基于多尺度残差神经网络的序列映射负荷辨识分解方法

1.一种基于多尺度残差神经网络的序列映射负荷辨识分解方法，其特征在于，包括以下步骤：构建负荷辨识模型，所述负荷辨识模型的网络结构是基于膨胀卷积的多尺度残差网络；获取公开数据集中的聚合功率数据集和电器级功率数据集，对所述聚合功率数据集和电器级功率数据集进行预处理，得到预处理后的训练集和测试集；利用所述预处理后的训练集和测试集，对所述负荷辨识模型进行训练和测试，得到训练好的负荷辨识模型；所述基于膨胀卷积的多尺度残差网络包括：膨胀卷积残差块；所述膨胀卷积残差块的输入依次通过两个卷积层及其对应的归一化层、丢弃层和非线性激活函数；然后，原始输入通过快捷连接与时间输出相加，形成所述膨胀卷积残差块的最终输出；其中，膨胀卷积残差块中的两个卷积层共享相同的膨胀率；所述膨胀卷积残差块的感受野的计算公式为： ；式中，S表示膨胀卷积残差块的感受野，N表示膨胀卷积的个数，n表示膨胀卷积的网络层数，k表示卷积核大小。 2.根据权利要求1所述的基于多尺度残差神经网络的序列映射负荷辨识分解方法，其特征在于，所述获取公开数据集中的聚合功率数据集和电器级功率数据集，包括：获取UK-DALE公开数据集，在UK-DALE公开数据集中按照相同的采样频率选取第一预设个数目标家庭中每个目标电器的聚合功率数据和电器级功率数据；其中，第一预设个数目标家庭为具有第二预设数目个相同类型电器的家庭，目标电器为相同类型的电器；确定每个目标家庭的电器开启时间段；基于获取的聚合功率数据集和电器级功率数据集，在开启时间段使用非侵入式负荷监测的Electric.get_activation函数和UK-DALE提供的参数来获取激活信息，进而得到每个时间索引对应的一对聚合功率序列和标签功率序列。 3.根据权利要求1所述的基于多尺度残差神经网络的序列映射负荷辨识分解方法，其特征在于，所述对所述聚合功率数据集和电器级功率数据集进行预处理，得到预处理后的训练集和测试集，包括：先对所述聚合功率数据集和电器级功率数据集进行归一化处理，得到归一化后的聚合功率数据集和电器级功率数据集；再基于归一化后的聚合功率数据集和电器级功率数据集，利用预设尺度的窗口从激活的起始点开始，划分出不包含目标电器激活信息的功率数据，得到更新后的聚合功率数据集和电器级功率数据集，将更新后的电器级功率数据集作为预处理后的测试集；对所述更新后的聚合功率数据集进行过滤处理，得到过滤处理后的聚合功率数据集，作为预处理后的训练集。 4.根据权利要求3所述的基于多尺度残差神经网络的序列映射负荷辨识分解方法，其特征在于，所述对所述更新后的聚合功率数据集进行过滤处理，得到过滤处理后的聚合功率数据集，包括：去除激活长度小于第一预设倍数的预设尺度的更新后的聚合功率数据，以及聚合功率点和电器功率最大值之比大于第三预设倍数、且激活长度大于第二预设倍数的预设尺度的更新后的聚合功率数据，得到过滤处理后的聚合功率数据集；其中，第一预设倍数小于第二预设倍数，第二预设倍数小于第三预设倍数。