基于设备特征多层优选和CNN-NLSTM模型的非侵入式负荷分解

非侵入式负荷分解技术可以有效挖掘用户侧设备信息,是电网开展用户负荷互动响应的基础.针对目前非侵入式负荷分解模型适应性较差及准确率较低等问题,提出一种基于设备特征多层优选的非侵入式负荷分解模型.首先,针对设备运行特性设计自适应滑动数据窗,进而获取到更加完整的设备功率片段,同时调整网络输入输出维度;其次,通过融合浅层卷积神经网络(CNN)与两层嵌套长短时记忆网络(NLSTM)提取并加深设备特征;然后,将其输入到改进的注意力机制中,通过调配特征权重,获得最优的设备特征序列;最后,在REDD数据集上进行实验分析,通过对设备特征多层选择、加深与复用在减小训练时间的同时,显著地提升负荷分解的准确率.