CN115758249A - 一种非侵入负荷辨识方法及装置 - Google Patents

Abstract

本发明公开了一种非侵入负荷辨识方法及装置，采用stacking集成算法优化非侵入式负荷监测模型，基模型对负荷进行初步分解，通过元模型实现负荷精准分解。属于电力监测技术领域。它包括以下步骤:（1）数据采集，采集居民用电信息；（2）数据预处理，构建原始数据集并划分数据子集；（3）构建长短期记忆网络（LSTM）负荷分解模型，作为负荷辨识系统的第一个基学习器；（4）构建去噪自编码器网络（DAE），作为系统的第二个基学习器；（5）构建聚合模型，输出最终负荷辨识结果。本方法能将不同电器不同工作状态产生的电压信号快速准确的进行分类，以利于后续的处理。

Description

一种非侵入负荷辨识方法及装置

技术领域

本发明涉及一种非侵入负荷辨识方法及装置，属于非侵入式负荷监测技术领域。

背景技术

智能用电作为电网端与用户侧互动服务体系的核心，是强化国家智能电网的重要步骤，它的关键技术之一即是高级量测体系(advanced metering infrastructure,AMI)标准、系统及终端技术。负荷监测系统则是AMI的重要组成部分，同时还是实现智能电网的第一步。目前的电表仅仅能读取到用户的总线的用电信息，却不能获得用户侧的负荷用电信息，负荷监测系统是突破该瓶颈问题的关键。

目前来看，负荷监测系统按照技术形式分为侵入式负荷监测(intrusive loadmonotoring,ILM)和非侵入式负荷监测(non-intrusive load monotoring,NILM)两类。NILM由Hart教授于上个世纪的80年代首次提出，将NILM归类为组合优化问题，使用的是1Hz采样频率得到的有功功率和无功功率的时间序列数据，利用聚类算法进行负荷分解。近年来，国内外的学者对于NILM都做出相应的研究，文献[基于遗传优化的非侵入式家居负荷分解方法]采用遗传优化算法结合多种类型的电器的电流的波形、功率和电流频域上的特征实现不同电器的状态的识别，仅对单个电器工作状态的变化的辨识进行研究，缺少对单个电器功率数据分解的研究。文献[Denoising autoencoders for Non-Intrusive LoadMonitoring:Improvements and comparative evaluation]中提出了一种基于降噪自编码器的深度神经网络的模型，同时对比隐马尔科夫模型领域的最大后验算法模型，显示出深度学习在NILM领域应用的先进性和对噪声干扰情况下的鲁棒性。文献[基于Attention和残差网络的非侵入式负荷监测]中在seq2seq的框架下引入注意力机制和残差网络进行负荷分解，选用的数据集的采样间隔为较短，且不同目标电器采样输入的长度相差较大，实际应用较为复杂。文献[Improving Non-Intrusive Load Disaggregation throughanAttention-Based Deep Neural Network]采用回归子类模型和分类子类模型相结合的方法，并在回归子模型中加入注意力机制来提升负荷分解的效果，但是对于电容电感类变化频率较快得电器的分解效果较差。

国内外的研究机构取得较好的研究成果，以上的NILM模型对比下来在不同的电器分解有其各自的优势，但是他们相应的对别的电器的负荷分解的效果的劣势也较为明显，单纯就非侵入式负荷辨识算法而言，目前的非侵入式电力负载智能辨识系统一般都是基于单一模型，常用的模型有隐马尔可夫模型、图模型和深度学习模型。单一模型往往只对某些类别的电器负荷辨识效果较好，普适性和通用性有待改进。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种非侵入负荷辨识方法及装置，基于深度神经网络(DNN)逻辑回归Stacking建模的非侵入负荷辨识算法，运用基模型DAE模型和LSTM模型对目标负荷进行初步分解，再使用全连接神经网络对基模型的分解结果进行聚合得到最终的分解结果。该方法实现非侵入式的负荷分解。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种非侵入负荷辨识方法，包括以下步骤：

获取待辨识的数据；

预处理所述待辨识的数据，构建原始数据集并划分为若干数据子集；

将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列；

所述Stacking集成学习模型的构建方法包括：

构建长短期记忆网络(LSTM)负荷分解模型，作为Stacking集成学习模型的第一层的第一个基学习器；

构建去噪自编码器网络(DAE)，作为Stacking集成学习模型的第一层的第二个基学习器；

构建全连接层作为Stacking集成学习模型的第2层的元学习器。

进一步的，获取待辨识的数据，包括：

采集高频负荷和低频负荷。

进一步的，预处理所述待辨识的数据，包括：

中值滤波处理和数据降采样，所述数据降采样用于降低采样频率，所述中值滤波处理用于消除采样数据中的干扰。

进一步的，划分数据子集，包括：

对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)；

随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K；

其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集；

对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K。

进一步的，所述长短期记忆网络(LSTM)负荷分解模型的输入为数据子集，输出为LSTM目标负荷分解序列；

所述长短期记忆网络(LSTM)负荷分解模型由输入层、输出层和隐藏层堆叠组成，每一个单元拥有一个细胞元组，其在时刻t的状态记为c_t通过输入门i_t、遗忘门f_t和输出门o_t接收当前状态x_t和上一时刻元组的状态h_t-1；记忆单元的状态c_t-1作为内部信息将输入到各个门中。

当接收输入信息后，输入门、遗忘门和输出门将进行内部运算，判断是否激活该细胞元组。

输入门的信号经过非线性函数的变换后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态c_t。

记忆单元状态c_t通过非线性函数的运算和输出门的动态控制形成单元的输出h_t。

进一步的，所述去噪自编码器网络的输入是数据子集，输出为DAE目标负荷分解序列；

所述去噪自编码器网络是对称结构分为编码器和解码器两个部分，网络构建时候只需要设置好编码器和解码器网络隐藏层的神经元个数，训练过程中网络会对自身的参数进行调整。

在编码层工作情况，通过卷积层的运算后将将原始数据映射到隐藏的特征空间，然后通过全连接层映射到目标负荷的标记空间，生成去噪的隐藏层，再有解码器将这一个过程逆向进行得到目标负荷的功率曲线。

一维卷积层本质上是建立多个滤波器进行数据特征的提取，可得

式中：

为第l-1层的第j个特征图，

为第l层的第j个特征图和第l-1个特征图的卷积核函数，

第l层第j个偏置参数，f(x)为卷积神经网络的非线性激活函数^[10]。在该卷积层中选用的非线性激活函数为修正线性单元函数(rectified linear unit,ReLU)，可得

式中：

为卷积操作的输出值，

为

的激活值。

进一步的，将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列，包括：

将原始数据集划分成若干子数据集，输入到第1层预测模型的各个基学习器中，每个基学习器输出各自的预测结果，得到第一层的输出；

将第1层的输出再作为第2层的输入，对两个基学习器的初步分解结果进行聚合得到最后的目标负荷的分解结果，即将LSTM目标负荷功率分解序列和目标负荷功率分解序列聚合，使用全连接神经网络对基模型的分解结果进行聚合得到目标负荷最终功率分解序列。

进一步的，所述Stacking集成学习模型的训练方法包括：

对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)。

随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K。其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集。

对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K。

对于K折交叉验证中的第k折测试集S_k中的每个样本x_n，基学习器L_k对它的预测表示为z_kn。

在完成交叉验证过程后，将K个基学习器的输出数据构成新的数据样本，即：S_new＝{(y_n,z_1n,...,z_kn)}，n＝1,...,N。新产生的数据集就是Stacking第2层输入数据。使用第2层预测算法对这些数据进行归纳得到的元学习器L_new。

第二方面，本发明提供一种非侵入负荷辨识装置，所述装置包括：

输入模块：用于获取待辨识的数据；

预处理模块：用于预处理所述待辨识的数据，构建原始数据集并划分为若干数据子集；

分解模块：用于将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列；

所述Stacking集成学习模型的构建方法包括：

构建长短期记忆网络(LSTM)负荷分解模型，作为Stacking集成学习模型的第一层的第一个基学习器；

构建去噪自编码器网络(DAE)，作为Stacking集成学习模型的第一层的第二个基学习器；

构建全连接层作为Stacking集成学习模型的第2层的元学习器。

第三方面，本发明提供一种非侵入负荷辨识装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

1、本发明基于深度神经网络(DNN)逻辑回归Stacking建模的思想，在原始总线负荷功率序列的基础上，对其分别采用DAE模型和LSTM模型进行初步的负荷分解，获得目标负荷的初步功率序列。引入全连接层对两个模型的初步分解结果进行聚合得到最后的目标负荷的分解结果，使负荷分解的精度大大提高。

2、去噪自编码器模型(DAE模型)的思路是将NILM问题看作是去噪声问题，思路来源是自然语言处理，即将目标负荷的功率曲线看作是语音识别的目标声音，而总线的功率曲线为参杂噪音后的音频，算法的目的就是将噪音去除获得目标负荷的功率曲线，为非侵入式负荷分解提供新思路。

附图说明

图1是本发明系统框图；

图2是本发明中去噪自编码器网络框架图；

图3是本发明中Stacking集成学习优化框架图；

图4是本发明实施例一的原始信号图；

图5是本发明实施例一的负荷分解示例一；

图6是本发明实施例一的负荷分解示例二。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

本实施例提供一种基于深度神经网络(DNN)逻辑回归Stacking建模的非侵入负荷辨识方法，如图1所示，包括以下步骤：

1)数据采集，采集居民用电信息；

2)数据预处理，构建原始数据集并划分数据子集；

3)构建长短期记忆网络(LSTM)负荷分解模型，作为负荷辨识系统的第一个基学习器；

4)构建去噪自编码器网络(DAE)，作为系统的第二个基学习器；

5)构建聚合模型，输出最终负荷辨识结果，即目标负荷最终功率分解序列。

具体的，采集居民用电数据信息为：

采集高频负荷和低频负荷。

具体的，数据预处理的步骤为：

中值滤波处理和数据降采样，所述数据降采样用于降低采样频率，所述中值滤波处理用于消除采样数据中的干扰。

具体的，划分数据子集为K个大小基本相等的子集的步骤为：

对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)。随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K。其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集。对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K。

具体的，构建长短期记忆网络(LSTM)负荷分解模型：

网络一般由输入层、输出层和隐藏层堆叠组成，每一个单元拥有一个细胞元组，这个元组为具有记忆功能的单元，其在时刻t的状态记为c_t通过输入门i_t、遗忘门f_t和输出门o_t接收当前状态x_t和上一时刻元组的状态h_t-1。记忆单元的状态c_t-1作为内部信息将输入到各个门中。当接收输入信息后，输入门、遗忘门和输出门将进行内部运算，判断是否激活该细胞元组。输入门的信号经过非线性函数的变换后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态c_t。记忆单元状态c_t通过非线性函数的运算和输出门的动态控制形成单元的输出h_t。

具体的，构建去噪自编码器网络(DAE)：

去噪自编码器模型(DAE模型)的思路是将NILM问题看作是去噪声问题，思路来源是自然语言处理，即将目标负荷的功率曲线看作是语音识别的目标声音，而总线的功率曲线为参杂噪音后的音频，算法的目的就是将噪音去除获得目标负荷的功率曲线。

应用在NILM上的DAE本质上看是一种自动编码器，其目标是从含有噪声的总线功率曲线中重建目标负荷的功率曲线。如图2所示，在网络结构上，DAE是对称结构分为编码器和解码器两个部分，网络构建时候只需要设置好编码器和解码器网络隐藏层的神经元个数，训练过程中网络会对自身的参数进行调整。

在编码层工作情况，通过卷积层的运算后将将原始数据映射到隐藏的特征空间，然后通过全连接层映射到目标负荷的标记空间，生成去噪的隐藏层，再有解码器将这一个过程逆向进行得到目标负荷的功率曲线。

一维卷积层本质上是建立多个滤波器进行数据特征的提取，可得

式中：

为第l-1层的第j个特征图，

为第l层的第j个特征图和第l-1个特征图的卷积核函数，

第l层第j个偏置参数，f(x)为卷积神经网络的非线性激活函数^[10]。在该卷积层中选用的非线性激活函数为修正线性单元函数(rectified linear unit,ReLU)，可得

式中：

为卷积操作的输出值，

为

的激活值。

具体的，模型聚合方法：

根据个体学习器的生成方式，目前的集成学习方法大致可以分为两类：第一类个体学习器间存在强依赖关系、必须串行生成的序列化方法，代表为Boosting；第二类个体学习器间不存在强依赖关系、可同时生成的并行化方法，代表为Bagging和Stacking。

如图3所示，Stacking集成学习模型首先将原始数据集划分成若干子数据集，输入到第1层预测模型的各个基学习器中，每个基学习器输出各自的预测结果。然后，第1层的输出再作为第2层的输入，对第2层预测模型的元学习器进行训练，再由位于第2层的模型输出最终预测结果。Stacking学习框架通过对多个模型的输出结果进行泛化，以获得整体预测精度的提升。

Stacking集成学习的训练方式是：对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)。随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K。其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集。对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K。对于K折交叉验证中的第k折测试集S_k中的每个样本x_n，基学习器L_k对它的预测表示为z_kn。在完成交叉验证过程后，将K个基学习器的输出数据构成新的数据样本，即：S_new＝{(y_n,z_1n,...,z_kn)}，n＝1,...,N。新产生的数据集就是Stacking第2层输入数据。使用第2层预测算法对这些数据进行归纳得到的元学习器L_new。Stacking的配置方式使得第1层算法的训练结果能够充分用于第2层算法的归纳过程当中，第2层算法能够发现并且纠正第1层学习算法中的预测误差，以提升模型的精度。

步骤5)中，建立最终模型并输出结果：

在原始总线负荷功率序列的基础上，对其分别采用DAE模型和LSTM模型进行初步的负荷分解，获得目标负荷的初步功率序列。引入全连接层对两个模型的初步分解结果进行聚合得到最后的目标负荷的分解结果，即使用1×1×2的卷积核对两个模型的对应输出结果进行卷积运算后，经过激活函数后输出最终的聚合结果。

具体实施中，以图4的原始信号图的负荷分解为例，具体结果为：

图5所示的负荷分解示例一和图6是本发明实施例一的负荷分解示例二，图中，深色三角线为负荷真实值，浅色五角星线为本发明的方法所给出的负荷预测值(目标负荷最终功率分解序列)，由此可以看出，本发明的方法准确、可靠，可以较精确的进行负荷分解。

实施例二：

本实施例提供一种非侵入负荷辨识装置，所述装置包括：

输入模块：用于获取待辨识的数据；

预处理模块：用于预处理所述待辨识的数据，构建原始数据集并划分为若干数据子集；

分解模块：用于将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列；

所述Stacking集成学习模型的构建方法包括：

构建长短期记忆网络(LSTM)负荷分解模型，作为Stacking集成学习模型的第一层的第一个基学习器；

构建去噪自编码器网络(DAE)，作为Stacking集成学习模型的第一层的第二个基学习器；

构建全连接层作为Stacking集成学习模型的第2层的元学习器。

本实施例的装置可用于实现实施例一所述的方法。

实施例三：

本实施例提供一种非侵入负荷辨识装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例一所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种非侵入负荷辨识方法，其特征在于，包括以下步骤：

获取待辨识的数据；

预处理所述待辨识的数据，构建原始数据集并划分为若干数据子集；

将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列；

所述Stacking集成学习模型的构建方法包括：

构建长短期记忆网络负荷分解模型，作为Stacking集成学习模型的第一层的第一个基学习器；

构建去噪自编码器网络，作为Stacking集成学习模型的第一层的第二个基学习器；

构建全连接层作为Stacking集成学习模型的第2层的元学习器。

2.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，获取待辨识的数据，包括：

采集高频负荷和低频负荷。

3.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，预处理所述待辨识的数据，包括：

中值滤波处理和数据降采样，所述数据降采样用于降低采样频率，所述中值滤波处理用于消除采样数据中的干扰。

4.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，划分数据子集，包括：

对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)；

随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K；

其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集；

对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K。

5.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，所述长短期记忆网络负荷分解模型的输入为数据子集，输出为LSTM目标负荷分解序列。

6.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，所述去噪自编码器网络的输入是数据子集，输出为DAE目标负荷分解序列；

所述去噪自编码器网络是对称结构分为编码器和解码器，在编码层工作情况，通过卷积层的运算后将将原始数据映射到隐藏的特征空间，然后通过全连接层映射到目标负荷的标记空间，生成去噪的隐藏层，再有解码器将这一个过程逆向进行得到目标负荷的功率曲线；

一维卷积层本质上是建立多个滤波器进行数据特征的提取，可得

式中：

为第l-1层的第j个特征图，

为第l层的第j个特征图和第l-1个特征图的卷积核函数，

第l层第j个偏置参数，f(x)为卷积神经网络的非线性激活函数^[10]；在该卷积层中选用的非线性激活函数为修正线性单元函数，可得

式中：

为卷积操作的输出值，

为

的激活值。

7.根据权利要求1所述的非侵入负荷辨识方法，其特征在于，将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列，包括：

将原始数据集划分成若干子数据集，输入到第1层预测模型的各个基学习器中，每个基学习器输出各自的预测结果，得到第一层的输出；

将第1层的输出再作为第2层的输入，对两个基学习器的初步分解结果进行聚合得到最后的目标负荷的分解结果，即将LSTM目标负荷功率分解序列和目标负荷功率分解序列聚合，得到目标负荷最终功率分解序列。

8.根据权利要求7所述的非侵入负荷辨识方法，其特征在于，所述Stacking集成学习模型的训练方法包括：

对于数据集S＝{(y_n,x_n),n＝1,...,N}，其中x_n为第n个样本的特征向量，y_n为第n个样本对应的预测值，p为所包含特征数量，即每一个特征向量为(x₁,x₂,...,x_p)；

随机将数据划分成K个大小基本相等的子集S₁,S₂,...,S_K；其中S_-k＝S-S_k，分别定义S_k和S_-k为K折交叉验证中的第k折测试集与训练集；

对于第1层预测算法包含K个基学习器，对训练集S_-k用第k个算法训练得到基模型L_k，k＝1,...,K；

对于K折交叉验证中的第k折测试集S_k中的每个样本x_n，基学习器L_k对它的预测表示为z_kn；

在完成交叉验证过程后，将K个基学习器的输出数据构成新的数据样本，即：S_new＝{(y_n,z_1n,...,z_kn)}，n＝1,...,N；新产生的数据集就是Stacking第2层输入数据；对这些数据进行归纳得到的元学习器L_new。

9.一种非侵入负荷辨识装置，其特征在于，所述装置包括：

输入模块：用于获取待辨识的数据；

预处理模块：用于预处理所述待辨识的数据，构建原始数据集并划分为若干数据子集；

分解模块：用于将所述数据子集输入Stacking集成学习模型，得到目标负荷最终功率分解序列；

所述Stacking集成学习模型的构建方法包括：

构建长短期记忆网络负荷分解模型，作为Stacking集成学习模型的第一层的第一个基学习器；

构建去噪自编码器网络，作为Stacking集成学习模型的第一层的第二个基学习器；

构建全连接层作为Stacking集成学习模型的第2层的元学习器。

10.一种非侵入负荷辨识装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。

Images