基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型

TM714; 为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线.基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解.基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力....

Full description

Saved in:
Bibliographic Details
Published in电力自动化设备 Vol. 44; no. 3; pp. 127 - 133
Main Authors 林顺富, 李毅, 沈运帷, 林屹峰, 李东东
Format Journal Article
LanguageChinese
Published 上海电力大学 电气工程学院,上海 200090 01.03.2024
Subjects
全卷积去噪自编码器
load disaggregation
gating unit
attention module
门控单元
fully convolutional denoising auto-encoder
负荷分解
注意力模块
子任务网络
subtask network
Online AccessGet full text
ISSN1006-6047
DOI10.16081/j.epae.202306004

Cover

More Information
Summary:TM714; 为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线.基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解.基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力.
ISSN:1006-6047
DOI:10.16081/j.epae.202306004