[发明专利]一种基于深度神经网络的对抗性能量分解方法

权利要求书

1.一种基于深度神经网络的对抗性能量分解方法，其特征在于，包括以下步骤：

(1)、训练电器特征生成器

首先，为第i个家用电器构建一个特征生成器G_i即 电器特征生成器以及一个预测器C_i即 电器预测器，其中，特征生成器G_i提取家庭能耗功率窗口序列y(t-W/2:t+W/2)的电器特定特征G_i(y(t-W/2:t+W/2))后，送入电器预测器C_i预测得到第i个电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))，然后，通过端到端的方式训练电器特征生成器G_i和电器预测器C_i，训练用的预测损失函数为：

其中，X_i＝{x_i(1),x_i(2),...,x_i(t)为第i个家用电器第t个时刻的真实能耗功率，T为时刻点数量，Y＝{y(1),y(2),...,y(t)为第t个时刻的家庭能耗功率，E表示求期望值，W表示窗口大小；家庭能耗功率窗口序列为：

y(t-W/2:t+W/2)＝{y(t-W/2),y(t-W/2+1),...,y(t+W/2)}；

预测损失函数L_pred(X_i,Y；G_i,C_i)的含义为：将第i个家用电器第t个时刻的真实能耗功率x_i(t)减去由电器特征生成器G_i和电器预测器C_i从家庭能耗功率窗口序列y(t-W/2:t+W/2)分离出来的第i个家用电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))得到预测差值，然后对预测差值取2范数并求平方；对于第i个家用电器属于序列X_i的真实能耗功率x_i(t)、序列Y的家庭能耗功率窗口序列y(t-W/2:t+W/2)得到的预测差值2范数平方求期望，得到预测损失函数L_pred(X_i,Y；G_i,C_i)；

(2)、对抗训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N

首先，构建一共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N，其中，家庭能耗功率窗口序列y(t-W/2:t+W/2)同时送入共享特征生成器G、N个电器特征生成器G₁,G₂,…,G_N进行特征提取；共享特征生成器G提取的共享特征G(y(t-W/2:t+W/2))同时送入N个判别器D₁,D₂,…,D_N，得到判别结果D_i(G(y(t-W/2:t+W/2)))，电器特征生成器G_i提取的电器特定特征G_i(y(t-W/2:t+W/2))送入判别器D_i,i＝1,2,…,N，得到判别结果D_i(G_i(y(t-W/2:t+W/2)))；同时，将N个电器预测器C_i的输入均切换连接到共享特征生成器G的输出，对提取的共享特征分别进行预测，分别得到第i个家用电器的预测能耗功率i＝1,2,…,N；

然后，对共享特征生成器G、N个电器预测器C′₁，C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N进行对抗训练，训练表述为：

L＝L_adv(Y；G,D₁,D₂,...,D_N)+λL_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)

其中：

λ为折中参数；

的含义为：通过更新共享特征生成器G、N个C′₁,C′₂,...,C′_N电器预测器的网络参数，使得损失函数L最小，更新N个判别器D₁,D₂,…,D_N的网络参数使得损失函数L最大，形成对抗训练；

L_adv(Y；G,D₁,D₂,...,D_N)为N个判别器D₁,D₂,…,D_N对所有时刻的判别结果误差之和的期望的累加值；

L_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)为N个电器预测器C′₁,C′₂,...,C′_N对所有时刻的预测能耗功率预测差值的期望的累加值；

(3)、能量分解

将家庭能耗功率输入到共享特征生成器G，得到共享特征，将共享特征同时送入电器预测器C′₁,C′₂,...,C′_N，得到N个家用电器的预测能耗功率从而完成能量分解。