(19)中华 人民共和国 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 202111669696.3 (22)申请日 2021.12.31 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 钟明军　逯振宇　成雨蓉　袁野　 王国仁　 (74)专利代理 机构 北京理工大 学专利中心 11120 代理人 李爱英　付雷杰 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种轻量 化的非侵入式负载分解方法 (57)摘要 本发明的轻量化的非侵入式负载分解方法， 通过输入一维时间序列y到第一DW卷积层进行卷 积处理， 得到多维特征图； 利用NILM模块对所述 多维特征图进行特征提取， 得到高维特征图； 对 将所述高维特征图输入到第二DW卷积层进行分 类和加权， 输出得到所述一维时间序列y中点的 负载功耗分解值。 能够解决现有算法计算复杂 度 高、 准确率较低、 不能有效地在移动设备上运行 等问题。 权利要求书2页 说明书6页 附图1页 CN 114386597 A 2022.04.22 CN 114386597 A 1.一种轻量 化的非侵入式负载分解方法， 其特 征在于， 所述方法包括： 输入一维时间序列y到第一DW卷积层进行 卷积处理， 得到多维特 征图； 利用NILM模块对所述多维特 征图进行 特征提取， 得到高维特 征图； 对将所述高维特征图输入到第 二DW卷积层进行分类和加权， 输出得到所述一维时间序 列y中点的负载功耗分解 值。 2.根据权利要求1所述的非侵入式负载分解方法， 其特征在于， 所述NILM模块为循环神 经网络SRNN、 深度可分离卷积神经网络DepthWCNN、 密集连接卷积神经网络和残差神经网 络。 3.根据权利要求2所述的非侵入式负载分解方法， 其特征在于， 当所述NILM模块为循环 神经网络SRNN时， 所述利用NILM模块对所述多维特征图进行特征提取得到高维特征图， 包 括: 初始化所述循环神经网络SRNN的循环神经网络单元S， 利用所述循环神经网络单元S对 所述一维时间序列y的每 个元素进行学习计算； 将一维时间序列y划分为多个长度为k的子序列y1， 将输出的子序列y1作为循环神 经网 络SRNN的第二层输入； 重复该过程， 直到所述多维特 征图为一个高维特 征图； 其中， 序列 序列 T， k为正整数， T为一维时间序 列y的长度。 4.根据权利要求2所述的非侵入式负载分解方法， 其特征在于， 当所述NILM模块为深度 可分离卷积神经网络DepthWCNN时， 深度可分离卷积神经网络DepthWCNN由通道可分离卷积 和1*1标准卷积组成； 所述利用N ILM模块对所述多维特 征图进行 特征提取得到高维特 征图， 包括： 初始化所述深度可分离卷积神经 网络DepthWCNN的卷积核为 所述深度可分离卷积神 经网络DepthWCNN 的每层神 经网络输出为 其中， F为多维特征图， i∈[1, Dk]， m∈[1,M]。 其中Dk是卷积核大小， M是 上一层输出 特征图的维度， 指神经网络的权 重。 5.根据权利要求2所述的非侵入式负载分解方法， 其特征在于， 当所述NILM模块为密集 连接卷积神经网络时， 所述密集连接卷积神经网络由多个密集连接模块组成； 所述利用N ILM模块对所述多维特 征图进行 特征提取得到高维特 征图， 包括： 输入一维时间序列y＝{y1…yT}的特征图T ×N的矩阵到密集连接卷积神经网络的每个 密集连接模块中的神经元中， 所述每个密集连接模块的输入为T ×M的特征图F， 输出每个密 集连接模块中的神经元的计算结果和T ×M的特征图F的并集， 其中， M， N为正整数， M， N为卷 积核的数量， M>N。 6.根据权利要求2所述的非侵入式负载分解方法， 其特征在于， 当所述NILM模块为残差 神经网络时， 所述利用N ILM模块对所述多维特 征图进行 特征提取得到高维特 征图， 包括： 当残差神经网络的输入通道F和输出通道G的通道数相同时， 所述残差神经网络为G＝H (F， W)+F， 其中， W 为残差神经网络的卷积参数， H(F， W)为残差神经网络的卷积运 算； 当残差神经网络的输入通道F和输出通道G的通道数不同时， 所述残差神经网络为权　利　要　求　书 1/2 页 2 CN 114386597 A 2中， W为残差神经网络的卷积参数， H(F， W)为残差神经网络的卷积运 算， 中， F为上一层输出的特征图， W和 指神经网络的参数和权重， P( ·)为神经网 络。权　利　要　求　书 2/2 页 3 CN 114386597 A 3