[发明专利]基于楼宇数据的多用户负载辨识方法

权利要求书

1.基于楼宇数据的多用户负载辨识方法，其特征在于，具体按以下步骤实施：

步骤1.获取当地天气数据；

步骤2.获取待辨识楼宇的总电表中的充电桩数据，即交通数据；

步骤3.从监测负荷终端总电表中获取负荷楼宇的能耗数据；

步骤4：将步骤1、2、3得到的数据进行数据预处理；

步骤5：将步骤4预处理后的天气数据和总负荷数据分为70％的训练矩阵一与30％的验证矩阵一，总负荷数据包括交通数据和能耗数据；

步骤6：将步骤4预处理后的负荷楼宇的总负荷数据中的分项负荷功率分为70％的训练矩阵二和30％的验证矩阵二；

步骤7：将步骤5的训练矩阵一放入深度学习模型层进行计算，得到数据一；再将数据一和步骤6的训练矩阵二进行损失函数计算和决策融合，直到找到最优解，视为学习完毕，得到训练好的网络和负荷识别深度学习结果；

步骤8：将步骤5的验证矩阵一放入步骤7训练好的网络，进行验证，然后将验证后的数据与步骤6的验证矩阵二融合，进行精度评估，得到负荷识别深度学习验证结果，对步骤7中的负荷识别深度学习结果进行验证。

2.根据权利要求1所述的基于楼宇数据的多用户负载辨识方法，其特征在于，步骤1中，所述天气数据包括温度、湿度、能见度、紫外线强度、风速、雾霾和气压；

步骤2中，所述充电桩数据包括需要用到充电桩的功率、电压和电流数据；

步骤3中，所述能耗数据包括楼宇电器设备每一天的功率、电压、电流数据。

3.根据权利要求1所述的基于楼宇数据的多用户负载辨识方法，其特征在于，步骤4中，所述数据预处理具体为，将步骤2的交通数据和步骤3的能耗数据用工具包转化为适合深度学习模型层的数据类型，同时将步骤1获取的天气数据作为输入特征，按多元回归模型进行相关性分析去噪，得到温度、湿度。

4.根据权利要求1所述的基于楼宇数据的多用户负载辨识方法，其特征在于，步骤7中，所述深度学习模型层为分别利用多层感知器神经网络、LSTM模型、卷积神经网络进行计算，得到三组数据一，所述决策融合为将三组数据一分别与步骤6的训练矩阵二进行损失函数计算后放入优化器中进行CRITIC权重学习，找最优解。

5.根据权利要求1所述的基于楼宇数据的多用户负载辨识方法，其特征在于，若进行后续楼宇的负载辨识，则将步骤7中训练好的网络进行迁移学习，保存步骤7训练好的网络权重，然后冻结重要的特征层，并以此模型为原始模型，将其他楼宇的数据进行数据预处理的结果输入到原始模型中，训练非冻结特征层，生成适合其他新楼宇的迁移学习模型。