基于多任务学习的非侵入式负荷分解

为解决目前非侵入式负荷分解研究中存在的模型数量多及训练时间长等问题,将多任务学习引入到非侵入式负荷分解研究中,提出一种基于多门多专家模型的非侵入式负荷分解方法,首先通过seq2point模型将用电设备的功率分解转换为总功率序列与用电设备在序列中点时刻功率值的映射关系,其次利用MMoE模型的门控函数及共用的Expert网络组兼顾不同用电设备功率分解任务的独特性和关联性,最终通过单个MMoE模型同时完成多个用电设备的功率分解。在公开数据集上进行验证,测试算例验证了方法的有效性。

基于聚类特征及优化网络的非侵入式负荷分解

非侵入式负荷分解可以通过总表负荷数据,识别不同电器的运行情况,对需求侧用电实现有效管理。针对多电器同时运行时负荷数据相似导致的识别正确率低的问题,提出基于特征聚类及优化时序卷积网络的非侵入式负荷分解模型。首先对用电器的负荷数据进行非负矩阵分解提取特征数据,之后使用高斯混合模型识别用电器的运行状态并进行编码,最后将多个用电器的总和负荷数据及对应编码组合,导入鲸鱼优化算法优化网络参数的时序卷积网络进行训练及测试,根据网络输出的运行状态编码,实现负荷分解。利用公开数据集验证,结果表明文中提出的模型具有较高的准确度。