[發明專利]基于并行連接網絡的智能樓宇非侵入式負荷分解方法

在審

• 申請號: 202211066801.9
• 申請日: 2022-09-01
• 公開（公告）號: CN115392318A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 易靈芝;許翔翔;王雅慧;劉江永;劉西蒙;高宇航
• 申請（專利權）人: 湘潭大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G01R21/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于并行連接網絡的智能樓宇非侵入式負荷分解方法，其特征在于：

首先通過非侵入式分解量測裝置測量某區域的總功率數據和部分大功率可控負荷電器的功率數據，并進行數據預處理，生成訓練數據集；然后，構建并行連接網絡模型，通過空洞殘差卷積神經網絡和雙向長短期記憶網絡相結合的并行連接網絡提取特征，提升特征的表征能力，引入注意力機制，剔除冗余信息，進一步提取重要信息，提高模型的分解效果；之后，使用訓練數據訓練分解模型，得到優化的分解模型；最后，將實測原始數據輸入到優化后的分解模型進行負荷分解，得到分解結果，并對實驗結果進行分析；具體如下：

步驟1：選取智能樓宇簽約用戶中部分大功率可控負荷作為研究對象，使用非侵入式負荷分解量測裝置采集總功率數據和各個目標電器的功率數據，并進行數據預處理；此外，使用實測數據進行進一步處理，生成模型訓練數據集，并且以8：2的比例將數據集劃分為訓練集、測試集；

步驟2：構建基于并行連接網絡的分解模型；

步驟3：使用訓練集、測試集進行模型訓練、測試。通過不斷地調節模型參數和網絡結構，使分解模型達到最佳分解效果；將實測原始數據輸入到優化后的分解模型進行負荷分解，得到各個目標電器的分解結果；

步驟4：分析分解效果圖和參數指標。

2.根據權利要求1中一種基于并行連接網絡的智能樓宇非侵入式負荷分解方法，其特征在于：

所述步驟2中，構建基于并行連接網絡的分解模型；

首先，對輸入總功率進行數據處理后，分別輸入到空洞殘差卷積網絡和雙向長短期記憶網絡進行特征提取；為實現多角度特征提取，本發明“摒棄”傳統的逐層連接方式，采用并行連接，分別提取輸入數據的空間特征和時序特征；然后對不同特征進行同步處理可得相同維度的特征數據；隨后，將這些相同維度特征數據串聯，得到具有復合特征的特征數據；最后，將復合特征輸入到注意力機制模塊，進一步提取特征，提高特征的表征能力，并通過全連接層進行分解輸出；該分解模型可以分為空洞殘差卷積模塊、雙向長短期記憶網絡模塊、注意力機制模塊，具體結構如下：

1)空洞殘差卷積模塊

卷積神經網絡(Convolutional Neural Network，CNN)通過多個濾波器提取輸入數據的特征；這些濾波器對輸入數據進行逐層卷積和池化，層層提取蘊含在輸入數據中的拓撲結構特征；雖然卷積神經網絡的特征提取效果非常強大，但是，隨著網絡層數的增加，會出現梯度消失、過擬合等問題；為了彌補負荷特性利用率不充分、數據丟失、以及梯度消失等缺陷，引入“殘差連接”，借鑒“跨層連接”的思想，將原始輸入特征映射和后層的輸出特征映射相加，并利用激活函數完成特征融合，殘差連接使得網絡的前后信息傳遞更加順暢；定義底層映射為H(x)，加上殘差單元的輸入x,通過堆疊層去擬合殘差函數F(x)＝H(x)+x得到輸出；殘差連接主要由兩層權重層組成，每一層都含有權重參數；x表示輸入，殘差連接表達式如下：

F(x)＝ω₂σ(ω₁x) (1)

其中σ表示ReLU的非線性激活函數，ω₁,ω₂為權重參數；最后將輸入端x經過一個跨層連接的傳遞方式與第二個權重層的輸出結果相加獲得整個殘差結構最終的輸出；計算公式如下：

y＝F(x,{ω_i})+x (2)

其中，F(x,{ω_i})是殘差連接中要訓練學習的殘差映射函數，{ω_i}為權重參數集合；根據式(1)、(2)，通過殘差結構中第1個殘差連接的輸入特征映射x_i，可以算出第L個殘差連接的輸出特征映射x_L，

此外，利用卷積層提取一個局部區域的特征，不同的卷積核相當于不同的特征提取器，采用空洞卷積在不增加參數量的情況下，成倍地擴大卷積核的感受野，捕獲更多的數據，可有效解決長時序數據較難學習的問題；為了盡可能保留數據的完整性，空洞卷積不采用池化效果，并通過0填充，擴大感受野。在空洞卷積的基礎上引入“殘差連接”，能解決梯度消失問題；

2)雙向長短期記憶網絡模塊

長短期記憶網絡(Long Short-Term Memory Network，LSTM)通過輸入門、遺忘門、輸出門等構成的特殊的門控機制，對輸入數據進行讀、寫入和保存操作；門控機制還能使自循環權值不斷變化，在網絡參數固定時，可改變不同時刻下的網絡尺度大小，可有效地解決循環神經網絡的梯度爆炸或梯度消失問題；為了提高LSTM提取特征的能力，通過使用兩個獨立的LSTM單元構成的隱藏層從兩個方向傳遞序列數據來處理向前和向后的時間序列，將從正向流和向后流輸出的序列全部被連接在一起，構成了雙向長短期記憶網絡(BiLSTM)可以精準的提取時序特征，解決了梯度消失和長序列難以學習的問題；

3)注意力機制模塊

注意力機制通過概率分配的方式選擇性地關注大量特征中重要特性，而忽略了大多數無效特性；聚焦過程反映在權重系數的計算中，通過計算輸出特征與輸入特征的相似性，得到輸入特征的權重系數，然后通過加權求和得到最終權重值；因此，本文在串聯特征后加入注意力機制，可以主動采集一些關鍵的輸入特征，從而提高模型的效率；具體步驟如下：

a)x＝[x₁,…,x_n]表示N個輸入特征，對每個輸入特征打分如式(4)：

s(x_i,q)＝v^Ttanh(Wx_i+U_q) (4)

其中:v^T，W為可訓練的參數矩陣，U_q為偏置矩陣，s(x_i,q)為特征x_i的得分；

輸入特征和輸出值越相關，其得分越高；

b)：注意力分布值a_i通過激活函數sigmoid進行計算：

a_i＝sigmoid(s(x_i,q)) (5)

c)：采用軟性的特征選擇機制對輸入特征X進行編碼，編碼公式如下：