(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211118482.1 (22)申请日 2022.09.15 (65)同一申请的已公布的文献号 申请公布号 CN 115204529 A (43)申请公布日 2022.10.18 (73)专利权人 之江实验室 地址 311121 浙江省杭州市余杭中泰街道 之江实验室南湖总部 (72)发明人 黄刚　周舟　华炜　廖龙飞　 韩佳易　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 孙孟辉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H02J 3/00(2006.01) (56)对比文件 CN 106096726 A,2016.1 1.09 CN 114529051 A,202 2.05.24 CN 109508908 A,2019.0 3.22 CN 113902104 A,202 2.01.07 CN 111369120 A,2020.07.0 3 CN 113987913 A,202 2.01.28 CN 114722873 A,202 2.07.08 WO 2022141330 A1,202 2.07.07 张顺淼等.基 于注意力机制与Co nvBiLSTM的 非侵入式负荷分解. 《福建工程学院学报》 .2020, (第04期), Ziyue JiaL infeng YangFan nie Kong.Sequence to po int learn ing based o n bidirecti onal dilated residual netw ork for non-intrusive l oad monitoring.< Internati onal Journal of Electrical Po wer & Energy System s>.2021, (续) 审查员 李峥 (54)发明名称 一种基于时间注意力机制的非侵入式负荷 监测方法及装置 (57)摘要 本发明涉及智能电网领域， 提出了一种基于 时间注意力机制的非侵入式负荷监测方法及装 置， 所述方法包括如下步骤： 获取建筑某时段内 的总负荷数据、 设备负荷数据及对应采样时间； 将总负荷数据、 设备负荷数据分别与对应采样时 间进行融合， 得到增强的总负荷数据和设备负荷 数据； 利用滑动窗口法对增强的总负荷数据和设 备负荷数据进行分割， 构造深度学习训练数据 集； 构建神经网络模型， 基于深度学习训练框架 并利用得到的训练数据集对模型进行训练。 本发 明内容可有效提取负荷工作时间模式及其内在 的依赖关系， 从而提升负荷监测的准确性。 [转续页] 权利要求书2页 说明书6页 附图2页 CN 115204529 B 2022.12.20 CN 115204529 B (56)对比文件 Sayed Sae ed HosseiniKodjo AgbossouAlben Cardenas.N on-intrusive l oad monitoring through home energy mana gement systems: A comprehensive review.< Renewable and Sustai nable Energy Reviews >.2017,2/2 页 2[接上页] CN 115204529 B1.一种基于时间注意力机制的非侵入式负荷监测方法， 其特 征在于， 包括如下步骤： 步骤1、 获取建筑某时段内的总负荷数据、 设备负荷数据及对应采样时间； 步骤2、 将总负荷数据、 设备负荷数据分别与对应采样时间进行融合， 得到增强的总负 荷数据和设备负荷数据； 步骤3、 利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割， 构造深度 学习 训练数据集； 步骤4、 构建神经网络模型， 基于深度学习训练框架并利用步骤3得到的训练数据集对 模型进行训练； 获取建筑某一时段内的负荷用电情况， 采样时间 ， 所述总负荷数据包括总 负荷有功功率 、 无功功率 和视在功率 ， 所述设备负荷数据包括各设备在上述采 样时间内的有功 功率 、 无功功率 和视在功率 ， 其中 为设备编号； 所述步骤2具体如下： 首先， 将采样时间 转换为相应星期数， 即 ， 其中 表示采 样时刻 隶属的星期数； 然后， 基于注意力机制将总负荷数据、 设备负荷数据分别与 进行融合， 如下 所示： 其中， 可表示总负荷有功功率 ， 无功功率 和视在功率 及设备负荷有功功 率 、 无功功率 和视在功率 ； 表示与时间信息 进行融合增强后的负荷数据； 得到增强的总负荷数据 、 、 ， 和设备负荷数据 、 、 ； 表示注意力机 制函数； 在模型训练完成后， 应用于其他时间段的负荷监测， 具体为： 利用步骤2所述方法对该 建筑任意长度为 时段内的有功、 无功及视在功率数据进行增强， 输入经训练的神经网络 模型， 模型输出即为该建筑这 一时段内的各设备用电情况。 2.根据权利要求1所述的一种基于时间注意力机制的非侵入式负荷监测方法， 其特征 在于， 所述注意力机制采用神经网络实现， 即 其中 表示神经网络,   表示矩阵乘积。 3.根据权利要求1所述的一种基于时间注意力机制的非侵入式负荷监测方法， 其特征 在于， 所述 步骤3具体如下： 首先， 利用增强的总负荷数据和设备负荷数据构造总负荷样本 ， 以 及各独立负荷样本 ； 然后， 采用宽度为 ， 步长为 的滑动窗口对 及 进行划分， 构造训练数据 ， 其中权　利　要　求　书 1/2 页 2 CN 115204529 B 3