[发明专利]一种基于变分自编码器的负荷分解方法

权利要求书

1.一种基于变分自编码器的负荷分解方法，其特征在于，利用实例-批处理归一化网络IBN-Net来搭建网络的两个主要组件：编码器和解码器；该IBN-Net用于加强对聚合负载数据中深层特征的提取，从而使得将信息映射到潜在空间的编码器和使用潜在表示重构目标设备负载信号的解码器拥有更好的表现；同时在编码器与解码器之间增加跨步连接，使解码器从编码器的特征映射中获取更多的信息，以提高解码器对总功耗的全局洞察力，从而更好的重构目标设备的负载信息；变分自编码器提供的正则化潜在空间，用于网络对聚合负载信号的相关特征进行编码，使得网络模型的泛化能力更强，且在多态设备的负载信号重构方面具有更高的精度；具体步骤为：

步骤1，确定输入数据

负荷分解任务所针对的设备负载信号分为两种类型，一是高频采样的数据，主要表现为每秒采样千次或万次的信号波形，包括电器稳态和瞬态之间的状态切换，以及电器持续负载状态；二是低频采样的数据，表现为电器运行时的电流、电压以及功率等相关数据的均方根值；

针对低频采样下数据处理采用的网络，其输入数据为电器运行时电表记录的总功率，采样数为每秒6次；由于该网络实现的目标是重构目标设备的负载信号，因此输出数据长等于输入数据长，为确保输出的数据能够表示不同设备的运行状态，将数据长T设置为512秒；针对较长时间的聚合负载数据，采用滑动窗口的方式将聚合负载数据序列划分为输入数据，滑动窗口长等于输入数据长；

步骤2，构建实例-批处理归一化网络

一层实例-批处理归一化网络主要包含两部分：实例归一化网络和批处理归一化网络，具体的网络结构为：从输入端至输出端之间，首先是三层依次连接的批处理归一化网络；其中，前两层批处理归一化网络，每层都包含一个卷积层和ReLU激活，第三层批处理归一化网络只包含一个卷积层；后面是一层实例-批处理归一化网络，其输入通过残差连接与第三层批处理归一化网络的输出相加后输入到实例归一化网络层，随后经过ReLU激活得到实例-批处理归一化网络的输出；

步骤3，确定网络整体结构

整体网络结构分为两部分：编码器和解码器，两部分的主要组成部分都为步骤2中构建的实例-批处理归一化网络，并且两部分通过跨步连接相连；其中：

编码器部分包括7层实例-批处理归一化网络，除最后一层外，每一层网络后都跟着一个最大池化层，因此从输入到输出端，每一层实例-批处理归一化网络的节点数都会减少；最大池化层的作用是用来降低输入数据时间上的维度，从而鼓励网络学习到目标设备负载信号更高层次的特征；最后一层实例-批处理归一化网络后接一个全连接层；该全连接层输出分为两个相同的分布参数矩阵,分别记为μ和σ；对电器类别分布进行随机采样,得到参数矩阵,记为ε；将参数矩阵ε与分布参数矩阵σ进行哈达玛积计算，并连接上分布参数矩阵μ，构成编码器的输出潜在空间矩阵z，它们之间的关系表达式如下：

z＝μ+σ⊙ε

解码器部分同编码器类似，同样包含7层实例-批处理归一化网络，除最后一层外，每一层网络后都跟着一个卷积层和反卷积层，从而逐步恢复数据的时间维度，达到重构目标设备负载信号的目的；最后一层实例-批处理归一化网络后只接一个卷积层，随后再经过一个卷积层；潜在空间矩阵z输入解码器中，经过解码器得到最终的输出，即为目标设备负荷分解数据y；

步骤4确定评估指标，训练网络

步骤4.1：针对不同电路环境中的聚合负载信号进行负荷分解任务，需要用该电路中采集到的电力数据对构建的网络模型进行训练，由于采用的网络是一个回归网络，通过重构目标设备的负载信号来实现负荷分解，因此网络训练过程中评估的标准采用生成的数据与真实的数据之间的误差，具体采用平均绝对误差(MAE)，该数值越小表示模型分解效果越好；

另外，定义一个额外的度量MAE_ON，它只有在设备打开时才使用阈值δ来单独计算平均绝对误差；设T为时间节点数，和y_t分别为时间节点t时的预测功率和真实功率，t∈[1，...，T]，N_ON是设备正在运行时的时间节点，则有：

步骤4.2：同时为提高网络在多态设备的负载信号重构方面的表现，使用基于状态的度量F1分数来衡量模型预测设备状态的能力；在每个时间步长中，如果设备的电源超过预先设定好的功率阈值ρ，则考虑其处于ON状态；设备的状态确定后，采用精准率P和召回率R来计算F1分数；设TP为预测正确的正样本数，FP为预测为正的负样本数，FN为预测为负的正样本数，则：

步骤5重构目标设备负载信号，判断电器运行状态信息

上述步骤得到的网络模型，用于对电器聚合负载信号进行负荷分解；网络接收输入的功率数据，输出等时间长的负载信号，该输出就是重构的目标设备负载信号；根据该负载信号，可以判断该设备当前的运行状态，超过设定阈值的部分则认定该时间段内设备启动运行。