基于卷积神经网络对家庭能量分解的预测方法技术

本发明专利技术的实施例提供了一种基于卷积神经网络对家庭能量分解的预测方法，涉及家庭能量分解预测技术领域。该预测方法包括：构建面向负荷分解的卷积神经网络，卷积神经网络包括连接的特征提取层和高层；训练卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化；多样本处理批量标准化；对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度；通过Dropout技术防止机器学习模型的过拟合；进行序列到序列、序列到点的负荷分解预测；基于迁移学习进行负荷分解。该预测方法，解决了现有的深度神经网络配合简单的滑动窗口方法无法有效的预测单点元素的问题。

【技术实现步骤摘要】
基于卷积神经网络对家庭能量分解的预测方法
本专利技术涉及家庭能量分解预测
，具体而言，涉及一种基于卷积神经网络对家庭能量分解的预测方法。
技术介绍
当前的家用电表只能报告整个家庭的累计耗能数据，无法以设备为单位展示家庭每个电器的耗电情况。能量分解本质上是无法识别的，因此是一个困难的预测问题。深度神经网络已被证明是解决这些问题的一种有前途的方法，可以通过使用神经网络，如卷积和递归神经网络的序列到序列学习方法来对单通道盲源分离问题进行建模。序列到序列学习的思想是训练一个深层网络，以在家庭主电源功耗读数输入序列与单个家用电器设备功率读数输出序列之间进行映射。现有的深度神经网络从一个观察到的主电源功耗数据中分解提取出多个能耗来源电器数据时，易于受到图形处理单元（GPU）的内存限制，以及在递归神经网络中存在的梯度消失和梯度爆炸问题，即使配合简单的滑动窗口方法无法有效的预测单点元素的问题。因此，设计一种基于卷积神经网络对家庭能量分解的预测方法，能够避免图形处理单元的内存限制，也能够避免递归神经网络中的梯度消失和梯度爆炸问题，这本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述预测方法包括：/n构建面向负荷分解的卷积神经网络，所述卷积神经网络包括连接的特征提取层和高层；/n训练所述卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化；/n多样本处理批量标准化；/n对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度；/n通过Dropout技术防止机器学习模型的过拟合；/n进行序列到序列、序列到点的负荷分解预测；/n基于迁移学习进行负荷分解。/n

【技术特征摘要】
1.一种基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述预测方法包括：
构建面向负荷分解的卷积神经网络，所述卷积神经网络包括连接的特征提取层和高层；
训练所述卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化；
多样本处理批量标准化；
对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度；
通过Dropout技术防止机器学习模型的过拟合；
进行序列到序列、序列到点的负荷分解预测；
基于迁移学习进行负荷分解。


2.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述多样本处理批量标准化的步骤包括：
在所述卷积神经网络的每一层前插入了一个归一化层。


3.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述特征提取层包括交替设置的卷积层和池化层，所述高层为全连接层。


4.根据权利要求3所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述全连接层位于所述卷积神经网络的隐含层的最后部分。


5.根据权利要求4所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述全连接层的数量为一层或两...

【专利技术属性】
技术研发人员：郭子健，李晶晶，朱海，陈宗伟，胡国平，何平，
申请(专利权)人：清华四川能源互联网研究院，
类型：发明
国别省市：四川;51