[发明专利]基于卷积神经网络对家庭能量分解的预测方法

权利要求书

1.一种基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述预测方法包括：

构建面向负荷分解的卷积神经网络，所述卷积神经网络包括连接的特征提取层和高层；

训练所述卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化；

多样本处理批量标准化；

对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度；

通过Dropout技术防止机器学习模型的过拟合；

进行序列到序列、序列到点的负荷分解预测；

基于迁移学习进行负荷分解。

2.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述多样本处理批量标准化的步骤包括：

在所述卷积神经网络的每一层前插入了一个归一化层。

3.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述特征提取层包括交替设置的卷积层和池化层，所述高层为全连接层。

4.根据权利要求3所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述全连接层位于所述卷积神经网络的隐含层的最后部分。

5.根据权利要求4所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述全连接层的数量为一层或两层，所述全连接层用于提取、整合信息，并发送至后续层。

6.根据权利要求5所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述构建面向负荷分解的卷积神经网络的步骤包括：

采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过循环的迭代训练提高网络的精度。

7.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述激活函数包括非线性函数Sigmoid和tanh函数。

8.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度的步骤包括：

将所述损失函数极小化，并选择对应的模型参数为最优参数。

9.根据权利要求1所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述基于迁移学习进行负荷分解的步骤包括：

通过放宽训练数据和测试数据为独立同分布的假设，将知识从源领域迁移到目标领域。

10.根据权利要求9所述的基于卷积神经网络对家庭能量分解的预测方法，其特征在于，所述源领域包括要迁移的对象，所述对象包括知识和标注，所述目标领域用于赋予所述知识和所述标注。