(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 202111495935.8 (22)申请日 2021.12.09 (71)申请人 国网辽宁省电力有限公司经济技 术 研究院 地址 110016 辽宁省沈阳市沈河区文 萃路 183-1号 申请人 国家电网有限公司 (72)发明人 商文颖　程孟增　王宗元　徐熙林　 张娜　邬桐　李金起　胡旌伟　 张玫珊　刘凯　杨方圆　杨博　 许言路　杨天蒙　 (74)专利代理 机构 辽宁沈阳国兴知识产权代理 有限公司 21 100 代理人 何学军　李丛(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于零样本学习的综合能源系统非侵 入式建模方法 (57)摘要 本发明属于能源系统建模技术领域， 尤其涉 及一种基于零样本学习的综合能源系统非侵入 式建模方法。 本发明利用基于稀 疏编码的零样本 学习对自能源中设备分类， 对综合能源系统已知 数据集及其辅助信息对分类模型进行训练， 将已 知数据集所学习的知识有效迁移到未知数据集 中， 实现对未知设备数据集的分类； 采用双向长 短期记忆网络对设备运行状态进行提取， 根据提 取结果对综合能源系统中用电设备、 发电设备和 储能设备的运行状态划分； 基于设备运行状态建 立多模因子隐马尔可夫模型， 实现对含未知类型 设备的综合能源系统的非侵入式建模。 本发明准 确地识别综合能源系统中未知类型设备， 有效减 少非侵入式建模 方法的平均误差， 使模型精度和 准确度得到 显著提高。 权利要求书5页 说明书12页 附图4页 CN 114386314 A 2022.04.22 CN 114386314 A 1.一种基于零样本学习的综合能源系统非侵入式建模方法， 其特 征是： 包括以下步骤： 步骤1.对综合能源系统中已知类型设备和未知类型设备进行分类； 步骤2.根据分类结果对综合能源系统中各设备进行运行状态提取； 步骤3.根据提取的运行状态进行划分； 步骤4： 根据划分结果建立 一种多模因子隐马尔可 夫模型； 步骤5： 对所建立的多模因子隐马尔可 夫模型进行参数估计； 步骤6： 对参数估计结果进行解码多模因子隐马尔可夫模型隐藏状态， 最终建立综合 能 源系统分解模型。 2.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 所述综合能源系统中已知类型设备包括： 光伏发电设备、 风力发电设备、 电储能设 备、 电动汽车、 旋转电机、 电锅炉、 微燃气轮机、 电暖气、 电烤箱、 电冰箱、 洗衣机以及照明设 备。 3.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 对所述已知类型设备和未知类型设备进 行分类是利用基于稀疏编 码的零样本学习 对自能源中设备进行分类， 对综合能源系统 已知数据集及其辅助信息对分类模型进行训 练， 将已知数据集所学习的知识有效迁移到未知数据集中， 从而实现对未知设备数据集的 分类。 4.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 步骤1所述对综合能源系统中已知类型设备和未知类型设备进行分类， 包括： 步骤1.1： 将综合能源系统 中的Nknow个已知类 型设备运行功率时间序列构成已知数据集 合 其中Dknow为已知数据集合， pknow,i为 已知类型设备运行功率时间序列， yknow,i为相应的已知 类型设备标签， Yknow为已知类别设备 标签集合， Qknow为已知类型设备的数量； 步骤1.2： 将综合能源系统 中待识别的NX个未知类型设备运行功率时间序列 构成未知数 据集合 其中DX为未知数据集合， pX,i为未知类型设 备运行功率时间序列， yknow,i为相应的未知类型设备标签， Yknow为未知类别 设备标签集合， Qknow为已知类型设备的数量， yX,i为相应的未知类型设备 标签； 步骤1.3： 对已知类型设备运行功率时间序列进行语义字典学习： 其中， Lknow为已知类型设备语义字典， Hknow为已知类型设备语义表示， || ·||F为 Frobenius范数， 为已知类型设备语义字典正则项， λ控制正则项的强度， Pknow为已知 类型设备运行功率时间序列； 步骤1.4： 对未知类型设备运行功率时间序列进行语义字典学习： 其中， qj为yX,j在语义嵌入 空间的表示， ωij为输入时间序列pX,i属于标权　利　要　求　书 1/5 页 2 CN 114386314 A 2签yX,j的概率， HX为未知类型设备语义表示， LX为未知类型设备语义字典， si为设备运行状 态， ||LX‑Lknow||为用于限制LX与Lknow适应度的正则项， ||hi‑qj||为用于限制未知类型设备 功率时间序列在语义嵌入空间的表示与未知类型设备标签在语义嵌入空间的表示的相似 度的正则项； 步骤1.5： 分别固定对步骤3.3和步骤3.4中的HX和LX进行交替迭代求解， 并根据结果在 嵌入空间中找到对应分类： 上式中， 为未知类型设备语义表示最优解， 为未知类型设备语义表示最优解， | |·||F为Froben ius范数。 5.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 步骤2所述根据分类结果对综合能源系统中各设备进 行运行状态提取， 是利用基于 双向长短期记忆网络设备进行运行状态 提取， 所用Bi ‑LSTM网络共包含 六层， 其中输入层的 长度为时间窗t长度， 第二层为卷积层， 用来 从信号中提取特征， 第三、 四层是Bi ‑LSTM， 第五 层为卷积层、 第六层是全连接层， 整个网络通过时间正反双向传播方法进行训练。 6.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 步骤3所述 根据提取的运行状态进行划分， 包括如下步骤： 步骤3.1： 根据步骤1分类结果对用电设备运行状态进行划分： 其中， nd为类型d的用电设备数量， 用电设备在t时刻的 运行状态； 步骤3.2： 根据步骤1分类结果对发电设备运行状态进行划分： 其中， nDG为发电设备工作模式数量， sDG,t为发电设备在 t时刻的运行状态； 步骤3.3： 根据步骤1分类结果对 储能设备运行状态进行划分： 其中， 为储能设备的运行模式， 为储能 设备的额定功率， ses,t为储能设备在t时刻的运行状态。 7.根据权利要求1所述的一种基于零样本学习的综合能源系统非侵入式建模方法， 其 特征是： 步骤4所述 根据划分结果建立 一种多模因子隐马尔可 夫模型， 如下式： 权　利　要　求　书 2/5 页 3 CN 114386314 A 3