(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211269012.5 (22)申请日 2022.10.17 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区新 街口 街道四牌楼 2号 (72)发明人 赵剑锋　董坤　孙睿晨　毛妍纯　 王琚珩　刘东升　金扬　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 王艳秋 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01)G06Q 10/06(2012.01) (54)发明名称 一种基于递进式学习结构的非侵入式负荷 分解方法 (57)摘要 本发明公开了一种基于递进式学习结构的 非侵入式负荷分解方法， 包括以下步骤： 采集房 屋总有功功率和各目标电器有功功率数据； 对数 据进行预处理， 构建数据集； 利用所构建的数据 集训练基于递进式学习结构的非侵入式负荷分 解算法模型； 将未知房屋的总有功功率输入基于 递进式学习结构的非侵入式负荷分解算法模型， 分解得到目标电器的功率消耗序列。 本发明通过 采用递进式学习结构和时间戳 嵌入方法， 增强了 模型的特征提取能力， 且丰富了模型的输入， 显 著提高了非侵入式负荷分解算法的准确度和泛 化能力。 权利要求书2页 说明书6页 附图2页 CN 115526265 A 2022.12.27 CN 115526265 A 1.一种基于递进式学习结构的非侵入式负荷分解方法， 其特 征在于， 包括： 采集房屋总有功 功率和各目标电器有功 功率数据； 对数据进行 预处理， 构建数据集； 利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解 算法模型； 将未知房屋的总 有功功率输入基于递进式学习结构的非侵入式负荷 分解算法模型， 分 解得到目标电器的功率消耗序列。 2.根据权利要求1所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述数据预处 理步骤包括： 对功率数据以T为间隔进行重新采样； 对少于t时间的数据缺失通过 前向填充来补值， 对 超过t时间的数据缺失用0填充； 删除总功率低于Pthres的数据； 给数据集添加状态标记， 若电器功率大于开启阈值， 则设备开启， 状态值标记为1， 若电 器功率小于开启阈值， 则标记为0 。 3.根据权利要求1所述的方法， 其特征在于， 所述基于递进式学习结构的非侵入式负荷 分解算法模型包括网络I和网络 Ⅱ， 所述网络I负责判断目标电器的开关状态， 所述网络 Ⅱ 基于网络I的分解结果精确还原目标电器的功率曲线； 所述网络I的输入为总功率信号和时间戳数据， 输出为初步预测功率序列； 所述网络 Ⅱ的输入为总功率信号、 时间戳数据和网络I初步预测的目标电器状态序列， 输出为最终预测功率序列。 4.根据权利要求3所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述网络I和网络 Ⅱ均包括信息嵌入层、 核心分解层和输出层； 所述网络I的核心分解层与 所述网络 Ⅱ的核心分解层结构完全相同， 所述网络I的输出层与所述网络 Ⅱ的输出层结构 完全一样， 所述网络I的信息嵌入层与所述网络 Ⅱ的信息嵌入层因输入信息的不同而有所 差异。 5.根据权利要求4所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述信息嵌入层包括聚合功率数据嵌入、 状态数据嵌入和时间信息嵌入； 对于每一种输入序列数据， 采用卷积层对序列进行特征提取， 同时增加维度， 然后通过 池化层缩短序列长度， 最后以求和计算融合多种嵌入信息 。 6.根据权利要求5所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述时间信息嵌入中的时间信息编码步骤 包括： 获取时间戳数据； 对每个时间戳 提取一天中的小时数、 一周中的星期数、 一 年中的月份数这 三个特征； 将这三个特征分别线性编码为[ ‑0.5,0.5]区间内的值。 7.根据权利要求4所述的方法， 其特征在于， 所述核心分解层包括两层编码器， 每层编 码器网络由多头自注意力网络和前馈神经网络构成。 8.根据权利要求4所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述输出层包 含一层反卷积和两层全连接网络 。 9.根据权利要求3所述的基于递进式学习结构的非侵入式负荷 分解方法， 其特征在于， 所述网络I和网络 Ⅱ的损失函数包括：权　利　要　求　书 1/2 页 2 CN 115526265 A 2均方误差 推土距离误差 骰子损失 平均绝对误差 其中， 和yt分别表示t时刻模型预测的电器功率和实际的电器功率； 和st分别表示t 时刻模型预测的电器状态和实际的电器状态； T是序列点总个数； 和y分别代表模型预测 电器功率和实际电器功率序列所在分布， 是×上的一组分布， 其边际分别是 和y， u和v为积分变量； O为电器实际开启或状态预测错 误的时序点； 根据两个网络侧重任务的不同， 网络I和网络 Ⅱ的损失函数计算公式如下： 其中， λ为平均绝对误差损失项的权 重。 10.根据权利要求1所述的基于递进式学习结构的非侵入式负荷分解方法， 其特征在 于， 所述分解得到目标电器的功率消 耗序列后， 使用四类指标对基于递进式学习 结构的非 侵入式负荷分解算法模型效果进 行评价， 所述评价包括准确度、 F1分数、 平均绝对误差和平 均相对误差 。权　利　要　求　书 2/2 页 3 CN 115526265 A 3