[发明专利]基于深度可分离卷积的轻量化广义负荷分解方法

权利要求书

1.一种基于深度可分离卷积的轻量化广义负荷分解方法，其特征在于，主要包括：

步骤1、对经典序列到点卷积神经网络进行轻量化设计：基于深度可分离卷积对由5层卷积层和1层全连接层组成的经典序列到点卷积神经网络进行轻量化设计，从而减小网络模型参数的数量和计算复杂度；

步骤2、通过广义负荷数据集对上述轻量化的序列到点卷积神经网络进行有监督训练和验证，得到的网络模型即用于从总功率信号中分解出单个电源或负荷设备发出或消耗功率的广义负荷分解模型；

步骤3、将目标广义负荷节点的总功率信号数据输入到上述广义负荷分解模型中，所述广义负荷分解模型的输出是从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。

2.根据权利要求1所述的方法，其特征在于，具体内容如下：

步骤1包括：所述的经典序列到点卷积神经网络的结构由5层卷积层和1层全连接层组成，将后4层卷积过程分离，先进行逐通道卷积，再进行逐点卷积，最后对全连接层部分神经元进行剪枝，得到轻量化的序列到点卷积神经网络；

步骤2中，所述的广义负荷数据集包括广义负荷节点有标签总功率数据，获取数据集中的训练、验证和测试数据，对所用到的序列数据进行归一化处理；在有监督训练和验证过程中，通过有监督的方式更新网络参数；所述轻量化的序列到点卷积神经网络的输入是目标广义负荷节点的总功率信号数据窗口序列，该网络的输出是该段窗口序列中点时刻对应的功率值；

所述的步骤3包括：将目标广义负荷节点的总功率信号数据窗口序列输入到步骤2训练后所得的广义负荷分解模型中，该广义负荷分解模型的输出是单个电源或负荷设备功率窗口的中点值；随着该网络模型输入窗口的不断滑动，将广义负荷节点中单个电源或负荷设备功率窗口的中点值时序组合为单个电源或负荷设备的功率分解序列。

3.根据权利要求2所述的方法，其特征在于，步骤2中，

对所用到的序列数据按照下式进行归一化处理，

式(1)中，x_t为功率序列的真实量测值，为功率序列的平均值，σ为功率序列的标准差，所述的功率序列包括总功率序列和负荷的功率序列。

4.根据权利要求2所述的方法，其特征在于，步骤2中，

所述轻量化的序列到点卷积神经网络的输入表示为总功率序列滑动窗口Y_t：t+W-1，t为时刻，W表示总功率序列滑动窗口的长度，W为奇数，该轻量化的序列到点卷积神经网络的输出是广义负荷节点所含第m个电源或负荷设备功率序列窗口的中点值有监督训练和验证过程的轻量化的序列到点卷积神经网络模型如式(2)所示：

式(2)中，ε是W维的高斯随机噪声；

有监督训练过程中的损失函数具体表示为：

式(3)中，θ_p是网络参数，T是输入的总功率序列的总长度，将总功率序列值Y_t：t+W-1输入至该轻量化的序列到点卷积神经网络时，在所述总功率序列的两端增加长度为[(W-1)/2]的零值。