一种适用于非侵入式负荷分解的迁移方法技术

一种适用于非侵入式负荷分解的迁移方法，它通过实例化一个母模型并加载预训练权重；通过该模型运行新的数据集，并记录母模型中解码器的输出，提取其特征；使用输出的特征向量作为新的较小模型的输入进行训练。与之前的方法不同，这种迁移方法只需在目标数据域上运行一次母模型，而不是每个训练周期都运行一次。本发明专利技术的方法具有更优的模型架构，提高了模型的泛化能力，具有更高的数据质量。子模型的输入不再是传统的能耗序列而是经过母模型计算的特征，这也提高了负荷分解预测效果，降低了软硬件资源消耗，具有较高的实用价值。

【技术实现步骤摘要】

本专利技术涉及图像识别，特别是一种用电功率的负荷分解迁移方法。

技术介绍

1、根据国际能源署(international energy agency，简称iea)的统计，能源业的温室气体排放量达到总排放量的四分之三。随着全球能源需求的不断增长，减少建筑物的碳排放量是保证可持续性发展和二氧化碳零排放的重要条件。

2、随着机器学习的不断发展，越来越多的学者将机器学习应用到非侵入式负荷监测(non-invasive load monitoring，nilm)中去。根据机器学习的特点，解决nilm的方法分为基于有监督学习的方法和无监督学习的方法。根据预测目标变量的类型不同，解决nilm的方法划分为基于分类问题的方法和基于回归问题的方法。根据是否存在明确的状态变化，各种nilm方法分为基于事件的方法和非基于事件的方法。其中，基于事件的方法需要大量的人工标注数据，导致人力的大量消耗和模型训练中耗时的占用。另外，根据目标数量的不同，各种nilm方法又可以分为基于单目标的方法和基于多目标的方法，等等。

3、目前，在nilm应用研究中认为普遍存在以下本文档来自技高网...

【技术保护点】

1.一种适用于非侵入式负荷分解的迁移方法，其特征在于，所述迁移方法按以下步骤进行：

2.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，在步骤C，构建母模型，母模型包括骨干网络、编码器和解码器三部分，骨干网络由4个卷积块和2个最大池化层组成；通过卷积块增加序列通道数，通过增加通道数，增加网络的层数，使母模型能够学习到更加复杂的特征，通过最大池化层提取序列的特征；每个卷积块由一维卷积、批归一化(BatchNorm,BN)和线性整流函数(Rectified Linear Unit,ReLU)三部分组成，卷积块的作用是逐步扩张数据通道数以便母模型学习不同通道的数据...

【技术特征摘要】

1.一种适用于非侵入式负荷分解的迁移方法，其特征在于，所述迁移方法按以下步骤进行：

2.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，在步骤c，构建母模型，母模型包括骨干网络、编码器和解码器三部分，骨干网络由4个卷积块和2个最大池化层组成；通过卷积块增加序列通道数，通过增加通道数，增加网络的层数，使母模型能够学习到更加复杂的特征，通过最大池化层提取序列的特征；每个卷积块由一维卷积、批归一化(batchnorm,bn)和线性整流函数(rectified linear unit,relu)三部分组成，卷积块的作用是逐步扩张数据通道数以便母模型学习不同通道的数据特征；在上半部分，经过卷积块1处理后得到序列特征为经过最大池化...

【专利技术属性】
技术研发人员：梅华威，刘艳平，曹旺斌，张月圆，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：