(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 202211051983.2 (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 余贻鑫　陈姝伊　栾文鹏　赵博超　 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 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自监督学习的非侵入式负荷分解方法 (57)摘要 本发明公开了一种基于自监督学习的非侵 入式负荷分解方法， 包括： 1)将目标数据集中选 定的无标签总功率信号分割成多个长度为W的序 列； 2)完成自监督前置任务得到预训练后的序列 到点神经网络； 3)将 源数据集中选定的有标签总 功率信号分割成多个长度为W的序列； 4)完成有 监督下游任务得到负荷分解模型， 5)将目标数据 集中待分解的总功率信号分割成多个长度为W的 序列， 6)将步骤5)中的序列输入到步骤 4)中的负 荷分解模型中， 该神经网络的输出是预测的单个 电器在一个时刻的功率值， 进而得到预测的单个 电器功率信号。 本发明可以从目标数据集中的无 标签数据中学习有用的特征， 实现了针对目标数 据集的无监 督NILM， 具有较大的应用意 义。 权利要求书3页 说明书12页 附图4页 CN 115423646 A 2022.12.02 CN 115423646 A 1.一种基于自监 督学习的非侵入式负荷分解方法， 其特 征在于， 包括以下步骤： 步骤1、 应用长度为W的滑动窗口， 将 目标数据集中选定的一用户或多个用户的无标签 总功率信号ypre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ypre分割成 多个长度为 W的无标签总功率序列 t为时间点； 步骤2、 完成自监督的前置任务得到预训练后的序列到点神经网络， 以学习无标签总功 率数据中的特征， 包括： 将步骤1中获得的目标数据集中的多个无标签总功率序列 输 入序列到点神经网络中， 对序列到点神经网络进行预训练后， 得到对各目标电器通用的预 训练后的序列到点神经网络； 步骤3、 应用长度为W的滑动窗口， 将源数据集中选定的多个用户的有标签总功率信号 yfine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yfine分割成多个长度为 W的总功率序列 t为时间点； 步骤4、 完成有监督的下游任务得到用于从总功率中分解出单个电器功率的负荷分解 模型， 包括： 将步骤3中获得的源数据 集中的多个有标签总功率序列 输入步骤2得到的 预训练后的序列到点神经网络中， 对该神经网络进 行微调后， 得到用来对目标电器 m进行负 荷分解的神经网络， 是所有电器的集 合； 步骤5、 应用长度为W的滑动窗口， 将目标数据集中目标家庭的待分解的总功率信号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； 步骤6、 将目标数据集中目标家庭的多个总功率信号 输入到步骤4中的微调后的神 经网络中， 该神经网络的输出是预测的单个电器在一个时刻的功率值， 随着网络输入窗口 的滑动， 得到目标家 庭中一系列单个电器功率 值， 进而连接得到预测的单个电器功率信号。 2.根据权利要求1所述的非侵入式负荷 分解方法， 其特征在于： 所述的序列到点神经网 络是s2p神经网络， 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： 权　利　要　求　书 1/3 页 2 CN 115423646 A 23.根据权利要求2所述的非侵入式负荷分解方法， 其特 征在于： 步骤2中， 预训练后的序列到点神经网络记为神经网络fs2p， 式(11)中， ε是W维的高斯随机噪声， 该神经网络fs2p的输出是各个无标签总功率序列 的中点值 预训练过程中， s2p神经网络训练的损失函数 形式为： 式(12)中， θSSL是网络参数； 步骤4中， 对该神经网络fs2p进行微调后， 得到用来对目标电器m进行负荷分解的神经网 络 式(13)中， ε是W维的高斯随机噪声； 该神经网络 的输入是步骤 3中获得的多个总功率 序列 该神经网络 的输出是对应时刻的单个电器总功率序列的中点值 微调过程中， s2p神经网络训练的损失函数 形式为： 式(14)中， θ 是网络参数； 步骤6中， 将目标数据集中目标家庭的多个总功率信号 输入到步骤4得到的神经 网络 中， 该神经网络 的输出即为预测的单个电器功率窗口的中点值 随着网络输 入窗口的滑动， 得到目标家庭中一系列单个电器功率窗口的中点值， 连接后得到预测的单 个电器功率信号。 4.根据权利要求1所述的非侵入式负荷 分解方法， 其特征在于： 所述的序列到点神经网 络是Bi‑GRU神经网络， 所述Bi ‑GRU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 次设有一层卷积层， 两层双向门控递归单元层以及一层全连接层， 两层双向门 控递归单元层依次记为双向门控递归单元层1和双向门控递归 单元层2； 上述所有 各层的参 数如下：权　利　要　求　书 2/3 页 3 CN 115423646 A 3