摘要：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。

摘要：直流充电桩内部功率变化动态性过强,不易捕捉及计算误差过大,提出基于CNN和LSTM混合网络的功率模块优化方法。根据充电桩电路工作原理,得到电路内部各项参数间存在的直接关联,根据该点采用三相电网平衡原理设计电力稳定控制函数,计算满足电压、电流以及功率最稳的调节比例系数,并作为调节点,建立CNN和LSTM混合网络多层次模型,计算有序、无序充放电过程的电力负荷变化,利用调节比例系数按照充电、放电所需功率需求完成优化。实验结果表明,所提方法的充电桩功率稳定,对充电桩的电压偏移量实现有效改善。