基于时间模糊化长短时记忆的非侵入式负荷分解方法

廖荣文; 刘刚; 肖刚

doi:10.7500/AEPS20210423004

您当前的位置：

首页 >

文章列表页 >

基于时间模糊化长短时记忆的非侵入式负荷分解方法

学术研究 | 更新时间：2025-06-16

- 基于时间模糊化长短时记忆的非侵入式负荷分解方法
- Non-intrusive Load Decomposition Method Based on Time-fuzzified Long Shortterm Memory
- 电力系统自动化 2021年45卷第24期页码：73-80
- 作者机构：
  
  1.上海电力大学自动化工程学院，上海市 200090
  2.上海交通大学航空航天学院，上海市 200240
- 作者简介：
  
  廖荣文(1998—)，女，硕士研究生，主要研究方向：负荷分解。E-mail：3313797150@qq.com
  刘刚(1977—)，男，通信作者，博士，教授，主要研究方向：模式识别和机器学习。E-mail：liugang@shiep.edu.cn
  肖刚(1974—)，男，博士，教授，主要研究方向：先进航空电子综合仿真与智能信息处理。E-mail：xiaogang@sjtu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(61673270);国家重点研发计划资助项目(2014CB744900);上海浦江人才计划资助项目(16PJD028)
- DOI：10.7500/AEPS20210423004
  中图分类号：
- 收稿日期：2021-04-23，
  
  修回日期：2021-08-05，
  
  网络出版日期：2021-10-08，
  
  纸质出版日期：2021-12-25
- 稿件说明：
移动端阅览
廖荣文,刘刚,肖刚.基于时间模糊化长短时记忆的非侵入式负荷分解方法[J].电力系统自动化,2021,45(24):73-80.

LIAO Rongwen,LIU Gang,XIAO Gang.Non-intrusive Load Decomposition Method Based on Time-fuzzified Long Shortterm Memory[J].Automation of Electric Power Systems,2021,45(24):73-80.
廖荣文,刘刚,肖刚.基于时间模糊化长短时记忆的非侵入式负荷分解方法[J].电力系统自动化,2021,45(24):73-80. DOI： 10.7500/AEPS20210423004.

LIAO Rongwen,LIU Gang,XIAO Gang.Non-intrusive Load Decomposition Method Based on Time-fuzzified Long Shortterm Memory[J].Automation of Electric Power Systems,2021,45(24):73-80. DOI： 10.7500/AEPS20210423004.

摘要

基于深度学习的负荷分解方法忽略了设备状态的关联性，导致应用过程中会出现功率误判现象。针对上述问题，提出一种基于时间模糊化长短时记忆（TFLSTM）的非侵入式负荷分解方法。首先，根据合适的时间区域分割数据集，利用长短时记忆（LSTM）建立时刻关联性。然后，通过编码和解码去除非目标设备信息，并根据用户在不同时间区域的用电习惯来确定模糊策略，最终完成负荷分解。基于公开数据集，将文中方法与经典方法及前沿方法进行对比，实验结果表明TFLSTM能够有效降低功率误差，功率分解准确率可提高4%~15%。

Abstract

The deep learning based load decomposition methods ignore the relevance of equipment states

which will lead to the phenomenon of power misjudgment in the application process. In view of the above problems

a non-intrusive load decomposition method based on time-fuzzified long short-term memory (TFLSTM) is proposed. First

the dataset is divided according to the appropriate time zone

and the long short-term memory (LSTM) is used to establish the correlation of time. Then

the information of non-target equipment is removed through encoding and decoding

and the fuzzy strategy is determined according to user's power consumption habits in different time zones

and finally the load decomposition is completed. Based on the public datasets

the method in the paper is compared with the classical methods and the state-of-art method. The experimental results show that TFLSTM can effectively reduce the power error and improve the accuracy of power decomposition by 4%~15%.

关键词

Keywords

references

武昕，于金莹，彭林，等 . 基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 29 - 37 .

WU Xin ， YU Jinying ， PENG Lin ， et al . Non-intrusive perception and identification of industrial power load based on Event analysis on user edge ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 29 - 37 .

燕续峰，翟少鹏，王治华，等 . 深度神经网络在非侵入式负荷分解中的应用［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 126 - 132 .

YAN Xufeng ， ZHAI Shaopeng ， WANG Zhihua ， et al . AppIication of deep neural network in non-intrusive load disaggregation ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 126 - 132 .

D'INCECCO M ， SQUARTINI S ， ZHONG M . Transfer learning for non-intrusive load monitoring ［J］. IEEE Transactions on Smart Grid ， 2019 ， 11 （ 2 ）： 1419 - 1429 .

KRYSTALAKOS O ， NALMPANTIS C ， VRAKAS D . Sliding window approach for online energy disaggregation using artificial neural networks ［C］// Proceedings of the 10th Hellenic Conference on Artificial Intelligence ， July 9-12 ， 2018 ， Patras， Greece ： 1 - 6 .

KIM J G ， LEE B . Appliance classification by power signal analysis based on multi-feature combination multi-layer LSTM ［J］. Energies ， 2019 ， 12 （ 14 ）： 2804 .

MAUCH L ， YANG B . A new approach for supervised power disaggregation by using a deep recurrent LSTM network ［C］// 2015 IEEE Global Conference on Signal and Information Processing ， December 14-16 ， 2015 ， Orlando， USA ： 63 - 67 .

KASELIMI M ， DOULAMIS N ， VOULODIMOS A ， et al . Context aware energy disaggregation using adaptive bidirectional LSTM models ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 4 ）： 3054 - 3067 .

TONGTA A ， CHOORUANG K . Long short-term memory （LSTM） neural networks applied to energy disaggregation ［C］// International Electrical Engineering Congress ， March 4-6 ， 2020 ， Chiang Mai， Thailand ： 1 - 4 .

罗平，樊星驰，章坚民，等 . 基于电器运行状态和深度学习的非侵入式负荷分解［J］. 电力系统自动化， 2021 ， 45 （ 12 ）： 49 - 56 .

LUO Ping ， FAN Xingchi ， ZHANG Jianmin ， et al . Noninvasive load decomposition based on electrical appliances operating state and deep learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 12 ）： 49 - 56 .

MAKONIN S . Approaches to non-intrusive load monitoring （NILM） in the home ［D］. Vancouver ： Simon Fraser University ， 2012 .

WANG Z ， ZHENG G . Residential appliances identification and monitoring by a nonintrusive method ［J］. IEEE Transactions on Smart Grid ， 2011 ， 3 （ 1 ）： 80 - 92 .

ZEIFMAN M ， ROTH K . Disaggregation of home energy display data using probabilistic approach ［C］// 2012 IEEE International Conference on Consumer Electronics （ICCE）， January 13-16 ， 2012 ， Las Vegas， USA ： 630 - 631 .

LU Z ， LIU G ， LIAO R . A pseudo Karnaugh mapping approach for datasets imbalance ［C］// E3S Web of Conferences ， February 2 ， 2021， Dali， China .

MURRAY D ， STANKOVIC L ， STANKOVIC V . An electrical load measurements dataset of United Kingdom households from a two-year longitudinal study ［J］. Scientific Data ， 2017 ， 4 ： 160122 .

VINCENT P ， LAROCHELLE H ， BENGIO Y ， et al . Extracting and composing robust features with denoising autoencoders ［C］// Proceedings of the 25th International Conference on Machine Learning ， July 5-9 ， 2008 ， Helsinki， Finland ： 1096 - 1103 .

崔亮节，孙毅，刘耀先，等 . 考虑分时段状态行为的非侵入式负荷分解方法［J］. 电力系统自动化， 2020 ， 44 （ 5 ）： 215 - 222 .

CUI Liangjie ， SUN Yi ， LIU Yaoxian ， et al . Non-intrusive load disaggregation method considering time-phased state behavior ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 5 ）： 215 - 222 .

LIAO J ， ELAFOUDI G ， STANKOVIC L ， et al . Non-intrusive appliance load monitoring using low-resolution smart meter data ［C］// 2014 IEEE International Conference on Smart Grid Communications （SmartGridComm）， November 3-6 ， 2014 ， Venice， Italy ： 535 - 540 .

武昕，焦点，高宇辰 . 基于非侵入式用电数据分解的自适应特征库构建与负荷辨识［J］. 电力系统自动化， 2020 ， 44 （ 4 ）： 101 - 109 .

WU Xin ， JIAO Dian ， GAO Yuchen . Construction of adaptive feature library and load identification based on decomposition of non-intrusive power consumption data ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 4 ）： 101 - 109 .

KELLY J ， KNOTTENBELT W . Neural NILM： deep neural networks applied to energy disaggregation ［C］// Proceedings of the 2nd ACM International Conference on Embedded Systems for Energy-efficient Built Environments ， November 4-5 ， 2015 ， Seoul， South Korea ： 55 - 64 .

BATRA N ， KELLY J ， PARSON O ， et al . NILMTK： an open source toolkit for non-intrusive load monitoring ［C］// Proceedings of the 5th International Conference on Future Energy Systems ， June 11-13 ， 2014 ， Cambridge， UK ： 265 - 276 .

ZOHA A ， GLUHAK A ， NATI M ， et al . Low-power appliance monitoring using factorial hidden Markov models ［C］// 2013 IEEE Eighth International Conference on Intelligent Sensors， Sensor Networks and Information Processing， April 2-5， 2013 ， Melbourne， Australia ： 527 - 532 .

EL ASTAL M T ， KALLOUB M ， ABU-HUDROUSS A M ， et al . Office appliances identification and monitoring using deep leaning based energy disaggregation for smart buildings ［C］// The 46th Annual Conference of the IEEE Industrial Electronics Society （IECON 2020 ）， October 18-21 ， 2020 ， Marina， Singapore： 1986 - 1991 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据