所述联合训练集包含所述电动汽车功耗数据以及其中一部分的区域总功耗数据,所述负荷分解测试集包含剩余部分的区域总功耗数据。
可选地,所述分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集,包括:
对所述联合训练集以及所述负荷分解测试集各自对应的功率序列数据分别进行替代-归一化处理,具体为:
步骤S1:对于所述功率序列数据的问题值,采用所述问题值前后两个数据的均值进行替代,所述问题值包括缺失值以及异常值;
步骤S2:采用最大-最小归一化方法将所述功率序列数据从-1映射至1,具体计算公式如下:
其中,xmin表示功率序列数据的最小值,xmax表示功率序列数据的最大值,x表示归一化处理之前的功率序列数据,xnorm表示归一化处理之后的功率序列数据;
采用滑动窗口法对进行替代-归一化处理后的联合训练集以及负荷分解测试集各自对应的时间序列数据分别进行数据分段,划分为多个预设固定长度的序列数据段,每一所述序列数据段中包含一个预设固定数量的序列数据;
将所述联合训练集对应的多个序列数据段作为功耗训练集,将所述负荷分解测试集对应的多个序列数据段作为功耗测试集。
可选地,所述功耗训练集中包含进行数据预处理之后的电动汽车功耗序列以及第一区域总功耗序列,所述功耗测试集中包含进行数据预处理之后的第二区域总功耗序列,所述采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练,包括:
采用所述电动汽车功耗序列以及所述第一区域总功耗序列对所述电动汽车负荷分解模型进行模型训练;
通过所述第二区域总功耗序列对经过模型训练之后的电动汽车负荷分解模型进行测试,并基于测试结果进行模型评价。
本发明还提供了一种电动汽车的负荷分解装置,包括:
功率序列数据集获取模块,用于获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
数据预处理模块,用于分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
电动汽车负荷分解模型训练模块,用于建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
负荷分解模块,用于获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的电动汽车的负荷分解方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的电动汽车的负荷分解方法。
从以上技术方案可以看出,本发明具有以下优点:利用基于VGG-16的卷积神经网络构建电动汽车负荷分解模型,并基于电动汽车负荷分解模型实现对于电动汽车的非侵入式分解,具体为通过对用电区域内的剩余负载数据进行组合并添加,形成包含区域总体功耗以及电动汽车功耗的功率序列数据集,将功率序列数据集按照一定比例划分为训练集以及测试集并进行数据预处理,以提高模型训练准确性,接着采用预处理后的数据集对电动汽车负荷分解模型进行训练,并利用训练后的模型对需要进行负荷监测的总功耗信息进行负荷分解,快速提取出电动汽车对应的功率序列,从而实现了不需要对电动汽车进行测量,不影响用户的使用体验,同时提供了更高的分解准确度,能够在高比例电动汽车负荷注入的情况下提高电力***的负荷管理能力,为实现电力***的高效可靠运行提供了有力支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电动汽车负荷分解方法的流程示意图;
图2为本发明实施例提供的一种基于VGG-16卷积神经网络的电动汽车负荷分解模型的结构示意图;
图3为本发明实施例提供的一种电动汽车的负荷分解方法的步骤流程图;
图4为本发明实施例提供的一种用电区域内不同用电接入点的负荷类型结构示意图;
图5为本发明实施例提供的一种采用电动汽车负荷分解模型进行负荷分解方法的步骤流程图;
图6为本发明实施例提供的一种电动汽车的负荷分解装置的结构框图。
具体实施方式
本发明实施例提供了一种电动汽车的负荷分解方法、装置、电子设备及存储介质,用于解决或部分解决现有的负荷分解方法中负荷分解准确度低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
作为一种示例,随着分布式能源(如电动汽车和公交车)的广泛使用,相应的充电需求也会使得电网负荷大幅增长,可能导致峰谷负荷差增加、线路流量违规等问题,电动汽车的普及为电力***带来了新的负荷管理挑战,为保证电力***以及输电线路的正常运行,需要对电动汽车的负荷进行有效监测和管理。相关技术中,当前一般采用基于人工经验分析的非侵入式负荷建模方法进行建模,并通过建立的模型进行负荷分解,以实现对于用电设备的负荷监测,而采用这种方式,需要进行人工干预,容易导致负荷分解准确度低的问题,且现有的非侵入式负荷分解方法大多应用于家用电器,未将新能源与电动汽车等考虑在内,而对于电动汽车的负荷分解,传统的负荷分解方法需要对电动汽车进行侵入式的测量,影响了用户的使用体验,并且存在安全隐患和成本较高等问题。
因此,本发明实施例的核心发明点之一在于:利用基于VGG-16(Visual GeometryGroup-16,一种16层的视觉几何组)的卷积神经网络构建电动汽车负荷分解模型,并基于电动汽车负荷分解模型实现对于电动汽车的非侵入式分解,具体为通过对用电区域内的剩余负载数据进行组合并添加,形成包含区域总体功耗以及电动汽车功耗的功率序列数据集,将功率序列数据集按照一定比例划分为训练集以及测试集并进行数据预处理,以提高模型训练准确性,接着采用预处理后的数据集对电动汽车负荷分解模型进行训练,并利用训练后的模型对需要进行负荷监测的总功耗信息进行负荷分解,快速提取出电动汽车对应的功率序列,从而实现不需要对电动汽车进行测量,不影响用户的使用体验,同时提供更高的分解准确度,能够在高比例电动汽车负荷注入的情况下提高电力***的负荷管理能力,为实现电力***的高效可靠运行提供有力支持。
参照图1,示出了本发明实施例提供的一种电动汽车负荷分解方法的流程示意图。
首先,对于需要进行电力负荷监测的某个用电区域,可以先分别收集该用电区域内的总用电负荷信息(总用电负荷信息中包含电动汽车负荷信息、家用负荷信息以及商业负荷信息),以及电动汽车负荷信息,并对收集的信息进行处理,获得用电区域的功率序列数据集,并将该功率序列数据集按照一定划分方式划分为联合训练集以及负荷分解测试集,示例性地,联合训练集中可以包含电动汽车负荷信息以及一部分的总用电负荷信息,而负荷分解测试集中则包含另外一部分的总用电负荷信息。
接着对联合训练集以及负荷分解测试集分别进行数据预处理,对于联合训练集以及负荷分解测试集中功率序列数据的缺失值以及异常值,可以采用前后两个数据均值替代方式,进行数据替换,如序列中第8个数据出现缺失或者异常,则采用第7个数据以及第9个数据进行均值计算,并将均值作为新的数据值,对第8个数据的原有数据进行替换,接着可以采用最大-最小归一化方法将功率序列数据从-1映射到1,以消除不同负载规模的影响。
对进行上述数据预处理之后输出的预处理功耗训练集以及预处理功耗测试集分别采用窗口滑动法进行数据分段处理,并获得包含多个数据段的功耗训练集以及功耗测试集,滑动窗口1表示第一个工作周期对应的数据序列,滑动窗口2表示第二个工作周期对应的数据序列,需要指出的是,为方便说明,图中的预处理功耗训练集以及预处理功耗测试集的数据序列均仅以从0到4M-1作为示例,也仅示出了两个工作周期对应的数据序列进行说明,每一次滑动的步长(即窗口长度)设置为2M,在进行窗口滑动处理之后,第一个数据段序列对应为[0,1,...,2M-2,2M-1],第二个数据段序列对应为[M,M+1,...,3M-2,3M-1],以此类推,但在进行实际处理时,每一数据序列(即电力***的工作周期)的长度不止4M,且滑动分段的步长以及数据段长度也可以按照实际需求进行设定,可以理解的是,本发明对此不作限制。
针对电力负荷数据的特点,本发明实施例中所提供的滑动窗口法,不仅考虑了负荷数据的时序关系与相邻数据之间的相关性,而且利用了电力负荷数据的周期性特征,具体地,通过采用该方法可以将整个时间序列数据划分为多个周期,每个周期的长度等于电力***的工作周期,接着对于每个周期,利用滑动窗口法将周期内的数据分割成多个窗口,并通过卷积神经网络算法对每个窗口进行特征提取以及分类。
作为一种可选实施例,上述滑动窗口法可以包括如下步骤:
首先将预处理功耗训练集以及预处理功耗测试集对应的电力负荷数据按照工作周期进行周期性划分;对于每个周期,利用滑动窗口法将周期内的数据分割成多个窗口;接着采用卷积神经网络(Convolutional Neural Networks,CNN)算法对每个窗口对应的数据进行特征提取以及分类;对于相邻周期之间的数据,利用卷积神经网络算法提取其相关性特征,并将其纳入电动汽车负荷分解模型中。
由此可见,与传统的滑动窗口法不同的是,上述方法可以利用周期性特征和相邻周期之间的相关性,将重复计算的部分减少到最小限度,从而提高了计算效率。
然后将功耗训练集输入至基于VGG-16卷积神经网络的电动汽车负荷分解模型进行模型训练,接着将功耗测试集输入至训练后的电动汽车负荷分解模型进行效果测试,确定用于对电动汽车进行负荷分解的负荷分解模型。
获取用电区域内需要进行负荷分解的总负荷功耗信息,并将总负荷功耗信息输入至进行训练测试后的电动汽车负荷分解模型进行负荷分解,从总负荷功耗信息中快速提取出电动汽车功率序列,实现对于电动汽车功率序列的非侵入式负荷分解。
在本发明实施例中,提供了一种电动汽车负荷分解方法,通过采用该方法,结合本发明实施例提供的电动汽车负荷分解模型,通过对用电区域内的剩余负载数据进行组合并添加,形成包含区域总体功耗以及电动汽车功耗的功率序列数据集,将功率序列数据集按照一定比例划分为训练集以及测试集并进行数据预处理,以提高模型训练准确性,接着采用预处理后的数据集对电动汽车负荷分解模型进行训练,并利用训练后的模型对需要进行负荷监测的总功耗信息进行负荷分解,快速提取出电动汽车对应的功率序列,从而实现了不需要对电动汽车进行测量,不影响用户的使用体验,同时提供了更高的分解准确度,能够在高比例电动汽车负荷注入的情况下提高电力***的负荷管理能力,为实现电力***的高效可靠运行提供了有力支持。
参照图2,示出了本发明实施例提供的一种基于VGG-16卷积神经网络的电动汽车负荷分解模型的结构示意图。
由图中可看出,电动汽车负荷分解模型主要可以包括5个卷积块以及3个全连接块,具体为:第一卷积模块Conv1、第二卷积模块Conv2、第三卷积模块Conv3、第四卷积模块Conv4、第五卷积模块Conv5、第一全连接块fc6(Fully Connected,完全连接)、第二全连接块fc7以及第三全连接块fc8。
第一卷积模块Conv1中包含2个大小为224×224×64的卷积层,以及一个大小为112×112×128的最大值池化层MP(Max Pooling);第二卷积模块Conv2中包括2个大小为112×112×128的卷积层以及一个大小为56×56×256的最大值池化层MP;第三卷积模块Conv3中包含3个大小为56×56×256的卷积层以及一个大小为28×28×512的最大值池化层MP;第四卷积模块Conv4中包含3个大小为28×28×512的卷积层以及一个大小为14×14×512的最大值池化层MP;第五卷积模块Conv5中包含3个大小为14×14×512的卷积层以及一个大小为7×7×512的最大值池化层MP。
其中,各个卷积层的过滤器大小为33,步幅为1,填充为1,滤波器数量逐渐增加,从64个到512个,以减少数据的大小和网络参数的数量。在最大值池化层MP中,使用预先设置的池化函数将前一层中神经元簇的输出组合为单个神经元,以降低特征图的维数,每个最大值池化层MP大小为2*2,步幅为2,用于作进一步的特征选择与数据过滤,减少图像尺寸与减少过拟合。
第一全连接块fc6以及第二全连接块fc7中均包含一个大小为1×1×4096的全连接层(表示有4096个神经元),以及一个随机丢弃层Dropout,采用随机丢弃层Dropout可以通过随机丢弃一些神经元,以避免过拟合;第三全连接块fc8中包含一个1×1×1000的全连接层(表示有1000个神经元),通过第三全连接块fc8中全连接层处理后输出的预测结果,会被传送至与之相连的一个归一化映射层,在该归一化映射层可以采用softmax激活函数对预测结果进行归一化处理,将输出的预测结果转换为概率分布,其中,各个全连接层采用大小为11的过滤器,并将所有神经元相互连接。
在第一卷积模块Conv1之前还设有一个输入层,归一化映射层后面还设有一个输出层,为简化说明,因此在图中未画出输入层以及输出层,同时,在上述电动汽车负荷分解模型结构的基础上,可以在每个卷积层以及全连接层中使用ReLU(Rectified LinearUnit,线性整流函数)作为激活函数,以提高电动汽车负荷分解模型的负荷分解准确性。
为更好地进行说明,下面将结合上述实施例中的电动汽车负荷分解模型,对电动汽车的负荷分解方法作进一步的详细介绍。
参照图3,示出了本发明实施例提供的一种电动汽车的负荷分解方法的步骤流程图,具体可以包括以下步骤:
步骤301,获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
在采用模型对用电区域的总功耗信息进行电动汽车负荷分解之前,需要先采用相关数据集对构建的模型进行训练以及测试,因此可以获取用电区域的功率序列数据集,并将功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集,以通过划分的数据集进行模型训练。
具体地,在获取用电区域的功率序列数据集之前,还可以通过量测设备收集用电区域内不同用电接入点的剩余负荷数据,或者通过Pecan Street(一种开源数据集)数据集获取不同住宅的剩余负荷数据,进一步地,剩余负荷数据可以包括家用负荷数据、商业负荷数据以及电动汽车负荷数据。
示例性地,参照图4,示出了本发明实施例提供的一种用电区域内不同用电接入点的负荷类型结构示意图,其中,可以在变电站输电网的低压侧(即输出侧)设置用于测量用电设备负荷数据(如功率信息)的量测设备,通过该量测设备对用电设备端的负荷数据进行测量并收集,并将居民住宅区域内的空调、洗碗机、电冰箱、加热器等家电设备作为家用负荷类型,将商业区域内的中央空调、照明、办公室、商业酒店等的商用设备作为商业负荷类型,同时将电动汽车负荷作为一个单独的数据类型进行收集,以便后续基于收集的数据对电动汽车负荷分解模型进行训练。
接着可以对家用负荷数据、商业负荷数据以及电动汽车负荷数据进行组合相加处理,形成用电区域的功率序列数据集,其中,功率序列数据集内包含区域总功耗数据以及电动汽车功耗数据,在进行模型训练时,可以采用包含了电动汽车功耗数据以及部分区域总功耗数据的训练集对电动汽车负荷分解模型进行模型训练,接着采用包含了另一部分区域总功耗数据的测试集对训练后的模型进行模型测试,并基于测试结果进行模型评价或者作进一步的模型优化,从而将功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集,具体可以为:将区域总功耗数据以及电动汽车功耗数据按照一定比例划分为联合训练集以及负荷分解测试集,其中,联合训练集包含电动汽车功耗数据以及其中一部分的区域总功耗数据,负荷分解测试集包含剩余部分的区域总功耗数据,例如,对于区域总功耗数据,可以按照9:1的划分比例划分至联合训练集以及负荷分解测试集,对于电动汽车功耗数据,可以将电动汽车功耗数据全部划入联合训练集,或者可以随机抽选部分电动汽车功耗数据划入联合训练集,再或者也可以选择前半部分/后半部分部电动汽车功耗数据划入联合训练集等等,本发明对此不作限制。
步骤302,分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
接着可以从原始的联合训练集以及负荷分解测试集中去除噪声与离群值,并对数据进行降采样处理,接着采用固定窗口长度的滑动窗口方法进行数据分段,从而在实际应用模型进行负荷分解的过程中,可以实现仅采用低频功率数据对区域性电动汽车充电负荷进行非侵入式负荷分解,有效降低数据采集成本,并且可以应用于变电站级电动汽车充电行为的监测,以支持分布式能源的高比例注入。
作为一种可选实施例,可以采用数据替代修正、归一化处理等方式分别对联合训练集以及负荷分解测试集进行数据预处理,获得联合训练集对应的功耗训练集,以及负荷分解测试集对应的功耗测试集。
在具体的实现中,首先可以对联合训练集以及负荷分解测试集各自对应的功率序列数据分别进行替代-归一化处理,具体可以为:
步骤S1:对于功率序列数据的问题值,采用问题值前后两个数据的均值进行替代,其中,问题值包括缺失值以及异常值;
步骤S2:采用最大-最小归一化方法将功率序列数据从-1映射至1,以消除不同负载规模的影响,具体计算公式如下:
其中,xmin表示功率序列数据的最小值,xmax表示功率序列数据的最大值,x表示归一化处理之前的功率序列数据,xnorm表示归一化处理之后的功率序列数据;
接着可以采用滑动窗口法对进行替代-归一化处理后的联合训练集以及负荷分解测试集各自对应的时间序列数据分别进行数据分段,划分为多个预设固定长度的序列数据段,每一序列数据段中包含一个预设固定数量的序列数据,因前面实施例中对于采用滑动窗口法进行数据分段进行了较为详细的描述,此处不再赘述。
在进行数据分段处理之后,可以将联合训练集对应的多个序列数据段作为功耗训练集,将负荷分解测试集对应的多个序列数据段作为功耗测试集,从而通过数据预处理可以获得更为准确的训练集以及测试集,用于对模型进行训练测试,在后续使用模型进行负荷分解时可以提高准确性。
步骤303,建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
在具体的实现中,可以建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用步骤302中获得的功耗训练集以及功耗测试集对电动汽车负荷分解模型进行训练。
通过前面步骤的数据处理之后可以得出,功耗训练集中包含进行数据预处理之后的电动汽车功耗序列以及第一区域总功耗序列,功耗测试集中包含进行数据预处理之后的第二区域总功耗序列,则采用功耗训练集以及功耗测试集对电动汽车负荷分解模型进行训练,可以为:首先采用电动汽车功耗序列以及第一区域总功耗序列对电动汽车负荷分解模型进行模型训练,以联合提取特征,接着通过第二区域总功耗序列对经过模型训练之后的电动汽车负荷分解模型进行测试以及验证,并基于测试结果进行模型评价。
步骤304,获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
接着可以采用训练好的模型对用电区域的总负荷功耗信息进行负荷分解,以提取出电动汽车对应的功率序列。
由前面模型结构实施例的内容可知,本发明实施例所提供的电动汽车负荷分解模型包括输入层、与输入层依次串联连接的5个卷积块以及3个全连接块,与全连接块末端连接的归一化映射层,为更好地进行说明,参照图5,示出了本发明实施例提供的一种采用电动汽车负荷分解模型进行负荷分解方法的步骤流程图,则将总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出用电区域的电动汽车功率序列的步骤,可以包括:
步骤501,将所述区域总功耗信息输入至输入层进行归一化处理,获得待分解总功耗序列;
可以将需要进行负荷分解的区域总功耗信息输入至输入层,在输入层采用梯度下降算法进行归一化处理,获得待分解总功耗序列。
步骤502,将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图;
由前述内容可知,5个卷积块可以对应为第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块以及第五卷积模块,进一步地,将待分解总功耗序列传送至卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图,可以为:
首先将待分解总功耗序列传送至第一卷积模块进行连续两次标准卷积,再进行池化处理,输出第一中间特征图至第二卷积模块进行连续两次标准卷积,再进行池化处理,获得第二中间特征图;
接着将第二特征序列图传送至第三卷积模块进行连续三次标准卷积,再进行池化处理,输出第三中间特征图至第四卷积模块进行连续三次标准卷积,再进行池化处理,输出第四中间特征图至第五卷积模块进行连续三次标准卷积,再进行池化处理,获得总功耗特征图。
其中,标准卷积可以包括在卷积层进行卷积计算以及使用ReLU(RectifiedLinear Unit,线性整流函数)作为激活函数,进行线性修正操作,以提高电动汽车负荷分解模型的负荷分解准确性。
再进一步地,每一卷积模块中包括若干个卷积层,卷积层中包含几个可学习内核,用于提取输入数据的特征,卷积核的每个元素对应于权重系数和偏置向量,类似于前馈神经网络的神经元,在卷积层中,每个神经元连接到输入体积的一个小区域,以实现相邻层的神经元之间的稀疏局部连接模式,连接区域的范围被称为“感受野”,由卷积核的大小决定,卷积层用于对输入卷积层的特征图进行标准卷积处理,则标准卷积处理的步骤包括:
首先确定输入特征图,在正向过程中,通过卷积层的卷积核在输入特征图上进行扫描,将输入特征图相乘,并与卷积层的感受野偏差相加,获得输出特征图,具体计算公式如下:
其中,Zl表示第(l+1)个卷积层的输入特征图,Zl+1表示第(l+1)个卷积层的输出特征图,wl+1表示第(l+1)个卷积层的权重系数,b为感受野偏差;
接着获取输入特征图的输入体积,并根据输入体积计算输出特征图的输出体积,具体计算公式如下:
其中,Vl为第(l+1)个卷积层的输入体积的空间大小,Vl+1为第(l+1)个卷积层的输出体积的空间大小,k为相应卷积层中神经元的核大小,p为边缘处的零填充量,s为步长,表示滤波器每次转换的单位数;
接着可以采用ReLU激活函数对输出特征图进行线性修正,获得修正输出特征图。
步骤503,将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图;
由前述内容可知,3个全连接块可以对应为第一全连接块、第二全连接块以及第三全连接块,在具体的实现中,将总功耗特征图传送至全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图,可以为:
首先将总功耗特征图输入至第一全连接块进行全连接操作,以实现特征组合分类,输出第一分类特征图,采用ReLU激活函数对第一分类特征图进行线性修正,输出第一修正分类特征图至第二全连接块;
接着对第一修正分类特征图进行全连接操作,以实现特征组合分类,输出第二分类特征图,采用ReLU激活函数对第二分类特征图进行线性修正,输出第二修正分类特征图至第三全连接块;
然后对第二修正分类特征图进行全连接操作,以实现特征组合分类,获得输出特征序列图。
同时可以在第一全连接块与第二全连接块之间,以及在第二全连接块与第三全连接块之间,添加随机丢弃层Dropout,并采用随机丢弃层Dropout随机丢弃一些神经元,以避免在数据处理过程中出现过拟合。
步骤504,将所述输出特征序列图输入至所述归一化映射层进行归一化映射处理,转换为所述输出特征序列图对应的输出概率分布,所述输出概率分布表示所述区域总功耗信息中各个输入负荷所属负荷分类的概率;
具体地,可以在归一化映射层采用softmax激活函数进行归一化处理,将输出特征序列图转换为概率分布。
步骤505,根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列。
在具体的实现中,根据输出概率分布对待分解总功耗序列进行负荷分解,提取出用电区域中电动汽车对应的电动汽车功率序列的步骤,可以为:
通过如下计算公式对待分解总功耗序列进行负荷分解,提取出用电区域中电动汽车对应的电动汽车功率序列:
其中,Pagg(t)表示在变电站的低压侧测量的在T={t1,t2,...,tn}时刻的待分解总功耗序列;n表示采样点的总数;N表示根据细化级别的负载类型;Pi(t)为i类负载对应的功率序列,表示为:
Pi(t)={pi,1,pi,2,...pi,n}
其中,Pi,t表示采样点t处第i类负载的功耗。
从而通过电动汽车负荷分解模型,可以自动对总功耗信息进行负荷分解,快速且准确地提取出电动汽车对应的功率序列,从而实现可以仅依赖于功率数据进行负荷分解,即对于训练好的神经网络,输入“一个区域总功耗”,即可分解出“电动汽车的功耗”。
在本发明实施例中,提供了一种基于VGG-16的卷积神经网络构建电动汽车负荷分解模型,并基于电动汽车负荷分解模型实现对于电动汽车的非侵入式分解的方法,具体为通过对用电区域内的剩余负载数据进行组合并添加,形成包含区域总体功耗以及电动汽车功耗的功率序列数据集,将功率序列数据集按照一定比例划分为训练集以及测试集并进行数据预处理,以提高模型训练准确性,接着采用预处理后的数据集对电动汽车负荷分解模型进行训练,并利用训练后的模型对需要进行负荷监测的总功耗信息进行负荷分解,快速提取出电动汽车对应的功率序列,从而实现了不需要对电动汽车进行测量,不影响用户的使用体验,同时提供了更高的分解准确度,能够在高比例电动汽车负荷注入的情况下提高电力***的负荷管理能力,为实现电力***的高效可靠运行提供了有力支持。
参照图6,示出了本发明实施例提供的一种电动汽车的负荷分解装置的结构框图,具体可以包括:
功率序列数据集获取模块601,用于获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
数据预处理模块602,用于分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
电动汽车负荷分解模型训练模块603,用于建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
负荷分解模块604,用于获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
在一种可选实施例中,所述电动汽车负荷分解模型包括输入层、与所述输入层依次串联连接的5个卷积块以及3个全连接块,与全连接块末端连接的归一化映射层,所述负荷分解模块604包括:
待分解总功耗序列生成模块,用于将所述区域总功耗信息输入至输入层进行归一化处理,获得待分解总功耗序列;
总功耗特征图输出模块,用于将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图;
输出特征序列图生成模块,用于将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图;
归一化映射处理模块,用于将所述输出特征序列图输入至所述归一化映射层进行归一化映射处理,转换为所述输出特征序列图对应的输出概率分布,所述输出概率分布表示所述区域总功耗信息中各个输入负荷所属负荷分类的概率;
电动汽车功率序列提取模块,用于根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列。
在一种可选实施例中,所述5个卷积块对应为第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块以及第五卷积模块,所述总功耗特征图输出模块包括:
第二中间特征图生成模块,用于将所述待分解总功耗序列传送至第一卷积模块进行连续两次标准卷积,再进行池化处理,输出第一中间特征图至第二卷积模块进行连续两次标准卷积,再进行池化处理,获得第二中间特征图;
总功耗特征图生成模块,用于将所述第二特征序列图传送至第三卷积模块进行连续三次标准卷积,再进行池化处理,输出第三中间特征图至第四卷积模块进行连续三次标准卷积,再进行池化处理,输出第四中间特征图至第五卷积模块进行连续三次标准卷积,再进行池化处理,获得总功耗特征图。
在一种可选实施例中,每一卷积模块中包括若干个卷积层,所述卷积层用于对输入所述卷积层的特征图进行标准卷积处理,所述装置包括:
输出特征图生成模块,用于确定输入特征图,通过所述卷积层的卷积核在所述输入特征图上进行扫描,将所述输入特征图相乘,并与所述卷积层的感受野偏差相加,获得输出特征图,具体计算公式如下:
其中,Zl表示第(l+1)个卷积层的输入特征图,Zl+1表示第(l+1)个卷积层的输出特征图,wl+1表示第(l+1)个卷积层的权重系数,b为感受野偏差;
输出体积计算模块,用于获取所述输入特征图的输入体积,并根据所述输入体积计算所述输出特征图的输出体积,具体计算公式如下:
其中,Vl为第(l+1)个卷积层的输入体积的空间大小,Vl+1为第(l+1)个卷积层的输出体积的空间大小,k为相应卷积层中神经元的核大小,p为边缘处的零填充量,s为步长,表示滤波器每次转换的单位数;
线性修正处理模块,用于采用ReLU激活函数对所述输出特征图进行线性修正,获得修正输出特征图。
在一种可选实施例中,所述3个全连接块对应为第一全连接块、第二全连接块以及第三全连接块,所述输出特征序列图生成模块包括:
第一修正分类特征图输出模块,用于将所述总功耗特征图输入至所述第一全连接块进行特征组合分类处理,输出第一分类特征图,采用ReLU激活函数对所述第一分类特征图进行线性修正,输出第一修正分类特征图至所述第二全连接块;
第二修正分类特征图输出模块,用于对所述第一修正分类特征图进行特征组合分类处理,输出第二分类特征图,采用ReLU激活函数对所述第二分类特征图进行线性修正,输出第二修正分类特征图至所述第三全连接块;
第二修正分类特征图处理模块,用于对所述第二修正分类特征图进行特征组合分类处理,获得输出特征序列图。
在一种可选实施例中,所述电动汽车功率序列提取模块具体用于:
通过如下计算公式对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列:
其中,Pagg(t)表示在变电站的低压侧测量的在T={t1,t2,...,tn}时刻的待分解总功耗序列;n表示采样点的总数;N表示根据细化级别的负载类型;Pi(t)为i类负载对应的功率序列,表示为:
Pi(t)={pi,1,pi,2,...pi,n}
其中,Pi,t表示采样点t处第i类负载的功耗。
在一种可选实施例中,所述装置还包括:
剩余负荷数据收集模块,用于收集用电区域内不同用电接入点的剩余负荷数据,所述剩余负荷数据包括家用负荷数据、商业负荷数据以及电动汽车负荷数据;
功率序列数据集生成模块,用于对所述家用负荷数据、所述商业负荷数据以及所述电动汽车负荷数据进行组合相加处理,形成所述用电区域的功率序列数据集,所述功率序列数据集内包含区域总功耗数据以及电动汽车功耗数据;
所述功率序列数据集获取模块601具体用于:
将所述区域总功耗数据以及所述电动汽车功耗数据按照一定比例划分为联合训练集以及负荷分解测试集,其中,所述联合训练集包含所述电动汽车功耗数据以及其中一部分的区域总功耗数据,所述负荷分解测试集包含剩余部分的区域总功耗数据。
在一种可选实施例中,所述数据预处理模块602包括:
替代-归一化处理模块,用于对所述联合训练集以及所述负荷分解测试集各自对应的功率序列数据分别进行替代-归一化处理,具体为:
步骤S1:对于所述功率序列数据的问题值,采用所述问题值前后两个数据的均值进行替代,所述问题值包括缺失值以及异常值;
步骤S2:采用最大-最小归一化方法将所述功率序列数据从-1映射至1,具体计算公式如下:
其中,xmin表示功率序列数据的最小值,xmax表示功率序列数据的最大值,x表示归一化处理之前的功率序列数据,xnorm表示归一化处理之后的功率序列数据;
数据分段处理模块,用于采用滑动窗口法对进行替代-归一化处理后的联合训练集以及负荷分解测试集各自对应的时间序列数据分别进行数据分段,划分为多个预设固定长度的序列数据段,每一所述序列数据段中包含一个预设固定数量的序列数据;
序列数据段分配模块,用于将所述联合训练集对应的多个序列数据段作为功耗训练集,将所述负荷分解测试集对应的多个序列数据段作为功耗测试集。
在一种可选实施例中,所述功耗训练集中包含进行数据预处理之后的电动汽车功耗序列以及第一区域总功耗序列,所述功耗测试集中包含进行数据预处理之后的第二区域总功耗序列,所述电动汽车负荷分解模型训练模块603包括:
负荷分解模型训练模块,用于采用所述电动汽车功耗序列以及所述第一区域总功耗序列对所述电动汽车负荷分解模型进行模型训练;
负荷分解模型测试模块,用于通过所述第二区域总功耗序列对经过模型训练之后的电动汽车负荷分解模型进行测试,并基于测试结果进行模型评价。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见前述方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明任一实施例的电动汽车的负荷分解方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明任一实施例的电动汽车的负荷分解方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种电动汽车的负荷分解方法,其特征在于,包括:
获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
2.根据权利要求1所述的负荷分解方法,其特征在于,所述电动汽车负荷分解模型包括输入层、与所述输入层依次串联连接的5个卷积块以及3个全连接块,与全连接块末端连接的归一化映射层,所述将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列,包括:
将所述区域总功耗信息输入至输入层进行归一化处理,获得待分解总功耗序列;
将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图;
将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图;
将所述输出特征序列图输入至所述归一化映射层进行归一化映射处理,转换为所述输出特征序列图对应的输出概率分布,所述输出概率分布表示所述区域总功耗信息中各个输入负荷所属负荷分类的概率;
根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列。
3.根据权利要求2所述的负荷分解方法,其特征在于,所述5个卷积块对应为第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块以及第
五卷积模块,所述将所述待分解总功耗序列传送至所述卷积块,按照连接顺序依次进行卷积池化处理,输出总功耗特征图,包括:
将所述待分解总功耗序列传送至第一卷积模块进行连续两次标准卷积,再进行池化处理,输出第一中间特征图至第二卷积模块进行连续两次标准卷积,再进行池化处理,获得第二中间特征图;
将所述第二特征序列图传送至第三卷积模块进行连续三次标准卷积,再进行池化处理,输出第三中间特征图至第四卷积模块进行连续三次标准卷积,再进行池化处理,输出第四中间特征图至第五卷积模块进行连续三次标准卷积,再进行池化处理,获得总功耗特征图。
4.根据权利要求3所述的负荷分解方法,其特征在于,每一卷积模块中包括若干个卷积层,所述卷积层用于对输入所述卷积层的特征图进行标准卷积处理,所述标准卷积处理的步骤包括:
确定输入特征图,通过所述卷积层的卷积核在所述输入特征图上进行扫描,将所述输入特征图相乘,并与所述卷积层的感受野偏差相加,获得输出特征图,具体计算公式如下:
其中,Zl表示第(l+1)个卷积层的输入特征图,Zl+1表示第(l+1)个卷积层的输出特征图,wl+1表示第(l+1)个卷积层的权重系数,b为感受野偏差;
获取所述输入特征图的输入体积,并根据所述输入体积计算所述输出特征图的输出体积,具体计算公式如下:
其中,Vl为第(l+1)个卷积层的输入体积的空间大小,Vl+1为第(l+1)个卷积层的输出体积的空间大小,k为相应卷积层中神经元的核大小,p为边缘处的零填充量,s为步长,表示滤波器每次转换的单位数;
采用ReLU激活函数对所述输出特征图进行线性修正,获得修正输出特征图。
5.根据权利要求2所述的负荷分解方法,其特征在于,所述3个全连接块对应为第一全连接块、第二全连接块以及第三全连接块,所述将所述总功耗特征图传送至所述全连接块,按照连接顺序依次进行非线性特征整合,获得输出特征序列图,包括:
将所述总功耗特征图输入至所述第一全连接块进行特征组合分类处理,输出第一分类特征图,采用ReLU激活函数对所述第一分类特征图进行线性修正,输出第一修正分类特征图至所述第二全连接块;
对所述第一修正分类特征图进行特征组合分类处理,输出第二分类特征图,采用ReLU激活函数对所述第二分类特征图进行线性修正,输出第二修正分类特征图至所述第三全连接块;
对所述第二修正分类特征图进行特征组合分类处理,获得输出特征序列图。
6.根据权利要求2所述的负荷分解方法,其特征在于,所述根据所述输出概率分布对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列,包括:
通过如下计算公式对所述待分解总功耗序列进行负荷分解,提取出所述用电区域中电动汽车对应的电动汽车功率序列:
其中,Pagg(t)表示在变电站的低压侧测量的在T={t1,t2,...,tn}时刻的待分解总功耗序列;n表示采样点的总数;N表示根据细化级别的负载类型;Pi(t)为i类负载对应的功率序列,表示为:
Pi(t)={pi,1,pi,2,...pi,n}
其中,Pi,t表示采样点t处第i类负载的功耗。
7.根据权利要求1所述的负荷分解方法,其特征在于,在所述获取用电区域的功率序列数据集之前,所述方法还包括:
收集用电区域内不同用电接入点的剩余负荷数据,所述剩余负荷数据包括家用负荷数据、商业负荷数据以及电动汽车负荷数据;
对所述家用负荷数据、所述商业负荷数据以及所述电动汽车负荷数据进行组合相加处理,形成所述用电区域的功率序列数据集,所述功率序列数据集内包含区域总功耗数据以及电动汽车功耗数据;
所述将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集,包括:
将所述区域总功耗数据以及所述电动汽车功耗数据按照一定比例划分为联合训练集以及负荷分解测试集,其中,所述联合训练集包含所述电动汽车功耗数据以及其中一部分的区域总功耗数据,所述负荷分解测试集包含剩余部分的区域总功耗数据。
8.根据权利要求7所述的负荷分解方法,其特征在于,所述分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集,包括:
对所述联合训练集以及所述负荷分解测试集各自对应的功率序列数据分别进行替代-归一化处理,具体为:
步骤S1:对于所述功率序列数据的问题值,采用所述问题值前后两个数据的均值进行替代,所述问题值包括缺失值以及异常值;
步骤S2:采用最大-最小归一化方法将所述功率序列数据从-1映射至1,具体计算公式如下:
其中,xmin表示功率序列数据的最小值,xmax表示功率序列数据的最大值,x表示归一化处理之前的功率序列数据,xnorm表示归一化处理之后的功率序列数据;
采用滑动窗口法对进行替代-归一化处理后的联合训练集以及负荷分解测试集各自对应的时间序列数据分别进行数据分段,划分为多个预设固定长度的序列数据段,每一所述序列数据段中包含一个预设固定数量的序列数据;
将所述联合训练集对应的多个序列数据段作为功耗训练集,将所述负荷分解测试集对应的多个序列数据段作为功耗测试集。
9.根据权利要求7所述的负荷分解方法,其特征在于,所述功耗训练集中包含进行数据预处理之后的电动汽车功耗序列以及第一区域总功耗序列,所述功耗测试集中包含进行数据预处理之后的第二区域总功耗序列,所述采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练,包括:
采用所述电动汽车功耗序列以及所述第一区域总功耗序列对所述电动汽车负荷分解模型进行模型训练;
通过所述第二区域总功耗序列对经过模型训练之后的电动汽车负荷分解模型进行测试,并基于测试结果进行模型评价。
10.一种电动汽车的负荷分解装置,其特征在于,包括:
功率序列数据集获取模块,用于获取用电区域的功率序列数据集,并将所述功率序列数据集按照一定比例划分为联合训练集以及负荷分解测试集;
数据预处理模块,用于分别对所述联合训练集以及所述负荷分解测试集进行数据预处理,获得所述联合训练集对应的功耗训练集,以及所述负荷分解测试集对应的功耗测试集;
电动汽车负荷分解模型训练模块,用于建立基于VGG-16卷积神经网络的电动汽车负荷分解模型,并采用所述功耗训练集以及所述功耗测试集对所述电动汽车负荷分解模型进行训练;
负荷分解模块,用于获取所述用电区域的总负荷功耗信息,并将所述总负荷功耗信息输入至训练后的电动汽车负荷分解模型进行负荷分解,提取出所述用电区域的电动汽车功率序列。
11.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-9任一项所述的电动汽车的负荷分解方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-9任一项所述的电动汽车的负荷分解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491742.8A CN116523681A (zh) | 2023-05-04 | 2023-05-04 | 电动汽车的负荷分解方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491742.8A CN116523681A (zh) | 2023-05-04 | 2023-05-04 | 电动汽车的负荷分解方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523681A true CN116523681A (zh) | 2023-08-01 |
Family
ID=87400712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310491742.8A Pending CN116523681A (zh) | 2023-05-04 | 2023-05-04 | 电动汽车的负荷分解方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
-
2023
- 2023-05-04 CN CN202310491742.8A patent/CN116523681A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
CN116872780B (zh) * | 2023-09-08 | 2023-12-15 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
Catalão et al. | Short-term wind power forecasting in Portugal by neural networks and wavelet transform | |
US20170351288A1 (en) | Non-invasive online real-time electric load identification method and identification system | |
CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN114722873A (zh) | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 | |
CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
CN113036759A (zh) | 一种电力用户负荷细粒度识别方法及识别*** | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
Bian et al. | Feature extraction and classification of time-varying power load characteristics based on PCANet and CNN+ Bi-LSTM algorithms | |
CN109815855A (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
Qu et al. | Short-term wind farm cluster power prediction based on dual feature extraction and quadratic decomposition aggregation | |
CN112884532A (zh) | 一种低功耗物联网采集*** | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
Aman et al. | Learning to reduce: A reduced electricity consumption prediction ensemble | |
CN111611747B (zh) | 一种用于混合储能***的在线状态估计方法及装置 | |
CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
CN115169405A (zh) | 基于支持向量机的酒店客房设备故障诊断方法及*** | |
CN115271780A (zh) | 基于深度学习的非侵入式负荷在线监控方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |