[发明专利]一种非侵入式负荷分解模型的超参数优化和后处理方法

权利要求书

1.一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：该方法包括以下步骤：

步骤1：使用电压互感器和电流互感器采集家庭总线处和目标电器的电气运行数据，用于建立模型的数据集；

步骤2：基于深度学习理论分别为目标电器构建基于深度残差网络的非侵入式负荷分解模型；

步骤3：使用集群贝叶斯优化对非侵入式负荷分解模型的超参数进行寻优；

步骤4：分别为目标电器建立其最优的分解模型后，将利用训练集、验证集和测试集对模型中可训练参数进行训练直至收敛；

步骤5：对模型的分解结果进行后处理，基于模型预测结果对模型的预测做出修正。

2.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤1中，所述采集家庭总线处和目标电器的电气运行数据，包括有功功率、无功功率和电流有效值；所述目标电器，是指希望从总线数据中分解出来哪种电器的运行状态，所述模型的数据集，是指模型将同一时刻总线处的电气运行数据和目标电器单独的电气运行数据分别作为数据集中的样本和标签，并按比例划分训练集、验证集和测试集。

3.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤2中，目标电器的非侵入式负荷分解模型为一种目标电器对应一种分解模型，不同目标电器之间的非侵入式负荷分解模型互不影响。

4.根据权利要求3所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：基于深度残差网络的非侵入式负荷分解模型构建方法如下：

在非侵入式负荷分解任务中，将家庭总线处的功率序列看成运行目标电器运行特性的二维图像，使用深度残差网络提取该目标电器运行特征，深度残差网络的基本组成单元是残差块，深度残差网络能直接从输入中提取原始特征，残差块由卷积层、批处理规范化层和激活函数组成，残差块的输出数学表达式为：

y_l＝F(x_l,Θ_l)+h(x_l)

x_l+1＝f(y_l)

式中：x_l其是残差块的输入；x_l+1是残差块的输出；Θ_l是卷积层的权重矩阵；h(·)是对输入进行升维或降维后的1X1卷积操作；f(·)是激活函数。

基于残差块构建基于深度残差网络的非侵入式负荷分解模型，将总负荷功率序列按预设的滑动窗口长度k进行分段，得到第一段序列每次滑动将窗口向前移动一个采样点，形成T-k+1个功率序列P＝[P₁,P₂,…P_T-k+1]^T，每一段功率序列作为模型的输入，模型的输出为该段序列对应中点时刻目标电器的功率值，首先构建第一个卷积层初步提取负荷的原始特征，然后将若干个残差块进行堆叠，以提取更高级别和更抽象的特征，最后使用若干个全连接层实现总功率序列到该段序列对应中点时刻目标电器的功率值的非线性映射；

所述基于残差网络的非侵入式负荷分解模型使用最大最小标准化对数据进行线性变换，将数据映射到[0,1]区间，其定义如下：

式中：x_max是数据中的最大值；x_min是数据中的最小值。

5.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤3中，超参数包括：卷积核大小、卷积核数量、全连接层神经元数量和滑动窗口大小。