本发明涉及非侵入式负荷分解，具体地说是一种基于分层残差图神经网络的非侵入式负荷分解方法。
背景技术：
1、在2050年实现二氧化碳零排放的道路上，电网的转型起着至关重要的作用。数字技术在促进电网能源结构优化和能效提升方面发挥着日益重要的作用。负荷监测属于数字电网技术架构中的传感测量环节，是数字电网建设中基础和重要的环节之一。负荷监测通过对电力系统中负荷的消耗情况进行识别和获取，为电力终端用户提供消费模式和用电习惯等详细信息，对于能效管理和准确控制所消耗的电能至关重要。
2、负荷监测包括侵入式负荷监测和非侵入式负荷监测两种手段。侵入式负荷监测是一种使用无线传感器或智能插头识别、定位和监测给定系统中每个设备功耗的技术。侵入式负荷监测准确度较高，但传感器的安装在侵犯用户隐私的同时，也增加了负荷监测系统的运行和维护成本，不利于技术的推广应用。非侵入式负荷监测方法只需要采集被监测区域的总电压、电流数据，即可基于智能算法辨识出当前采样时段内处于运行状态的用电设备的名称，进而实现对监测区域内各用电设备运行和能耗的监测。相比于侵入式方法，非侵入式方法的负荷监测系统的成本更低，安装更加便捷，其监测结果的准确度也随着研究的深入而逐年提升，已基本能满足工程应用的要求。
3、当前针对非侵入式负荷监测算法的研究大多集中于处理时序数据的深度学习模型研究，受制于欧式空间下的顺序输入，对于数据特征信息提取不充分，分解精度受限。而图神经网络的出现，为解决负荷监测问题提供了新思路，本发明旨在构建适用于负荷监测问题的功率图数据，通过优化后的图卷积神经网络使得负荷监测效果得到提升。
4、本技术与现有技术相比技术区别如下；
5、与专利cn114970313a“一种基于自适应图卷积网络的非侵入式负荷分解方法”的技术对比；
6、专利cn114970313a中采用传感器采集到的原始功率数据、电流数据与温度数据共同生成节点特征表示矩阵，基于时间间隔赋予节点之间连接边的权重，构建图数据的邻接矩阵，从而实现了负荷特征图数据的构建。而本发明采用多尺度一维卷积，通过不同尺寸卷积核提取功率序列中不同范围的局部信息，并实现特征升维，将不同范围的特征信息沿特征维度进行拼接，形成最终的节点特征矩阵。而针对节点之间连接边的权重，除了基于时间间隔定义，还利用自注意力机制计算节点间的特征关联权重，将基于两种规则定义的邻接矩阵相融合，形成混合关系邻接矩阵。
7、专利cn114970313a中采用自适应切比雪夫图卷积层实现特征提取通过采用空间注意力机制计算节点特征相关性，并与切比雪夫多项式矩阵进行对应位置点乘融合，构建自适应切比雪夫图卷积层，采用图平均池化实现数据压缩。而本发明采用耦合分层残差图卷积层，其中采用一阶近似图卷积层减少模型参数，提高计算效率；采用耦合分层图卷积层，通过递推方式获取下一层图卷积层所采用的图结构，提取差异化图节点特征；此外，本发明引入混合注意力机制关注重要节点级特征通道，并基于求和聚合得到信息量更丰富的图嵌入表示，获得更精准的分解结果。
8、与专利cn115392318a“基于并行连接网络的智能楼宇非侵入式负荷分解方法”的技术对比：
9、专利cn115392318a中采用空洞卷积神经网络和双向长短期记忆网络构成并行连接网络，分别提取欧式空间下顺序输入数据的空间特征和时序特征。利用空洞卷积提取提高卷积层的感受野，捕捉大范围的特征信息。而本文采用多尺度一维卷积，同时实现对不同范围内特征信息的提取，并将欧式空间下的顺序数据转化为非欧空间下的图数据，更有有利对长序列特征的学习提取。
10、专利cn115392318a中采用注意力机制通过概率分配的方式选择性地关注大量特征中的重要节点特征，而本发明采用空间与通道注意力的融合的混合注意力机制，关注重要节点的同时，关注每个节点的重要特征维度，能够更准确地提取关键信息。
技术实现思路
1、本发明所要解决的技术问题在于，本发明提供了一种基于分层残差图神经网络的非侵入式负荷分解方法，能够提高非侵入式负荷分解的准确度，借助多尺度节点特征矩阵于多角度邻接矩阵构建特征表征能力更强的图数据，结合改进后的分层残差图卷积模型提升特征提取能力，提升负荷监测效果。
2、为实现上述目的，本发明采取的技术方案是：
3、一种基于分层残差图神经网络的非侵入式负荷分解方法，包括以下步骤：
4、1)采集用户总线有功功率值及各用电负荷有功功率值；
5、2)对采集到的总线及各用电负荷数据进行时间戳对齐、数据填充、滑动窗口分段、数据集划分、归一化处理；
6、3)基于多尺度卷积网络构建多时间尺度特征矩阵，并基于时间关系构建时间关联邻接矩阵，基于特征关系构建特征关联邻接矩阵，生成功率图数据；
7、4)搭建基于分层残差图卷积的功率分解模型，将功率图数据作为输入并训练模型参数；
8、5)输入未分解的总功率数据，利用训练后的模型获得各目标设备的功率分解值。
9、作为本发明进一步改进，所述步骤1)按照相同采样频率采集入户总线处有功功率p＝[p1,p2,...pt]，以及m种用电设备的有功功率消耗
10、作为本发明进一步改进，所述步骤2)中对所述步骤1)采集到的数据进行预处理的步骤为：
11、步骤1：对由于设备采集时造成的时间戳不一致问题，手动调整各用电设备时间戳，与总表数据时间戳保持一致；
12、步骤2：对于采集数据中存在的部分数据缺失问题，进行分类处理，如果缺失数据时间小于3分钟，采用前向填充，如果缺失数据时间大于3分钟，则采用0填充，补齐缺失数据；
13、步骤3：将时间戳对齐与数据填充后的总线数据与用电设备数据进行数据划分，其中总线数据作为输入数据，用电设备数据作为标签数据，按照7：3的比例划分为训练集和验证集，分别用于模型的训练与模型超参数的选择；
14、步骤4：对划分后的数据进行滑动窗口分割，按照滑动窗口大小为w，滑动步长为step对总线数据与用电设备数据进一步划分，将总线数据p和用电设备pi分别划分为：
15、p1＝[p0,p1,...pw-1],p2＝[p0+step,p1+step,...pw-1+step],...,pn-step-w+1＝[pn-w+1,pn-w+2,...pn]，
16、
17、作为本发明进一步改进，所述步骤3)中基于多尺度卷积网络构建多时间尺度特征矩阵，基于时间关系和特征关系分别构建邻接矩阵，生成功率图数据的步骤为：
18、步骤1：构建多尺度节点特征矩阵，使用不同尺寸卷积核对总功率序列进行多次卷积操作，采用卷积核大小为1的卷积操作，提取电器功率幅值、开启值、突变值信息，采用不同大小的尺寸核提取不同范围内的局部特征，包括电器的模式特征、开启功率上升特性、关闭功率下降特性，每次卷积运算公式为：式中：为卷积产生的特征序列；pin为输入序列；为卷积核尺寸为i的一维卷积运算，对多次卷积后得到的特征序列沿通道维度进行拼接，生成最终的多尺度节点特征矩阵；
19、步骤2：构建时间关系邻接矩阵，总表上每一时刻的功率值往往都与该时刻前后的功率变化有关，时间间隔越短，特征信息关联越强，反之则越弱，基于时间间隔为边设置权重，权重越高代表时间间隔越短，两者关系越密切，对于每条边，使用高斯核函数计算边的权重，计算公式为：式中，ti为节点i所在时刻；tj为节点j所在时刻；ζ为比例因子，ζ越大，其局部注意力感受范围越大；
20、步骤3：构建特征关系邻接矩阵，数据特征之间还隐含了一定的关联特性，利用自注意力机制计算不同节点间的注意力分数，构建基于注意力分数的特征关联图结构，特征关联提取层输入是将其输入线性层，得到查询向量和键向量dk为查询向量和键向量的特征维度大小，关联权重矩阵m由q和k经缩放点积得到，公式为：
21、q＝hw(q),k＝hw(k)
22、
23、式中，w(q)和w(k)为参数矩阵，是缩放因子，sigmoid函数用于归一化矩阵元素，为特征关联权重矩阵；
24、步骤4：构建多角度混合功率图数据，将时间关联邻接矩阵与特征关联权重矩阵相加，生成混合关系邻接矩阵，以多尺度特征矩阵作为节点特征表示，混合关系邻接矩阵作为节点间连接边的表示，共同构成多角度混合功率图数据。
25、作为本发明进一步改进，所述步骤4)搭建基于分层残差图卷积的负荷分解模型与训练的步骤为：
26、步骤1：定义残差图卷积操作，捕捉功率图数据内的关联特性，其中残差图卷积公式为：
27、
28、通过借鉴残差卷积网络中的残差结构，提出的图残差学习框架通过拟合另一个映射f来学习底层映射h，在输入图gl经过映射f变换后，进行逐点加法得到gl+1，残差映射f学习将一个图作为输入，并为下一层输出一个残差图表示wl是第l层可学习参数的集合；
29、步骤2：定义分层残差图卷积操作，通过递归的图结构，捕捉每一层图卷积中差异化特征，其计算公式为：
30、
31、z(m)代表m+1层的输入，而z(m+1)不仅是第m+1层的输出，还是第m+2层的输入，参数和θ(m)表示第m层的图卷积滤波器参数，★g表示图卷积操作；
32、节点之间的层级关系由a(m)建模，a(m)的值取决于所处的层级，利用分层映射函数构建第m+1层的上层邻接矩阵：
33、
34、对初始图结构进行标准化处理，将其用于邻接矩阵的初始化，并采用随机梯度下降进行优化；
35、步骤3：定义基于混合注意力机制的池化操作，关注重要特征通道以及重要节点，生成包含重要信息的图嵌入表示，其中通道注意力模块计算公式为：
36、mc(f)＝σ(mlp(avgpool(f)+mlp(maxpool(f))))
37、式中，f为输入的特征图，avgpool(·)为全局平均池化操作，maxpool(·)为全局最大池化操作，mlp(·)为共享全连接层；
38、空间注意力模块计算公式为：
39、ms(f)＝σ(f([avgpool(f)；maxpool(f)]))
40、式中，σ为sigmoid操作，f为卷积操作，通过对节点特征进行加权求和池化，生成图嵌入表示，其计算公式为：
41、
42、其中，αi∈ms(f)为空间注意力分数，xi为节点i的特征向量；
43、步骤4：定义图嵌入到目标设备功率值的全连接映射层，其计算公式为：
44、
45、式中，w(k-1)为第k层权重矩阵，b(k-1)为第k层偏置。
46、作为本发明进一步改进，所述步骤5)输入未分解的总功率数据，利用训练后的模型获得各目标设备的功率分解值包括：采集待分解总功率数据，经过所述步骤1)、2)、3)的数据处理及图数据构建，送入训练后的分层残差图卷积模型，获得目标设备功率值。
47、本方法的创新及应用前景：
48、(1)在形成节点特征矩阵时，除了采用原始时间尺度的特征序列，还通过多尺度卷积网络提取不同范围内的特征信息，节点特征矩阵形成更加全面多样；(2)在形成边的邻接矩阵时，除了采用基于高斯核函数描述的时间关系权重，还考虑节点特征之间关联性，基于自注意力机制计算特征关系权重，共同构建混合关系邻接矩阵；(3)通过自适应差异化图结构，使得每层图卷积提取独特的节点特征，增强模型特征提取能力；(4)通过混合注意力池化机制关注节点特征矩阵中重要节点与特征的重要通道，形成更准确的图嵌入表示，避免信息冗余的同时，保留对分解结果影响较大的特征信息，提高负荷监测精度。
1.一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：所述步骤1)按照相同采样频率采集入户总线处有功功率p＝[p1,p2,...pt]，以及m种用电设备的有功功率消耗
3.根据权利要求1所述的一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：所述步骤2)中对所述步骤1)采集到的数据进行预处理的步骤为：
4.根据权利要求1所述的一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：所述步骤3)中基于多尺度卷积网络构建多时间尺度特征矩阵，基于时间关系和特征关系分别构建邻接矩阵，生成功率图数据的步骤为：
5.根据权利要求1所述的一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：所述步骤4)搭建基于分层残差图卷积的负荷分解模型与训练的步骤为：
6.根据权利要求1所述的一种基于分层残差图神经网络的非侵入式负荷分解方法，其特征在于：所述步骤5)输入未分解的总功率数据，利用训练后的模型获得各目标设备的功率分解值包括：采集待分解总功率数据，经过所述步骤1)、2)、3)的数据处理及图数据构建，送入训练后的分层残差图卷积模型，获得目标设备功率值。
