[发明专利]一种基于注意力的非侵入式负荷分解方法

权利要求书

1.一种基于注意力的非侵入式负荷分解方法，其特征在于，具体步骤为：

步骤1：数据预处理，根据设备采样频率确定不同滑动窗口大小；包括：获取数据集中聚合负载数据的采样率，得到每个设备相对应的窗口长度L；

步骤2：加入注意力单元，搭建回归子网络；具体包括：

回归子网络的模型表示为其映射关系如下：

其中，i表示设备序号；x_t,L表示时刻t开始的长度为L的数据序列，为回归子网的预测输出，表示为设备i在时刻t开始的长度为L的设备激活；

回归子网络主要由编码器和解码器构成，注意力单元添加在编码器和解码器之间，按照数据输入到输出的顺序搭建回归子网络；

步骤3：搭建分类子网络，确定网络整体结构；具体包括：

分类子网络的模型表示为其映射关系如下：

回归子网络和分类子网络组成网络整体结构，网络的估计输出为回归子网络输出与分类子网络输出的概率分布相乘的结果，其中⊙为分量乘法：

步骤4：确定评估指标，训练网络模型；具体包括：

为衡量分类子网络对设备开启/关闭状态的判断准确性，采用三项指标来进行评估，分别为F1分数，精准率(P)以及召回率(R)，三者的值越大表示分类性能更好，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，则有：

为衡量整个网络的输出结果，采用两项指标来进行评估：平均绝对误差MAE和信号聚合误差SAE，两个数值越小表示模型分解效果越好，具体表示如下：

其中，y_i(t)和分别表示设备i在时间t内真实的负载值和估计的负载值，N为长度为K的不相交时间段数，r_i(τ)和分别表示τ个时间段内的真实负载之和和预测负载之和；

步骤5：处理重叠窗口产生的数据；具体包括：

设回归子网络中的滤波器的数量F、每个核的大小K和循环层中神经元的数量H，采用grid search在F＝{16、32、64}、K＝{4、8、16}和H＝{256、512、1024}的参数空间中执行超参数优化，每个设备都有各自的参数组合；由于滑动窗口采取一个样本长作为滑动距离，会产生重叠窗口数据，通过采用重叠部分的中值滤波重建分解的信号，得到最终的输出；

步骤6：最终得到的信号序列，作为聚合数据负荷分解的电器指纹，从而得到电器运行相关信息。

2.根据权利要求1所述的基于注意力的非侵入式负荷分解方法，其特征在于，步骤2中，所述编码器由一个具有四个一维卷积层的卷积神经网络(CNN)和一个由双向LSTM构成的循环神经网络(RNN)组成；四个一维卷积层具有相同的结构，都为F个过滤器、K个卷积核、步长为1，以及均使用ReLU激活函数；双向LSTM的输入输出单元数为H，并采用切向双曲激活函数；

CNN处理输入的聚合负载信号，并提取设备特定的签名作为一组特征图，RNN以一组特征图作为输入，双向LSTM从两个方向来获取所有信息的隐藏状态，产生包含所有聚合负载信息隐藏状态的序列，因此编码器输出的最终序列h_t是通过连接两个方向和的隐藏状态向量得到：

所述编码器和解码器之间的注意力单元由一个单层前馈神经网络组成，输入输出单元数均为H，并采用切向双曲激活函数；该网络计算注意力权重，并输出上下文向量C作为编码器随时间输出的加权平均值，由于CNN产生的所有特征图在识别目标设备的设备激活方面不具有相同的贡献，注意力机制通过设定不同的权重，捕获设备的显著激活特征图，注意力单元的数学表达式如下：

α_t＝softmax(e_t)；

其中，V_a、W_a和b_a是与模型的其他组件共同学习的注意力参数，输出上下文向量C，作为解码器的输入；

所述解码器由两个全连接层组成，第一个全连接层的输入单元数为H，输出单元数为L，采用ReLU激活函数；第二个全连接层的输入输出单元数均为L，采用线性激活函数。