一种基于seq2seq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CN113902102A(43)申请公布日2022.01.07(21)申请号202111215244.8(22)申请日2021.10.19(71)申请人南京工程学院地址211167江苏省南京市江宁区科技园弘景大道1号南京工程学院(72)发明人卞海红孙鑫徐懂理裔传仁高瑞阳(74)专利代理机构南京源古知识产权代理事务所(普通合伙)32300代理人马晓辉(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06Q50/06(2012.01)权利要求书1页说明书4页(54)发明名称一种基于seq2seq的非侵入式负荷分解方法(57)摘要本发明提供了一种基于seq2seq的非侵入式负荷分解方法，包括一下步骤：第一步：设计seq2seq模型；第二步：功能提取；使用Conv1D在一维尺度上对功率序列进行卷积和池化，依靠多个相同权值的卷积核提取功率特征；第三步：(3)基于LSTM的负荷识别；第四步：seq2seqBCL负荷分解。针对目前非侵入式负荷分解方法在低频采样条件下(1Hz及以下)分解准确率较低的问题，发明提出的一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seqBasedonCNNandLSTM，seq2seqBCL)。该深度学习模型将功率时间序列作为网络的输入，通过CNN做特征提取。考虑到电力数据的时序性，增加了LSTM层进行电器识别，相比于NILMTK中seq2seq模型降低了网络层数，简化了网络结构。CN113902102ACN113902102A权利要求书1/1页1.一种基于seq2seq的非侵入式负荷分解方法，包括一下步骤：第一步：设计seq2seq模型；第二步：功能提取；使用Conv1D在一维尺度上对功率序列进行卷积和池化，依靠多个相同权值的卷积核提取功率特征；第三步：(3)基于LSTM的负荷识别；第四步：seq2seqBCL负荷分解。2.如权利要求1所述的方法，其特征在于：第一步中设计seq2seq模型的方法为：首先将家庭用电总功率输入到一维卷积神经网络(Conv1D)进行特征自提取，将提取好的分布式功率特征放在定长的全连接层进行保存，通过激活函数将整合到样本空间的特征输出到下一层，下一层为对电器进行负荷识别。3.如权利要求1所述的方法，其特征在于：第二步中，卷积操作如下公式所示，其中Xi代表第i层的输入向量；f代表激活函数，激活函数的引入可以使模型具有非线性处理，增强模型表达能力，表示卷积操作；Wi代表第i层卷积核的权值矩阵；bi代表第i层卷积核中权值矩阵的偏置值，分布式特征进一步池化被映射到全连接层得到最终的特征向量，池化操作数学公式如下：Xi＝Maxpooling(Xi‑1)其中Xi代表池化后的向量；Xi‑1代表池化前的向量；Maxpooling代表最大池化操作。4.如权利要求1所述的方法，其特征在于：第三步中，LSTM具有两个传递状态：细胞状态(Ct)和隐藏状态(Ht)，各个状态的计算公式如下：Ct＝Zf⊙Ct‑1+Zi⊙ZHt＝Zo⊙tanh(Ct)Yt＝σ(W′Ht)，Xt代表t时刻输入的总功率向量；Yt代表t时刻输出的负荷识别电器向量；Ht和Ht‑1分别代表t时刻的隐藏状态和上一时刻的隐藏状态；Ct和Ct‑1分别代表t时刻的细胞状态和上一时刻的细胞状态，Zf，Zi，Zo是三个控制门，Z是一个新的候选向量。5.如权利要求4所述的方法，其特征在于：Zf，Zi，ZoZ的数学公式为：Zf＝σ(Wf⊙[Xt，Ht‑1]+bf)Zi＝σ(Wi⊙[Xt，Ht‑1]+bi)Zo＝σ(Wo⊙[Xt，Ht‑1]+bo)Z＝tanh(W⊙[Xt，Ht‑1]+b)，其中Wf，Wi，Wo，W代表权值矩阵；⊙代表两个矩阵相乘的运算；[Xt，Ht‑1]代表Xt和Ht‑1组成的拼接矩阵；σ和tanh代表激活函数，bf，bi，bo和b代表偏置值。6.如权利要求1‑5任一项权利要求所述的方法，其特征在于：在第四步中，seq2seqBCL负荷分解的具体步骤为：①数据准备：将总表数据和子表数据按照不同电器进行划分，并按电器划分出各自的训练集和测试集；②训练模型：将准备好的数据在seq2seqBCL模型上进行训练，并将训练好的模型进行保存，用于负荷识别预测；③应用模型：针对某种电器将总功率输入到训练好的seq2seqBCL模型中，得到其识别结果。2CN113902102A说明书1/4页一种基于seq2seq的非侵入式负荷分解方法技术领域[0001]本发明属于非侵入式负荷检测领域，涉及一种基于seq2seq的非侵入式负荷分解方法。背景技术[0002]非侵入式负荷监测(Non‑