申请/专利权人：国网西藏电力有限公司拉萨供电公司

申请日：2021-10-27

公开（公告）日：2024-06-21

公开（公告）号：CN113901726B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/045;G06N3/084;G06F119/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明公开了一种基于seq2point模型的非侵入式负荷分解方法，其包括S1、获取待测目标电器设备对应的电表的总功率，并采用预设采样频率对总功率进行重采样得到重采样数据；S2将重采样数据与电表总功率标准数据进行对比，删除重采样数据中的异常片段得到网络的输入数据；S3根据输入数据的初始长度，计算输入数据的最佳序列长度；S4采用已训练的seq2point模型对调整至最佳序列长度的输入数据进行识别，得到待测目标电器设备的功率曲线。

主权项：1.基于seq2point模型的非侵入式负荷分解方法，其特征在于，包括步骤：S1、获取待测目标电器设备对应的电表的总功率，并采用预设采样频率对总功率进行重采样得到重采样数据；S2、将重采样数据与电表总功率标准数据进行对比，删除重采样数据中的异常片段得到网络的输入数据；S3、根据输入数据的初始长度，计算输入数据的最佳序列长度： 其中，SL为输入数据的初始长度；SI为采用间隔；RF为重采样率；ESL为最佳序列长度；S4、采用已训练的seq2point模型对调整至最佳序列长度的输入数据进行识别，得到待测目标电器设备的功率曲线： 其中，为当前设备输出窗口的中点；为输入数据的滑窗片段；所述seq2point模型的网络结构包括依次连接的五个卷积层，最后一个卷积层的输出顺次与全连接层和输出层连接，相邻的卷积层之间及最后一个卷积层与全连接层之间插入有Dropout层；所述seq2point模型的训练方法包括：S41、获取采用若干接入有目标电器设备的电表的总功率及对应目标电器设备的功率数据构成的数据集；S42、采用预设采样频率对数据集中的数据进行重采样，并将重采样后数据与标准数据进行对比，删除重采样后数据中异常片段得到更新后的数据集；S43、根据更新后的数据集中每个数据的初始长度，分别计算每个数据的最佳序列长度，得到每个数据具有最佳序列长度的训练集；S44、采用训练集对seq2point模型进行训练，之后采用若干接入有目标电器设备的电表中的功率数据构成的测试集对已训练的seq2point模型进行测试，得到每个目标电器设备的功率曲线；S45、将每个目标电器设备的功率曲线与目标电器设备原功率曲线进行比对，根据比对结果得到seq2point模型的识别准确率；S46、判断识别准确率是否大于预设准确率，若是，则完成seq2point模型的训练，否则进入步骤S47；S47、采用双向注意力机制的空洞残差深层网络对已训练的seq2point模型进行修正，得到完成训练的seq2point模型；所述采用训练集对seq2point模型进行训练进一步包括：S441、随机删除seq2point模型中一半的隐藏神经元，输入输出神经元保持不变；S442、将训练集中预设比例的数据输入删除一半隐藏神经元的网络前向传播，并将得到的损失结果进行反向传播，之后在保留的神经元上采用随机梯度下降法更新网络参数；S443、恢复被删掉的隐藏神经元，并判断网络参数损失函数是否小于预设误差或者迭代次数是否大于预设迭代次数；若满足任一条件，则完成seq2point模型的训练，否则返回步骤S441；所述seq2point模型训练过程中网络的计算公式为： 其中，为根据概率构成的伯努利分布值；为伯努利分布函数；p为概率；为经由随机放弃的神经元现输出；为神经元的原输出；为第i个神经元在第l+1层的输出；为卷积层中第i个神经元在第l+1层的权重；为第i个神经元在第l+1层的偏置；为目前神经元的输出；f.为神经元的输出函数；将最佳序列长度的输入数据输入seq2point模型前还包括在输入数据的头部和尾部填充预设数量的零。

全文数据：

权利要求：

百度查询： 国网西藏电力有限公司拉萨供电公司 基于seq2point模型的非侵入式负荷分解方法

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