基于深度学习的高耗能工业负荷分解的鲁棒方法
机器学习
2022-03-30 v1 系统与控制
信号处理
系统与控制
摘要
用户用电模式的知识是公用事业公司与电力消费者在关键决策方面的重要协调机制。因此，负荷分解对于揭示负荷消耗与其特征之间的潜在关系至关重要。然而，负荷分解传统上针对居民和商业负荷进行，对高耗能工业负荷的充分考虑不足，导致结果效率低下。本文因而聚焦于工业园区负荷（IPL）的负荷分解。传统方法中常用的参数在高耗能工业负荷中并不适用。为此，开发了一种更鲁棒的方法，包含三算法模型以在IPL上实现该目标。首先，引入改进变分模态分解（IVMD）算法对IPL训练数据进行去噪并提升其稳定性。其次，采用卷积神经网络（CNN）与简单循环单元（SRU）联合算法，基于IPL特征利用双层深度学习网络实现IPL的非侵入式、非破坏性分解过程。具体而言，CNN用于提取IPL数据特征，而改进的长短期记忆（LSTM）网络即SRU被用于构建分解模型并进一步训练负荷数据。通过鲁棒分解过程，提取出负荷消耗中的潜在关系。数值算例结果表明，该方法优于传统分解过程中的现有最优方法。
引用
@article{arxiv.2203.07075,
title = {A Robust Approach for the Decomposition of High-Energy-Consuming Industrial Loads with Deep Learning},
author = {Jia Cui and Yonghui Jin and Renzhe Yu and Martin Onyeka Okoye and Yang Li and Junyou Yang and Shunjiang Wang},
journal= {arXiv preprint arXiv:2203.07075},
year = {2022}
}
备注
Accepted by Journal of Cleaner Production