基于深度学习的公共楼宇电-气负荷非侵入式分解

作者：刘航; 刘春阳^*; 赵浩然; 田立军; 刘俊伟

来源：电网技术, 2023, 47(03): 1188-1197.

DOI：10.13335/j.1000-3673.pst.2022.1222

• 非侵入式负荷分解
• 公共楼宇
• 相关性分析
• 深度学习
• 迁移学习

建筑分项负荷的准确监测可以为需求响应提供信息支撑，有助于提高建筑的能效。非侵入式负荷分解(no-intrusive load monitoring,NILM)可以通过总负荷数据来获取分项负荷数据，但针对公共楼宇的NILM研究相对较少，且仅关注于单一类型能源的分解。鉴于此，文章提出一种基于深度学习的公共楼宇电–气负荷分解方法。首先，采用Spearman相关系数定量评估楼宇电、气分项负荷及影响因素间的相关性，据此进行特征筛选；然后，构建基于卷积神经网络和双向门控单元的负荷分解模型，并采用注意力机制对模型输入特征进行权重优化，从而提升负荷分解精度；运用迁移学习技术来解决部分楼宇训练数据不足的问题。最后应用真实楼宇负荷数据对算法的有效性进行验证，并与相关研究进行对比，结果表明所提方法具有更优表现。

• 单位
  国网山东省电力公司; 山东大学