[发明专利]基于变权重时域卷积网络的非侵入式用电负荷分解方法

权利要求书

1.一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，该方法包括：

模型训练：分别训练用于各个用电设备进行用电功率分解的分解模型，所述的分解模型包括多个进行用电功率估计的时域卷积网络，训练时，对于同一用电设备，采用不同时段的用电负荷数据进行相应的时域卷积网络的训练；

模型应用：将待分解的总用电功率序列输入至各个设备的分解模型，分别采用多个时域卷积网络进行用电功率估计得到各时间点的多组用电功率估计值，对多组用电功率估计值进行逐点变权重加权求和得到用电设备在各时间点的用电功率分解结果。

2.根据权利要求1所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，对各个设备按照使用频率分为高频使用时段和低频使用频段，进而各个设备的分解模型分别包括采用高频使用时段数据集进行训练的第一时域卷积网络以及采用低频使用时段数据集进行训练的第二时域卷积网络。

3.根据权利要求2所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，模型训练时，采用粒子群算法进行寻优确定各个设备的时段划分结果，对数据集按照时间划分结果进行分割与重组，并进行相应时段对应的时域卷积网络的训练。

4.根据权利要求1～3任意一项所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，所述的时域卷积网络的数学模型表示为：

X_τ＝f(Y_t:t+W-1)+∈

其中，Y_t:t+W-1为输入至时域卷积网络的时间窗口[t，t+W-1]中的总用电功率序列，X_τ为时域卷积网络输出相应的时间窗口的中点元素，W为时间窗口长度，∈为误差，f为时域卷积网络的变换函数。

5.根据权利要求4所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，用于所述的时域卷积网络训练的损失函数表示为：

其中，L_p为损失函数，θ为网络参数，T为输入至时域卷积网络的总用电功率序列的总长度，p(X_τ|Y_t：t+w-1，θ)为模型预测的条件概率。

6.根据权利要求3所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，所述的用电设备在各时间点的用电功率分解结果通过如下模型获得：

为设备j在x时刻的用电功率分解结果，y_A(x)为采用第一时域卷积网络估计得到的设备j在x时刻的用电功率估计值，y_B(x)为采用第二时域卷积网络估计得到的设备j在x时刻的用电功率估计值，f_A(x)、f_B(x)分别为设备j在x时刻对应的权重，x∈[0，24)＝X，X为一天24小时的时刻点集合。

7.根据权利要求6所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，所述的权重通过模糊策略获得，具体地：

设X为论域，数据集T包括数据集A和数据集B，数据集A对应为第一时域卷积网络的用电功率估计值序列，数据集B对应为第二时域卷积网络的用电功率估计值序列，则将f_A(x)、f_B(x)取为在论域X上数据集A和数据集B对应的隶属度函数。

8.根据权利要求7所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，f_A(x)、f_B(x)表示为：

f_B(x)＝1-f_A(x)

其中，c、σ为常数。

9.根据权利要求1所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，模型训练时对输入至时域卷积网络的数据进行分批标准化。

10.根据权利要求1所述的一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，其特征在于，所述的时域卷积网络由多个膨胀卷积块堆叠而成。