基于改进子任务门控网络的非侵入居民负荷分解

非侵入负荷分解对挖掘用户侧能源需求具有重要意义。但是,目前功率分解模型收敛困难且推理周期计算量大。研究了基于序列到子序列和子任务门控网络(SGN)的非侵入负荷分解模型。首先,采用序列到子序列的方法构建子任务门控网络,将功率分解回归任务和电器状态分类任务相结合,实现主电源序列到目标电器子序列的映射;然后添加通道注意力模块和空间注意力模块提高模型的特征提取能力。基于UK-dale数据集的实验结果表明,该方法不仅减小了模型收敛的困难度和推理周期的计算量,而且显著提高了分解的精度。

基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型

为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线。基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解。基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力。