基于深度学习的公共楼宇电–气负荷非侵入式分解

摘要：

建筑分项负荷的准确监测可以为需求响应提供信息支撑,有助于提高建筑的能效.非侵入式负荷分解(no-intrusive load monitoring,NILM)可以通过总负荷数据来获取分项负荷数据,但针对公共楼宇的NILM研究相对较少,且仅关注于单一类型能源的分解.鉴于此,文章提出一种基于深度学习的公共楼宇电–气负荷分解方法.首先,采用Spearman相关系数定量评估楼宇电、气分项负荷及影响因素间的相关性,据此进行特征筛选;然后,构建基于卷积神经网络和双向门控单元的负荷分解模型,并采用注意力机制对模型输入特征进行权重优化,从而提升负荷分解精度;运用迁移学习技术来解决部分楼宇训练数据不足的问题.最后应用真实楼宇负荷数据对算法的有效性进行验证,并与相关研究进行对比,结果表明所提方法具有更优表现.

关键词：非侵入式负荷分解、公共楼宇、相关性分析、深度学习、迁移学习

所属期刊栏目：47

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2018YFA0702200

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1188-1195,中插43-中插44