1.基于序列延时重构CSP卷积神经网络的非侵入式负荷监测方法,其特征在于:包括以下步骤,步骤(A),利用阵列信号处理的特性,对数据集中的2xL长度时序序列通过序列延时重构为LxLx2维度的矩阵M;
步骤(B),针对矩阵M的特点,利用CSP网络特性针对性的构建卷积神经网络;
步骤(C),使用重构的矩阵M数据及CSP卷积神经网络进行训练,得到最优的网络参数;
步骤(D),在监测端布置网络并加载相应参数,再对输入数据进行分解,得到负荷电器的工作状态。
2.根据权利要求1所述的基于序列延时重构CSP卷积神经网络的非侵入式负荷监测方法,其特征在于:步骤(A),利用阵列信号处理的特性,对数据集中的2xL长度时序序列通过序列延时重构为LxLx2维度的矩阵M,其具体步骤如下,步骤(A1),将2xL长度的序列,通过序列延时,每延时一个时间单位截取一个L长度的序列,并将得到的总共L+1个序列;
步骤(A2),将前L个序列,重构为LxL维矩阵A,再将后L个序列,重构为LxL维矩阵B,接着将矩阵B减去矩阵A得到LxL维矩阵C,再将矩阵C和矩阵A拼接为2xLxL的矩阵M;其中矩阵M构建的具体步骤如下,步骤(A22),设2xL长度的序列为[a1 a2 … a2*L],再经过变换得到的LxL维矩阵A、B和C,并如公式(1)所示,其中,ai代表序列中的元素,其下标代表该数据在原序列中的位置,即ai为其中第i个序列的第一个元素,ai+L‑1为原序列中的最后一个元素;
步骤(A23),矩阵M是由LxL维矩阵C和LxL维矩阵A拼接而成的2xLxL维矩阵,如公式(2)所示,
3.根据权利要求2所述的基于序列延时重构CSP卷积神经网络的非侵入式负荷监测方法,其特征在于:步骤(B),针对矩阵M的特点,利用CSP网络特性针对性的构建卷积神经网络,其具体步骤如下,步骤(B1),数据输入该网络后,先通过一个序列延时重构模块transmat转化为矩阵数据,再通过组合卷积层Conv利用尺寸为6x6且步长为2的卷积核完成下采样,矩阵的长和宽缩小为原先的1/2;其中卷积组合模块Conv由标准二维卷积模块Conv2d、归一化模块BatchNorm2d和激活函数模块SiLU组成;
步骤(B2),依次通过若干组交叉卷积拼接组合模块CSPcat和Conv模块,其中具体通过步骤如下,步骤(B22),数据通过卷积模块CSPcat时,先通过两组尺寸1x1且步长为1卷积核、输出通道数减半的模块Conv从而得到两组数据,其中一组数据再依次通过尺寸为1x1且步长为1以及输出通道数减半的模块Conv、3x3且步长为1以及输出通道数翻倍的模块Conv,而另一组则不做任何处理并将这两组数据做拼接操作;
步骤(B23),数据继续通过归一化模块BatchNorm2d、激活函数模块SiLU以及尺寸为1x1且步长为1的模块Conv,得到最后的输出数据,且输出数据的维度与输入数据的维度相同,其中激活函数模块SiLU使用的激活函数公式如公式3所示,‑x
f(x)=x*sigmoid(x)=x/(1+e ) (3)。
4.根据权利要求3所述的基于序列延时重构CSP卷积神经网络的非侵入式负荷监测方法,其特征在于:步骤(C),使用重构的矩阵M数据及CSP卷积神经网络进行训练,得到最优的网络参数,其训练的具体步骤是将矩阵M的数据依次经过CSP卷积神经网络内部组合卷积层Conv、跨阶段拼接层CSPcat、压平层Flatten、线性层Linear和维度压缩函数Sequeeze的转化。
5.根据权利要求4所述的基于序列延时重构CSP卷积神经网络的非侵入式负荷监测方法,其特征在于:步骤(D),在监测端布置网络并加载相应参数,再对输入数据进行分解,得到负荷电器的工作状态,其中通过修改网络最后几层的参数来适配具体应用所需要的数据维度。