[发明专利]基于自监督学习的非侵入式负荷分解方法

权利要求书

1.一种基于自监督学习的非侵入式负荷分解方法，其特征在于，包括以下步骤：

步骤1、应用长度为W的滑动窗口，将目标数据集中选定的一用户或多个用户的无标签总功率信号y^pre分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y^pre分割成多个长度为W的无标签总功率序列t为时间点；

步骤2、完成自监督的前置任务得到预训练后的序列到点神经网络，以学习无标签总功率数据中的特征，包括：将步骤1中获得的目标数据集中的多个无标签总功率序列输入序列到点神经网络中，对序列到点神经网络进行预训练后，得到对各目标电器通用的预训练后的序列到点神经网络；

步骤3、应用长度为W的滑动窗口，将源数据集中选定的多个用户的有标签总功率信号y^fine分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y^fine分割成多个长度为W的总功率序列t为时间点；

步骤4、完成有监督的下游任务得到用于从总功率中分解出单个电器功率的负荷分解模型，包括：将步骤3中获得的源数据集中的多个有标签总功率序列输入步骤2得到的预训练后的序列到点神经网络中，对该神经网络进行微调后，得到用来对目标电器m进行负荷分解的神经网络，是所有电器的集合；

步骤5、应用长度为W的滑动窗口，将目标数据集中目标家庭的待分解的总功率信号y^test分割，从功率序列t＝1时刻开始向后滑动，每次滑动步长为1，将y^test分割成多个长度为W的总功率序列t为时间点；

步骤6、将目标数据集中目标家庭的多个总功率信号输入到步骤4中的微调后的神经网络中，该神经网络的输出是预测的单个电器在一个时刻的功率值，随着网络输入窗口的滑动，得到目标家庭中一系列单个电器功率值，进而连接得到预测的单个电器功率信号。

2.根据权利要求1所述的非侵入式负荷分解方法，其特征在于：所述的序列到点神经网络是s2p神经网络，所述s2p神经网络的结构是包括输入层和输出层，自所述输入层至输出层依次设有5个卷积层和一个全连接层，5个卷积层依次记为卷积层1、卷积层2、卷积层3、卷积层4和卷积层5，上述所有各层的参数如下：

3.根据权利要求2所述的非侵入式负荷分解方法，其特征在于：

步骤2中，预训练后的序列到点神经网络记为神经网络f_s2p，

式(11)中，ε是W维的高斯随机噪声，该神经网络f_s2p的输出是各个无标签总功率序列的中点值

预训练过程中，s2p神经网络训练的损失函数形式为：

式(12)中，θ_SSL是网络参数；

步骤4中，对该神经网络f_s2p进行微调后，得到用来对目标电器m进行负荷分解的神经网络

式(13)中，ε是W维的高斯随机噪声；该神经网络的输入是步骤3中获得的多个总功率序列该神经网络的输出是对应时刻的单个电器总功率序列的中点值

微调过程中，s2p神经网络训练的损失函数形式为：

式(14)中，θ是网络参数；

步骤6中，将目标数据集中目标家庭的多个总功率信号输入到步骤4得到的神经网络中，该神经网络的输出即为预测的单个电器功率窗口的中点值随着网络输入窗口的滑动，得到目标家庭中一系列单个电器功率窗口的中点值，连接后得到预测的单个电器功率信号。

4.根据权利要求1所述的非侵入式负荷分解方法，其特征在于：所述的序列到点神经网络是Bi-GRU神经网络，所述Bi-GRU神经网络的结构是包括输入层和输出层，自所述输入层至输出层依次设有一层卷积层，两层双向门控递归单元层以及一层全连接层，两层双向门控递归单元层依次记为双向门控递归单元层1和双向门控递归单元层2；上述所有各层的参数如下：

5.根据权利要求4所述的非侵入式负荷分解方法，其特征在于：

步骤2中，预训练后的序列到点神经网络记为神经网络f_Bi-GRU

式(21)中，ε是W维的高斯随机噪声，该神经网络f_Bi-GRU的输出是各个无标签总功率序列的末尾点值

预训练过程中，Bi-GRU神经网络训练的损失函数形式为：

式(22)中，θ_SSL是网络参数；

步骤4中，对该神经网络f_Bi-GRU进行微调后，得到用来对目标电器m进行负荷分解的神经网络

式(23)中，ε是W维的高斯随机噪声；该神经网络的输入是步骤3中获得的多个总功率序列该神经网络的输出是对应时刻的单个电器总功率序列的末尾点值

微调过程中，Bi-GRU神经网络训练的损失函数形式为：

式(24)中，θ是网络参数；

步骤6中，将目标数据集中目标家庭的多个总功率信号输入到步骤4得到的神经网络中，该神经网络的输出即为预测的单个电器功率窗口的末尾点值随着网络输入窗口的滑动，得到目标家庭中一系列单个电器功率窗口的末尾点值，连接后得到预测的单个电器功率信号。