买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海梦象智能科技有限公司

摘要：本发明属于电负荷监测技术领域，具体为一种基于深度卷积Seq2Seq‑注意力框架的电流负荷分解方法。本发明包括卷积层处理、Seq2Seq‑Att网络处理、注意力机制模块处理以及全连接层FC处理。首先，卷积层处理通过两个卷积块对输入数据进行特征提取，捕获其初级和复杂的空间特征；随后，Seq2Seq‑Att网络负责对这些特征进行时间序列的编码和解码操作，利用LSTM结构捕获长期依赖关系；在此基础上注意力机制模块进一步优化解码过程，使解码器能够在每个时间步都考虑到与当前输出最相关的输入部分；最后，全连接层处理模块将上述处理后的数据进行进一步转化，输出最终的预测结果。本发明实现电流数据的非侵入性分解，准确性高、稳定性好。

主权项：1.一种基于深度卷积Seq2Seq-注意力框架的电流负荷分解方法，其特征在于，采用深度卷积Seq2Seq-注意力框架的电流负荷分解模型，该模型具体包括：卷积层、Seq2Seq-Att网络、注意力机制模块、以及全连接层FC；首先，卷积层通过两个卷积块对输入数据进行特征提取，捕获其初级和复杂的空间特征；随后，Seq2Seq-Att网络负责对这些特征进行时间序列的编码和解码操作，利用LSTM结构捕获长期依赖关系；注意力机制模块进一步优化解码过程，使解码器在每个时间步都考虑到与当前输出最相关的输入部分；最后，全连接层将上述处理后的数据进行进一步转化，输出最终的预测结果；具体步骤为：步骤1：数据采集和预处理；通过部署电流传感器，以固定1kHz采样频率采集1个插线板总线上的电流数据，以及多个分设备电流数据，采集时长为2h，利用滑动窗口的方法获得数据集；将数据集经过预处理操作，包括数据清洗和去噪，以确保数据的质量和准确性；然后对数据集进行洗牌操作，打乱数据的顺序，选择数据集的80％用于训练，20％用于测试；步骤2：卷积层处理；卷积层由两个卷积块组成；首先，数据首先进入第一卷积块，该卷积块由30个滤波器组成，内核大小为2、步长为1；第一卷积块负责从数据中提取初级的空间特征；这些特征随后经过一个tanh激活函数进行非线性变换，然后进入一个最大池化层进行特征的下采样和压缩；接着，数据流向第二卷积块；第二卷积块具有60个滤波器，旨在提取更复杂的空间特征；步骤3：Seq2Seq-Att网络处理；Seq2Seq-Att网络由编码器和解码器两大部分组成；编码器的主要任务是将输入的时间序列数据转化为一个固定长度的上下文向量，它利用两层LSTM结构来捕获数据中的长期依赖关系，并逐渐更新其隐藏状态；随着时间步的进展，最后一个时间步的隐藏状态被用作整个输入序列的表示；解码器接收所述上下文向量，并开始生成输出序列，同时在带有注意力机制的模型中，在每个时间步都考虑编码器的所有隐藏状态，确保预测更加精确；步骤4：注意力机制模块处理；注意力机制由三个主要部分组成：对齐分数、关注权重和上下文向量；首先，对齐分数衡量解码器当前的隐藏状态与编码器每个隐藏状态的相似度；然后，这些分数经过softmax函数处理，得到关注权重，这些权重决定解码器在当前时间步应该“关注”编码器哪些隐藏状态；最后，这些权重与编码器的隐藏状态相乘，产生上下文向量，这个向量为解码器在当前时间步提供关于输入序列的有针对性信息，辅助更精确的预测；步骤5：全连接层FC处理；全连接网络的核心是一系列的FC层；这些层的作用是将经过Seq2Seq-Att处理的数据进一步转化，得到最终的预测输出；数据首先流经FC层进行加工处理，这些层根据需要调整节点数，来改变输出的特征向量数量；步骤6：损失函数和优化器处理；采用Huber损失函数，用于衡量生成结果与真实负荷之间的差异；优化器选择Adam优化器；步骤7：模型训练和参数更新；使用预处理后的电流数据作为输入，将目标负荷作为训练的目标，通过反向传播算法计算梯度并更新模型参数，以最小化损失函数；在训练过程中，采用批量训练及滑动窗口训练的方式，随机选择一批滑动窗口内数据进行模型的更新和优化；步骤8：模型测试和预测；将测试数据输入到训练好的深度卷积Seq2Seq-注意力框架的电流负荷分解模型中，进行前向传播操作，得到电流负荷的预测结果。

全文数据：

权利要求：

百度查询： 上海梦象智能科技有限公司 一种基于深度卷积Seq2Seq-注意力框架的电流负荷分解方法