(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 202111104605.1 (22)申请日 2021.09.2 2 (71)申请人 吉林化工学院 地址 132022 吉林省吉林市龙潭区承 德街 45号 (72)发明人 林琳　史建成　王升　陈诚　张杰　 高兴泉　韩光信　于军　陈玲玲　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种改进的非侵入式负荷分解模型 (57)摘要 本公开是一种改进的非侵入式负荷分解模 型， 其中， 该方法包括： 将结构化概率剪枝算法和 Luong Attention机制引入到非侵入式负荷分解 模型， 首先将家庭总负荷数据和各电器的负荷数 据进行预处理， 通过滑动窗口方式提取有功功率 时间序列， 构建适用于输入长序列的seq2point 网络模型； 引入结构化概率剪枝算法压缩模型， 提高模型训练效率； 采用LuongAttention机制提 升模型对时间序列信息特征的提取与利用能力； 比较传统神经网络模型， 该模型在负荷分解精度 和效率上都具有一定程度的提升 。 权利要求书2页 说明书6页 附图3页 CN 113987913 A 2022.01.28 CN 113987913 A 1.一种改进的非侵入式负荷分解模型， 其中， 该 方法包括： 将结构化概率剪枝算法和Luong  Attention机制引入到非侵入式负荷分解模型， 首先 将家庭总负荷数据和各电器的负荷数据进 行预处理， 通过滑动窗口方式提取有功功 率时间 序列， 构建适用于输入长序列的seq2point网络模型； 引入结构化概率剪枝算法压缩模型， 提高模型训练效率； 采用Luong  Attention机制提升模型对时间序列信息特征的提取与利 用能力； 比较传统神经网络模型， 该模 型在负荷分解精度和效率上都具有一定程度的提升， 具体实现步骤如下： (1)数据预处理： 从智能电表采集主电源的总有功功率以及各个电器的电力负荷数据， 对其进行初步的数据预处 理， 数据归一 化处理公式如下: 式中： xt表示在时间t电表的功率读数， 表示主电源或家用电器 的功率平均值， σ 表示 主电源或家用电器的功率标准差,X表示归一 化后的数据； (2)时间序列数据提取： 因为电力负荷数据是一种长序列数据， 不可直接输入， 且深度 学习模型 的输入序列长度固定， 所以采用滑动窗口的方法提取数据； 将预处理后得到的数 据， 设置一个参数为W的滑动窗口， 对预处理后的时间序列数据进行提取； 读取主电源有功 功率的时间序列 作为神经网络模型的输入； (3)深度神经网络模型选取： 为了减小窗口边缘信 息的影响， 凸显输入窗口中处于稳定 状态的真实信息， 选择适用于输入长序列(有功功率时间序列)的序列到点(seq2point)模 型； 本发明采用卷积神经网络来建立seq2point模 型， 模型由5个一 维卷积层和2个完全连接 层组成； 其中输入是主电源有功功 率的时间序列， 输出是目标设备窗口的中点， 即目标设备 对应窗口的中点功 率值； seq2point模型原理为通过整个窗口的数据训练网络模 型， 该模型 使网络的表达能力集中在主电源窗口的中点， 并充分利用相邻区域的信息， 提高负荷分解 精度， 在这一模型中神经网络定义为Fp,网络输入的总负荷窗口数据为Yt： t+W‑1， 输出为目标 设备相应窗口的中点Xτ， 其中 将输入的滑动窗口Yt： t+W‑1映射到对应窗口Xt： t+W‑1的 中点， 模型的损失函数 可表示为： 其中, θp是神经网络Fp的参数， T是输入信号的长度， W是滑动窗口的大小， p是概率论中 的近似分布， 通过序列到点学习直接对中点值建模， 因此， 对p(xτ|Y， θ )的优化可以通过以 下公式实现： 由上面公式获得的最小值表示为θ*， 即模型的最优值， 那么中点值的近似分布为pτ(xτ| Y， θ*)； (4)基于结构化概率剪枝算法的seq2point模型优化： 引入结构化概率剪枝算法压缩 seq2point模 型， 该算法是一种用于卷积神经网络加速的渐进式参数剪枝 方法， 以概率的方 式有效地删减卷积层的权重， 且引入了每个权重的剪枝概率， 能够纠正早期训练阶段对重权　利　要　求　书 1/2 页 2 CN 113987913 A 2要性的误判， 在训练过程中， 根据重要性 准则降低剪枝概 率； (5)Luong  Attention机制解码： 引入Luong  Attention机制， Luong  Attention是一种 乘性注意力机制， 可提取与当前时刻相关度最高的编码层隐藏状态进行解码， 避免模型训 练过程中的梯度问题、 获得 更精细化的负荷特 征、 提高负荷辨识 精度； 模型通过引入结构化概率剪枝算法和Luon g Attention机制， 提高模型训练效率， 且提 升了模型对时间序列信息特征的提取与利用能力， 最后经过Dense完全连接层， 输出为负荷 分解得到的功率 值。权　利　要　求　书 2/2 页 3 CN 113987913 A 3