[发明专利]一种基于非监督优化的深度学习非侵入式负荷监测方法

权利要求书

1.一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述非侵入负荷监测方法包括以下步骤：

S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息；

S2、针对目标负荷，构建训练数据集与测试数据集；

S3、利用算法对数据进行预处理和归一化；

S4、将S3中得到的训练数据以一定的训练参数进行网络训练；

S5、对训练结果以及网络返回参数进行评估，并判断是否达标，若达标，则执行S8；若不达标，则执行S6；

S6、优化神经网络参数；

S7、根据S6中优化神经网络参数重建网络，并返回执行S4，重新训练；

S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告；

S9、若新增负荷导致训练网络分析能力下降，导致S8中分析结果出现较大误差，则对目标负荷进行非侵入式算法的优化，对于目前训练得到的深度学习网络进行自学习能力的提高，对于新增未知负荷进行非监督式学习；

S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据。

2.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S1包括利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作，以时间排列；

利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作，以时间排列，作为神经网络训练数据，该神经网络训练输入数据包括负荷集群总有功功率、无功功率、开关动作及时间日期，将测得数据生成矩阵，准备进入下一步处理。

3.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S3包括利用算法对于各条负荷数据进行均值规整化以及对于各单个负荷以及负荷集群有功、无功数据进行归一化，为神经网络训练做预处理的具体体现为；

在神经网络进行训练时，需要进行均值规整化即用每一个数据减去平均功率，均衡化方便神经网络进行训练，再对输入输出数据进行归一化，得到训练数据，准备进行神经网络训练。

4.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S4包括对于已进行预处理后的数据分为负荷集群输入训练数据以及各单个负荷的输出训练数据放入神经网络，确定递归函数以及输入函数，给与初始训练参数，进行神经网络的训练的具体体现为：

BP神经网络进行训练时设置神经网路训练函数、输入传递函数、输出传递函数、隐藏层神经元个数、训练次数、训练方法、学习率、最大失败次数先按经验法选择大概的训练方法、传递函数以及参数，进入神经网络的训练，基本BP算法进行信息的前向传播以及误差的反向传播，由输入层经隐藏层逐层处理，再由输出层进行反向转播修改神经元权值最后完成网络的训练。

5.根据权利要求4所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S5包括利用算法对于训练结果以及神经网络返回参数进行结果分析，对于拟合数据值与实际数据值相差较大，网络拟合不足问题，网络过拟合问题进行判断，与要求误差进行比较决定是否进行重建,网络调整训练参数的具体体现为：

在神经网络训练后，神经网络会返回一系列参数以及使用测试集进行神经网络功能测试，最终对测试集的拟合数据会通过图表显示，通过对图标的分析，判断网络是否出现过拟合以及拟合不足的问题，以及精度是否达标。

6.根据权利要求5所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S7包括如果误差较大不符合精度要求或网络发生过拟合及拟合不足等问题，将重新利用坐标轴下降法进行网络参数的优化，重建网络进行重新训练，再次进行对训练结果分析直到达到精度要求的具体体现为：

经过S6对于结果的分析后对于不满足要求的网络，将对于多个可调变量在多次试验基础上确定主要影响参数以及次要参数进行坐标轴下降法实验法寻找最优参数，优化网络性能，直到达到要求。

7.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法，其特征在于，所述S9包括由于监督式学习固有自学习能力的不足，如果当负荷集群中新增一类负荷特征，得到的训练成型的网络即会出现较大的误差，这时则需要进行非监督式学习对于现有模型进行优化；

如果当负荷集群中新增负荷特征，得到的训练成型的网络即会出现较大的误差，这时则需要进行非监督式学习对于现有模型进行优化，假设原有N个负荷单独运行，M个负荷可能在同一时间段运行，假设目标负荷集群新增1个负荷特征，则在K均值聚类算法中会增加个聚类中心，而在PQ聚类特征中心中新增聚类中心数据值最低的则为新增的负荷特征，得到负荷集群中隐含状态数量，结合大量可见状态链，对于各个目标负荷转换概率进行推算，进行对于目标负荷特征建立，利用K均值聚类算法对于各目标负荷聚类中心进行迭代得到新负荷聚类特征中心以及有新负荷动作的时间，对于神经网络输入输出数据进行更改、重新训练神经网络，对于监督式学习进行优化后再进行用电行为分析，得出各负荷用电量及用电时间。