申请/专利权人：山东大学

申请日：2023-04-12

公开（公告）日：2023-07-18

公开（公告）号：CN116451744A

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.08.04#实质审查的生效;2023.07.18#公开

摘要：本发明涉及一种基于合成训练集的高精度低频NILM神经网络方法，属于电力系统大数据分析技术领域。包括数据预处理；特征数据提取；合成训练集：用特征数据重构数据集，增加特征密度；轻量级CNN‑seq2point网络训练；分解输出；误差分析；优化：根据误差分析结果调整合成训练集成分或网络参数，增加预测准确度，优化预测结果。本发明对输入的测量数据进行负荷特征提取，通过引入统计学分析方法，利用所提取特征重构数据集，增加了小样本、低密度器件的特征密度；同时，引入误差分析的方法，快速对预测结果进行二级优化，使预测结果更佳精确，在非侵入式负荷分解领域性能显著，抗干扰性强、精确度高。

主权项：1.一种基于合成训练集的高精度低频NILM神经网络方法，其特征在于，包括如下步骤：步骤1、数据预处理：收集总线功率和各个电器功率数据，并进行数据补齐和标签制作；步骤2、特征数据提取：将步骤1预处理后得到的数据，应用阈值判定方法和统计学计算公式，提取和计算特征数据；步骤3、合成数据集：将步骤2得到的特征数据，依据统计学方法重构数据集；步骤4、轻量级CNN-Seq2point神经网络训练：将步骤3合成得到的数据集，总线功率作为输入，某一用电器功率作为真值计算损失函数，使用轻量级CNN-Seq2point模型结构训练得到该用电器的网络模型参数model；步骤5、分解输出：将步骤4训练得到的model，加载到轻量级CNN-Seq2point网络，将测试集中的总线功率数据送入轻量级CNN-Seq2point网络，网络所属用电器数据作为真值，则输出该网络模型所属用电器的功率预测数据以及预测准确度，此为初步预测结果；步骤6、误差分析：将步骤5得到的预测结果与同一用电器同时间戳的真值数据做误差计算，同时对该同电器及工作状态与其相似的用电器进行重叠度分析，根据误差计算结果和重叠度分析结果统计若干四格表，依据四格表判断相似用电器对该用电器的影响程度和影响位置；步骤7、优化初步预测结果：根据步骤6误差分析的判断，调整步骤3中的合成数据集成分，再重复步骤4、5，直到得到满意的训练和预测结果。

全文数据：

权利要求：

百度查询： 山东大学 一种基于合成训练集的高精度低频NILM神经网络方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD