申请/专利权人：东南大学

申请日：2021-06-25

公开（公告）日：2024-04-09

公开（公告）号：CN113361454B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/23213;G06N3/0895;G06N3/084;G01R11/54;G01R31/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.09.24#实质审查的生效;2021.09.07#公开

摘要：本发明公开一种基于非监督优化的深度学习非侵入式负荷监测方法，第一部分为建立监督式神经网络深度学习模型；第二部分为利用非监督式学习方式对于模型的优化，第一部分包括：从目标负荷集群中监测一段时间内所有负荷信息；利用算法对数据预处理，对数据归一化；预处理过的数据进行神经网络训练；评估网络训练结果；第二部分为非监督式学习对模型的优化，利用K均值聚类算法对于各目标负荷聚类中心迭代，重新构成训练数据训练模型，利用非监督算法优化监督式学习算法，再对于用电行为分析。本发明非侵入式负荷监测方法，大幅提高利用深度学习算法处理非侵入式负荷监测问题的自学习能力、广泛性、灵敏度及准确度。

主权项：1.一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述非侵入负荷监测方法包括以下步骤：S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息；S2、针对目标负荷，构建训练数据集与测试数据集；S3、利用算法对数据进行预处理和归一化；S4、将S3中得到的训练数据以一定的训练参数进行网络训练；S5、对训练结果以及网络返回参数进行评估，并判断是否达标，若达标，则执行S8；若不达标，则执行S6；S6、优化神经网络参数；S7、根据S6中优化神经网络参数重建网络，并返回执行S4，重新训练；S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告；S9、若新增负荷导致训练网络分析能力下降，导致S8中分析结果出现较大误差，则对目标负荷进行非侵入式算法的优化，对于目前训练得到的深度学习网络进行自学习能力的提高，对于新增未知负荷进行非监督式学习；S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据；所述S4包括对于已进行预处理后的数据分为负荷集群输入训练数据以及各单个负荷的输出训练数据放入神经网络，确定递归函数以及输入函数，给与初始训练参数，进行神经网络的训练的具体体现为：BP神经网络进行训练时设置神经网路训练函数、输入传递函数、输出传递函数、隐藏层神经元个数、训练次数、训练方法、学习率、最大失败次数先按经验法选择大概的训练方法、传递函数以及参数，进入神经网络的训练，基本BP算法进行信息的前向传播以及误差的反向传播，由输入层经隐藏层逐层处理，再由输出层进行反向转播修改神经元权值最后完成网络的训练；所述S9包括由于监督式学习固有自学习能力的不足，如果当负荷集群中新增一类负荷特征，得到的训练成型的网络即会出现较大的误差，这时则需要进行非监督式学习对于现有模型进行优化；如果当负荷集群中新增负荷特征，得到的训练成型的网络即会出现较大的误差，这时则需要进行非监督式学习对于现有模型进行优化，假设原有N个负荷单独运行，M个负荷可能在同一时间段运行，假设目标负荷集群新增1个负荷特征，则在K均值聚类算法中会增加1+N+2*C1M+C2M+...+CMM个聚类中心，而在PQ聚类特征中心中新增聚类中心数据值最低的则为新增的负荷特征，得到负荷集群中隐含状态数量，结合大量可见状态链，对于各个目标负荷转换概率进行推算，进行对于目标负荷特征建立，利用K均值聚类算法对于各目标负荷聚类中心进行迭代得到新负荷聚类特征中心以及有新负荷动作的时间，对于神经网络输入输出数据进行更改、重新训练神经网络，对于监督式学习进行优化后再进行用电行为分析，得出各负荷用电量及用电时间。

全文数据：

权利要求：

百度查询： 东南大学 一种基于非监督优化的深度学习非侵入式负荷监测方法

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