一种基于残差全卷积神经网络的非侵入式负荷监测方法技术

本发明专利技术公开了一种基于残差全卷积神经网络的非侵入式负荷监测方法，首先收集总功率和各个设备的负荷数据，并进行数据预处理操作；再采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；随后建立残差全卷积神经网络模型

【技术实现步骤摘要】
一种基于残差全卷积神经网络的非侵入式负荷监测方法


[0001]本专利技术属于非侵入式负荷监测
，主要涉及了一种基于残差全卷积神经网络的非侵入式负荷监测方法
。

技术介绍

[0002]非侵入式负荷监测
(NILM)
的核心思想是通过分析每个设备的操作特征，将聚合的负载数据分离为单独的设备级功率序列
。
根据负荷数据的采样率，
NILM
方法可分为两类：基于低频率的方法和基于高频率的方法
。
基于高频的
NILM
方法在检测瞬态事件和区分由于更详细的电器特征而表现出相似功耗分布的电器方面更有效
。
然而，高计算要求和获取高频采样数据的成本可能对实时实现构成重大挑战
。
因此，为特定应用选择合适的
NILM
方法需要在设备级信息的准确性和实现的可行性之间进行权衡
。
最近的研究表明，由于智能电表的广泛使用，人们对基于低频率的
NILM
算法越来越感兴趣
。
[0003]然而，基于低频数据的负荷分解引入了一系列需要解决的困难，以确保可靠的结果
。
其中一个重要挑战是低频测量的时间分辨率有限
。
由于这些测量在较大时间间隔内进行，可能无法捕捉到快速的负荷波动和变化，而这在某些类型的负荷中很常见
。
这一限制可能导致负荷模式的模糊，影响对各个子负荷的准确识别
。
此外，低频数据往往会掩盖瞬态负荷变化和短期负荷事件，而这对于准确的负荷分解至关重要
。
由冰箱
、
空调或电梯等设备引起的快速转变可能在低频数据的粗粒度中丢失，从而阻碍了对不同子负荷之间的准确区分能力
。
结果，最终的分解模型可能会忽视这些关键的负荷动态，导致结果的细粒度丧失
。
[0004]同时，低频数据固有的噪声问题也构成了一个重要障碍
。
由于这些测量涵盖更广泛的时间跨度，它们更容易受到累积噪声
、
测量误差和其他干扰的影响
。
这些噪声可能会引入分解过程中的不准确性，尤其是在处理低强度负荷或整体功耗较低的时间段
。
这些不准确性不仅会影响分解结果的质量，还会影响对微小负荷贡献的有效识别能力
。
为了应对这些挑战，需要采取综合性的方法，整合更先进的噪声减少技术，以提负荷分解的质量
。

技术实现思路

[0005]本专利技术正是针对现有技术中的不足，提供一种基于残差全卷积神经网络的非侵入式负荷监测方法，首先收集总功率和各个设备的负荷数据，并进行数据预处理操作；再采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；随后建立残差全卷积神经网络模型
、
构建损失函数，并对网络参数进行训练：再为目标设备建立功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较，消除网络产生的不相关激活；最后建立评估模型，对输出时间序列的准确性进行评估，完成非侵入式负荷监测
。
[0006]为了实现上述目的，本专利技术采取的技术方案是：一种基于残差全卷积神经网络的非侵入式负荷监测方法，包括如下步骤：
[0007]S1
，数据预处理：收集总功率和各个设备的负荷数据，并进行数据预处理操作；
[0008]S2
，数据分段：基于自适应窗口长度的负荷特征提取，利用步骤
S1
预处理后的数据，采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；将数据分为训练集与测试集，并输入残差全卷积神经网络；
[0009]S3
，建立残差全卷积神经网络模型：所述残差全卷积神经网络模型包括六个残差卷积模块，三个一维卷积层，四个
maxpooling
层，四个
ConvTranspose
层，
flatten
层和一个
dense
层；每个残差卷积模块由四个一维卷积层组成，其中，每个残差卷积模块中第一个一维卷积层的输入，通过残差连接加入第四个一维卷积层的输出，每个一维卷积层由
30
个维度为8的卷积核构成且采用
ReLU
激活函数；将训练集时间，总功耗数据，单个设备功耗数据输入残差全卷积神经网络模块；
[0010]S4
，构建损失函数，并对网络参数进行训练：通过输入测试集总功耗数据，利用步骤
S3
已建立的残差全卷积神经网络模型，分解出对应的单个电器时间序列数据；
[0011]S5
，后验处理：为目标设备建立功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较，消除网络产生的不相关激活；
[0012]S6
，建立评估模型：对输出时间序列的准确性进行评估
。
[0013]作为本专利技术的一种改进，所述步骤
S1
中的数据预处理具体包括如下步骤：
[0014]S11
，数据清洗和填充：接收历史和实时电力负荷数据，执行数据清洗操作，删除或纠正异常值和缺失数据；其中，对于缺失数据，使用插值进行填充；对于异常数据，使用
Z
‑
score
方法异常值检测算法，识别和处理异常值；
[0015]S12
，特征选择和提取：从原始电力负荷数据中选择关键特征，进行统计信息提取；所述关键特征至少包括时间
、
日期和季节；所述统计信息至少包括均值和方差；
[0016]S13
，标准化和归一化：对步骤
S12
选定的特征进行标准化和归一化处理，选择最小
‑
最大归一化确保不同尺度的特征能够在模型中平等对待；
[0017]S14,
时间序列平滑
:
对于具有明显季节性和周期性的电力负荷数据，使用时间序列平滑方法
。
[0018]作为本专利技术的一种改进，所述步骤
S2
中基于自适应窗口长度的滑动窗口方法来分割收集的负载序列，针对不同的负载设置应用不同的采样率和窗口长度；所述窗口长度定义如下：
[0019]W(i)
＝
[Wbase*f_t(i)*T(i)]/[fbase*Tbase][0020]其中，
W(i)
表示为第
i
类设备计算的窗口长度，
T(i)
为第
i
类设备的平均工作周期，
f_t(i)
为第
i
类设备的采样频率，
Wbase
，
fbase
与
Tbase
分别表示基窗口长度
、
基采样频率和基工作周期
。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于残差全卷积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：
S1
，数据预处理：收集总功率和各个设备的负荷数据，并进行数据预处理操作；
S2
，数据分段：基于自适应窗口长度的负荷特征提取，利用步骤
S1
预处理后的数据，采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；将数据分为训练集与测试集，并输入残差全卷积神经网络；
S3
，建立残差全卷积神经网络模型：所述残差全卷积神经网络模型包括六个残差卷积模块，三个一维卷积层，四个
maxpooling
层，四个
ConvTranspose
层，
flatten
层和一个
dense
层；每个残差卷积模块由四个一维卷积层组成，其中，每个残差卷积模块中第一个一维卷积层的输入，通过残差连接加入第四个一维卷积层的输出，每个一维卷积层由
30
个维度为8的卷积核构成且采用
ReLU
激活函数；将训练集时间，总功耗数据，单个设备功耗数据输入残差全卷积神经网络模块；
S4
，构建损失函数，并对网络参数进行训练：通过输入测试集总功耗数据，利用步骤
S3
已建立的残差全卷积神经网络模型，分解出对应的单个电器时间序列数据；
S5
，后验处理：为目标设备建立功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较，消除网络产生的不相关激活；
S6
，建立评估模型：对输出时间序列的准确性进行评估
。2.
如权利要求1所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法，其特征在于：所述步骤
S1
中的数据预处理具体包括如下步骤：
S11
，数据清洗和填充：接收历史和实时电力负荷数据，执行数据清洗操作，删除或纠正异常值和缺失数据；其中，对于缺失数据，使用插值进行填充；对于异常数据，使用
Z
‑
score
方法异常值检测算法，识别和处理异常值；
S12
，特征选择和提取：从原始电力负荷数据中选择关键特征，进行统计信息提取；所述关键特征至少包括时间
、
日期和季节；所述统计信息至少包括均值和方差；
S13
，标准化和归一化：对步骤
S12
选定的特征进行标准化和归一化处理，选择最小
‑
最大归一化确保不同尺度的特征能够在模型中平等对待；
S14,
时间序列平滑
:
对于具有明显季节性和周期性的电力负荷数据，使用时间序列平滑方法
。3.
如权利要求1所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法，其特征在于：所述步骤
S2
中基于自适应窗口长度的滑动窗口方法来分割收集的负载序列，针对不同的负载设置应用不同的采样率和窗口长度；所述窗口长度定义如下：
W(i)
＝
[Wbase*f_t(i)*T(i)]/[fbase*Tbase]
其中，
W(i)
表示为第
i
类设备计算的窗口长度，
T(i)
为第
i
类设备的平均工作周期，
f_t(i)
为第
i
类设备的采样频率，
Wbase
，
fbase
与
Tbase
分别表示基窗口长度
、
基采样频率和基工作周期
。4.
如权利要求2或3所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法，其特征在于：所述步骤
S3
中的残差全卷积神经网络模型中：
maxpooling
层1输出连接残差卷积模块1输入；残差卷积模块1输出连接
maxpooling
层2输入；
maxpooling
层2输出连接残差卷积模块2输入；残差卷积模块2输出连接
maxpooling...

【专利技术属性】
技术研发人员：张远实，钱文妍，胡秦然，陈涛，章飞，冯忆文，李扬，
申请(专利权)人：东南大学，
类型：发明
国别省市：