摘要
建设电力流、信息流以及业务流高度融合的泛在电力物联网，能够有效提高能源利用效率、减少能源浪费，对推动能源供给革命有着重要意义。非侵入式负荷分解技术通过对用户总电表采集的用电数据进行分解，获取用户内部负荷信息，帮助用户制定合理的用能计划，提升电网调度灵活性，为需求响应的建立提供数据支撑。传统的非侵入式负荷分解任务主要依靠人为提取负荷特征来构建负荷分解模型，存在特征选择困难、模型构建复杂以及特征依赖性强等问题，将深度学习引入到负荷分解任务之中，通过其强大的特征学习能力，能减少人为设计模型的困难，提高负荷分解的精度。本文主要工作如下： 首先，对非侵入式负荷分解的基本原理和知识基础进行总结，并采用传统方法构建了一种负荷分解模型，通过分析概括了传统方法存在的诸多弊端，由此在非侵入式负荷分解任务中引入深度学习方法。 然后，针对当前深度学习模型的特征提取能力不足的问题，提出了一种基于深度残差收缩网络和注意力机制的非侵入式负荷分解方法。借助于深度残差收缩网络的软阈值化将特征数据中的冗余信息进行收缩处理，保留有利于分解任务的特征信息，不仅能提高模型的特征提取能力，还能有效的减少深层神经网络随着网络层数的增加所带来的模型退化的问题。为了提取负荷的交互耦合特征，通过门控循环单元的“记忆”功能来挖掘时间序列中不同时间步之间的相互依赖关系，而注意力机制的引入能使模型更好的学习时间序列中的特征信息。为了验证所提方法的可行性，根据不同电器的特性来设置两种用电场景，结果表明，相较于其他几种负荷分解模型，所提方法拥有更强的特征提取能力。 最后，针对数据样本不足导致的模型泛化能力较差的问题，提出了一种基于数据增强的非侵入式负荷分解方法。以生成式对抗网络为基础，结合监督学习和非监督学习构建时间序列生成对抗网络，通过挖掘真实数据中的“时间动力学”关系来生成符合真实数据分布的时间序列数据，并通过t分布随机邻域嵌入对生成的时间序列数据进行可视化评估，结果表明模型生成的数据在样本空间上与真实数据有相似的分布。为了验证所提方法对于模型泛化能力的提升，借助于第三章所构建的分解模型进行验证，结果表明，在样本数一定时，所提方法对于模型泛化能力有一定的提升，相较于数据增强前，数据增强后的模型平均分解精度提升了1.18%。
NETL