买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学滨江研究院;杭州熔合智造科技有限公司

摘要：本发明的基于BN关系网络的负荷识别模型构建方法及负荷识别方法，针对当前非侵入式负荷识别方法在实际应用过程中可迁移性较差，在新的电器品牌和住房条件上模型泛化性能低，提出了一种基于自适应批标准化（BatchNormalization，BN）关系网络的非侵入式负荷识别方法，改善了不同数据集之间的模型泛化性能，并且在实际应用中只需要少量的标签数据。

主权项：1.一种基于BN关系网络的负荷识别模型构建方法，其特征在于：包括如下步骤：步骤一，采集不同条件下电器的电气参数，用于组建源域训练数据集，其中每条电器数据的采样率不低于6.4Khz，采样时间不低于3s，将采集到的源域数据集按小样本学习的形式分为多个不同的任务用于元学习的训练；步骤二，构建基于自适应BN关系网络的小样本非侵入式负荷识别方法网络结构；步骤三，构建训练基于自适应BN关系网络的小样本非侵入式负荷识别模型的损失函数；步骤四，使用目标域数据集微调度量网络中BN层的全局均值和方差参数，在微调之后完成对于负荷识别模型的构建；所述步骤一中将采集到的源域数据集按小样本学习的形式分为多个不同的任务用于元学习的训练的具体步骤如下：首先，假设源域数据集中一共包含C类电器类型，每类电器类型的数量不低于40条，之后在假设下对源域数据进行采样，得到不同的任务，每个任务均包含支持集和查询集两部分；其中，源域数据集采用N-wayK-shot的数据假设，即假设在测试阶段只有N个类的带标签数据，每个类的数量为K条，支持集中的数据也由N-wayK-shot的形式构成，查询集中的数据由N-wayQ-shot的形式构成，其中Q为指定的每类样本的数量；所述步骤二中构建基于自适应BN关系网络的小样本非侵入式负荷识别方法网络结构的具体步骤如下：步骤二一，构建特征提取模块，该特征提取模块的网络结构由卷积层、BN层、激活层和最大池化层组成，卷积层主要负责对数据使用多个卷积核进行卷积运算，提取数据卷积后的特征，BN层通过批标准化操作提高模型的训练效率，激活层为特征提取模块提供了非线性表达的能力，改善了模型的特征表示能力，最大池化层通过最大池化操作提取输入特征中具有代表性的特征，改变数据的大小；步骤二二，构建相似度度量模块，该相似度度量模块的网络结构由一个卷积模块和两个全连接层构成，一个卷积模块融合并处理不同样本之间的拼接特征，两个全连接层将处理过后的拼接特征映射到一维的相似度；步骤二三，将步骤二一构建的特征提取模块和步骤二二构建的相似度度量模块进行组合，完成网络结构的构建；所述步骤三中构建训练基于自适应BN关系网络的小样本非侵入式负荷识别模型的损失函数的具体步骤如下：步骤三一，构建加噪后的样本标签，改进关系网络的距离度量训练，该样本标签的表达式如下： 式中，yone-hot为原始的只有0和1的one-hot编码的标签向量，α为控制引入噪声大小的超参数，N为类别的数量，即标签向量的维数；步骤三二，构建度量网络的损失函数；所述步骤三二中构建度量网络的损失函数具体步骤如下：步骤三二一，通过以下表达式计算查询集和支持集样本之间的相似度： 式中，C·表示特征拼接操作，si,j代表支持集样本和查询集样本之间的距离分数，fθ·表示特征提取模块所代表的函数，为度量网络；步骤三二二，根据单个类别累加的距离分数来定义总的相似度，表达式为： 式中，sc,j表示查询集样本和类别yc的最终相似度；步骤三二三，获取查询集样本最后的预测类别表达式为： 步骤三二四，将关系网络的训练看作一个回归问题，选择均方误差作为损失函数，该损失函数的表达式如下： 式中，N为一个batch内的样本数量，yi,n和si分别为真实标签向量和网络输出的和不同标签之间的相似度向量，利用均方误差损失函数通过反向传播算法同时更新特征提取模块和相似度度量模块的网络参数；所述步骤四中微调度量网络中BN层的全局均值和方差参数的具体步骤如下：步骤四一，使用目标域数据集对模型进行前向传播，将目标域数据集中的数据以不同batch或者一个batch的形式输入网络中，使用训练好的网络参数计算各层特征；步骤四二，将目标域数据集输入训练好的网络模型时，得到各个BN层的输入特征，通过判断输入特征分布参数和BN层固定的分布参数是否一致，决定是否需要对BN层参数进行更新，进而实现对于度量网络中BN层的全局均值和方差参数的微调。

全文数据：

权利要求：

百度查询： 浙江大学滨江研究院 杭州熔合智造科技有限公司 基于BN关系网络的负荷识别模型构建方法及负荷识别方法