公开(公告)号：CN115423646A

公开(公告)日：2022-12-02

申请号：CN202211051983.2

申请日：2022-08-31

Applicant: 天津大学

Inventor： 余贻鑫 ,  陈姝伊 ,  栾文鹏 ,  赵博超 ,  刘博

IPC: G06Q50/06 ,  G06Q10/04 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于自监督学习的非侵入式负荷分解方法，包括：1)将目标数据集中选定的无标签总功率信号分割成多个长度为W的序列；2)完成自监督前置任务得到预训练后的序列到点神经网络；3)将源数据集中选定的有标签总功率信号分割成多个长度为W的序列；4)完成有监督下游任务得到负荷分解模型，5)将目标数据集中待分解的总功率信号分割成多个长度为W的序列，6)将步骤5)中的序列输入到步骤4)中的负荷分解模型中，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，进而得到预测的单个电器功率信号。本发明可以从目标数据集中的无标签数据中学习有用的特征，实现了针对目标数据集的无监督NILM，具有较大的应用意义。

公开(公告)号：CN115482123A

公开(公告)日：2022-12-16

申请号：CN202211052074.0

申请日：2022-08-31

Applicant: 天津大学

Inventor： 赵博超 ,  陈姝伊 ,  栾文鹏 ,  刘博

IPC: G06Q50/06 ,  G06Q10/04 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于深度学习的非侵入式工业负荷分解方法，包括：1)对采集到的工业负荷总功率数据和单个工业负荷功率数据进行归一化处理，按深度学习的数据集划分比例划分成训练集、验证集和测试集；2)对一个目标工业负荷，将训练集中的工业负荷总功率数据作为s2p神经网络的输入，将训练集中该工业负荷的功率数据作为s2p神经网络的输出，以此训练该s2p神经网络；采用早停机制防止过拟合，得到负荷分解模型；3)将目标工业负荷测试集的总功率序列输入到负荷分解模型中，将得到的目标工业负荷一系列功率窗口的中点值连接得到预测的该工业负荷功率信号。本发明能够利用深度学习对此类复杂负荷进行分解，对于实现工业场景的NILM具有重大意义。

公开(公告)号：CN114037178B

公开(公告)日：2024-07-12

申请号：CN202111394557.4

申请日：2021-11-23

Applicant: 天津大学

Inventor： 余贻鑫 ,  陈姝伊 ,  栾文鹏 ,  赵博超 ,  刘博

IPC: G06Q10/04 ,  G06N3/0464 ,  G06N3/088 ,  G06Q50/06

Abstract: 本发明公开了一种基于无监督预训练神经网络的非侵入式负荷分解方法，在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络模型，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。本发明方法在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。

公开(公告)号：CN114037178A

公开(公告)日：2022-02-11

申请号：CN202111394557.4

申请日：2021-11-23

Applicant: 天津大学

Inventor： 余贻鑫 ,  陈姝伊 ,  栾文鹏 ,  赵博超 ,  刘博

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/06

Abstract: 本发明公开了一种基于无监督预训练神经网络的非侵入式负荷分解方法，在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络模型，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。本发明方法在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。