基于ResNet编码器-CVAE解码器模型的生成电力签方法技术

本发明专利技术属于电力信息处理技术领域，具体为基于ResNet编码器

【技术实现步骤摘要】
基于ResNet编码器
‑
CVAE解码器模型的生成电力签方法


[0001]本专利技术属于电力信息处理
，具体涉及生成电力签名方法。

技术介绍

[0002]了解家庭用户的用电功耗特性对能源供货商和用户本身都具有重要意义。通过准确预测用户未来的能源需求，能源供货商可以更好地进行能源调度，确保供需平衡，同时提高能源利用效率。此外，对家用电器的电力消耗有更深入的了解，可以帮助用户减少能源的浪费，从而降低能源成本和环境影响。
[0003]非侵入式负荷监测(NILM)是一种使用单个家庭智能电表读数的方法，通过机器学习或优化算法来推断电器功耗分布的近似值。然而，NILM方法的性能很大程度上依赖于训练数据对真实分布的代表性。因此，电力数据的收集一直是NILM研究的关键内容之一。
[0004]目前已经存在一些数据集促进了NILM的发展，但这些数据集仅涵盖了电力消耗分布状况的一部分，例如持续时间和采样频率。这主要是因为电力数据的收集具有一定的困难性和挑战性。家庭用电功耗数据充满了各种变数和噪音干扰，使得数据的收集变得复杂且困难。此外，对收集到的数据进行负荷分解也面临着很大的挑战。
[0005]因此，我们需要收集更多的电力数据集，并解决数据收集和负荷分解中的困难。这将有助于提高NILM方法的准确性和性能，进一步推动能源领域的创新和可持续发展。通过共同努力，我们可以实现更智能、高效和可持续的能源利用，为未来的能源供需平衡做出贡献。

技术实现思路

[0006]针对现有技术存在的电力数据不易收集以及负荷分解困难等问题，本专利技术旨在提供一种可以提高非侵入式负荷监测的准确性和可靠性的基于ResNet编码器
‑
CVAE解码器模型的生成电力签名方法。
[0007]本专利技术提供的基于ResNet编码器
‑
CVAE解码器模型的生成电力签名方法，具体步骤为：
[0008]步骤1：真实电力数据的准备和预处理；本专利技术使用自行采集的电力数据集，包括6个电气设备的开关情况。每个设备进行1000次开关操作，采集频率为1000Hz，采集瞬时的电流和电压数据作为输入。在此步骤中，预处理包括对数据进行清洗、去噪等，以确保数据的质量和准确性；所述六个电气设备，例如电风扇、电熨斗、电饭锅、吸尘器、暖风机、鼓风机等。
[0009]步骤2：构建基于ResNet(Residual Network，ResNet)的编码器网络。将预处理后的电力数据输入到该编码器网络中，经过多层卷积和池化操作，最终得到编码器网络的输出，使得输入的电力数据映射到一个潜在特征向量空间中；
[0010]步骤3：构建基于CVAE(Conditional Variational Autoencoder，CVAE)的解码器网络。解码器网络是本专利技术的核心部分。输入为编码器网络的输出以及一个随机噪声向量，
通过多层反卷积和反池化操作，最终得到解码器网络的输出，即生成新的电力数据，使得编码器网络的输出恢复到原始的电力数据；
[0011]步骤4：设计重构误差和KL散度误差，作为网络的总损失函数。为了更好地训练模型，本专利技术采用重构误差和KL散度误差作为网络的总损失函数，重构误差表示生成的电力数据与真实数据之间的差异，而KL散度误差用于测量潜在特征向量的分布与标准正态分布之间的差异。通过最小化总损失函数，可以优化和训练模型，使生成的电力数据更接近真实数据；
[0012]步骤5：利用自行构建的数据集，对ResNet编码器
‑
CVAE解码器网络进行训练。经过数据预处理后，将该数据集输入网络，并计算网络的总损失值，然后进行反向传播，不断调整网络参数，以提高生成电力数据的准确性和稳定性；
[0013]步骤6：测试模型。通过将随机噪声向量输入到编码器和解码器中，进行前向传递操作，从而生成全新的电力数据。
[0014]进一步地：
[0015]步骤1中所述真实电力数据的准备和预处理，具体为：
[0016]首先进行数据采集工作，获取自制的真实家庭电力数据集，包括多个家庭的电力数据记录；后进行数据清洗工作，经过缺失值、异常值和重复值处理以保证数据的准确性和一致性；最后进行数据去噪工作，经过小波变换和软阈值滤波处理得到去噪的电力数据记录，以提高模型的训练和预测性能。
[0017](1)数据采集：采用自制真实家庭电力数据集进行训练。通过在多个家庭中安装数据记录设备，实时采集并记录每分钟的电力消耗情况。这样的自制数据集能够更准确地反映真实的电力使用情况，并为我们的模型提供有代表性的训练样本。采集到的数据集包括多个家庭的电力数据记录，其中每个记录包括一段时间内每分钟的电力消耗情况。。
[0018](2)数据清洗：采集到的原始电力数据可能包含缺失值、异常值、重复值等问题。因此，需要进行数据清洗操作，以确保数据的准确性和一致性。具体地，本专利技术采用以下步骤进行数据清洗：
[0019](a)缺失值处理：对于每个记录，在时间点t处的电力消耗值表示为P(t)，如果P(t)缺失，则使用相邻时间点的平均值进行填充，即P(t)＝(P(t
‑
1)+P(t+1))/2；
[0020](b)异常值处理：对于每个记录，在时间点t处的电力消耗值表示为P(t)，如果P(t)明显偏离其他时间点的取值范围，我们将其视为异常值。假设取值范围为[Min,Max]，则异常值处理公式如下：
[0021]如果P(t)<Min或P(t)>Max，则P(t)＝(P(t
‑
1)+P(t+1))/2；
[0022](c)重复值处理：对于每个记录，我们定义完全相同的电力消耗序列为重复值。设记录长度为N，如果存在两条记录i和j，且它们的电力消耗序列完全相同，即P(i,t)＝P(j,t)对于所有时间点t(1<＝t<＝N)，我们将其中一条记录视为重复值，将其从数据集中删除。
[0023](3)数据去噪：由于电力数据具有高度的噪声和波动性，为了提高模型的训练和预测性能，需要对数据进行去噪操作。本专利技术采用基于小波变换的去噪方法，具体步骤如下：
[0024](a)将每个电力记录进行小波变换，得到频域表示；
[0025](b)对频域表示进行软阈值滤波，去除幅值小于一定阈值的频率分量；
[0026](c)对滤波后的频域表示进行逆小波变换，得到去噪后的电力数据序列。
[0027]步骤(2)中所述构建基于ResNet的编码器网络，具体为：
[0028]本专利技术采用基于ResNet
‑
18的编码器网络。输入为经过预处理的电力数据，通过卷积和池化等操作，将数据压缩到低维空间，从中提取关键信息。该编码器网络具有强大的特征提取能力和鲁棒性，能够将输入数据映射到潜在特征向量空间。这种结构的创新之处在于有效地降低了数据维度，减少了微小变化的影响，并显著提高了生成电力数据的准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ResNet编码器
‑
CVAE解码器模型的生成电力签方法，其特征在于，具体步骤为：步骤1：真实电力数据的准备和预处理；使用自行采集的电力数据集，包括6个电气设备的开关情况；每个电气设备进行1000次开关操作，采集频率为1000Hz，采集瞬时的电流和电压数据作为输入；对采集数据进行预处理，包括数据清洗、去噪，以确保数据的质量和准确性；步骤2：构建基于ResNet的编码器网络；将预处理后的数据输入到该编码器网络中，经过多层卷积和池化操作，最终得到编码器网络的输出，使得输入的电力数据映射到一个潜在特征向量空间中；步骤3：构建基于CVAE的解码器网络；解码器网络的输入为编码器网络的输出以及一个随机噪声向量，通过多层反卷积和反池化操作，最终得到解码器网络的输出，即生成新的电力数据，使得编码器网络的输出恢复到原始的电力数据；步骤4：设计重构误差和KL散度误差，作为网络的总损失函数；重构误差表示生成的电力数据与真实数据之间的差异，KL散度误差用于测量潜在特征向量的分布与标准正态分布之间的差异；通过最小化总损失函数，优化和训练模型，使生成的电力数据更接近真实数据；步骤5：利用自行构建的数据集，对ResNet编码器
‑
CVAE解码器网络进行训练；经过预处理后的数据集输入网络，并计算网络的总损失值，然后进行反向传播，不断调整网络参数，以提高生成电力数据的准确性和稳定性；步骤6：测试模型；通过将随机噪声向量输入到编码器和解码器中，进行前向传递操作，从而生成全新的电力数据。2.根据权利要求1所述的方法，其特征在于，步骤1中所述真实电力数据的准备和预处理，具体包括：(1)数据采集：通过在多个家庭中安装数据记录设备，实时采集并记录每分钟的电力消耗情况；采集到的数据集包括多个家庭的电力数据记录，其中每个记录包括一段时间内每分钟的电力消耗情况；(2)数据清洗：采集到的原始电力数据可能包含缺失值、异常值、重复值；通过数据清洗，以确保数据的准确性和一致性；具体包括：(a)缺失值处理：对于每个记录，在时间点t处的电力消耗值表示为P(t)，如果P(t)缺失，则使用相邻时间点的平均值进行填充，即P(t)＝(P(t
‑
1)+P(t+1))/2；(b)异常值处理：对于每个记录，在时间点t处的电力消耗值表示为P(t)，如果P(t)明显偏离其他时间点的取值范围，将其视为异常值；假设取值范围为[Min,Max]，则异常值处理公式如下：如果P(t)<Min或P(t)>Max，则P(t)＝(P(t
‑
1)+P(t+1))/2；(c)重复值处理：对于每个记录，定义完全相同的电力消耗序列为重复值；设记录长度为N，如果存在两条记录i和j，且它们的电力消耗序列完全相同，即P(i,t)＝P(j,t)对于所有时间点t(1<＝t<＝N)，将其中一条记录视为重复值，将其从数据集中删除；(3)数据去噪：采用基于小波变换方法去噪，具体步骤如下：
(a)将每个电力记录进行小波变换，得到频域表示；(b)对频域表示进行软阈值滤波，去除幅值小于一定阈值的频率分量；(c)对滤波后的频域表示进行逆小波变换，得到去噪后的电力数据序列。3.根据权利要求2所述的方法，其特征在于，步骤(2)中所述构建基于ResNet的编码器网络，具体为：编码器的网络结构采用基于ResNet
‑
18的编码器网络，是一种深度卷积神经网络，由若干个残差块组成；每个残差块包含两个3x3大小的卷积层，卷积层中内置批量归一化层和一个ReLU激活函数；同时，在每个卷积块的输入和输出之间，还包含一个跳跃连接层，用于增强梯度的传递和避免梯度消失；在编码器网络结构中，输入是经过预处理的电力数据，输出是编码器网络生成的潜在特征向量；输入的电力数据经过编码器的处理，被转化为一个低维的表示，即潜在特征向量；这个潜在特...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：