(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 202111394557.4 (22)申请日 2021.11.23 (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 代理人 李丽萍 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于无监督预训练神经网络的非侵入式负 荷分解方法 (57)摘要 本发明公开了一种基于无监督预训练神经 网络的非侵入式负荷分解方法， 在序列到点卷积 神经网络架构的基础上， 利用同一数据集中其他 家庭的大量无标签数据对网络进行无监督预训 练， 再利用目标家庭中少量有标签数据对网络参 数进行微调。 通过将无监督预训练与有监督微调 相结合的训练方式， 训练获得可用于负荷分解的 深度神经网络模 型， 以提高网络在少量有标签数 据下的分解性能。 该方法主要是针对每个电器训 练一个相对应的神经网络， 训练好的神经网络可 从用户用电总功率数据中分解出单个电器的功 率。 本发明方法在目标家庭有标签数据很少的情 况下， 有效地提高了深度学习进行 非侵入式负荷 分解的效果， 具有较高的负荷分解潜力。 权利要求书1页 说明书7页 附图4页 CN 114037178 A 2022.02.11 CN 114037178 A 1.一种基于无监督预训练神经网络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： 在同一家庭电力负荷测量数据集中， 选定目标家庭后， 将除目标家庭以外的其 他家庭的无标签总功率数据输入到一神经网络中， 所述神经网络是序列到点卷积神经网 络， 其结构由5层卷积层和1层全连接层组成； 步骤2： 利用同一数据集中除目标家庭以外的其他家庭的无标签总功率数据， 对所述序 列到点卷积神经网络进行 无监督预训练， 得到预训练的序列到点卷积神经网络模型； 所述的无监督预训练阶段中， 所述序列到点卷积神经网络的输入表示为总功率序列滑 动窗口Yt:t+W‑1， t为时间， W表示总功率序列滑动窗口的长度， W为奇数， 该网络的输出是总功 率序列窗口 的中点值Yτ， 无监督预训练阶段的序列到点卷积神经网络模型如式(1)： Yτ＝Fp(Yt:t+W‑1)+ ε                               (1) 式(1)中， ε是W维的高斯随机噪声； 无监督预训练阶段的序列到点卷积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， 将该总功率序列输入至该网络 时， 将输入的总功率序列的两端均补上长度为[(W ‑1)/2]的0值； 步骤3： 获取目标家庭少于一周的具有相应单个电器功率的总功率数据， 输入到步骤2 得到的预训练后的序列到点卷积神经网络模型中； 利用目标家庭少于一周的有标签数据对 该预训练后的序列到点卷积神经网络模型进行有监 督参数微调； 所述的有监督参数微调阶段中， 所述预训练后的序列到点卷积神经网络模型的输入为 总功率序列滑动窗口Yt:t+W‑1， t为时间， W表示总功率序列滑动窗口的长度， W为奇数； 该网络 的输出是电器m功率序列窗口的中点值 有监督参数微调阶段的序列到点卷积神经网络 模型如式(3)所示： 式(3)中， ε是W维的高斯随机噪声； 有监督参数微调阶段的序列到点卷积神经网络训练的损失函数 形式为： 式(4)中， θp是网络参数， T是输入的总功率序列的总长， 将该总功率序列输入至该网络 时， 将输入的总功率序列两端均补上长度为[(W ‑1)/2]的0值； 至此， 得到参数微调后的网络模型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； 步骤4： 将目标家庭的总功率信号输入到上述的负荷 分解模型中， 该负荷 分解模型输出 单个电器功率窗口的中点值， 随着网络输入窗口的滑动， 得到所有目标家庭中一系列单个 电器功率窗口 的中点值， 进而得到预测的单个电器功率信号。权　利　要　求　书 1/1 页 2 CN 114037178 A 2基于无监督预训练神经 网络的非侵入式负荷分解方 法 技术领域 [0001]本发明属于非侵入式电力负荷监测领域， 尤其涉及一种基于无监督预训练的序列 到点网络的非侵入式负荷分解方法。 背景技术 [0002]随着智能电网的不断发展以及智能传感技术的持续推广， 电力大数据分析已逐渐 成为电力行业专家学者们研究的热点。 如何从用电数据中获取有用信息， 推动电力公司与 用户良性互动， 优化电网运行的同时保障双方利益， 是电力行业关注的重点。 用户负荷用电 细节监测是目前智能用电大数据研究 的重要内容之一[1]， 分为侵入式和非侵入式两种， 通 过对负荷用电行为的研究， 指导电力公司更好 地进行决策与服 务。 [0003]与侵入式负荷监测不同， 非侵入式负荷监测(Non ‑intrusive  Load Monitoring， NILM)技术是指仅在用户入口处安装一个传感器， 通过采集和分析用户总用电数据来监测 户内每个或每类电器的用电功率和工作状态， 从而了解居民家中各电器的耗电情况及用电 规律。 NILM技术对于优化电网规划、 运行与管理， 用户节省电能及电费具有重要意义， 同时 也是推动需求侧精细化管理、 节能减排的关键技 术之一[2]。 [0004]NILM技术自提出以来便受到广泛关注， 目前已有多种方法被应用于非侵入式负荷 分解当中， 已在图像处理以及自动语音识别等领域成功应用的深度神经网络， 近年来也成 为了实现非侵入式负荷分解的重要方法。 其中， 卷积神经网络能够有效提取电器用电信息 中的有用特征， 在NILM问题中展现出更好的效果。 利用卷积神经网络， 将NILM问题 转化为序 列到点的学习问题[ 3]， 输入窗口在 整个总功 率序列上滑动， 网络预测相应单个电器窗口的 中点。 该方法使神经网络能够将其表征能力集中在窗口的中点， 充分利用过去和未来的信 息， 提高网络预测能力， 且该 方法已被 证明具有很好的负荷分解 性能。 [0005]目前， 深度学习在NILM领域展现出良好的负荷分解效果， 但这些方法需要几周甚 至几年的大量有标签数据对深度神经网络进行训练。 这里， 有标签数据是指电表采集到的 具有相应单个电器用电信息的用户总用电信息。 然而在实际中， 获取大量的总用电信息以 及相应的单个电器用电信息是十分 困难且昂贵的， 多 数情况下很难为每个电器安装电表去 采集很长一段时间内的用电数据， 但是获得 大量的无 标签总用电数据是相对容 易的。 [0006]因此， 对于上述问题， 常见的用于NILM的深度学习方法无法满足要求， 亟需设计适 用于少量有标签数据场景的基于深度学习的非侵入式负荷分解方法。 [0007][参考文献] [0008][1]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[J].电网技 术,2016,40(0 3):791‑796. [0009][2]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网 技术,2013,7(04):1 ‑5. [0010][3]C.Zhang,M.Zhong,Z.Wang,N.Goddard,and  C.Sutton, “Sequence ‑to‑point  learning with neural networks  for non‑intrusive  load monitoring, ”Proceedings  说　明　书 1/7 页 3 CN 114037178 A 3