(19)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 202211052074.0 (22)申请日 2022.08.31 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 赵博超　陈姝伊　栾文鹏　刘博　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 李丽萍 (51)Int.Cl. G06Q 50/06(2012.01) G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的非侵入式工业负荷分解方 法 (57)摘要 本发明公开了基于深度学习的非侵入式工 业负荷分解方法， 包括： 1)对采集到的工业负荷 总功率数据和单个工业负荷功率数据进行归一 化处理， 按深度学习的数据集划分比例划分成训 练集、 验证集和测试集； 2)对一个目标工业负荷， 将训练集中的工业负荷总功率数据作为s2p神经 网络的输入， 将训练集中该工业负荷的功率数据 作为s2p神经网络的输 出， 以此训练该s2p神经网 络； 采用早停机制防止过拟合， 得到负荷分解模 型； 3)将目标工业负荷测试集的总功率序列输入 到负荷分解模 型中， 将得到的目标工业负荷一系 列功率窗口的中点值连接得到预测的该工业负 荷功率信号。 本发明能够利用深度学习对此类复 杂负荷进行分解， 对于实现工业场景的NILM具有 重大意义。 权利要求书2页 说明书9页 附图4页 CN 115482123 A 2022.12.16 CN 115482123 A 1.一种基于深度学习的非侵入式工业负荷分解方法， 其特 征在于， 包括以下步骤： 步骤1、 确定待分解的多种目标工业负荷： 对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理， 然后， 按 深度学习的数据集划分比例划分成训练集、 验证集和 测试集三部分； 步骤2、 s2p神经网络网络训练和验证： 所述训练集和验证集用来训练s2p神经网络， 所述测试集中的数据为待分解的工业负 荷总功率数据， 用来测试训练后的s2p神经网络的分解 性能； 所述s2p神经网络的结构是包括输入层和输出层， 自所述输入层至输出层依次设有5个 卷积层和一个全 连接层， 5个卷积层依次记为卷积层1、 卷积层2、 卷积层3、 卷积层4和卷积层 5， 上述所有各层的参数如下： 对一个目标工业负荷， 将训练集中的工业负荷总功率数据作为s2p神经网络的输入， 将 训练集中该工业负荷的功率数据作为s2p神经网络的输出， 以此训练该s2p神经网络； 将验证集中的工业负荷总功率数据作为该训练的s2p神经网络的输入， 将训练集中该 工业负荷的功率数据作为该训练的s2p神经网络的输出， 在每一迭代轮次中调整该训练后 的s2p神经网络的参数； 所述的网络训练和验证过程中， 应用长度为W的滑动窗口， 将训练集中的总功率信号Y 分割， 从功率序列t＝1时刻开始向后滑动， 每次滑动步长为1， 将Y分割成多个长度为W的总 功率序列Yt:t+W‑1， t为时间点； s2p神经网络的输入为多个总功率序列Yt:t+W‑1， 且W为奇数； 该 s2p神经网络的输出 是对应时刻电器m功率序列的中点 值 s2p神经网络如式(1)所示： 式(1)中， ε是W维的高斯随机噪声； s2p神经网络训练的损失函数 形式为： 式(2)中， θp是网络参数， T是输入的总功率序列的总长； 网络训练和验证过程中， 采用早停机制防止过拟合， 当满足早停机制的容忍度是5个迭 代轮次， 得到训练后的神经网络即为用于从总功率中分解出单个电器功率的负荷分解模 型； 对于各个目标工业负荷执行步骤2， 对每一个目标工业负荷训练一个用于分解的神经网 络模型；权　利　要　求　书 1/2 页 2 CN 115482123 A 2步骤3、 对于一个目标工业负荷测试集的总功率信 号Ytest， 应用长度为W的滑动窗口， 将 训练集中的总功率信号Ytest分割， 从功率序列t＝1时刻开始向后滑动， 每次滑动步长为1， 将Ytest分割成多个长度为 W的总功率序列 t为时间点； 将总功率序列 输入到步骤2得到的负荷分解模型中， 该负荷分解模型输出单个负 荷功率窗口的中点值， 网络输入窗口以步长1个样本延时间轴滑动， 得到目标工业负荷一系 列功率窗口 的中点值， 将各个中点 值连接， 进 而得到预测的单个工业负荷功率信号。 2.根据权利要求1所述的非侵入式工业负荷 分解方法， 其特征在于， 步骤1中， 所述训练 集和验证集中包括工业负荷总功 率数据和单个工业负荷功率数据， 所述测试集仅包括工业 负荷总功 率数据； 其中， 训练集中数据量均分别大于验证集中数据量和测试集中数据量， 同 时， 训练集中数据量 为测试集中数据量的2倍以上。 3.根据权利要求1所述的非侵入式工业负荷 分解方法， 其特征在于， 步骤2中， 所述的早 停机制的容忍度是5个迭代轮次， 是指当某次迭代后连续5次迭代中的损失函数都大于该次 迭代中的损失函数值， 则取 该次迭代后的神经网络为训练后的神经网络， 训练和验证停止 。权　利　要　求　书 2/2 页 3 CN 115482123 A 3