[发明专利]基于多链分解方法的非侵入式负荷监测方法及装置

权利要求书

1.一种基于多链分解方法的非侵入式负荷监测方法，其特征在于，所述方法包括：

获取总线路中的耗电量数据；

将所述耗电量数据输入耗电情况监测总模型，得到各个耗电设备的耗电量预测值；

其中，所述耗电情况监测总模型包括多个分解链，每个分解链对应一个待监控的耗电设备，不同耗电设备对应的分解链不同；

对于每个分解链，包括一个或多个依次相连的子模型；每个子模型用于预测对应的耗电设备的耗电量，且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量，以输出所述分解链对应的耗电设备的耗电量预测值；所述分解链上不同子模型对应的耗电设备不同。

2.根据权利要求1所述的方法，其特征在于，对于包括n个子模型的分解链，所述n为大于1的整数，所述分解链输出的耗电量预测值的计算过程包括：

将所述耗电量数据输入第1个子模型，得到第1个子模型的输出结果；

将第k个子模型的输出结果输入第k+1个子模型，得到第k+1个子模型的输出结果；所述k依次取1至n-1的整数；

在k+1小于n时，另k的值等于k+1，并再次执行所述将第k个子模型的输出结果输入第k+1个子模型，得到第k+1个子模型的输出结果的步骤；

在k+1等于n时，将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

使用训练数据集对每个耗电设备对应的子模型分别进行训练，得到多个训练后的子模型；

对于每个训练后的子模型，将其它训练后的子模型分别作为所述训练后的子模型的前置节点，得到临时分解链；并对所述临时分解链进行训练，得到训练后的临时分解链；

使用测试数据集分别对所述训练后的子模型和所述训练后的临时分解链进行测试；

在测试结果指示所述训练后的子模型的性能低于所述训练后的临时分解链的性能时，确定所述前置节点为所述训练后的子模型的关联节点；

在测试结果指示所述训练后的子模型的性能高于所述训练后的临时分解链的性能时，确定所述前置节点不是所述训练后的子模型的关联节点；

基于各个训练后的子模型和每个训练后的子模型的关联节点，构建图结构；所述图结构中每种训练后的子模型作为图的一个顶点，连接顶点i和顶点j的有向边e(j，i)的权值w(j，i)为所述临时分解链相比于所述训练后的子模型的优化程度，权值为负代表性能提升；i表示所述训练后的子模型，j表示所述训练后的子模型的关联节点；

在所述图结构中添加特殊顶点，所述特殊顶点有指向其他所有顶点的出边，且权值为0；

计算所述特殊顶点到其他所有顶点的不存在环路的最短路径，获得所述耗电情况监测总模型的多链分解模型结构。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于各个子模型生成多种总模型的模型结构，每种总模型的模型结构包括至少多个分解链；

使用训练数据集对每种总模型的模型结构中的每个子模型进行训练，得到训练后的模型结构；

使用模型搜索集搜索各个训练后的模型结构中性能最好的模型结构，得到所述耗电情况监测总模型；

使用测试数据集对所述耗电情况监测总模型进行测试。

5.根据权利要求4所述的方法，其特征在于，所述基于各个子模型生成多种总模型的模型结构，包括：

设置所述模型结构中每个分解链的最大长度，所述最大长度小于或等于所述待监控的耗电设备的总数量；

按照所述最大长度生成多种总模型的模型结构，每种总模型的模型结构中的每条分解链均小于或等于所述最大长度。

6.根据权利要求3或4所述的方法，其特征在于，每组训练数据包括样本值和标签；

对于不具有前置节点的子模型，所述样本值为耗电量数据、所述标签为所述子模型对应的耗电设备的真实耗电值；

对于具有前置节点的子模型，所述样本值为耗电量数据减去各个前置节点对应的真实耗电值后的差、所述标签谓所述子模型对应的耗电设备的真实耗电值。