一种基于阈值降噪网络的非侵入式负荷分解方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905814A(43)申请公布日2023.04.04(21)申请号202211572490.3G06N3/0464(2023.01)(22)申请日2022.12.08(71)申请人河南大学地址475004河南省开封市金明区东京大道和金明大道交叉口河南大学（金明校区）(72)发明人蒋磊朱林何欣金声(74)专利代理机构郑州大通专利商标代理有限公司41111专利代理师张立强(51)Int.Cl.G06F18/10(2023.01)G06F18/214(2023.01)G06F18/25(2023.01)G06N3/08(2023.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于阈值降噪网络的非侵入式负荷分解方法(57)摘要本发明公开了一种基于阈值降噪网络的非侵入式负荷分解方法，包括：获取各电器的功率数据，对所述功率数据进行归一化处理，并将归一化后功率数据划分为训练集和测试集；构建基于SoftThresholding和Transfromer的阈值降噪网络，并将其作为负荷分解模型，将预处理后的训练集数据输送至构建好的负荷分解模型中进行训练；通过测试集数据对训练好的负荷分解模型进行测试，计算出各个电器的分解功率。本发明构建的阈值降噪网络主要包括SoftThresholding和Transfromer层，既能实现并行化处理，又能够去除数据中的噪声污染，得到更精确的特征，提升了负荷分解的准确度。CN115905814ACN115905814A权利要求书1/1页1.一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，包括：步骤1：获取各电器的功率数据，对所述功率数据进行归一化处理，并将归一化后功率数据划分为训练集和测试集；步骤2：构建基于SoftThresholding和Transfromer的阈值降噪网络，并将其作为负荷分解模型，将预处理后的训练集数据输送至构建好的负荷分解模型中进行训练，得到训练好的负荷分解模型；步骤3：通过测试集数据对训练好的负荷分解模型进行测试，计算出各个电器的分解功率。2.根据权利要求1所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述步骤1中，功率数据包括目标住宅内的总功率数据以及该住宅内所有单电器的功率数据。3.根据权利要求1所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述步骤1中归一化处理包括：将缺失的数据进行前向填充；对于超过功率阀值的数据，将其做删除处理。4.根据权利要求1所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述步骤2中构建的负荷分解模型包括输入模块、特征处理模块、输出模块；所述输入模块包括卷积层、池化层、位置编码层；卷积层和池化层用来初步提取特征信息，位置编码层用来提取输入数据中包含的位置信息；特征处理模块包括Transfomer层、软阈值化层，软阈值化层包含SoftThresholding函数；Transformer层用来进一步提取上一步得到的特征，通过Transformer拥有的注意力机制来关注重要的信息，忽略不重要的信息；软阈值化层用来处理过滤特征信息中所包含的噪声；输出模块用于输出住宅内各电器的用电负荷，输出模块包括卷积层、全连接层。5.根据权利要求4所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述输入模块还包括融合层，融合层用于将位置编码信息与通过卷积和池化得到的信息相加，得到新的特征。6.根据权利要求4所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述特征处理模块还包括标准化层、前向传播层。7.根据权利要求6所述的一种基于阈值降噪网络的非侵入式负荷分解方法，其特征在于，所述特征处理模块中，数据处理流程包括：通过Transformer层进一步提取上一步得到的特征，通过Transformer拥有的注意力机制来关注重要的信息，忽略不重要的信息；在经过Transformer处理后，将得到的特征输入软阈值化层进行SoftThresholding处理；将注意力机制与软阈值化得到的特征与原特征进行融合并送入标准化层进行处理得到特征矩阵M；在得到初步处理后的特征矩阵M后，将M分别送入前向传播层以及软阈值化层并继续进行特征融合得到融合矩阵N；在得到融合矩阵N之后重复上述操作，将最终得到的特征矩阵输入到输出模块中。2CN115905814A说明书1/4页一种基于阈值降噪网络的非侵入式负荷分解方法技术领域[0001]本发明属于深度学习和信号处理技术领域，尤其涉及一种基于阈值降噪网络的非侵入式负荷分解方法。背景技术[0002]商业和住宅用电是能源消耗的主力之一。有研究表明如果能够了解住宅和商业建筑的详细电能用量后经过优化用电行为便可以节约电