基于概率稀疏自注意力模型的非侵入式负荷分解

摘要：

非侵入式负荷分解能将聚合能量分解为设备级的能源消耗,在能源管理、设备故障检测等领域具有重要意义.面向低频数据,提出了 一种基于深度学习的非侵入式负荷分解方法.该方法利用自然语言处理领域的多头概率稀疏自注意力模型搭建核心分解网络,以一维的总功率序列作为输入,使用卷积和池化进行特征的提取,结合位置编码增强序列中数据之间的内在联系,再用核心分解网络进行特征处理;然后经过转置卷积和全连接进行特征映射,产生一维的单个电器功率,从而实现负荷的分解.最后使用英国家用电器级电力数据集(UK domestic appliance-level electricity,UK-Dale)对模型进行训练和验证,并与现有的3种基准负荷分解方法进行对比.结果表明,所提分解方法的分解性能有明显进步.

关键词：非侵入式负荷分解、深度学习、位置编码、概率稀疏自注意力模型

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划;国家重点研发计划

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：3932-3939