科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前，基于深度学习的非侵入式负荷分解模型存在对长时间用电信息的时间依赖性建模能力受限及使用同一种分解模型对具有不同负荷特征的设备进行负荷分解所得到的分解误差达不到理想状态的问题。针对上述问题，文章提出了一种非侵入式负荷分解模型，其将基于CNN-LSTM-TPA的分解模型和改进的SVRVB-STCKF模型进行集成融合。首先，其使用时间模式注意力机制（TPA）加强CNN-LSTM分解模型对时间依赖性的建模能力，捕获原始用电信息的负荷特征并实现初步负荷分解；其次，采用支持向量机回归（SVR）建立目标设备的非线性状态空间模型，并利用改进的强跟踪技术和变分贝叶斯对容积卡尔曼滤波算法（CKF）进行改进，得到VB-STCKF模型，对初步分解结果进行二次动态调整。利用REDD和UKDALE公开数据集对所提模型进行验证，结果表明，所提加强模型的时间建模能力及其对初步分解结果进行动态调整的功能，可以有效降低模型的分解误差。
- 单位
