申请/专利权人：上海梦象智能科技有限公司

申请日：2021-10-10

公开（公告）日：2024-04-05

公开（公告）号：CN113970667B

主分类号：G01R22/06

分类号：G01R22/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.02.15#实质审查的生效;2022.01.25#公开

摘要：本发明属于用电负荷监测分解技术领域，具体为一种基于预测窗口中点值的非侵入式负荷监测方法。本发明通过训练序列到点网络只对滑动窗口的中点进行预测输出来提高非侵入式负荷监测NILM问题的可识别性；使用卷积神经网络的网络模型在训练过程中自发的学习所预测电器的指纹特征，并自动的添加到模型中以降低负荷分解问题的困难。相比与现有的基于序列到序列的神经网络训练代价更低，减少了由于输入输出序列很长导致GPU内存受限等问题的出现，除此之外还能使神经网络将其表示能力集中在窗口的中点上，而不是集中在更困难的边缘输出上，从而产生更加准确的负荷分解结果。

主权项：1.一种基于预测窗口中点值的非侵入式负荷监测方法，其特征在于，引入序列到点神经网络来处理非侵入式负荷，序列到点神经网络记为Seq2point；具体步骤为：步骤1：数据预处理，具体包括：输入的家庭总电耗序列E由主电源的电力负荷数据通过滑动窗口生成，E＝e1，e2，...，eT，单位瓦特，其中T为输入信号长，输入信号长由T个时间步长的窗口值构成；常用家庭电器的窗口长度W均设置为相等数值599；Seq2point网络记为Fp，其输入为滑动窗口Et:t+W-1，其中t表示当前的时间步长，2≤t≤T-1，输出为目标电器相应窗口的中点xm，该中点xm被表示为主窗口的非线性回归，与其在对应窗口的前后信息相关；由神经网络Fp，有xm＝FpEt:t+W-1+δ，其中δ为W维高斯随机噪声；首先针对不同采集频率下的电力负荷数据进行数据对齐，形成相同的时间序列长；对于子序列缺失的，采用后向填充方法填充其中的缺失值；此外针对每种电器会有相应的参数标准，包括最大功率Max_power、功率阈值Power_threshold、功率平均值Mean_power以及功率标准差Power_std；无论是输入的滑动窗口值还是输出的目标值都减去功率平均值并除以功率标准差进行预处理，即：input＝input–Mean_powerPower_std；target＝target–Mean_powerPower_std；步骤2：构建网络模型；网络模型结构包括：回归网络模块，分类网络模块以及注意力层；回归网络模块用于解决NILM问题的基于编码器、解码器组件的经典端到端回归网络，作用是允许子网隐式检测并赋予某些事件和特定信号部分更多的关注；分类网络模块是一个辅助的端到端网络，作用是通过明确实施电器的开关状态来帮助负荷分解过程；两个网络模块结果连接在一起，实现对总体电力负荷的分解以及目标电器的指纹提取；注意力层存在于回归网络模块中，将回归网络模块的编码器的输出馈送到分类网络模块部分；步骤3：训练网络；具体步骤包括：加载预处理数据、预测输出、计算损失、执行优化；模型的训练数据来自UK-DALE数据集中的1、3、4和5房屋的电力负荷数据以及REDD数据集中的2和6房屋的电力负荷数据，UK-DALE数据集所有的电力负荷数据采集频率为6秒，REDD数据集单个电器以及总电负荷数据采集频率分别为1秒和3秒，选取其中水壶、微波炉、冰箱、洗碗机和洗衣机作为训练的目标电器；为确保不同采集频率下的电力负荷数据进行数据对齐，形成相同的时间序列长，对于子序列缺失的，采用后向填充方法填充其中的缺失值；在训练过程中采用聚合损失函数实现回归和分类网络的联合优化，包括：网络的整体输出y与单个设备的真实值之间的均方误差MSELout，以及用于测量分类子网络的开关状态的分类误差的二元交叉熵BCELclas，为分类预测的开关状态，clas为真实的开关状态，该聚合损失函数为：Loss＝Lout+Lclas； 其中，F.mse_loss以及F.binary_cross_entropy为pytorch的nn.functional模块中自带的均方误差以及二元交叉熵的计算函数；步骤4：将训练好的网络模型用于家庭电表负荷分解。

全文数据：

权利要求：

百度查询： 上海梦象智能科技有限公司 一种基于预测窗口中点值的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