[发明专利]一种基于注意力的非侵入式负荷分解方法

说明书

本发明属于非侵入式负荷分解技术领域，具体为一种基于注意力的非侵入式负荷分解方法。本发明通过在回归子网络中添加一个具有特殊注意力单元的编码器和解码器模块，从而在回归子任务中利用该特殊的注意力单元使回归子网能隐式的对某些事件(例如打开或关闭设备)和特定信号部分(例如高功耗)给予更多的关注并进行预测；同时联合一个分类子网络，该分类子网络执行结果通过明确设备的开/关状态，从而辅助回归子网络进行负荷分解。该基于注意力的深度神经网络提高了网络的泛化能力，提升了网络在非侵入式负荷分解任务中正确检测设备打开和关闭状态、精确定位具有高功耗信号部分的能力。

技术领域

本发明属于非侵入式负荷分解技术领域，具体为一种基于注意力的非侵入式负荷分解方法。

背景技术

电表只能报告家庭总的电力负荷数据，因此如何推断特定设备的电力负荷、进行电力负荷分解是现阶段主要的研究目标，如何利用深度学习相关的方法来提升负荷分解的准确率是当前研究的热门。非侵入式负荷分解任务可以看作是一个sequence-to-sequence(seq2seq，序列到序列)的任务，输入一串聚合信号数据序列，输出特定设备的负载信号序列(不排除有些情况下采用sequence-to-point的方式，利用序列中点作为特征代表点)，传统的seq2seq网络通常是由一个编码器-解码器组成的模型，这样的模型通常会存在两个挑战，一是对长序列的处理效果差，编码器将中间状态丢弃，只使用最终的隐藏状态向量来初始化解码器；二是无法满足输入和输出序列之间的对齐需要。

发明内容

本发明的目的在于提供一种基于注意力的非侵入式负荷分解方法，以改进编码器-解码器网络的性能，提升深度神经网络在非侵入式负荷分解任务中的负荷分解效果。

本发明提供的基于注意力的非侵入式负荷分解方法，通过在回归子网络中添加一个具有特殊注意力单元的编码器-解码器模块，从而在回归子任务中利用该特殊的注意力单元使回归子网能隐式的对某些事件(例如打开或关闭设备)和特定信号部分(例如高功耗)给予更多的关注并进行预测；同时联合一个分类子网络，该分类子网络执行结果通过明确设备的开/关状态，从而辅助回归子网络进行负荷分解。该基于注意力的深度神经网络提高了网络的泛化能力，提升了网络在非侵入式负荷分解任务中的表现，能更好的对齐数据，并且注意力单元能实现对中间状态的更好利用。

本发明提供的基于注意力的非侵入式负荷分解方法，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；

步骤2：加入注意力单元，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；

步骤4：确定评估指标，训练网络模型；

步骤5：处理重叠窗口产生的数据；

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。

下面对各步骤作进一步的具体说明。

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

在网络模型的训练阶段，采用滑动窗口技术对聚合信号数据进行读取，该输入、输出窗口需要有合适的窗口大小，若过小，则不能完全捕获某一设备的设备激活(设备在整个周期内的电力消耗)数据，若过大，则会将其他设备的设备激活数据一并考虑，对最终分解结果产生影响。

因此，在针对某一数据集中的聚合数据进行负荷分解，需要提前对数据进行处理，获取数据集中聚合负载数据的采样率，从而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

回归子网络的模型表示为其映射关系如下：