基于时间卷积神经网络的非侵入式居民用电负荷分解方法OA北大核心CSCDCSTPCD

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用.针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)的非侵入式负荷分解模型.通过分析设备的用电规律,采用扩张因果卷积在主表功率序列进行卷积运算,扩大了感受野,提取到更加丰富的特征;通过增加残差连接,权重归一化层,优化训练数据窗口,提高了网络训练效率.最后,在经过优化的UKdale数据集上对构建的模型进行测试,实验结果表明获得的平均绝对误差、均方根误差、相对误差都处于较小的范围,时间复杂度分析也进一步说明了在不损失负荷分解精度的情况下,模型具有较短的训练时间.