(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211269012.5 (22)申请日 2022.10.17 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区新 街口 街道四牌楼 2号 (72)发明人 赵剑锋 董坤 孙睿晨 毛妍纯  王琚珩 刘东升 金扬  (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 王艳秋 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01)G06Q 10/06(2012.01) (54)发明名称 一种基于递进式学习结构的非侵入式负荷 分解方法 (57)摘要 本发明公开了一种基于递进式学习结构的 非侵入式负荷分解方法, 包括以下步骤: 采集房 屋总有功功率和各目标电器有功功率数据; 对数 据进行预处理, 构建数据集; 利用所构建的数据 集训练基于递进式学习结构的非侵入式负荷分 解算法模型; 将未知房屋的总有功功率输入基于 递进式学习结构的非侵入式负荷分解算法模型, 分解得到目标电器的功率消耗序列。 本发明通过 采用递进式学习结构和时间戳 嵌入方法, 增强了 模型的特征提取能力, 且丰富了模型的输入, 显 著提高了非侵入式负荷分解算法的准确度和泛 化能力。 权利要求书2页 说明书6页 附图2页 CN 115526265 A 2022.12.27 CN 115526265 A 1.一种基于递进式学习结构的非侵入式负荷分解方法, 其特 征在于, 包括: 采集房屋总有功 功率和各目标电器有功 功率数据; 对数据进行 预处理, 构建数据集; 利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解 算法模型; 将未知房屋的总 有功功率输入基于递进式学习结构的非侵入式负荷 分解算法模型, 分 解得到目标电器的功率消耗序列。 2.根据权利要求1所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述数据预处 理步骤包括: 对功率数据以T为间隔进行重新采样; 对少于t时间的数据缺失通过 前向填充来补值, 对 超过t时间的数据缺失用0填充; 删除总功率低于Pthres的数据; 给数据集添加状态标记, 若电器功率大于开启阈值, 则设备开启, 状态值标记为1, 若电 器功率小于开启阈值, 则标记为0 。 3.根据权利要求1所述的方法, 其特征在于, 所述基于递进式学习结构的非侵入式负荷 分解算法模型包括网络I和网络 Ⅱ, 所述网络I负责判断目标电器的开关状态, 所述网络 Ⅱ 基于网络I的分解结果精确还原目标电器的功率曲线; 所述网络I的输入为总功率信号和时间戳数据, 输出为初步预测功率序列; 所述网络 Ⅱ的输入为总功率信号、 时间戳数据和网络I初步预测的目标电器状态序列, 输出为最终预测功率序列。 4.根据权利要求3所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述网络I和网络 Ⅱ均包括信息嵌入层、 核心分解层和输出层; 所述网络I的核心分解层与 所述网络 Ⅱ的核心分解层结构完全相同, 所述网络I的输出层与所述网络 Ⅱ的输出层结构 完全一样, 所述网络I的信息嵌入层与所述网络 Ⅱ的信息嵌入层因输入信息的不同而有所 差异。 5.根据权利要求4所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述信息嵌入层包括聚合功率数据嵌入、 状态数据嵌入和时间信息嵌入; 对于每一种输入序列数据, 采用卷积层对序列进行特征提取, 同时增加维度, 然后通过 池化层缩短序列长度, 最后以求和计算融合多种嵌入信息 。 6.根据权利要求5所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述时间信息嵌入中的时间信息编码步骤 包括: 获取时间戳数据; 对每个时间戳 提取一天中的小时数、 一周中的星期数、 一 年中的月份数这 三个特征; 将这三个特征分别线性编码为[ ‑0.5,0.5]区间内的值。 7.根据权利要求4所述的方法, 其特征在于, 所述核心分解层包括两层编码器, 每层编 码器网络由多头自注意力网络和前馈神经网络构成。 8.根据权利要求4所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述输出层包 含一层反卷积和两层全连接网络 。 9.根据权利要求3所述的基于递进式学习结构的非侵入式负荷 分解方法, 其特征在于, 所述网络I和网络 Ⅱ的损失函数包括:权 利 要 求 书 1/2 页 2 CN 115526265 A 2均方误差 推土距离误差 骰子损失 平均绝对误差 其中, 和yt分别表示t时刻模型预测的电器功率和实际的电器功率; 和st分别表示t 时刻模型预测的电器状态和实际的电器状态; T是序列点总个数; 和y分别代表模型预测 电器功率和实际电器功率序列所在分布, 是×上的一组分布, 其边际分别是 和y, u和v为积分变量; O为电器实际开启或状态预测错 误的时序点; 根据两个网络侧重任务的不同, 网络I和网络 Ⅱ的损失函数计算公式如下: 其中, λ为平均绝对误差损失项的权 重。 10.根据权利要求1所述的基于递进式学习结构的非侵入式负荷分解方法, 其特征在 于, 所述分解得到目标电器的功率消 耗序列后, 使用四类指标对基于递进式学习 结构的非 侵入式负荷分解算法模型效果进 行评价, 所述评价包括准确度、 F1分数、 平均绝对误差和平 均相对误差 。权 利 要 求 书 2/2 页 3 CN 115526265 A 3

PDF文档 专利 一种基于递进式学习结构的非侵入式负荷分解方法

文档预览
中文文档 11 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分
温馨提示:本文档共11页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 一种基于递进式学习结构的非侵入式负荷分解方法 第 1 页 专利 一种基于递进式学习结构的非侵入式负荷分解方法 第 2 页 专利 一种基于递进式学习结构的非侵入式负荷分解方法 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-02-18 22:24:35上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。