[发明专利]基于残差卷积模块的非侵入式居民用户负荷分解方法

权利要求书

1.基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：包括

步骤1：获取训练数据并进行数据预处理；

步骤1.1：获取公开数据集中家庭总有功功率和各电器有功功率；

步骤1.2：根据各电器有功功率选取目标电器，得到目标电器有功功率；

步骤1.3：对数据集进行归一化处理，训练数据为真实值，包括总有功功率和目标电器有功功率；根据目标电器运行时常分别设定序列样本长度，根据序列样本长度使用滑动窗口得到总有功功率序列；

步骤2：构建并训练负荷分解模型；

步骤2.1：训练数据中的总有功功率序列输入残差卷积模块，在残差卷积模块中，以CNN模型作为基础学习有功功率特征，通过跨层连接将原输入数据与通过CNN学习到的特征数据相加，将所得数据进一步输入到GRU网络学习时序特征，输出目标电器有功功率的预测值；

步骤2.2：将目标电器有功功率的预测值与真实值进行比较，不断调整负荷分解模型的网络参数使预测值与真实值之间误差不再下降时，停止训练，得到训练好的负荷分解模型；

步骤3：通过训练好的负荷分解模型对待分解的用户总有功功率进行分解，获得目标电器的有功功率分解结果。

2.根据权利要求1所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：负荷分解模型包括：CNN层、ADD层、GRU层和Dense层；CNN层和ADD层将残差网络与CNN组成残差卷积模块；CNN层用于学习负荷有功功率数据特征，ADD层将CNN层的输入数据与CNN所得到特征数据相加，并将相加后的数据送入GRU层；GRU层用于提取数据中隐藏的时序特征并将结果输入Dense层，经过两Dense层输出目标电器的有功功率分解结果。

3.根据权利要求2所述的基于残差卷积模块的非侵入式居民用户负荷分解方法，其特征在于：步骤2.1具体为：

步骤2.11：将CNN模型作为残差卷积模块的基础，CNN模型中具体计算过程如下：

z_t＝f(W^TP_t:t+W-1+b)

r_t＝Max(z_t)

x_τ＝F(r_t)

其中，P_t:t+k-1代表输入时间序列，k为卷积核大小；W^T表示卷积网络中的共享权重参数，b表示卷积网络中的共享偏置；f(X)为激活函数；z_t为CNN计算样本所得出的特征值，Max(x)函数为最大池化函数；F(x)为全连接映射函数；

步骤2.12：引入残差网络，残差网络位于ADD层，通过残差网络将原CNN卷积神经网络输入和CNN所得到特征相加作为下一层的输入；通过捷径将CNN卷积神经网络输入和CNN得出的特征相加：

y_i,j＝x_i,j+z_i,j

其中，x_i,j为网络输入，z_i,j为CNN学习到的特征值，y_i,j为输入与特征值之和；

步骤2.13：结合GRU模型，学习特征间的时序联系，GRU层中的GRU模型具体计算过程如下，假设GRU的时间步数为t：

r_t＝Sigmoid(W_rxx_t+W_rhh_t-1)

z_t＝Sigmoid(W_zxx_t+W_zhh_t-1)

其中，在时间步t下，对于重置门r_t而言，首先分别获得输入x_t与其权重W_rh的乘积及前一时间步t-1下的状态输出h_t-1与其权重W_rh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；对于更新门z_t而言，首先分别获得输入x_t同其权重W_zx的乘积及前一时间步t-1下的状态输出h_t-1同其权重W_zh的乘积，然后对两部分乘积求和再经过Sigmoid函数将输出缩放至0到1之间；针对当前候选状态输出对前一时间步t-1下的状态输出h_t-1与重置门r_t求哈达玛积实现对过去信息的保留，然后分别获得其与权重W_ch以及输入x_t与其权重W_cx的乘积，最后对两部分乘积求和再经过tanh函数将输出缩放至-1到1之间；当前状态输出h_t保存着当前GRU学习到的信息，将会在神经网络中继续往后传递；首先用1减去更新门z_t中每个数据，再将得到的差与前一状态输出h_t-1相乘得到经过丢弃操作之后剩下的信息；之后将更新门z_t同当前候选状态输出相乘得到该单元记忆的信息，最后将两部分信息相加得到当前状态输出h_t。

步骤2.14：经过两Dense层完成目标电器的有功功率预测，输出目标电器的有功功率分解结果。