摄影之友网

本文提供了一种基于深度学习算法的电力负载瞬时功率数据时候序列展望算法。当今该算法已用于现实方法并落地达成。方法代码仓库：

https://github.com/duyu09/Powerload-Classification-and-Prediction-System

如有针对电力负荷场景下更好的时序展望算法及贬责有贪图，宽容褒贬、谈论。

算法假想布景

以数字经济助力节能减排，以高新本事助力降本增效，是百行万企千门万户的势在必行。关联词，我国当今的电力资源的不对理行使的风景仍然相等严重，有待咱们去贬责。因此，以电力监测的形势发掘、截止电力资源糜掷的必要性日益突显，而非侵入式本事，则又是前者的重中之重。基于非侵入式本事的电力负载分类领会与功率展望系统即是行使东谈主工智能本事为家庭和袖珍企业减少用电支拨、鼓动省俭电力资源的真确写真。

假想节略想路

承袭级联模子结构，将任务分为分类领会与展望两个级联的模块。分类承袭深度全衔接神经蕴蓄模子去向理，字据时候窗的特征，达成分类；分革职务通过分类任务去达成，通过分类领会模块获取正在初始的电器种类标签；展望模子受生成式话语模子的启发而假想，承袭了以Transformer结构为中枢的深度神经蕴蓄，两个模子通过电器类型标签干系联，玄虚电器类别与昔时时候的功率波动两类信息进行改日时候的功耗展望。

【模子宏不雅架构】

模子详实假想

分类领会模子：特征工程方面，先将输入的数据加窗处理，再将功率数值进行分组。接着，统计每个时候窗内落入各组的样本数目，得到频数散播。为卓越到特征向量，咱们对每个时候窗的频数进行归一化处理，即除以窗长。终末，使用PCA算法进行特征矩阵压缩。模子假想方面，选用全衔接神经蕴蓄FNN，输入该时候窗对应的特征向量，输出对应电器类别的独热编码。使用3层全衔接神经蕴蓄模子(28, 14, 7) 进行数据分类任务（7种单电器）；使用3层全衔接神经蕴蓄模子(84, 42, 21)进行功率标签分革职务（21种电器两两组合）。 选用模子时，咱们对比了全衔接蕴蓄与GRU（轮回门控单位）的性能。经由超参数的诊疗，两者分手可达到91%和90%的最高准确率，也就是说，两者的遵守皆相比好况兼收支无几。然则经由实验与上线测试施展，GRU由于要关切其他时候窗，其推理功耗较着大于全衔接蕴蓄。另一方面，假设每个时候窗之间是彼此时序不干系的，这么模子不错专注的处理每一个时候窗中的特征而作念出判断，并将标签数据传给展望模子的镶嵌层进一步处理，展望模子再行使时序特质进行展望，各司其职。综上两种原因而选拔承袭全衔接蕴蓄。

【分类领会模块】

负载功率展望模子：关于电力功率时候序列展望的任务，咱们假想了如下模子结构。在处理数据时，当先对数据进行分帧处理，然后在每个数据帧内进行分窗。每个时候窗皆司帐算出一个特征向量，多个时候窗的特征向量组成一个特征矩阵。这些特征向量由波动大的暂态特征和不易变的稳态特征两部分拼接而成。暂态特征的组成是通过快速傅里叶变换得到的各频率序数对应的振幅和相位（由于直流重量(DC)不包含任何有用信息，而DC所能反应的功率波形信号的采样均值可通过稳态特征体现，梓里们将其去除）。 而字据电学干系表面，稳态特征则由最大值、最小值、算术平均值、能量有用值和波峰悉数等组成。此外，模子通过Embedding层将突破的电器种类映射为一语气的镶嵌向量，手脚稳态特征的进击组成部分。受生成式话语模子的启发，特征矩阵被视为一句话的“词镶嵌矩阵”，通过5~6层Transformer Block（最终采用了6层）和后续的瞩眼力平均化处理，生成展望向量（类比，特等于LM中生成的token对应的词镶嵌向量）。终末，通过逆FFT将展望向量中的暂态特征（频域向量）调理为时候序列，从而完告捷率时序展望。数学抒发式与其它细节等参见方法配置文档（位于GitHub仓库）。

【负载功率展望模块】

要害代码

由于篇幅原因，代码不在此展示，要害代码可前去CSDN查抄：

https://blog.csdn.net/QLU_Duyu/article/details/142067178

查抄方法全部代码，请前去GitHub仓库：

https://github.com/duyu09/Powerload-Classification-and-Prediction-System

模子遵守实验

当今市面上的负载展望算法主要有纪念分析算法、ARIMA算法和基于深度学习的LSTM算法等。以上算法不具有电力负载场景的针对性——它们仅仅贬责了正常的时候序列展望或分类问题，而莫得议论电功率数据专有的一些性质和处理形势。关于悉数同样西宾集和测试集下基于ARIMA算法、LSTM算法以及咱们谈论的算法，咱们绘图了以下展望功率弧线图：

【与基线模子的对比】

以下是对模子的玄虚测试收尾：

【对模子的玄虚测试收尾】

方法开源地址

方法称号：Power Load Classification and Prediction System Based on Deep Learning Algorithms方法开源地址：https://github.com/duyu09/Powerload-Classification-and-Prediction-System (提供汉语、英语、越南语 3种话语的readme方法简介)方法配置文档及演示PPT：https://github.com/duyu09/Powerload-Classification-and-Prediction-System/tree/main/docs方法演示视频：https://github.com/duyu09/Powerload-Classification-and-Prediction-System/assets/92843163/0684486d-e391-4301-834f-0c5af6e6ce90

感谢您的有瞻念看，如有针对电力负荷场景下更好的时候序列展望算法及贬责有贪图，宽容公共全部交流谈论。

Copyright © 2023~2024 DuYu (@Duyu09), Faculty of Computer Science & Technology, Qilu University of Technology (Shandong Academy of Sciences).