基于深度学习的半自适应式非侵入式电负荷监测方法技术

本发明专利技术提出基于深度学习的半自适应式非侵入式电负荷监测方法，通过对从家庭电表获取到的负荷信号进行抽样、重叠窗分段、电器激活信号提取、激活信号随机组合等方式构建数据集。通过设计包含分离主网络和个体特征提取子网络的神经网络模型，将提取电器普遍特征和个体专有特征的步骤模块化、具体化，并通过多任务模式的深度学习对不同模块的功能进行了约束，得到优化后的深度学习模型。本发明专利技术的提出有效解决了基于深度学习的非侵入式电负荷分解方法泛化性、普适性不足的问题，方法具备针对不同型号电器个体的半自适应性监测能力。对不同型号电器个体的半自适应性监测能力。对不同型号电器个体的半自适应性监测能力。

【技术实现步骤摘要】
基于深度学习的半自适应式非侵入式电负荷监测方法


[0001]本专利技术涉及电力负荷监测
，特别是指一种基于深度学习的半自适应式非侵入式电负荷监测方法。

技术介绍

[0002]随着经济的发展和人民生活水平的提高，每年住宅用电量稳步增长，电能消耗的快速增加会加重对环境的负面影响。监测家用电器的能耗信息可以帮助决策制定者和用户了解家庭电能消耗的构成、模式和特点，从而帮助决策制定者制定节能减排政策，引导用户合理安排用电设备的使用。传统的侵入式负荷分解(Intrusive Load Monitoring,ILM)要求每个用电设备都需要配备拥有通信功能的测量设备，这会增加部署和维护测量设备成本。非侵入式负荷监测(Non
‑
Intrusive Load Monitoring,NILM)则可以仅在电网的入户处安装监测仪器，利用算法对采集的总用电信息进行分析，实现对其下各个用电设备用电状况的监测。对于大规模部署，非侵入式负荷监测系统可以显著降低安装复杂性和减少维护成本。
[0003]目前为止，较广泛研究的非侵入式电负荷监测方法主要有两种：一是以马尔可夫模型结合序贯贝叶斯推断(sequential Bayesian Inference)的传统方法，二是基于深度学习的方法。从现有情况看，基于深度学习的方法在数据驱动的支撑下，在准确度与效率方面远远超越传统方法。
[0004]然而当前基于深度学习的方法也存在其问题：过于依赖特定的训练数据集而导致的方法泛化能力不足，普适性差；普通基于深度学习的非侵入式电负荷监测方法往往只对数据集中包含的电器类型、电器型号具备较好的监测效果，而对数据集外的其他电器类型、电器型号则效果较差，这是因为这些神经网络学习的更多地是各种类型所具备的普遍特征，例如不同型号冰箱所具备的共同特征；而忽视了同一类型电器的不同型号个体也具备其专有特征，例如同样是冰箱，不同品牌冰箱在工作时的功率曲线也会有很大的差异，而这类专有特征对负荷监测也起到极为重要的作用。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术中基于深度学习非侵入式电负荷监测方法的缺陷，提出一种基于深度学习的半自适应式非侵入式电负荷监测方法，将目标电器个体的特征模式提取与电器负荷信号分解进行有机结合，有效解决了现有基于深度学习的负荷监测方法中对不同型号电器泛化能力不足的问题。
[0006]本专利技术采用如下技术方案：
[0007]基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：包括如下步骤：
[0008]1)通过用户总负荷与单电器负荷信息建立总数据集；
[0009]2)搭建包含分离主网络和特征提取子网络的深度学习模型；
[0010]3)设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型；
[0011]4)网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。
[0012]优选的，步骤1)中，对所述用户总负荷与所述单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；所述总数据集中，单个样本的数学模型可以表示为：
[0013][0014]其中t表示时间，y(t)表示t时刻样本家庭总负荷信号，x
i
(t)表示t时刻第i个电器的负荷信号，n代表系统中的电器总数，N(t)表示噪声信号。
[0015]优选的，所述抽样、重叠窗分段是指：对所述用户总负荷与所述单电器负荷信息在时间上进行均匀采样，以减少数据的冗余，并依据各个电器工作特性不同，用不同大小的重叠窗将原始长时间序列信号分割成短时间序列。
[0016]优选的，所述电器激活信号提取和激活信号重新组合是指：分别提取x
i
(t)中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据。
[0017]优选的，步骤2)中，所述分离主网络采用卷积层堆叠构成，包括前端卷积和后端卷积模块，所述前端卷积模块提取电器普适性特征，所述后端卷积模块进行目标电器的负荷分解任务；所述后端卷积模块有两个输入：一个输入是由所述前端卷积模块传递过来的隐变量，一个输入是由所述特征提取子网络传递过来的特征信息，所述后端卷积模块对两个输入进行特征合并处理。
[0018]优选的，所述特征提取子网络包含卷积层、残差网络模块以及全连接层；所述特征提取子网络输入目标电器的激活负荷信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果。
[0019]优选的，步骤3)中，所述深度学习模型采用了多任务目标的深度学习方式，同时约束所述分离主网络的分离性能和所述特征提取子网络的特征提取性能，损失函数如下所示：
[0020][0021][0022]L＝L1+L2[0023]其中，L1为分离主网络输出与标签之间的均方误差，T为负荷信号的总长度，t表示时间，y(t)为随时间t变化的总负荷信号，x(t)为随时间t变化的目标电器实际负荷信号为总负荷信号，为目标电器实际负荷信号，w表示网络参数，A表示由特征提取子网络提取出的目标电器特征信息，f(
·
)表示网络模型所代表的映射关系；L2为特征提取子网络输出与标签之间的交叉熵，M表示共有M种电器种类，a
m
表示第m种电器激活信号，y
m
为第m种电器的标
签，g(
·
)表示网络模型所代表的映射关系；L1与L2相加得到网络训练的总损失函数L。
[0024]优选的，步骤3)中，所述网络训练时，输入的数据分为两类：一类包含总负荷信号、目标电器激活信号，用于训练分离主网络和特征提取子网络；另一类包含多种不同电器激活信号，用于训练特征提取子网络。
[0025]优选的，所述网络训练的具体方法为：
[0026]将步骤1)中得到的总数据集输入到深度学习模型中训练网络，采用反向传播算法结合多任务模型训练，计算损失函数，并以此更新网络中的参数；当达到预定的最大迭代次数时或损失函数不再下降时，终止训练，获得优化后的深度学习模型。
[0027]优选的，在步骤4)中，所述网络测试的具体为：将步骤1)中得到总数据集输入到优化后的深度学习模型中，得到经网络分离提取的目标电器负荷信号，并与标签进行比较以验证优化后的深度学习模型的性能。
[0028]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
[0029]1、本专利技术的方法，实现了从混合多种电器负荷信号的家庭用电总负荷信号中提取目标电器负荷信号的功能，针对电表采集到的原始数据，通过对电器激活信号的提取以及重新混合，有效扩充了数据量以及增加了数据多样性，降低了对训练数据集规模的要求，一定程度上增强了网络泛化能力。
[0030]2、本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：包括如下步骤：1)通过用户总负荷与单电器负荷信息建立总数据集；2)搭建包含分离主网络和特征提取子网络的深度学习模型；3)设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型；4)网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。2.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤1)中，对所述用户总负荷与所述单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；所述总数据集中，单个样本的数学模型可以表示为：其中t表示时间，y(t)表示t时刻样本家庭总负荷信号，x
i
(t)表示t时刻第i个电器的负荷信号，n代表系统中的电器总数，N(t)表示噪声信号。3.如权利要求2所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述抽样、重叠窗分段是指：对所述用户总负荷与所述单电器负荷信息在时间上进行均匀采样，以减少数据的冗余，并依据各个电器工作特性不同，用不同大小的重叠窗将原始长时间序列信号分割成短时间序列。4.如权利要求2所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述电器激活信号提取和激活信号重新组合是指：分别提取x
i
(t)中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据。5.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：步骤2)中，所述分离主网络采用卷积层堆叠构成，包括前端卷积和后端卷积模块，所述前端卷积模块提取电器普适性特征，所述后端卷积模块进行目标电器的负荷分解任务；所述后端卷积模块有两个输入：一个输入是由所述前端卷积模块传递过来的隐变量，一个输入是由所述特征提取子网络传递过来的特征信息，所述后端卷积模块对两个输入进行特征合并处理。6.如权利要求1所述的基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：所述特征提取子网络包含卷...

【专利技术属性】
技术研发人员：陈松，杨钰，曹烁晖，
申请(专利权)人：厦门大学，
类型：发明
国别省市：