一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法技术

本发明专利技术公开了一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，主要包括以下步骤：数据预处理；构建多维度特征提取模型；模型预训练；迁移模型，在另一个数据集上微调训练模型；测试模型；负荷分解。本发明专利技术的多维度特征提取模型利用卷积以及循环神经网络的变种相融合的方式在不同通道维度内进行特征的提取，从而结合二者的优点更好的提取特征，通过多维度特征提取模型的特征提取能力，进行预训练时提取电器多个维度的运行特征，并得到预训练模型，然后将该模型迁移到与预训练时不同的数据集中，从而面对新环境的数据集无需从头训练，仅需对该种类电器进行微调训练，进而达到节约算力以及加快新模型训练的目的。

【技术实现步骤摘要】

本专利技术涉及深度学习和迁移学习在非侵入式负荷识别或分解方面的应用，尤其涉及一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法。

技术介绍

1、近年来随着科技水平和经济生活的提升，人民对能源的需求越来越大，因此能源危机正在成为每个国家需要面对的问题。在中国，能源问题已经成为重中之重。智能电网是能源发展的必然趋势，其关键技术便是获知电能详细用量，然后进行优化用电和配电，以达到能源合理利用的目的。了解电能详细用电信息这一过程叫做负荷监测，目前由于经济成本低、安装简便的原因，非侵入式负荷监测成为主流的监测方式。

2、非侵入式负荷监测是将通过在住宅总电表处安装监测仪器，采集该房屋内总的电压、电流、有功/无功功率等信息。针对这些信息进行特征提取，然后将这些特征与数据库内已有的电器负荷特征进行对比，从而识别房屋内各电器的用电情况，实现负荷分解。

3、目前非侵入式负荷分解的实现方法多是基于深度学习，通过各种网络层如卷积神经网络、循环神经网络等来进行特征提取。虽然这些网络模型在特定的数据集上取得了不错的分解精度，但是卷积神经网络不能提取时间本文档来自技高网...

【技术保护点】

1.一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，包括：

2.根据权利要求1所述的一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，所述步骤1包括：

3.根据权利要求1所述的一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，所述多维度特征提取模型包括特征提取模块、特征自适应模块、输出模块、损失函数；其中特征提取模块包括卷积层、LSTM层、SRU层以及特征合并层；特征自适应模块通过通道注意力机制来进行特征自适应；输出模块包括转置卷积层，全连接层。

4.根据权利要求3所述的一种基于迁移学...

【技术特征摘要】

1.一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，包括：

2.根据权利要求1所述的一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，所述步骤1包括：

3.根据权利要求1所述的一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，所述多维度特征提取模型包括特征提取模块、特征自适应模块、输出模块、损失函数；其中特征提取模块包括卷积层、lstm层、sru层以及特征合并层；特征自适应模块通过通道注意力机制来进行特征自适应；输出模块包括转置卷积层，全连接层。

4.根据权利要求3所述的一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法，其特征在于，所述特征提取模块从多个通道内学习电器数据特征，其中卷积层用于扩大特征维度，以从不同通道提取特征；lst...

【专利技术属性】
技术研发人员：蒋磊，朱林，何欣，金声，
申请(专利权)人：河南大学，
类型：发明
国别省市：