【技术实现步骤摘要】
本专利技术涉及一种非侵入式负荷识别方法，更具体的说是涉及一种基于鲁棒性度量学习的非侵入式负荷识别方法。
技术介绍
1、电能作为现代社会不可或缺的能源形式，其广泛应用已经渗透到我们生活的每一个角落。从家庭中的照明、取暖、制冷到工业生产中的机器运转、自动化控制，再到交通运输中的电动车、高铁，甚至包括现代通讯、信息技术等领域，电能都发挥着至关重要的作用。
2、随着电力能源逐渐成为主流，非侵入式负荷识别（nilm）技术的重要性日益凸显，它不仅是智能电网和能源管理系统的核心组成部分，更是推动能源效率提升、促进可持续发展的重要工具。在现代社会，电力消耗量的持续增长使得对电力负荷的精细化管理变得尤为重要。nilm技术通过实时监测和分析电力负荷数据，能够在不干扰用户正常生活的前提下，实现对各种电器设备的精确识别与能耗分析。
3、通过非侵入式负荷识别，我们能够深入了解用户的用电行为，为电力公司提供更为精确的电力需求预测，有助于优化电网运行、降低能源损耗。同时，用户也能根据识别结果调整用电习惯，减少不必要的电力消耗，实现节能减排的目标。此外，nilm技术还能够及时发现电力故障和异常用电行为，为电力安全提供有力保障。传统的非侵入式负荷识别技术从电流、电压等信号的时频域特征入手，通过使用简单的决策模型或者依赖人工先验知识对各个电器进行识别，传统的方法费事废力，并且识别准确度不高。
4、目前，由于机器学习，深度学习等方法的快速发展，基于数据驱动的非侵入式负荷识别方法得到了广泛的研究，当前的大多数方法主要集中于有监督的分
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种只需要少量标签数据进行推理的度量学习方法，并且结合了模型不可知的元学习（maml）训练策略，提高模型在不同数据分布情况下的泛化性能；针对实际应用过程中会遇到的带噪声问题，为了使模型挖掘带噪数据中的深层特征，引入了神经网络架构搜索方法，在含噪声数据集的训练过程中，从搜索空间中学习到鲁棒性最强的神经网络结构，改善了特征提取能力的同时提高了模型在小样本推理过程中抗噪声的能力；为了提高度量学习网络的特征判别能力，引入了arcfaceloss指导模型的训练过程，并且使用验证集样本的均方误差损失函数对架构参数进行更新，在搜索过程中同时学习到抗噪声能力强和特征表达能力强的网络结构。
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：包括如下步骤：
3、步骤一，采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集，其中采集设备的采样率不得低于10khz，采样时间不低于1s，每个电器类型包含不同的品牌、运行阶段以及采集区域，将总的数据集进行打乱划分为元训练集，元验证集以及元测试集；
4、步骤二，使用神经网络架构搜索算法对特征提取网络进行学习，具体为对整体的特征提取网络框架进行定义，通过在网络模块搜索空间中进行搜索，得到每个部分最优的网络模块，组成整体的特征提取网络；
5、步骤三，构建基于神经网络架构搜索的度量学习网络框架，然后通过特征提取部分使用步骤二训练得到鲁棒性特征提取网络框架，使用不带噪声的元训练集对网络框架进行重训练，最终获得度量学习模型；
6、步骤四，使用步骤三中获得的度量学习模型对电器进行非侵入式负荷识别。
7、作为本专利技术的进一步改进，所述步骤一中采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集的具体步骤如下：
8、步骤一一，采集不同条件下不同电器类型的电流数据，组合成数据集；
9、步骤一二，在元学习的框架下对数据集进行划分，以任务为单位进行模型训练，将步骤一一得到的电器数据集进行打乱，每条电器数据只有电器类型标签，将电器数据集按电器标签以8:1:1的方式进行随机划分，分为元训练集，元验证集以及元测试集；
10、步骤一三，构建带噪训练集，对步骤一二获得的元训练数据集中的数据添加固定信噪比的高斯噪声，其中，信噪比的计算公式如下：
11、
12、其中，为原始信号的功率，为噪声功率，信号功率的计算公式如下：
13、
14、其中，为待计算信号，为信号的长度，通过式（1）可以得到指定信噪比情况下的噪声功率为：
15、
16、当输入噪声为白噪声时，结合（2）式和（3）式可以得到添加的噪声大小为：
17、
18、其中为白噪声，通过以上公式，即可得到固定信噪比的含噪信号，将噪声信号添加到原始元训练集中即可得到带噪数据集，训练过程中，信噪比最大为0。
19、作为本专利技术的进一步改进，所述步骤一一中采集方式为：在区域r1，分别采集电器类型a，b，c...的电器数据，采集过程中确保只有单个电器在电网中运行，针对同种电器类型，尽可能多的采集不同品牌的以及不同运行阶段的电流数据，其中，每次采样确保20个有效地电流周期即可，在不同的区域r*重复以上过程，用电设备种类不低于50种，每个电器类型品牌不低于10种，多阶段电器尽可能采集所有运行阶段的电流数据，采集到更加丰富的电器数据集，有利于提高模型的泛化性能，按不同的电器类型给数据打上标签，并且构造数据集时，采样周期数据的初始时刻可以不同，按（0,2π），（1/3π，4/3π）......这些方式进行采样。
20、作为本专利技术的进一步改进，所述步骤二中使用神经网络架构搜索算法对特征提取网络进行学习的具体步骤如下：
21、步骤二一，构建神经网络模块的搜索空间，预定义整体的网络框架；
22、步骤二二，构建神经网络架构搜索算法，然后通过神经网络架构搜索算法对网络框架的进行学习训练，在训练过程中，整体特征提取框架中的每一层的输出为该层所有待搜索模块的加权累加，每层权重系数为待学习参数，代表了学习到的网络框架，其中，每一层网络框架的输出可以表示如下：
23、
24、其中，为神经网络搜索空间中的所有待搜索模块，为第层网络框架中不同搜索模块的权重系数，为第层网络框架的输出。
25、作为本专利技术的进一步改进，所述步骤二二训练构建过程中分为两步进行，第一步使用带噪数据集对网络结构参数进行更新，第二步使用元验证集损失对架构参数进行更新，以通过对权重系数不断更新选择权重最大的网络模块为最优网络模块，具体为首先对上一阶段学习到的网络框架使用带噪数据集对网络参数进行更新，学习到网络参数之后使用元验证集对网络架构参数进行更新，每次网络参数更新过程中只更新一步，因此，每个阶段神经网络架构参数更新的梯度如下：
26、
27、其中，为整体的网络框架参数，代表了特征提取框架每本文档来自技高网...
【技术保护点】
1.一种基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤一中采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集的具体步骤如下：
3.根据权利要求2所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤一一中采集方式为：在区域R1，分别采集电器类型A，B，C...的电器数据，采集过程中确保只有单个电器在电网中运行，针对同种电器类型，尽可能多的采集不同品牌的以及不同运行阶段的电流数据，其中，每次采样确保20个有效地电流周期即可，在不同的区域R*重复以上过程，用电设备种类不低于50种，每个电器类型品牌不低于10种，多阶段电器尽可能采集所有运行阶段的电流数据，采集到更加丰富的电器数据集，有利于提高模型的泛化性能，按不同的电器类型给数据打上标签，并且构造数据集时，采样周期数据的初始时刻可以不同，按（0,2π），（1/3π，4/3π）......这些方式进行采样。
4.根据权利要求3所述的基于鲁棒性度量学习的非侵入式负荷识别
5.根据权利要求4所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤二二训练构建过程中分为两步进行，第一步使用带噪数据集对网络结构参数进行更新，第二步使用元验证集损失对架构参数进行更新，以通过对权重系数不断更新选择权重最大的网络模块为最优网络模块，具体为首先对上一阶段学习到的网络框架使用带噪数据集对网络参数进行更新，学习到网络参数之后使用元验证集对网络架构参数进行更新，每次网络参数更新过程中只更新一步，因此，每个阶段神经网络架构参数更新的梯度如下：
6.根据权利要求5所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤三中构建基于神经网络架构搜索的度量学习网络框架的具体步骤如下：
7.根据权利要求6所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤三二中进行度量学习网络训练的具体方式为以任务为单位使用MAML的训练策略，MAML训练的目标函数如下所示：
8.根据权利要求7所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤三三中构建加性角度间隔损失函数的具体步骤为：在学习得到的鲁棒性特征提取网络最后加入一层全连接层，全连接层的输出为样本类别，在此基础上引入Arcface loss，该构建的损失函数的表达式如式（11）所示：
9.根据权利要求8所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤四中使用步骤三中获得的度量学习模型对电器进行非侵入式负荷识别的具体步骤如下：
...【技术特征摘要】
1.一种基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤一中采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集的具体步骤如下：
3.根据权利要求2所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤一一中采集方式为：在区域r1，分别采集电器类型a，b，c...的电器数据，采集过程中确保只有单个电器在电网中运行，针对同种电器类型，尽可能多的采集不同品牌的以及不同运行阶段的电流数据，其中，每次采样确保20个有效地电流周期即可，在不同的区域r*重复以上过程，用电设备种类不低于50种，每个电器类型品牌不低于10种，多阶段电器尽可能采集所有运行阶段的电流数据，采集到更加丰富的电器数据集，有利于提高模型的泛化性能，按不同的电器类型给数据打上标签，并且构造数据集时，采样周期数据的初始时刻可以不同，按（0,2π），（1/3π，4/3π）......这些方式进行采样。
4.根据权利要求3所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤二中使用神经网络架构搜索算法对特征提取网络进行学习的具体步骤如下：
5.根据权利要求4所述的基于鲁棒性度量学习的非侵入式负荷识别方法，其特征在于：所述步骤二二训练构建过程中分为两...
【专利技术属性】
技术研发人员：叶林辉，翁得鱼，潘晓华，
申请(专利权)人：浙江大学滨江研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。