(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 202211179593.3 (22)申请日 2022.09.27 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 刘紫罡　张禄亮　季天瑶　吴青华　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 冯炳辉 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于小波分解和 改进神经网络的非侵入式 负荷分解方法 (57)摘要 本发明公开了一种基于小波分解和改进神 经网络的非侵入式负荷分解方法， 主要利用非侵 入式负荷识别装置对用电信息进行采集， 对采集 到的数据信息进行预处理操作， 通过四层小波分 解提取负荷特征， 然后输入到改进的神经网络进 行训练学习： 改进点主要体 现在网络是多尺度多 输入的， 训练过程是多分辨率的并且网络按小波 分解层数分为四个部分分别进行训练最后在重 新拼接， 然后利用大量数据调节网络参数， 完善 非侵入式负荷分解模型后完成负荷分解任务， 并 对非侵入式负荷分解结果进行分析。 通过本发明 可以结合时频域， 解决当负荷数据过多时， 重要 的信息可能会丢失， 数据特征利用率低而且多状 态过程电器难以识别的问题。 权利要求书4页 说明书9页 附图8页 CN 115545447 A 2022.12.30 CN 115545447 A 1.基于小波分解和改进神经网络的非侵入式负荷分解方法， 其特征在于， 包括以下步 骤： 1)利用非侵入式负荷识别装置对负荷侧的用电信息进行采集， 并进行数据预处理， 得 到二维的图片序列负荷数据， 并将数据按比例划分训练集和 测试集； 2)对预处理后的负荷数据通过四层小波分解提取负荷的特征信 息， 每层小波分解能够 得到低频近似分量特 征、 水平分量特 征、 垂直分量特 征和对角线分量特 征； 3)将经过四层小波分解得到的负荷特征信息输入构建的非侵入式负荷分解模型进行 分解训练， 利用训练集中的数据不断调节模型参数， 完善非侵入式负荷分解模型， 然后 将测 试集中的数据去验证模型， 并对非侵入式负荷分解结果进行分析； 其中， 构建的非侵入式负 荷分解模型为改进的神经网络， 该神经网络的改进包括： 第一， 网络是多尺度多输入的， 训 练过程是多分辨率的； 第二， 由四层小波分解得到四个小波输入层通道的输入图片， 在四个 小波输入层通道后面都接上一个由CNN、 BiLSTM和Attention组成 的训练网络进行训练； 第 三， 通过Concatenate连接层 去拼接四个不同尺度输入 经过训练网络训练后的结果， 以此来 实现小波重构。 2.根据权利要求1所述的基于小波分解和改进神经网络的非侵入式负荷分解方法， 其 特征在于， 在步骤1)中， 通过部署在特定区域的电力传感器在家庭电力入口处采集功率数 据， 为非侵入式负荷研究提供数据来源， 其中采集的数据由总功率时间序列及其单个电器 设备的功 率时间序列组成， 为了得到更强抗噪性、 更高质量的数据和更好的训练结果， 需要 进行如下 预处理操作； 首先是清除数据的异常值， 异常值可能是由于测量装置的误差或环境因素引起， 异常 值的清除公式表达如下： Pt‑Pt±1＞Pth or Pt＞Pmax 式中， Pt是时刻t的单个电器设备的功率采集值， Pt±1是时刻t±1的单个电器设备的功 率采集值， Pth和Pmax分别是单个电器设备的开关功率 值和最大功率 值； 其次是进行数据的标准化处理， 其目的是使数据更容易被神经网络所训练， 有利于得 到更好的结果， 标准 化公式表达如下： 式中， xt表示t时刻的功率值； 和σ 分别表示电器设备的平均功率和标准偏差， x为标准 化处理后的功率数据； 再次， 对数据进行滑动窗口化处理， 目的是提高神经网络的训练速度， 滑动窗口化是根 据窗口的长度对数据进行分割， 公式如下： N＝NW‑W+1 式中， N是处理后的负荷时间序列数量， NW是处理前的负荷时间序列数量， W为需要进行 分割的窗口长度； 然后是对数据维度进行转换， 将一维的时间序列负荷数据转化为二维的图片序列负荷 数据， 由于此时负荷数据分割为窗口长度W的N个数据， 维度的变换只需要将这N个负荷数据 重复复制W次， 使得负荷数据由一维的W时间序列变为 W*W的图片序列； 最后是把 转换后的数据按照7:3的比例分为训练集和 测试集， 完成数据库的构建。权　利　要　求　书 1/4 页 2 CN 115545447 A 23.根据权利要求2所述的基于小波分解和改进神经网络的非侵入式负荷分解方法， 其 特征在于， 在步骤2)中， 使用离散小波变换DWT对二 维的图片序列负荷数据进 行小波分解， p ×q的图片每经 过一次DWT变换 得到四个(p/2) ×(q/2)大小的子图片， 其分解公式为： 式中， j表示分解级别； k和m分别为行下标和列下标； l和n为平移因子； h和g分别表示低 通和高通滤波器， j级别的图片cj在经过一次小波分解后得到四个子图片cj+1、 dj+1,h、 dj+1,v、 dj+1,d， 分别包含图片的低频近似分量特征、 水平分量特征、 垂直分量特征和对角线分量特 征。 4.根据权利要求3所述的基于小波分解和改进神经网络的非侵入式负荷分解方法， 其 特征在于， 在步骤3)中， 首先， 为了充分利用各个方向的特征， 提高特征利用率， 采用多尺度 多分辨率的方法去改进神经网络， 多尺度的思想体现在输入是由四个不同长度的数据组成 的， 这也恰好符合每层小波分解会将输入长度减半的特定， 而四层的小波分解能够构建出 不同的输入长度， 构建四个小波输入层通道的输入图片； 多分辨率的思想体现在 网络中训 练是以二维图片进行的， 并且图片的分辨 率是随着神经网络的模块变化而变化； 其次， 由四层小波分解能得到四个小波输入层通道的输入图片， 该四个小波输入层通 道配对四个由CNN、 BiLSTM和Attention组成 的训练网络， 即在每个小波输入层通道后面都 接上一个训练网络进 行训练， 采用CNN的目的是进一步提取数据的特征， 起到数据压缩的作 用， 并且能够保证总输入与总输出的长度一致； 采用BiLSTM是考虑到在时间序列问题上的 优势； 采用Attent ion是为了赋予空间注 意力权重， 在电器 设备开或关的时候赋予更高的权 重， 从而使网络根据权 重分配学习， 更容 易识别设备的多过程状态， 提升网络精度； 再次， 通过Concatenate连接层拼接上述四个训练网络， 并再次利用CNN去保证输入与 输出的长度保持一 致， 以此来保证小 波的单支重构； 最后， 四个训练网络经过Concatenate连接层拼接后将输入到全连层中， 实现深层 特征 到目标电器功率的非线性映射， 并且结合seq2point学习模型， 得出分解结果； 全连层共有 三层， 维度分别为258、 128、 1， 最后一层全连层和输出构成了seq2po int模型。 5.根据权利要求4所述的基于小波分解和改进神经网络的非侵入式负荷分解方法， 其 特征在于， 改进的神经网络包括以下模块： 模块1， 重复层， 能将负荷数据由一维的W时间序列变为二维W ×W的图片序列， W为输入 的长度； 模块2， 小 波输入层1， 代 表进行一次小 波分解； 模块3， 小 波输入层2， 代 表进行两次小 波分解； 模块4， 小波输入层3， 代 表进行三次小 波分解； 模块5， 小 波输入层4， 代 表进行四 次小波分解； 模块6， CN N， 步长st ride＝2， 内核的大小kernel  size＝3， 激活函数为ReLU；权　利　要　求　书 2/4 页 3 CN 115545447 A 3