技术特征：
1.一种基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，包括以下步骤：s1：获取设备的数据集，对所述数据集进行数据预处理，并将预处理后的数据分为训练样本数据和测试样本数据；所述数据集包括原始测量的功率信号；s2：对训练样本数据进行设备集分组，所述设备集分组包括第一分组与第二分组，所述第一分组包括一个设备，所述第二分组包括多个设备；s3：根据训练样本数据，对第一分组和第二分组进行区别字典训练，分别得到对应的第一字典和第二字典；s4：基于区别指标，对所述第一字典与所述第二字典区别衡量，并记录区别指标值；s5：在第一分组和第二分组中选择出字典区别指标最小的分组，将其确定为最优分组；s6：进行功率分解，利用最优分组训练好的第一字典和第二字典对预处理好的聚合功率信号数据进行稀疏编码，得到稀疏表示，并将稀疏表示与区别字典相乘得到分解结果；s7：通过剔除最优分组里面被分出来的设备及其功率预测值来更新设备集和总功率；s8：重复步骤s2
‑
s7，得到每次迭代的分解结果，直到所述第二分组中只包括一个设备，进入s9；s9：将每次递归迭代结果作为一个设备的预测结果，并对该预测结果进行反归一化处理及输出。2.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤s1中，所述数据预处理包括以下步骤：(1
‑
1)对所述数据集进行选取；(1
‑
2)将所述数据集的进行除燥；(1
‑
3)将除燥后的数据集进行归一化；(1
‑
4)生成样本数据。3.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤s2中，所述设备集分组包括第一分组与第二分组，所述第一分组包括一个设备，命名为one；所述第二分组包括多个设备，命名为rest。4.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤s3中，所述区别字典训练包括以下步骤：(2
‑
1)对每个设备的功率信号x
i
∈r
m
×
n
学习一个字典d
i
∈r
m
×
q
和一个稀疏表示z
i
∈r
q
×
n
使得每个设备的功率信号等于一个字典和一个稀疏表示的乘积，其计算公式为：x
i
＝d
i
z
i
，i＝1...n (1)其中，i表示设备编号，n表示总设备数，x
i
为设备的功率信号，d
i
为字典，z
i
为稀疏表示；(2
‑
2)利用预处理好的训练样本数据建立学习字典，所述学习字典的基本模型如下：s.t.d
i
≥0，z
i
≥0，||d
j
||2＝1 i＝1...n j＝1...q (2)其中，λ1是权衡重构误差与稀疏性的参数，添加约束d
i
≥0，z
i
≥0的原因是设备的功率信号总是非负的，d
j
表示字典d
i
的第j列，即d
i
＝[d1，d2，...，d
j
，...，d
q
]，亦称为字典原子，令||d
j
||2＝1是为了防止出现退化解；||
·
||
f
表示f范数运算，||
·
||1表示1范数运算；(2
‑
3)加入第一正则化项，提高字典的辨别能力，所述第一正则化项的计算公式为：
其中，α是第一正则化参数，d
it
表示字典d
i
的转置，i∈r
m
×
m
为单位矩阵；用于确保字典内部原子间的非连贯性；(2
‑
4)加入第二正则化项，提高字典间的区别，所述第二正则化项的计算公式为：其中，oned，restd分别表示针对one和rest所学习的字典，β是第二正则化参数，oned
t
表示字典oned的转置；用于确保字典间的区别，即实现针对某一设备训练的字典只对该设备起作用；(2
‑
5)联立方程(1)～(4)，得到第一分组one和第二分组rest最终的区别字典学习的模型。(2
‑
6)根据第一分组one和第二分组rest最终的区别字典学习的模型，分别求解分组第一分组one和第二分组rest的字典。5.根据权利要求4所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤(2
‑
5)中，所述第一分组one的区别字典学习的模型为：s.t.oned≥0，z1≥0，||oned
j
||2＝1 j＝1...q (5)其中，x1、z1、分别表示第一分组one的设备功耗和第一稀疏表示，oned
j
表示第一字典oned的原子；λ1是权衡重构误差与稀疏性的参数，α是第一正则化参数，β是第二正则化参数，||
·
||
f
表示f范数运算，||
·
||1表示1范数运算。6.根据权利要求4所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤(2
‑
5)中，所述第二分组rest的区别字典学习的模型为：s.t.restd≥0，z2≥0，||restd
j
||2＝1 j＝1...q (6)其中，x2、z2分别表示第二分组rest的设备功耗和第二稀疏表示，restd
j
分别表示第二字典restd的原子；λ1是权衡重构误差与稀疏性的参数，d是第一正则化参数，β是第二正则化参数，||
·
||
f
表示f范数运算，||
·
||1表示1范数运算。7.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤s4中，对所述第一字典与所述第二字典区别衡量包括定义区别矩阵a＝oned
t
restd，且a∈r
q
×
q
，并将训练所得的第一字典oned和第二字典restd作为输入，计算得到两者的区别指标。8.根据权利要求8所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，所述计算区别指标的计算公式为：
其中，di表示区别指标，a
ij
表示区别矩阵a第i列第j行的元素。9.根据权利要求1所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，步骤s6中，所述功率分解包括利用聚合信号x、最优分组结构和训练所得第一字典oned、第二字典restd建立稀疏分解模式。10.根据权利要求9所述的基于字典学习的区别分组非侵入式负荷分解方法，其特征在于，所述的稀疏分解模式计算公式为：s.t.z
′1≥0，z
′2≥0 (13)其中，z1、z2分别表示第一分组与第二分组的中各设备的稀疏表示，oned表示所述第一字典的原子，restd表示所述第二字典的原子；λ2是权衡重构误差与稀疏性的参数。
技术总结
本发明涉及电力负荷分解技术领域，公开了一种基于字典学习的区别分组非侵入式负荷分解方法，采用区别字典学习算法以及分组思想训练出每个设备的字典，再根据字典进行稀疏编码，实现负荷的非侵入式分解。利用字典学习方法能够较快的学习到各类用电设备的用电模式，使得该算法迁移到不同地方时具有较强的适应能力。同时使所训练的字典能够较好的针对特定设备，这样训练的字典保留了设备各自的独特性，能够降低因为特征相近所带来的误判，使得负荷分解结果准确性更好。对训练样本数据进行设备集分组，能够将非侵入式负荷监测问题由传统的整体分解任务转化为递归分解任务，提高负荷分解结果的准确性和稳定性，避免出现功率相近电器分解效果差的现象。近电器分解效果差的现象。近电器分解效果差的现象。
技术研发人员：杨林峰 郭洪武 何显毅
受保护的技术使用者：赛尔网络有限公司
技术研发日：2021.06.08
技术公布日：2021/10/8