申请/专利权人：上海梦象智能科技有限公司

申请日：2023-08-09

公开（公告）日：2024-04-05

公开（公告）号：CN117829214A

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/08;G06Q50/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明属于电负荷监测技术领域，具体为一种基于TCN‑RNN集成模型的负荷分解方法。本发明针对电力系统中多设备混合运行导致的电流混叠问题，将TCN和RNN两种神经网络模型组合；利用TCN模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度；引入RNN模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性。本发明将TCN和RNN组合为集成模型，有效地分解各个设备的电流信号，实现准确的负荷分解。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。

主权项：1.一种基于TCN-RNN集成模型的负荷分解方法，其特征在于，将TCN和RNN两种神经网络模型组合，记为TCN-RNN集成模型；利用TCN模型的时序卷积和残差连接捕捉电流信号的时序特征，提高分解精度；引入RNN模型的循环神经网络结构，捕捉电流信号的长期依赖性，提高分解的准确性和稳定性；具体步骤为：步骤1：数据采集和预处理；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6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本方法中的数据集；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；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；步骤2：构建TCN模型；使用TCN作为主要模型进行负荷分解；所述TCN模型由多个TCN块堆叠而成，每个TCN块包含时序卷积层、残差连接、空间扩张卷积、正则化层，实现特征提取以及捕捉设备之间的时序依赖性；其中，利用并行卷积操作和局部感受野，处理时间序列数据；利用时序卷积层捕捉局部特征，利用残差连接强化梯度传递，利用空间扩张卷积扩大感受野，利用正则化层提高泛化能力；步骤3：构建RNN辅助模型；RNN辅助模型，包括RNN层与全连接层；RNN模型具有记忆能力，RNN层用于建立序列依赖关系，全连接层映射输出负荷分解结果；步骤4：集成TCN与RNN模型；将TCN模型和RNN模型并行连接：将输入数据同时输入到TCN模型和RNN模型中进行处理，然后将它们的输出进行融合，得到各个设备的负荷分解结果；步骤5：设计损失函数和优化器；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；步骤6：模型训练和参数更新；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；步骤7：模型测试和预测；将测试数据输入到训练好的TCN-RNN集成模型中，进行前向传播操作，得到电流负荷的预测结果。

全文数据：

权利要求：

百度查询： 上海梦象智能科技有限公司 基于TCN-RNN集成模型的负荷分解方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD