[发明专利]一种轻量化的非侵入式负载分解方法

权利要求书

1.一种轻量化的非侵入式负载分解方法，其特征在于，所述方法包括：

输入一维时间序列y到第一DW卷积层进行卷积处理，得到多维特征图；

利用NILM模块对所述多维特征图进行特征提取，得到高维特征图；

对将所述高维特征图输入到第二DW卷积层进行分类和加权，输出得到所述一维时间序列y中点的负载功耗分解值。

2.根据权利要求1所述的非侵入式负载分解方法，其特征在于，所述NILM模块为循环神经网络SRNN、深度可分离卷积神经网络DepthWCNN、密集连接卷积神经网络和残差神经网络。

3.根据权利要求2所述的非侵入式负载分解方法，其特征在于，当所述NILM模块为循环神经网络SRNN时，所述利用NILM模块对所述多维特征图进行特征提取得到高维特征图，包括:

初始化所述循环神经网络SRNN的循环神经网络单元S，利用所述循环神经网络单元S对所述一维时间序列y的每个元素进行学习计算；

将一维时间序列y划分为多个长度为k的子序列y₁，将输出的子序列y₁作为循环神经网络SRNN的第二层输入；

重复该过程，直到所述多维特征图为一个高维特征图；

其中，序列序列T，k为正整数，T为一维时间序列y的长度。

4.根据权利要求2所述的非侵入式负载分解方法，其特征在于，当所述NILM模块为深度可分离卷积神经网络DepthWCNN时，深度可分离卷积神经网络DepthWCNN由通道可分离卷积和1*1标准卷积组成；

所述利用NILM模块对所述多维特征图进行特征提取得到高维特征图，包括：

初始化所述深度可分离卷积神经网络DepthWCNN的卷积核为所述深度可分离卷积神经网络DepthWCNN的每层神经网络输出为其中，F为多维特征图，i∈[1,D_k]，m∈[1,M]。其中D_k是卷积核大小，M是上一层输出特征图的维度，指神经网络的权重。

5.根据权利要求2所述的非侵入式负载分解方法，其特征在于，当所述NILM模块为密集连接卷积神经网络时，所述密集连接卷积神经网络由多个密集连接模块组成；

所述利用NILM模块对所述多维特征图进行特征提取得到高维特征图，包括：

输入一维时间序列y＝{y₁…y_T}的特征图T×N的矩阵到密集连接卷积神经网络的每个密集连接模块中的神经元中，所述每个密集连接模块的输入为T×M的特征图F，输出每个密集连接模块中的神经元的计算结果和T×M的特征图F的并集，其中，M，N为正整数，M，N为卷积核的数量，MN。

6.根据权利要求2所述的非侵入式负载分解方法，其特征在于，当所述NILM模块为残差神经网络时，所述利用NILM模块对所述多维特征图进行特征提取得到高维特征图，包括：

当残差神经网络的输入通道F和输出通道G的通道数相同时，所述残差神经网络为G＝H(F，W)+F，其中，W为残差神经网络的卷积参数，H(F，W)为残差神经网络的卷积运算；

当残差神经网络的输入通道F和输出通道G的通道数不同时，所述残差神经网络为中，W为残差神经网络的卷积参数，H(F，W)为残差神经网络的卷积运算，中，F为上一层输出的特征图，W和指神经网络的参数和权重，P(·)为神经网络。