(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 202211118553.8 (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 115201615 A (43)申请公布日 2022.10.18 (73)专利权人 之江实验室 地址 311121 浙江省杭州市余杭区南湖街 道之江实验室南湖总部 (72)发明人 黄刚　周舟　华炜　李永福　 (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. G01R 31/00(2006.01) G01R 22/00(2006.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01)(56)对比文件 CN 114421474 A,202 2.04.29 CN 114021700 A,2022.02.08 CN 114861874 A,202 2.08.05 CN 112287571 A,2021.01.2 9 CN 114819054 A,202 2.07.29 CN 106096726 A,2016.1 1.09 CN 113283547 A,2021.08.20 CN 110119816 A,2019.08.13 CN 113378939 A,2021.09.10 CN 113361454 A,2021.09.07 CN 113505929 A,2021.10.15 CN 112150341 A,2020.12.2 9 CN 114662624 A,202 2.06.24 CN 111753968 A,2020.10.09 CN 114722873 A,202 2.07.08 WO 2021208516 A1,2021.10.21 WO 2021107422 A1,2021.0 6.03 (续) 审查员 李晓 (54)发明名称 基于物理约束神经网络的非侵入式负荷监 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 物理约束神经网络的非侵入式负荷监测方法及 装置， 包括如下步骤： 步骤1、 获取建筑某一时段 内的总负荷数据和设备负荷数据， 利用滑动窗口 方法进行切割以构造训练数据； 步骤2、 设计深度 学习神经网络模 型， 对总负荷数据中所包含的设 备负荷特性进行学习， 输出设备负荷预测； 步骤 3、 基于物理约束学习框架， 对深度学习神经网络 模型通过迭代优化训练损失进行训练， 得到训练 好的物理约束神经网络模 型； 步骤4、 根据物理约 束神经网络模 型的输出结果， 监测建筑内各设备 的用电情况。 本发明可充分提取用电设备的运行 特征， 在不增加额外开销的前提下提升负荷辨识的准确性。 [转续页] 权利要求书2页 说明书7页 附图2页 CN 115201615 B 2022.12.20 CN 115201615 B (56)对比文件 KR 10187025 0 B1,2018.0 6.25 WO 2022042070 A1,202 2.03.03 US 2021110531 A1,2021.04.15 WO 2022141330 A1,202 2.07.07 US 2013338948 A1,2013.12.19 WO 2021176459 A1,2021.09.10 US 2018173240 A1,2018.0 6.21 Weibing Li 等.An Ac celerated Fi nite-Time Convergent Neural Netw ork for Visual Servoing of a Flexible Surgical Endoscope With Physical and RC M Constraints. 《IEEE Transacti ons on Neural Netw orks and Learning System s》 .2020, 邓舒迟等.基 于时间序列的居民用户非侵入 式负荷分解研究. 《电子设计 工程》 .2020,(第19 期), 唐璐等.基于卷积神经网络的非侵入式负荷 识别方法. 《云南电力技 术》 .2019,(第02期),2/2 页 2[接上页] CN 115201615 B1.一种基于物理约束神经网络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、 获取建筑某一 时段内的总负荷数据和设备负荷数据， 利用滑动窗口方法进行切 割以构造训练数据； 步骤2、 设计深度学习神经网络模型， 对总负荷数据中所包含的设备负荷特性进行学 习， 输出设备负荷预测； 步骤3、 基于物理约束学习框架， 对深度 学习神经网络模型通过迭代优化训练损失进行 训练， 得到训练好的物理约束神经网络模型； 步骤4、 根据物理约束神经网络模型的输出 结果， 监测建筑内各设备的用电情况； 步骤1.1， 采集建筑某一时段内的总负荷有功功率 、 无功功率 ， 以及各独立 设备负荷有功功率 、 无功功率 ， 进而得到总负荷样本 及各 独立负荷样本 ， 其中 为设备编号； 步骤1.2， 采用宽度为 ， 步长为 的滑动窗口对 与 进行切割， 构造设备 的训练 数据 ， 其中 ； 步骤2.1， 将训练数据 分别输入到如下深度学习神经网络： 其中 为所构建深度学习神经网络输入层的原始输入， 、 及 分别为神经 网络模型第 层隐藏层的输出、 权 重以及偏置， 为激活函数； 步骤2.2， 设计如下输出层进行 学习： 其中， 为设备 的负荷预测值， 为网络最后一层隐藏层的 输出,  及 分别为输出层的权 重及偏置， 为激活函数； 所述步骤3具体如下： 首先， 根据功率间的物理关系， 计 算设备 对应的深度学习神经网络模型的物理约束违权　利　要　求　书 1/2 页 2 CN 115201615 B 3