[发明专利]一种图表示学习的电器设备电力指纹分解方法、存储介质及系统

权利要求书

1.一种图表示学习的电器设备电力指纹分解方法，其特征是，包括如下步骤：

步骤S1：在用电总线处多次对电器设备运行状态下的功率序列进行采样，以每次采样得到的功率序列作为节点，以两两功率序列之间的时间间隔作为边，按照图理论生成电器设备的包含节点和边的电力指纹图数据；

步骤S2：将各个电力指纹图数据整合起来构建成电力指纹库，将电力指纹库中的全部电力指纹图数据按预定的比例划分为训练集、验证集和测试集；

步骤S3：使用加入残差机制的图卷积网络构建负荷分解模型，所述电力指纹图数据利用所述负荷分解模型进行图表示学习；

步骤S4：将训练集中已进行图表示学习的电力指纹图数据分成若干个批次并按批次送入所述负荷分解模型中进行激活并进行功率分解训练直至训练过程收敛；

步骤S5：对负荷分解模型的功率分解训练结果进行后处理，剔除不合理的激活功率序列，确定合理的激活功率序列的运行状态，将合理的激活功率序列的功率值修正为所述电器设备在对应运行状态下的平均功率；

所述步骤S5包括：

S5.1、从训练数据中挖掘电器设备的运行规律并记录于模板特征库，使用阈值法提取训练数据中电器设备功率分解值每一段激活功率序列的特征，包括激活功率序列的开始时刻T_on、停止时刻T_off和激活功率序列的持续时间D＝T_off-T_on，记录最长激活时间D_max、最短激活时间D_min和激活功率序列使用无需事先给定聚类个数的基于DTW距离的序列K-means聚类方法对激活功率序列进行聚类，获得电器设备状态个数和每个状态对应的功率序列和平均功率P_mean；

两个序列的DTW距离计算方法为：构建一个代价矩阵D，找到一条路径使从起点(1,1)到终点(m,n)的距离最短，代价矩阵D中元素r(i,j)的计算公式为：

式中：m和n分别为两序列的长度；d(i,j)表示i和j的欧式距离；

S5.2、通过阈值法提取电器设备功率分解值每一段激活功率序列的特征，包括激活功率序列的开始时刻和停止时刻和激活功率序列

S5.3、计算分解值每一段激活功率序列所对应的持续时间若持续时间小于模板特征库中记录的最短激活时间D_min，则将该激活功率序列进行剔除，然后对剩余激活功率序列所对应的总负荷功率区段进行判断，若在该区段内总负荷功率存在相应的功率攀升和下降，那么认为该剩余激活功率序列是合理的；否则认为该剩余激活功率序列不合理，并将其剔除；

S5.4、将剩余合理的激活功率序列与模板特征库中每个状态的功率序列进行DTW距离匹配，从而确定该剩余合理的激活功率序列对应的运行状态，同时将其对应的功率值修正为该运行状态所对应的平均功率P_mean。

2.根据权利要求1所述的方法，其特征是，所述步骤S1中，先将用电总线处的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就对功率序列进行采样，从而采样得到T₁-K+1个功率序列P＝[P₁,P₂,…,P_T1-K+1]^T，然后以每次采样得到的功率序列作为节点，以两两功率序列之间的时间间隔作为边，按照图理论构建成电力指纹图数据G(A,X)，其中A是图的邻接矩阵，X是图中节点的特征矩阵。

3.根据权利要求2所述的方法，其特征是，所述步骤S1中，对于节点特征，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：

其中：max是数据中的最大值；min是数据中的最小值；

对于边的权重k(t_i,t_j)，使用高斯核函数进行计算，其表达式为：

其中：t_i表示节点i所在的时刻；t_j表示节点j所在的时刻；σ是比例因子，σ越大，其局部注意力感受范围越大。