CN110445126B 一种非侵入式负荷分解方法及系统 （中国电力科学研究院有限公司）

号基于用户的负荷总功率序列以及设定的负荷种通过预先训练的总功率序列与各负荷种类的功中通过恒等映射按时序将负荷总功率进行感受2基于所述用户的负荷总功率序列以及设定的负荷种类，按照预先训练获取基于所述用户使用的电器种类以及与所述负荷总功率序列匹配的各负荷使用序对所述负荷总功率序列和各负荷使用序列进行处理，得到训练样所述基于NILM网络，将所述训练样本数据进行训练得到负荷种类的功率特征序列关所述通过NILM网络，将负荷总功率序列依次进行恒等映射，得到将所述负荷总功率序列通过所述NILM网络中的残差块进行基于所述恒等映射，将所述负荷总功率序列通过残差块中的卷积对各负荷使用序列归一化处理，通过采用最大值最小值归一化方法将负荷总功率序列和归一化处理的负荷序列分解为初始训练序列和初始测试序列；对所述初始训练序列和初始测试序列通过设定长度和设定步长进行滑动处理得到训3将所述测试结果与所述测试样本数据中各负荷的功率特征序列进行根据所述平均误差对所述功率特征序列关系进行校正，得到最t为测试样本中的负荷在时刻t真实消耗的功率，pt为由功率特将所述负荷总功率通过所述功率特征序列关系，得到各负荷种分解模块：基于所述用户的负荷总功率序列以及设使用数据获取子模块：获取基于所述用户使用的电器种类以及与所述负荷样本数据获取子模块：对所述负荷总功率序列和各负荷使用训练子模块：基于NILM网络，将所述训练样本数4[0014]获取基于所述用户使用的电器种类以及与所述负荷总功率序列匹配的各负荷使5[0016]基于NILM网络，将所述训练样本数据进行训练得到负荷种类的功率特征序列关[0019]将负荷总功率序列和归一化处理的负荷序列分解为初始训练序列和初始测试序[0020]对所述初始训练序列和初始测试序列通过设定长度和设定步长进行滑动处理得[0029]步骤2：将感受野放大后的负荷总功率序列分解到对应的各负荷种类的功率特征67[0071]采集600多个家庭的各种电器的长期功率消耗信息以及整个家庭的功耗总量，包几种电器的主要原因如下：(1)在每一个家庭的每一个电器上进行有监督学习的实验量是各负荷种类的功率特征序列。8于采用空洞卷积的卷积方式通过跳过一些元素进行点乘操[0089]深度残差网络解决了网络变深后的性能退化和梯度消失问题，并能提升模型精9知，第L个深层残差单元的输入能表示为某一浅层残差单元的输入和其中所有复杂映射之[0107]第一个残差块中卷积的空洞率均为1，第一个残差单元中空洞卷积和普通一维卷[0108]深度空洞残差网络结构中每个残差单元包含3个空洞卷积，每个残差单元中卷积个残差块的特征提取之后的序列信息被拉伸为一个一维向量，该向量即为提取的特征向[0113]其中ra为反归一化得到的功率数据，xpred为网络预测得到的功率数据。个或多个隐层堆叠的前向神经网络拟合一个恒等映射H(x)＝x可能会很困难。但如果把网[0121]所述基于空洞残差网络的非侵入式负荷分解方法的进一步设计在于，步骤(1)的[0132]所述基于空洞残差网络的非侵入式负荷分解方法的进一步设计在于，步骤(1)的单元与残差单元之间使用了激活函数，而xl+1＝yl成立的条件是需要移除残差单元间的激[0138]神经网络优秀的性能表现依赖于大量参数的训练，而训练的过程涉及到两个过[0147]所述基于空洞残差网络的非侵入式负荷分解的进一步设计在于，步骤(2)的空洞[0153]本发明通过把空洞卷积神经网络和深度残差网络结合进行非侵入式负荷分解保放大后的负荷总功率序列；征序列；[0181]映射子单元：将所述负荷总功率序列通过所述NILM网络中的残差块进行恒等映中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0199]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一