技术特征：
1.基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：包括如下步骤：1)通过用户总负荷与单电器负荷信息建立总数据集；2)搭建包含分离主网络和特征提取子网络的深度学习模型；3)设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型；4)网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。2.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤1)中，对所述用户总负荷与所述单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；所述总数据集中，单个样本的数学模型可以表示为：其中t表示时间，y(t)表示t时刻样本家庭总负荷信号，x
i
(t)表示t时刻第i个电器的负荷信号，n代表系统中的电器总数，n(t)表示噪声信号。3.如权利要求2所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述抽样、重叠窗分段是指：对所述用户总负荷与所述单电器负荷信息在时间上进行均匀采样，以减少数据的冗余，并依据各个电器工作特性不同，用不同大小的重叠窗将原始长时间序列信号分割成短时间序列。4.如权利要求2所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述电器激活信号提取和激活信号重新组合是指：分别提取x
i
(t)中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据。5.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤2)中，所述分离主网络采用卷积层堆叠构成，包括前端卷积和后端卷积模块，所述前端卷积模块提取电器普适性特征，所述后端卷积模块进行目标电器的负荷分解任务；所述后端卷积模块有两个输入：一个输入是由所述前端卷积模块传递过来的隐变量，一个输入是由所述特征提取子网络传递过来的特征信息，所述后端卷积模块对两个输入进行特征合并处理。6.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述特征提取子网络包含卷积层、残差网络模块以及全连接层；所述特征提取子网络输入目标电器的激活负荷信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果。7.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤3)中，所述深度学习模型采用了多任务目标的深度学习方式，同时约束所述分离主网络的分离性能和所述特征提取子网络的特征提取性能，网络训练时采用的损失函数如下所示：
l＝l1+l2其中，l1为分离主网络输出与标签之间的均方误差，t为负荷信号的总长度，t表示时间，y(t)为随时间t变化的总负荷信号，x(t)为随时间t变化的目标电器实际负荷信号，w表示网络参数，a表示由特征提取子网络提取出的目标电器特征信息，f(
·
)表示网络模型所代表的映射关系；l2为特征提取子网络输出与标签之间的交叉熵，m表示共有m种电器种类，a
m
表示第m种电器激活信号，y
m
为第m种电器的标签，g(
·
)表示网络模型所代表的映射关系；l1与l2相加得到网络训练的总损失函数l。8.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤3)中，所述网络训练时，输入的数据分为两类：一类包含总负荷信号、目标电器激活信号，用于训练分离主网络和特征提取子网络；另一类包含多种不同电器激活信号，用于训练特征提取子网络。9.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述网络训练的具体方法为：将步骤1)中得到的总数据集输入到深度学习模型中训练网络，采用反向传播算法结合多任务模型训练，计算损失函数，并以此更新网络中的参数；当达到预定的最大迭代次数时或损失函数不再下降时，终止训练，获得优化后的深度学习模型。10.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：在步骤4)中，所述网络测试的具体为：将步骤1)中得到总数据集输入到优化后的深度学习模型中，得到经网络分离提取的目标电器负荷信号，并与标签进行比较以验证优化后的深度学习模型的性能。
技术总结
本发明提出基于深度学习的半自适应式非侵入式电负荷监测方法，通过对从家庭电表获取到的负荷信号进行抽样、重叠窗分段、电器激活信号提取、激活信号随机组合等方式构建数据集。通过设计包含分离主网络和个体特征提取子网络的神经网络模型，将提取电器普遍特征和个体专有特征的步骤模块化、具体化，并通过多任务模式的深度学习对不同模块的功能进行了约束，得到优化后的深度学习模型。本发明的提出有效解决了基于深度学习的非侵入式电负荷分解方法泛化性、普适性不足的问题，方法具备针对不同型号电器个体的半自适应性监测能力。对不同型号电器个体的半自适应性监测能力。对不同型号电器个体的半自适应性监测能力。
技术研发人员：陈松 杨钰 曹烁晖
受保护的技术使用者：厦门大学
技术研发日：2022.09.29
技术公布日：2023/3/7