一种基于变分自编码器的负荷分解方法技术

本发明专利技术属于非侵入式负荷分解技术领域，具体为一种基于变分自编码器的负荷分解方法。本发明专利技术利用实例

【技术实现步骤摘要】
一种基于变分自编码器的负荷分解方法


[0001]本专利技术属于非侵入式负荷分解
，具体涉及基于变分自编码器的负荷分解方法。

技术介绍

[0002]建筑内部的能源消耗占全球能源消耗的20％，并且建筑能源消耗很容易通过节能措施来得到降低。非侵入式负荷监测或能量分解，就是试图通过从整个房屋电表的总功率中分解出相应电器的功率，从而制定电器使用策略来节省能源消耗。因此如何推断特定设备的电力负荷、进行电力负荷分解是现阶段主要的研究目标，如何利用深度学习相关的方法来提升负荷分解的准确率是当前研究的热门。虽然现在提出了许多解决方法，但是仍存在一些问题，例如很多模型都是在现有的数据集上针对某一电器进行训练，对未知的负载聚合数据模型的泛化能力较差，除此之外很多模型没有考虑多状态设备的负荷分解，只对有开/关状态的设备进行研究。

技术实现思路

[0003]本专利技术的目的在于提供一种基于变分自编码器的负荷分解方法，以提升网络模型的泛化性能，并有效的对多态设备的负载信号进行重构。
[0004]本专利技术利用实例
‑
批处理归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分自编码器的负荷分解方法，其特征在于，利用实例
‑
批处理归一化网络IBN
‑
Net来搭建网络的两个主要组件：编码器和解码器；该IBN
‑
Net用于加强对聚合负载数据中深层特征的提取，从而使得将信息映射到潜在空间的编码器和使用潜在表示重构目标设备负载信号的解码器拥有更好的表现；同时在编码器与解码器之间增加跨步连接，使解码器从编码器的特征映射中获取更多的信息，以提高解码器对总功耗的全局洞察力，从而更好的重构目标设备的负载信息；变分自编码器提供的正则化潜在空间，用于网络对聚合负载信号的相关特征进行编码，使得网络模型的泛化能力更强，且在多态设备的负载信号重构方面具有更高的精度；具体步骤为：步骤1，确定输入数据负荷分解任务所针对的设备负载信号分为两种类型，一是高频采样的数据，主要表现为每秒采样千次或万次的信号波形，包括电器稳态和瞬态之间的状态切换，以及电器持续负载状态；二是低频采样的数据，表现为电器运行时的电流、电压以及功率等相关数据的均方根值；针对低频采样下数据处理采用的网络，其输入数据为电器运行时电表记录的总功率，采样数为每秒6次；由于该网络实现的目标是重构目标设备的负载信号，因此输出数据长等于输入数据长，为确保输出的数据能够表示不同设备的运行状态，将数据长T设置为512秒；针对较长时间的聚合负载数据，采用滑动窗口的方式将聚合负载数据序列划分为输入数据，滑动窗口长等于输入数据长；步骤2，构建实例
‑
批处理归一化网络一层实例
‑
批处理归一化网络主要包含两部分：实例归一化网络和批处理归一化网络，具体的网络结构为：从输入端至输出端之间，首先是三层依次连接的批处理归一化网络；其中，前两层批处理归一化网络，每层都包含一个卷积层和ReLU激活，第三层批处理归一化网络只包含一个卷积层；后面是一层实例
‑
批处理归一化网络，其输入通过残差连接与第三层批处理归一化网络的输出相加后输入到实例归一化网络层，随后经过ReLU激活得到实例
‑
批处理归一化网络的输出；步骤3，确定网络整体结构整体网络结构分为两部分：编码器和解码器，两部分的主要组成部分都为步骤2中构建的实例
‑
批处理归一化网络，并且两部分通过跨步连接相连；其中：编码器部分包括7层实例
‑
批处理归一化网络，除最后一层外，每一层网络后都跟着一个最大池化层，因此从输入到输出端，每一层实例
‑
批处理归一化网络的节点数都会减少；最大池化层的作用是用来降低输入数据时间上的维度，从而鼓励网络学习到目标设备负载...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：