本发明属于电负荷监测，具体涉及基于时序深度解析的电流负荷分解方法。
背景技术：
1、在电流负荷分解领域，一种重要的技术是非侵入式负荷监测(nilm)。nilm是一种使用单个家庭电表读数的方法，通过分析电力数据的变化模式和特征，推断出各个电器设备的功耗贡献。nilm技术的关键在于识别和区分不同设备在总负荷中的功耗贡献，从而实现对电力数据的分解。
2、在负荷分解技术中，传统的方法包括基于统计模型、聚类分析和时序分解等。这些方法基于电力数据的统计特性和时序关系，通过建立模型或使用算法，将总负荷分解为各个设备的功耗贡献。
3、近年来，基于机器学习和深度学习的方法在负荷分解中取得了显著的进展。例如，基于深度学习的模型如卷积神经网络(cnn)、循环神经网络(rnn)和变换器(transformer)等，能够学习电力数据中的时序特征和设备关联性，从而实现准确的负荷分解。
4、此外，信号处理技术在负荷分解中也具有重要作用。通过滤波、频域分析和小波变换等技术，可以提取电力数据中不同设备的特征信号，实现负荷分解的目标。
5、非侵入式负荷监测方法、传统的统计模型和时序分解方法，以及基于机器学习和深度学习的模型。这些技术的应用可以实现对电力数据的分解，揭示各个设备的功耗特性，为能源供应商和用户提供准确的能源需求预测和优化策略，从而促进能源领域的可持续发展。
6、但是，由于电力系统中多设备混合运行，导致电流混叠问题；对此，上述方法的单独使用，会严重影响分解准确性和稳定性。
技术实现思路
1、本发明的目的是提供一种分解准确性高、稳定性好的基于时序深度解析的电流负荷分解方法，以克服电力系统中多设备混合运行导致的电流混叠问题。
2、本发明提供的基于时序深度解析的电流负荷分解方法，采用时序深度解析的电流负荷分解模型，该模型具体包括：数据预处理、变分自编码器(vae)改进、序列生成模型以及输出融合与优化模块。数据预处理是对数据进行清洗和去噪，随后通过小波变换提取关键的时序特征，并对数据集进行洗牌和划分，以便于模型的训练和测试。变分自编码器(vae)改进模块进一步加强对数据特征的提取和表示，通过深度卷积神经网络和注意力机制的编码器来捕捉输入数据中的复杂模式，并利用多头解码器生成多个独立的数据串。序列生成模型模块采用基于transformer的架构来处理序列数据，特别是利用其自注意力机制以捕获长期依赖关系，为电流负荷分解提供深度分析。最后，输出融合与优化模块通过一系列的长短期记忆网络(lstm)和全连接层对transformer的输出进行综合处理，确保最终输出数据的准确性和一致性，并输出精确的电流分解估计值。具体步骤为：
3、步骤1：数据采集；
4、通过部署电流传感器，以固定1khz采样频率采集1个插线板总线上的电流数据，以及多个分设备电流数据，采集时长为2h，利用滑动窗口的方法获得数据集。
5、步骤2：数据预处理；
6、在这个阶段，主要目的是准备和增强输入数据，以便后续模型能够更有效地处理和学习；首先将数据集经过预处理操作，包括数据清洗和去噪，以确保数据的质量和准确性；然后对数据集进行洗牌操作，打乱数据的顺序，选择数据集的80％用于训练，20％用于测试；然后采用小波变换进行高级特征提取，这样做可以捕获时序数据中的关键特征。
7、步骤3：变分自编码器(vae)改进；
8、在这一步骤中，目标是通过增强变分自编码器(vae)的结构来更好地提取和表示数据特征；该步骤涉及编码器的强化、潜在空间的扩展和解码器的多头设计；编码器部分采用深度卷积神经网络和注意力机制，以提高对输入数据特征的提取能力；潜在空间的改进旨在通过条件变分自编码器架构捕获更复杂的数据分布，为不同输出提供丰富的特征；最后，多头解码器的设计允许模型生成多个独立的数据串，每个头负责产生一串特定的输出，确保输出之间的独立性和特异性。
9、步骤4：序列生成模型构建；
10、该步骤目的是捕获和生成复杂的时序数据动态；为此，引入基于transformer的模型，这些模型特别适合处理序列数据，因为它们可以捕获长期依赖关系；transformer的核心优势在于其自注意力机制，它允许模型在处理序列时同时关注序列中的所有位置，这对于理解和生成具有复杂时序特性的数据非常重要。
11、步骤5：输出融合与优化；
12、这步骤旨在综合和优化模型的输出；这一步包含了一组独立的长短期记忆网络(lstm)，每个网络处理来自transformer的一个输出，专注于优化时间序列预测的特定方面；lstm在这里的作用是利用其能力来记住长期信息，从而生成准确和连贯的时间序列数据；接着，通过一个全连接层将所有lstm的输出整合在一起，这一层的作用是确保最终的四串输出数据在质量和一致性方面达到最优状态。
13、步骤6：设计损失函数和优化器；
14、采用huber损失函数，用于衡量生成结果与真实负荷之间的差异；优化器选择adam优化器。
15、步骤7：模型训练和参数更新；
16、使用预处理后的电流数据作为输入，将目标负荷作为训练的目标，通过反向传播算法计算梯度并更新模型参数，以最小化损失函数；在训练过程中，采用批量训练及滑动窗口训练的方式，随机选择一批滑动窗口内数据进行模型的更新和优化。
17、步骤8：模型测试和预测；
18、将测试数据输入到训练好的时序深度解析的电流负荷分解模型中，进行前向传播操作，得到电流负荷的预测结果。
19、进一步地：
20、步骤1中所述数据采集的步骤为：
21、采集1个插线板总线和6个分设备上的电流数据，分别编号d0、d1、d2、…、d6；在采集电气数据时，从0时刻起，采集器开始采集，采集频率为1khz，采集时长为2h，对每一个设备来说，采集到的数据条目总数为7200000条；
22、使用滑动窗口法构造数据集，设置窗口大小为2000，滑动步长为31，前三条数据与最后一条数据为:[0,2000),[31,2031),[62,2062),…,[7198000,7200000)，对于每个设备，总共获得232195条数据，即每个设备的数据集矩阵格式为[232195,2000]，7个设备的数据集矩阵格式为[232195,7,2000]；将数据集以8:2的划分方式分为训练集和测试集，训练集的矩阵格式为[185756,7,2000],测试集的矩阵格式为[46439,7,2000]；这样就同时得到用来训练及测试模型的输入数据和计算loss的真实数据。
23、步骤2中所述数据预处理，包括：
24、(1)数据清洗：对采集到的原始电力数据可能包含的缺失值、异常值、重复值，进行数据清洗，以确保数据的准确性和一致性；具体包括：
25、(a)缺失值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)缺失，则使用相邻时间点的平均值进行填充，即:
26、
27、(b)异常值处理：对于每个记录，在时间点t处的电力消耗值表示为p(t)，如果p(t)明显偏离其他时间点的取值范围，将其视为异常值；假设取值范围为[min,max]，则异常值处理公式如下：
28、如果p(t)<min或p(t)>max，则:
29、
30、(2)数据去噪：采用基于小波变换方法去噪，具体如下：
31、将电流数据应用于小波变换，将其转换到小波域中；对小波系数应用软阈值滤波，将幅值低于阈值的小波系数置零，保留幅值高于阈值的小波系数；对滤波后的频域表示进行逆小波变换，得到去噪后的电力数据序列。
32、(3)特征提取：通过小波变换从时序数据中提取关键特征；小波变换可以捕获数据的局部时频特性，其公式可以表示为：
33、
34、其中，x(τ)是时间域中的原始信号，ψf,t(τ)是以时间t和频率f参数化的小波函数，符号*表示复共轭，w(f,t)是小波变换的结果。
35、步骤3中，目标是通过增强变分自编码器(vae)的结构来更好地提取和表示数据特征；这个阶段涵盖了编码器的加强、潜在空间的扩展和解码器的多头设计；首先，编码器使用深度卷积神经网络结合注意力机制来提高对输入数据特征的提取能力；这可以通过以下公式表示：
36、z＝fencoder(x)， (4)
37、其中，x是输入数据，fencoder是编码器的函数，z是编码后的潜在空间表示；接下来，潜在空间通过条件变分自编码器架构扩展，以捕获更复杂的数据分布，其表示可以是：
38、
39、其中，表示高斯分布，μ和σ分别是潜在空间中的均值和标准差，由编码器计算得到。最后，多头解码器的设计允许模型生成多个独立的数据串，每个解码器头负责产生一串特定的输出，可以表示为：
40、
41、其中，yi是第i个解码器头产生的输出，是相应的解码器函数，z是潜在空间的表示。整个vae的结构使得数据流从输入到编码器，再到潜在空间，最终通过解码器生成输出，实现了从输入数据到多个输出数据串的转换。
42、步骤4中，其核心是利用基于transformer的模型来处理和生成复杂的时序数据动态。transformer模型特别适合处理这类数据，因为它们能够捕获长期依赖关系，这在时序数据分析中至关重要。transformer的主要组件包括多头自注意力机制和位置编码。多头自注意力机制允许模型在处理序列时同时关注序列中的所有位置，这一机制可以表示为：
43、
44、其中，q,k,v分别是查询(query)、键(key)和值(value)，这三个组成部分从输入数据中派生，dk是键向量的维度，这个机制有助于模型捕捉输入数据中的复杂模式和关系。位置编码则添加到输入中，以给模型提供关于单词在序列中位置的信息，其公式表示为：
45、
46、
47、其中，pe是位置编码，pos是位置，i是维度索引，dmodel是模型的维度。这种方式使得模型不仅能够处理序列中的模式，也能够理解不同部分在序列中的相对位置。数据流先通过transformer模型，其中多头自注意力机制和位置编码共同作用于数据，使模型能够理解和生成具有复杂时序特性的数据，进而为后续的处理步骤提供更加丰富和细致的时序特征表示。
48、步骤5中，输出融合与优化的主要目的是综合和精炼来自前一步骤的序列数据，确保输出数据的质量和一致性；这一步骤主要包括两个核心组件：一组独立的长短期记忆网络(lstm)和一个全连接层；每个lstm网络负责处理来自transformer的一个输出，并专注于优化时间序列预测的特定方面；lstm的关键在于其能够处理和记忆长期依赖关系，这对于生成准确和连贯的时间序列数据至关重要。lstm的基本公式可以表示为：
49、ft＝σ(wf·[ht-1,xt]+bf)， (11)
50、it＝σ(wi·[ht-1,xt]+bi)， (12)
51、
52、
53、ot＝σ(wo·[ht-1,xt]+bo)， (15)
54、ht＝ot*tanh(ct)， (16)
55、其中，ft是遗忘门，it是输入门，是候选细胞状态，ct是新的细胞状态，ot是输出门，ht是新的隐藏状态，σ是sigmoid函数，*表示逐元素乘积，w和b是权重和偏置参数，xt是当前输入，ht-1是前一时刻的隐藏状态，ct-1是前一时刻的细胞状态。紧接着，所有lstm的输出通过一个全连接层进行整合，以生成最终的四串输出数据。全连接层的公式可以表示为：
56、y＝whh+by， (17)
57、其中，y是最终输出，wh和by是全连接层的权重和偏置，h是lstm层的输出；这样的设计确保了数据能够在流经lstm和全连接层的过程中，不仅被精细处理，而且在最终输出时保持了一致性和高质量。
58、步骤7中，所述模型训练和参数更新，具体为：对模型的参数进行随机初始化；选择huber损失函数作为衡量模型预测结果与真实负荷之间差异的指标，选择adam优化器进行参数更新；将训练集输入模型，计算损失函数并进行反向传播，通过优化器更新模型参数，重复该过程进行多轮训练。
59、本发明的有益效果在于：
60、本发明提供的基于时序深度解析的电流负荷分解方法，包括：数据预处理、变分自编码器(vae)改进、序列生成模型以及输出融合与优化。首先，数据预处理模块对数据进行清洗和去噪，随后通过小波变换提取关键的时序特征，并对数据集进行洗牌和划分，以便于模型的训练和测试。变分自编码器(vae)改进模块进一步加强了对数据特征的提取和表示，通过深度卷积神经网络和注意力机制的编码器来捕捉输入数据中的复杂模式，并利用多头解码器生成多个独立的数据串。序列生成模型模块采用基于transformer的架构来处理序列数据，特别是利用其自注意力机制以捕获长期依赖关系，为电流负荷分解提供深度分析。最后，输出融合与优化模块通过一系列的长短期记忆网络(lstm)和全连接层对transformer的输出进行综合处理，确保最终输出数据的准确性和一致性，并输出精确的电流分解估计值。这对于电力系统的负荷监测、设备故障检测和能源管理具有重要意义。本发明为解决负荷分解问题提供了一种有效的解决方案，可应用于负荷管理、能源优化等领域。
1.一种基于时序深度解析的电流负荷分解方法，其特征在于，采用时序深度解析的电流负荷分解模型，该模型包括：数据预处理、变分自编码器(vae)改进、序列生成模型以及输出融合与优化模块；数据预处理是对数据进行清洗和去噪，随后通过小波变换提取关键的时序特征，并对数据集进行洗牌和划分，以便于模型的训练和测试；变分自编码器(vae)改进模块进一步加强对数据特征的提取和表示，通过深度卷积神经网络和注意力机制的编码器来捕捉输入数据中的复杂模式，并利用多头解码器生成多个独立的数据串；序列生成模型模块采用基于transformer的架构来处理序列数据，特别是利用其自注意力机制以捕获长期依赖关系，为电流负荷分解提供深度分析；最后，输出融合与优化模块通过一系列的长短期记忆网络(lstm)和全连接层对transformer的输出进行综合处理，确保最终输出数据的准确性和一致性，并输出精确的电流分解估计值；具体步骤为：
2.根据权利要求1所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤1中所述数据采集的步骤为：
3.根据权利要求2所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤2中所述数据预处理，包括：
4.根据权利要求3所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤3中，编码器使用深度卷积神经网络结合注意力机制来提高对输入数据特征的提取能力，通过以下公式表示：
5.根据权利要求4所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤4中，transformer的主要组件包括多头自注意力机制和位置编码；多头自注意力机制允许模型在处理序列时同时关注序列中的所有位置，这一机制表示为：
6.根据权利要求5所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤5中，每个lstm网络负责处理来自transformer的一个输出，并专注于优化时间序列预测的特定方面；lstm处理和记忆长期依赖关系，lstm的基本公式表示为：
7.根据权利要求6所述的基于时序深度解析的电流负荷分解方法，其特征在于，步骤7中，所述模型训练和参数更新，具体为：对模型的参数进行随机初始化；选择huber损失函数作为衡量模型预测结果与真实负荷之间差异的指标，选择adam优化器进行参数更新；将训练集输入模型，计算损失函数并进行反向传播，通过优化器更新模型参数，重复该过程进行多轮训练。
