技术摘要：
本发明的实施例提供了一种基于卷积神经网络对家庭能量分解的预测方法，涉及家庭能量分解预测技术领域。该预测方法包括：构建面向负荷分解的卷积神经网络，卷积神经网络包括连接的特征提取层和高层；训练卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化；多  全部
背景技术：
当前的家用电表只能报告整个家庭的累计耗能数据，无法以设备为单位展示家庭 每个电器的耗电情况。能量分解本质上是无法识别的，因此是一个困难的预测问题。 深度神经网络已被证明是解决这些问题的一种有前途的方法，可以通过使用神经 网络，如卷积和递归神经网络的序列到序列学习方法来对单通道盲源分离问题进行建模。 序列到序列学习的思想是训练一个深层网络，以在家庭主电源功耗读数输入序列与单个家 用电器设备功率读数输出序列之间进行映射。 现有的深度神经网络从一个观察到的主电源功耗数据中分解提取出多个能耗来 源电器数据时，易于受到图形处理单元（GPU）的内存限制，以及在递归神经网络中存在的梯 度消失和梯度爆炸问题，即使配合简单的滑动窗口方法无法有效的预测单点元素的问题。 因此，设计一种基于卷积神经网络对家庭能量分解的预测方法，能够避免图形处 理单元的内存限制，也能够避免递归神经网络中的梯度消失和梯度爆炸问题，这是目前急 需解决的技术问题。
技术实现要素：
本发明的目的在于提供了一种基于卷积神经网络对家庭能量分解的预测方法，其 能够避免图形处理单元的内存限制，也能够避免递归神经网络中的梯度消失和梯度爆炸问 题。 本发明的实施例可以这样实现： 第一方面，本发明实施例提供一种基于卷积神经网络对家庭能量分解的预测方法，预 测方法包括： 构建面向负荷分解的卷积神经网络，卷积神经网络包括连接的特征提取层和高层； 训练卷积神经网络，对于每一个神经元通过激活函数进行卷积与池化； 多样本处理批量标准化； 对于负荷分解的深度网络损失函数进行优化，并用损失函数来度量拟合的程度； 通过Dropout技术防止机器学习模型的过拟合； 进行序列到序列、序列到点的负荷分解预测； 基于迁移学习进行负荷分解。 在可选的实施方式中，多样本处理批量标准化的步骤包括： 在卷积神经网络的每一层前插入了一个归一化层。 在可选的实施方式中，特征提取层包括交替设置的卷积层和池化层，高层为全连 接层。 3 CN 111582610 A 说　明　书 2/13 页 在可选的实施方式中，全连接层位于卷积神经网络的隐含层的最后部分。 在可选的实施方式中，全连接层的数量为一层或两层，所述全连接层用于提取、整 合信息，并发送至后续层。 在可选的实施方式中，构建面向负荷分解的卷积神经网络的步骤包括： 采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过循环的迭代 训练提高网络的精度。 在可选的实施方式中，激活函数包括非线性函数Sigmoid和tanh函数。 在可选的实施方式中，对于负荷分解的深度网络损失函数进行优化，并用损失函 数来度量拟合的程度的步骤包括： 将损失函数极小化，并选择对应的模型参数为最优参数。 在可选的实施方式中，基于迁移学习进行负荷分解的步骤包括： 通过放宽训练数据和测试数据为独立同分布的假设，将知识从源领域迁移到目标领 域。 在可选的实施方式中，源领域包括要迁移的对象，对象包括知识和标注，目标领域 用于赋予知识和标注。 本发明实施例提供的基于卷积神经网络对家庭能量分解的预测方法的有益效果： 面对日益严重的能源紧缺的问题以及用电量逐年增长的现状，该预测方法能够以设备 为单位展示家庭每个电器的耗电情况，为用电节能改造以及发展智能电网技术创造了条 件。该预测方法还解决了现有的深度神经网络从一个观察到的主电源功耗数据中分解提取 出多个能耗来源电器数据时，易于受到图形处理单元（GPU）的内存限制，以及在递归神经网 络中存在的梯度消失和梯度爆炸问题，即使配合简单的滑动窗口方法无法有效的预测单点 元素的问题。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对 范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他相关的附图。 图1为本发明实施例提供的基于卷积神经网络对家庭能量分解的预测方法的流程 图； 图2为卷积神经网络的组成示意图； 图3为池化的形式的示意图； 图4为神经元的结构示意图； 图5为神经网络采用dropout技术前后对比图； 图6为传统机器学习过程和迁移学习过程的示意图； 图7为两种不同迁移学习方案结构图。 图标：1-卷积神经网络；2-特征提取层；3-卷积层；4-池化层；5-高层。 4 CN 111582610 A 说　明　书 3/13 页