【技术实现步骤摘要】
一种基于分布鲁棒深度神经网络模型的非侵入式负荷分解方法
[0001]本专利技术属于计算机
，尤其涉及一种基于分布鲁棒深度神经网络模型的非侵入式负荷分解方法。
技术介绍
[0002]能源是一种不可或缺的、无处不在的元素，影响着我们日常生活的方方面面。然而，涉及生产和消费的人类活动导致了发电产生的大量二氧化碳排放，这在推动人为气候变化方面发挥了重要作用。因此，监测电力使用以提高能源效率并减少与我们的活动相关的碳足迹变得至关重要。有效监察用电情况的基础，是取得个别电器的全面和详细的用电模式资料。非侵入式负荷监控技术提供了一种很有前途的解决方案，它将聚合负载分解为特定于设备的组件，而不需要直接访问它们的负载信息。通过采用先进的算法和数据处理方法，非侵入式负荷监控技术可以促进对能源消耗模式的细粒度理解，为更有针对性和更有效的能源管理策略铺平道路。在一个可持续发展和环境保护至关重要的世界里，采用非侵入式负荷监控技术可以成为培养负责任的能源消费习惯的有力工具，从而显著减少温室气体排放，促进更环保的未来。然而，非侵入式负荷监控技术仍然...
【技术保护点】
【技术特征摘要】
1.一种基于分布鲁棒深度神经网络模型的非侵入式负荷分解方法，其特征在于，所述方法包括：S1：构建分布鲁棒优化模型，所述的模型引入由修正的卡方距离定义构建的散度函数以及一个与每个批次样本损失相关的自适应鲁棒参数；S2：对该模型进行推导求解，得到与每个批次样本相关联的分布解析表达式，预训练网络模型，得到每个批次样本的损失值；S3：将预训练得到的每个批次样本的损失值用于上述分布的更新，依据更新的分布对样本进行批次抽取，对抽取的批次样本重新计算损失并计算网络梯度用于更新网络参数。S4：通过上述重新计算获得的每个批次样本的损失值和上述推导获得的分布解析表达式，重新计算每个批次样本分布，并作为抽取批次样本的依据。循环上述步骤进行训练，直至模型损失收敛，得到用于电器设备功率预测的模型。2.根据权利要求1所述的基于分布鲁棒深度神经网络模型的非侵入式负荷分解方法，其特征在于，步骤S1中，所述构建的分布鲁棒优化模型包括以下步骤：(1
‑
1)定义修正的卡方距离定义的散度函数：(1
‑
2)考虑采用上述卡方距离散度函数定义上述分布鲁棒深度神经网络模型:其中θ为网络模型参数，Θ为参数空间，N为批次数量，q∈
△
M
为上述每个批次样本分布，p
emp
＝1/N为经验分布，l为训练损失，h为模型预测函数，x为模型输入，y为样本标签，β为用于调节模型鲁棒强度的鲁棒参数。3.根据权利要求1所述的基于分布鲁棒深度神经网络模型的非侵入式负荷分解方法，其特征在于，步骤S2中，对该模型通过使用近似的卡罗需
‑
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。