(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111251467.X (22)申请日 2021.10.27 (71)申请人 国网西藏电力有限公司拉萨供电公 司 地址 850014 西藏自治区拉萨市 娘热路24 号附4号 (72)发明人 周勇军　吴元香　董智华　周峰　 计超　杨林　肖先勇　张姝　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 代理人 何凡 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/06(2020.01) (54)发明名称 基于seq2point模型的非侵入式负荷分解方 法 (57)摘要 本发明公开了一种基于seq2point模型的非 侵入式负荷分解方法， 其包括S1、 获取待测目标 电器设备对应的电表的总功率， 并采用预设采样 频率对总功率进行重采样得到重采样数据； S2将 重采样数据与电表总功率标准数据进行对比， 删 除重采样数据中的异常片段得到网络的输入数 据； S3根据输入数据的初始长度， 计算输入数据 的最佳序列长度； S4采用已训练的seq2point模 型对调整至最佳序列长度的输入 数据进行识别， 得到待测目标电器设备的功率曲线。 权利要求书2页 说明书5页 附图2页 CN 113901726 A 2022.01.07 CN 113901726 A 1.基于seq2po int模型的非侵入式负荷分解方法， 其特 征在于， 包括 步骤： S1、 获取待测目标电器设备对应的电表的总功率， 并采用预设采样频率对总功率进行 重采样得到 重采样数据； S2、 将重采样数据与电表总功率标准数据进行对比， 删除重采样数据中的异常片段得 到网络的输入数据； S3、 根据输入数据的初始长度， 计算输入数据的最佳序列长度： ESL＝SL×SI×RF 其中， SL为输入数据的初始长度； SI 为采用间隔； RF为重采样率； ESL 为最佳序列长度； S4、 采用已训练的seq2point模型对调整至最佳序列长度的输入数据进行识别， 得到待 测目标电器设备的功率曲线： xτ＝Fp(Yt： t+W‑1)+ ε 其中， xτ为当前设备输出窗口的中点； Yt： t+W‑1为输入数据的滑窗片段； Xt： t+W‑1为目标电 器设备的滑窗序列； 所述seq2point模型的网络结构包括依次连接的五个卷积层， 最后一个卷积层的输出 顺次与全连接层和输出层连接， 相邻的卷积层之间及最后一个卷积层与全连接层之 间插入 有辍学层。 2.根据权利要求1所述的基于seq2point模型的非侵入式负荷分解方法， 其特征在于， 所述seq2po int模型的损失函数为： 其中， θp为seq2point模型的网络参数； T为序列长度； W为滑动窗口的窗口； log  p(.)为 求取特征对数。 3.根据权利要求1或2所述的基于seq2point模型的非侵入式负荷分解方法， 其特征在 于， 所述seq2po int模型的训练方法包括： S41、 获取采用若干接入有目标电器设备的电表 的总功率及对应目标电器设备的功率 数据构成的数据集； S42、 采用预设采样频率对数据集中的数据进行重采样， 并将重采样后数据与标准数据 进行对比， 删除重采样后数据中异常片段 得到更新后的数据集； S43、 根据更新后的数据集中每个数据的初始长度， 分别计算每个数据的最佳序列长 度， 得到每 个数据具有最佳序列长度的训练集； S44、 采用训练集对seq2point模型进行训练， 之后采用若干接入有 目标电器设备的电 表中的功率数据构成的测试集对已训练的seq2point模型进行测试， 得到每个目标电器设 备的功率曲线； S45、 将每个目标电器设备的功率曲线与目标电器设备原功率曲线进行比对， 根据比对 结果得到seq2po int模型的识别准确率； S46、 判断识别准确率是否大于预设准确率， 若是， 则完成seq2point模型的训练， 否则 进入步骤S47； S47、 采用双向注意力机制的空洞残差深层网络对已训练的seq2point模型进行修正，权　利　要　求　书 1/2 页 2 CN 113901726 A 2得到完成训练的seq2po int模型。 4.根据权利要求3所述的基于seq2point模型的非侵入式负荷分解方法， 其特征在于， 所述采用训练集对seq2po int模型进行训练进一 步包括： S441、 随机删除seq2po int模型中一半的隐藏神经 元， 输入输出神经 元保持不变； S442、 将训练集中预设比例的数据输入删除一半隐藏神经元的网络前向传播， 并将得 到的损失结果进行反向传播， 之后在保留的神经 元上采用随机梯度下降法更新网络参数； S443、 恢复被删掉的隐藏神经元， 并判断网络参数损失函数是否小于预设误差或者迭 代次数是否大于预设迭代次数； 若满足任一条件， 则完成seq2point模型的训练， 否则返回 步骤S441。 5.根据权利要求4所述的基于seq2point模型的非侵入式负荷分解方法， 其特征在于， 所述seq2po int模型训练过程中网络的计算公式为： 其中， rj(l)为根据概率p构 成的伯努利分布值； Bernoulli(.)为伯努利分布函数； p为概 率； 为经由随机放弃的神经元现输出； y(l)为神经元的原输出； 为第i个神经元在 第l+1层的输出； 为卷积层中第i个神经元在第l+1层的权重； 为第i个神经元 在第l+1层的偏置； 为目前神经 元的输出； f(.)为神经 元的输出函数。 6.根据权利要求1、 2、 4或5所述的基于seq2point模型的非侵入式负荷分解方法， 其特 征在于， 将最佳序列长度的输入数据输入seq2point模型前还包括在输入数据的头部和尾 部填充预设数量的零。 7.根据权利要求1、 2、 4或5所述的基于seq2point模型的非侵入式负荷分解方法， 其特 征在于， 所述目标电器设备包括水壶、 微波炉、 冰箱、 洗碗机和 洗衣机， 在进行训练时， 目标 电器设备为同类型设备。权　利　要　求　书 2/2 页 3 CN 113901726 A 3