基于seq2point模型的非侵入式负荷分解方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113901726A(43)申请公布日2022.01.07(21)申请号202111251467.XG06F119/06(2020.01)(22)申请日2021.10.27(71)申请人国网西藏电力有限公司拉萨供电公司地址850014西藏自治区拉萨市娘热路24号附4号(72)发明人周勇军吴元香董智华周峰计超杨林肖先勇张姝(74)专利代理机构北京正华智诚专利代理事务所(普通合伙)11870代理人何凡(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于seq2point模型的非侵入式负荷分解方法(57)摘要本发明公开了一种基于seq2point模型的非侵入式负荷分解方法，其包括S1、获取待测目标电器设备对应的电表的总功率，并采用预设采样频率对总功率进行重采样得到重采样数据；S2将重采样数据与电表总功率标准数据进行对比，删除重采样数据中的异常片段得到网络的输入数据；S3根据输入数据的初始长度，计算输入数据的最佳序列长度；S4采用已训练的seq2point模型对调整至最佳序列长度的输入数据进行识别，得到待测目标电器设备的功率曲线。CN113901726ACN113901726A权利要求书1/2页1.基于seq2point模型的非侵入式负荷分解方法，其特征在于，包括步骤：S1、获取待测目标电器设备对应的电表的总功率，并采用预设采样频率对总功率进行重采样得到重采样数据；S2、将重采样数据与电表总功率标准数据进行对比，删除重采样数据中的异常片段得到网络的输入数据；S3、根据输入数据的初始长度，计算输入数据的最佳序列长度：ESL＝SL×SI×RF其中，SL为输入数据的初始长度；SI为采用间隔；RF为重采样率；ESL为最佳序列长度；S4、采用已训练的seq2point模型对调整至最佳序列长度的输入数据进行识别，得到待测目标电器设备的功率曲线：xτ＝Fp(Yt：t+W‑1)+ε其中，xτ为当前设备输出窗口的中点；Yt：t+W‑1为输入数据的滑窗片段；Xt：t+W‑1为目标电器设备的滑窗序列；所述seq2point模型的网络结构包括依次连接的五个卷积层，最后一个卷积层的输出顺次与全连接层和输出层连接，相邻的卷积层之间及最后一个卷积层与全连接层之间插入有辍学层。2.根据权利要求1所述的基于seq2point模型的非侵入式负荷分解方法，其特征在于，所述seq2point模型的损失函数为：其中，θp为seq2point模型的网络参数；T为序列长度；W为滑动窗口的窗口；logp(.)为求取特征对数。3.根据权利要求1或2所述的基于seq2point模型的非侵入式负荷分解方法，其特征在于，所述seq2point模型的训练方法包括：S41、获取采用若干接入有目标电器设备的电表的总功率及对应目标电器设备的功率数据构成的数据集；S42、采用预设采样频率对数据集中的数据进行重采样，并将重采样后数据与标准数据进行对比，删除重采样后数据中异常片段得到更新后的数据集；S43、根据更新后的数据集中每个数据的初始长度，分别计算每个数据的最佳序列长度，得到每个数据具有最佳序列长度的训练集；S44、采用训练集对seq2point模型进行训练，之后采用若干接入有目标电器设备的电表中的功率数据构成的测试集对已训练的seq2point模型进行测试，得到每个目标电器设备的功率曲线；S45、将每个目标电器设备的功率曲线与目标电器设备原功率曲线进行比对，根据比对结果得到seq2point模型的识别准确率；S46、判断识别准确率是否大于预设准确率，若是，则完成seq2point模型的训练，否则进入步骤S47；S47、采用双向注意力机制的空洞残差深层网络对已训练的seq2point模型进行修正，2CN113901726A权利要求书2/2页得到完成训练的seq2point模型。4.根据权利要求3所述的基于seq2point模型的非侵入式负荷分解方法，其特征在于，所述采用训练集对seq2point模型进行训练进一步包括：S441、随机删除seq2point模型中一半的隐藏神经元，输入输出神经元保持不变；S442、将训练集中预设比例的数据输入删除一半隐藏神经元的网络前向传播，并将得到的损失结果进行反向传播，之后在保留的神经元上采用随机梯度下降法更新网络参数；S443、恢复被删掉的隐藏神经元，并判断网络参数损失函数是否小于预设误差或者迭代次数是否大于预设迭代次数；若满足任一条件，则完成seq2point模型的训练，否则返回步骤S441。5.根据权利要求4所述的基于seq2point模型的非侵入式负荷分解