CN110264041A - 一种基于差分的非侵入式负载分解及监测方法 - Google Patents
一种基于差分的非侵入式负载分解及监测方法 Download PDFInfo
- Publication number
- CN110264041A CN110264041A CN201910437521.6A CN201910437521A CN110264041A CN 110264041 A CN110264041 A CN 110264041A CN 201910437521 A CN201910437521 A CN 201910437521A CN 110264041 A CN110264041 A CN 110264041A
- Authority
- CN
- China
- Prior art keywords
- power
- sequence
- moment
- neural network
- electrical appliance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000004069 differentiation Effects 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000004851 dishwashing Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于差分信息输入策略和深度神经网络方法的非侵入式的负载分解及监测的方法。本发明的负载分解方法包括以下步骤：获取步骤，获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y；差分步骤，计算所述总表上总实时功率X的差分信息，得到实时功率变化序列Xd；样本集形成步骤，将所述功率变化序列Xd作为输入，将所述目标用电器对应时刻的实时功率Y作为输出，得到多个样本对，形成训练样本集；分析步骤，采用训练样本集进行训练完成分析模型。本发明具有准确度高，神经网络规模小，泛化能力强的特点，并且可以克服其他方法对采样频率要求高的问题。
Description
技术领域
本发明涉及电力技术领域，具体涉及一种基于差分信息输入策略和神经网络方法的非侵入式负载分解及监测的方法。
背景技术
随着能源问题的愈加凸显和智能家居/工厂的发展需要，我们不仅希望能监测到一个房间或建筑里的总负载功率消耗，还希望能监测到这个建筑里各个用电器的功率消耗，这样可以帮助使用者了解电器使用情况，制定更合理的用电方案，提高电力能源的利用率，同时这些数据还能作为原始数据以帮助智能家居和智能工厂的实现。此外，该技术在电力供给侧的供电管理、智能电网、实时电价等方面起着至关重要的作用。
负载监测技术主要分为侵入式和非侵入式。侵入式负载监测是在每个用电设备上部署一个传感器，从而获取各电器的负载数据，该方法准确性较高，但是部署成本高，不够灵活，难以推广；非侵入式负载监测是从房间或建筑的总电表上获取总的负载数据，利用负载分解技术分解出目标用电器的负载数据，从而实现对负载的监测。相比于侵入式负载监测，非侵入式负载监测具有成本低，易于部署，更灵活等特点，是近些年的研究重点。
非侵入式负载监测最早于1980年代由Hart(参照非专利文献1)开始着手研究，Hart的算法将每个用电器建模为有限状态机，然后基于组合优化技术去求解。后来一些基于隐马尔科夫的方法对Hart的方法做了一些改进，由于用电器的瞬时变化的功率中蕴含着用电器的特征信息，以上基于有限状态的人工提取特征的方法损失了太多瞬变信息，导致性能不佳。近些年，基于人工神经网络的方法被尝试使用，如Chaoyun Zhang等人(参照非专利文献2)和Kunjin Chen等人(参照非专利文献3)提出的方法企图用神经网络从总负载数据中自动提取丰富的用电器的特征，而非手动地提取特征。但是现有的神经网络模型都是将原生的总负载数据直接输入给神经网络去训练，而这种方式使得电器的功率变化等关键特征被隐式地包含在原生数据中，这增加了神经网络的学习难度，限制了分解精度。
现有技术文献
非专利文献
非专利文献1：G.W.Hart,“Nonintrusive appliance load monitoring,”Proceedings of the IEEE,vol.80,no.12,pp.1870-1891,Dec.1992.
非专利文献2：C.Zhang,M.Zhong,Z.Wang,et al.,“Sequence-to-point learningwith neural networks for non-intrusive load monitoring,”Thirty-Second AAAIConference on Artificial Intelligence,2018.
非专利文献3：K.Chen,Q.Wang,Z.He,et al.,“Convolutional sequence tosequence non-intrusive load monitoring,”The Journal of Engineering,vol.2018,no.17,pp.1860-1864,2018.
发明内容
为解决上述技术问题，本发明提供了一种非侵入式的负载分解和监测的方法，对数据的输入方式做了改进，从而能够降低神经网络学习难度，提高分解精度。
本发明的一种负载分解方法，包括以下步骤：
获取步骤，获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y；
差分步骤，计算所述总表上总实时功率X的差分信息，得到实时功率变化序列Xd；
样本集形成步骤，将所述功率变化序列Xd作为输入，将所述目标用电器对应时刻的实时功率Y作为输出，得到多个样本对，形成训练样本集；以及
分析步骤，采用训练样本集进行训练完成分析模型。
优选地，所述差分步骤具体包括：
采用下述公式对总实时功率X进行采样，将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量，得到实时功率变化序列Xd
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
优选地，所述样本集形成步骤采用滑动窗口的方式得到样本集，输入神经网络模型，具体包括：
为所述目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小；
在所述功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推；
从所述目标用电器的实时功率Y上选取对应采样时刻的同样窗口大小的实时功率值序列作为神经网络的输出，然后以所述固定步长从该序列上移动，然后再选定一个窗口作为神经网络的输出，依次类推。
优选地，采用卷积神经网络作为特征提取器。
本发明的负载推断方法包括以下步骤：
检测步骤，获取总表上各用电器的总实时功率X’；
差分步骤，计算所述总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’；
分解步骤，将功率变化序列Xd’输入到负载分解模型进行，得到分解后的目标用电器实时功率序列Y’；以及
推断步骤，将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
本发明的负载分解装置，包括以下模块：
获取模块，获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y；
差分模块，计算所述总表上总实时功率X的差分信息，得到实时功率变化序列Xd；
样本集形成模块，将所述功率变化序列Xd作为输入，将所述目标用电器对应时刻的实时功率Y作为输出，得到多个样本对，形成训练样本集；以及
分析模块，采用训练样本集进行训练完成分析模型。
优选地，所述差分模块具体包括：
采用下述公式对总实时功率X进行采样，将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量，得到实时功率变化序列Xd
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
优选地，所述样本集形成模块采用滑动窗口的方式得到样本集，输入神经网络模型，具体包括：
为所述目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小；
在所述功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推；
从所述目标用电器的实时功率Y上选取对应采样时刻的同样窗口大小的实时功率值序列作为神经网络的输出，然后以所述固定步长从该序列上移动，然后再选定一个窗口作为神经网络的输出，依次类推。
优选地，采用卷积神经网络作为特征提取器。
本发明的负载推断装置包括以下模块：
检测模块，获取总表上各用电器的总实时功率X’；
差分模块，计算所述总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’；
分解模块，将功率变化序列Xd’输入到负载分解模型进行，得到分解后的目标用电器实时功率序列Y’；以及
推断模块，将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
本发明的存储介质，存储有计算机程序，该程序被计算机读取后可让计算机执行上述任一种。
本发明相较于现有技术具有以下的优点：
1、传统的基于有限状态的方法损失了电器的瞬变特征，本方法采用了基于卷积神经网络的深度神经网络模型架构，可以检测到丰富的瞬变特征，从而更有效地利用这些特征信息。
2、采用基于神经网络的模型是一个端对端的模型，从而避免人为地设计或提取特征，因为神经网络会自动提取跟任务目标有关的特征。
3、本方法采用差分信息作为模型的输入，将功率变化信息显式化，使神经网络模型更容易进行有效地学习和训练。差分的输入方式可以帮助小型的网络模型获得比大模型更好的分解效果。
3.本方法使用低频采样数据作为输入，无需使用高频采样数据即可达到理想的分解效果，从而降低了对设备采样能力的要求。
4.基于神经网络的方法可以有效提升模型的泛化能力，使得已训练好的模型可以应用在其他房间中，提升了非侵入式负载检测技术的可用性。
附图说明
图1是本发明实施方式一的负载分解方法的流程图。
图2是本发明实施方式一的差分输入和原生输入的对比示意图。
图3是本发明实施方式一的负载分解方法的卷积神经网络模型的结构图。
图4是本发明实施方式一的负载监测方法的流程图。
图5是本发明实施方式二的负载分解装置的结构示意图。
图6是本发明实施方式二的负载监测装置的结构示意图。
图7是本发明实施方式三的负载分解及监测装置的结构示意图。
具体实施方式
本发明针对现有的非侵入式负载方法无法有效提取用电器瞬变特征的问题，设计了基于卷积神经网络的负载分解模型，同时采用差分输入的策略，可以减小神经网络进行自动学习特征的难度，从而提升神经网络的分解性能。
为了更清楚地展示本发明实施方式的技术原理、技术方案细节和优点，下面将结合附图进行更全面详细的描述。此处所描述的实施例只是本发明一部分的实施例，并非全部的实施例。基于本说明书所描述的的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提供一种基于差分输入策略和神经网络的非侵入式负载分解方法，流程图见附图1，其具体处理流程包括如下步骤：
S1、首先获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器(目标负载)的实时功率Y。
S2、计算总表上总实时功率X的差分信息，即求总功率的实时变化量，得到实时功率变化序列Xd。
S3、将功率变化序列Xd作为神经网络模型的输入，将目标负载对应时刻的实时功率Y作为神经网络模型的输出，得到训练样本集；
S4、采用训练样本集对神经网络模型进行训练，完成负载分析模型。
步骤S1中，作为一例，采用现有的公开数据集The Reference EnergyDisaggregation Dataset(REDD)作为本发明的数据源。该数据集包含高频数据和低频数据，共分为六个房间，每个房间有10～20个用电器，本实施例使用低频采样数据部分，该低频数据中总表和用电器分表对应的功率数据分别是以1Hz和1/3Hz采样得到。数据集中包含家庭常用的用电器如冰箱、洗衣机、电灯、微波炉和洗碗机等。本实施例选用冰箱和微波炉为例作为待分解的目标用电器。
步骤S2中，对实时总功率X做差分操作，计算总表上总实时功率的差分信息，作为总功率的实时变化量，从而得到实时功率变化序列Xd。这里的差分操作的目的为求得功率时间序列的差分信息，是该发明的关键步骤之一，具体方法为：
将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量。公式表示为：
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
差分输入的方式比原生输入具有更好的可分辨性，可以让目标电器的关键特征更容易被识别和提取出来。结合附图2可以看出，在原功率曲线中，目标用电器的轮廓会被“淹没”在其他用电器的功率值中，使得目标用电器的功率特征不易被提取出来；而对上述功率曲线做差分操作后，目标用电器的功率变化值就可以被容易地识别出来，同时其他用电器的功率变化值就可以被过滤掉。
步骤S3将计算得到的功率差分值Xd作为神经网络模型的输入，将目标负载对应时刻的实时功率Y作为神经网络模型的输出，对神经网络模型进行训练，以完成负载分析模型。这里采用滑动窗口的方式将功率时间序列依次输入网络，具体包括：
S31、为目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小。这里冰箱和微波炉的窗口均设定为600，该长度的窗口可以覆盖两用电器完整的运行周期。
S32、在功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推。为了保证训练数据的充足，固定步长设置为1。
S33、同样采用滑动窗口的方式从目标用电器的实时功率序列Y上选取对应采样时刻的实时功率值的时间窗序列作为神经网络模型的输出，该序列的长度及移动时的固定步长与S32中的窗口大小及固定步长一致。
本实施例中神经网络模型采用卷积神经网络(Convolutional Neural Network，CNN)。CNN的完整的网络结构见附图3，这是一个端对端的模型，无需人工地提取特征。网络输入分为主输入和辅助输入，主输入即为固定窗口大小的差分序列，辅助输入为主输入对应的时间内原功率序列的几项统计值：平均值，标准差，最大值，最小值。辅助输入的目的是更加充分地利用原功率序列中的统计信息。
CNN由许多过滤器(或者被称为kernel)组成，每个过滤器可以识别某种特定的短序列，因此可以用来检测差分序列中目标电器的功率变化的特征。过滤器的参数是在训练中被CNN自动学习到的。对于变化更复杂的电器如多状态甚至功率时变的电器，CNN需要更多过滤器来学习更丰富的功率变化的特征。本方法通过多层CNN的层次结构，提取不同粒度的特征以提升模型分解能力。在训练网络时，采用基于梯度下降的反向传播算法对神经网络的参数进行优化。
通过以上步骤，描述了本发明的基于卷积神经网络的负载分解模型的建立过程。本发明的基于卷积神经网络的负载分解模型完成后，可用来分解任意房间的总实时功率，并监测目标电器的实时功率。参照附图4，本发明的负载推断方法的具体处理流程包括如下步骤：
S11、获取待测房间总表上各用电器的总实时功率X’。
S12、计算总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’。
S13、将功率变化序列Xd’作为神经网络模型的输入，输入到本发明的负载分解模型进行预测，以得到分解后的目标用电器实时功率序列Y’；
S14、将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
以上通过对冰箱和微波炉两种用电器为例，对本发明的技术原理和技术细节进行了完整的描述，本发明相较于现有技术具有以下的优点：
1、传统的基于有限状态的方法损失了电器的瞬变特征，本方法采用了基于卷积神经网络的深度神经网络模型架构，可以检测到丰富的瞬变特征，从而更有效地利用这些特征信息。
2、采用基于神经网络的模型是一个端对端的模型，从而避免人为地设计或提取特征，因为神经网络会自动提取跟任务目标有关的特征。
3、本方法采用差分信息作为模型的输入，将功率变化信息显式化，使神经网络模型更容易进行有效地学习和训练。差分的输入方式可以帮助小型的网络模型获得比大模型更好的分解效果。
3.本方法使用低频采样数据作为输入，无需使用高频采样数据即可达到理想的分解效果，从而降低了对设备采样能力的要求。
4.基于神经网络的方法可以有效提升模型的泛化能力，使得已训练好的模型可以应用在其他房间中，提升了非侵入式负载检测技术的可用性。
为帮助理解本发明的技术效果，发明人采用技术指标对本发明的方法和模型与现有技术的模型进行对比评估。
模型的评估指标为均方误差(MSE)和平均绝对误差(MAE)，对应公式为：
其中是t时刻的预测功率，yt是t时刻的真实功率，T是时间序列的长度。
为了进行对比，本发明也对非专利文献2和3提出的方法进行了实验试验，与本发明采用同样的训练集，其他设置与原文献保持一致。实验的结果见表1，其中各指标的最优结果被加粗，同时，我们将各模型的网络待训练的参数量列在表2中(表1、2中[2]表示非专利文献2，[3]表示非专利文献3)。
表1
表2
| 模型 | 参数量 |
| seq2point[2] | 29.2M |
| seq2seq[2] | 29.8M |
| GLU-Res[3] | 1.2M |
| 本发明的模型 | 738K |
由表1可以发现，本发明提出的基于差分输入和卷积神经网络的模型在MSE和MAE上的表现均优于文献2、3提出的模型，并且由表2可知，本发明提出的模型参数量明显少于文献2、3的模型。这表明，采用差分输入的策略可以让小规模神经网络获得比大规模神经网络更好的分解效果。
综上所述，本发明的基于卷积神经网络的负载分解及监测方法，通过采用差分输入策略带来的明显提升，使得小规模的神经网络也可应用在非侵入式负载分解的任务中，降低了运算复杂度，具有非常重要的应用价值。
实施例二
通过以上描述了解了本发明的基于差分输入策略和神经网络的非侵入式负载分解方法的实现过程，该过程可由非侵入式负载分解装置来实现，下面对本发明的非侵入式负载分解装置的内部结构和功能进行介绍。
参见图5，本发明实施例中，非侵入式负载分解装置10包括：获取模块101、差分模块102、滑动模块103和分析模块104。
获取模块101用于获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y。
差分模块102用于计算总表上总实时功率X的差分信息，即求总功率的实时变化量，得到实时功率变化序列Xd。
滑动模块103用于将功率变化序列Xd作为神经网络模型的输入，将目标负载对应时刻的实时功率Y作为神经网络模型的输出，得到训练样本集。
分析模块104采用训练样本集对神经网络模型进行训练，完成负载分析模型。
其中，优选地，作为一例，非侵入式负载分解装置10采用现有的公开数据集TheReference Energy Disaggregation Dataset(REDD)作为本发明的数据源。该数据集包含高频数据和低频数据，共分为六个房间，每个房间有10～20个用电器，本实施例使用低频采样数据部分，该低频数据中总表和用电器分表对应的功率数据分别是以1Hz和1/3Hz采样得到。数据集中包含家庭常用的用电器如冰箱、洗衣机、电灯、微波炉和洗碗机等。本实施例选用冰箱和微波炉为例作为待分解的目标用电器。
优选地，差分模块102中，对实时总功率X做差分操作，计算总表上总实时功率的差分信息，作为总功率的实时变化量，从而得到实时功率变化序列Xd。这里的差分操作的目的为求得功率时间序列的差分信息，是该发明的关键步骤之一，具体方法为：
将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量。公式表示为：
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
滑动模块103将计算得到的功率差分值Xd作为神经网络模型的输入，将目标负载对应时刻的实时功率Y作为神经网络模型的输出，对神经网络模型进行训练，以完成负载分析模型。优选地，滑动模块103采用滑动窗口的方式将功率时间序列依次输入神经网络，具体可包括设置子模块1031、输入样本获取子模块1032和输出样本获取子模块1033。
设置子模块1031为目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小。这里冰箱和微波炉的窗口均设定为600，该长度的窗口可以覆盖两用电器完整的运行周期。
输入样本获取子模块1032在功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推。为了保证训练数据的充足，固定步长设置为1。
输出样本获取子模块1033同样采用滑动窗口的方式从目标用电器的实时功率序列Y上选取对应采样时刻的实时功率值的时间窗序列作为神经网络模型的输出，该序列的长度及移动时的固定步长与S32中的窗口大小及固定步长一致。
本实施例中神经网络模型采用卷积神经网络CNN，无需人工地提取特征。网络输入分为主输入和辅助输入，主输入即为固定窗口大小的差分序列，辅助输入为主输入对应的时间内原功率序列的几项统计值：平均值，标准差，最大值，最小值。辅助输入的目的是更加充分地利用原功率序列中的统计信息。CNN由许多过滤器(或者被称为kernel)组成，每个过滤器可以识别某种特定的短序列，因此可以用来检测差分序列中目标电器的功率变化的特征。过滤器的参数是在训练中被CNN自动学习到的。对于变化更复杂的电器如多状态甚至功率时变的电器，CNN需要更多过滤器来学习更丰富的功率变化的特征。本实施例通过多层CNN的层次结构，提取不同粒度的特征以提升模型分解能力。在训练网络时，采用基于梯度下降的反向传播算法对神经网络的参数进行优化。
通过以上描述了解了本发明的基于卷积神经网络的负载分解模型的内部结构和功能。通过本发明的基于卷积神经网络的负载分解模型，可用来分解任意房间的总实时功率，并监测目标电器的实时功率。参照附图6，本发明的负载推断装置20包括：获取模块201、差分模块202、滑动模块203和推断模块204。
检测模块201用于获取待测房间总表上各用电器的总实时功率X’。
差分模块202用于计算总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’。
分解模块203用于将功率变化序列Xd’作为神经网络模型的输入，输入到本发明的负载分解模型进行预测，以得到分解后的目标用电器实时功率序列Y’。
推断模块204将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
实施例三
图7是本发明实施例三的基于差分输入策略和神经网络的非侵入式负载分解及推断装置100的结构示意图。该装置100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1001(例如，一个或一个以上处理器)和存储器1002。其中，存储器1002中可存储用于执行本发明的非侵入式负载分解及推断方法的程序，中央处理器1001可以设置为与存储器1002通信，以在装置100上执行非侵入式负载分解及推断方法的一系列指令操作。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种负载分解方法，其特征在于，包括以下步骤：
获取步骤，获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y；
差分步骤，计算所述总表上总实时功率X的差分信息，得到实时功率变化序列Xd；
样本集形成步骤，将所述功率变化序列Xd作为输入，将所述目标用电器对应时刻的实时功率Y作为输出，得到多个样本对，形成训练样本集；以及
分析步骤，采用训练样本集进行训练完成分析模型。
2.根据权利要求1所述的负载分解方法，其特征在于，所述差分步骤具体包括：
采用下述公式对总实时功率X进行采样，将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量，得到实时功率变化序列Xd
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
3.根据权利要求1所述的负载分解方法，其特征在于，所述样本集形成步骤采用滑动窗口的方式得到样本集，输入神经网络模型，具体包括：
为所述目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小；
在所述功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推；
从所述目标用电器的实时功率Y上选取对应采样时刻的同样窗口大小的实时功率值序列作为神经网络的输出，然后以所述固定步长从该序列上移动，然后再选定一个窗口作为神经网络的输出，依次类推。
4.根据权利要求1至3中任一项所述的负载分解方法，其特征在于，采用卷积神经网络作为特征提取器。
5.一种负载推断方法，其特征在于，所述方法包括以下步骤：
检测步骤，获取总表上各用电器的总实时功率X’；
差分步骤，计算所述总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’；
分解步骤，将功率变化序列Xd’输入到负载分解模型进行，得到分解后的目标用电器实时功率序列Y’；以及
推断步骤，将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
6.一种负载分解装置，其特征在于，包括以下模块：
获取模块，获取总表上各用电器的总实时功率X，同时获取对应时间的目标用电器的实时功率Y；
差分模块，计算所述总表上总实时功率X的差分信息，得到实时功率变化序列Xd；
样本集形成模块，将所述功率变化序列Xd作为输入，将所述目标用电器对应时刻的实时功率Y作为输出，得到多个样本对，形成训练样本集；以及
分析模块，采用训练样本集进行训练完成分析模型。
7.根据权利要求6所述的负载分解装置，其特征在于，所述差分模块具体包括：
采用下述公式对总实时功率X进行采样，将每个时刻的采样功率值减去其上一时刻的采样值，作为该时刻的差分信息，代表该时刻功率的实时变化量，得到实时功率变化序列Xd
Δpt＝pt-pt-1
其中，pt表示t时刻的功率，pt-1表示t-1时刻的功率，Δpt表示t时刻对应的功率变化量。
8.根据权利要求6所述的负载分解装置，其特征在于，所述样本集形成模块采用滑动窗口的方式得到样本集，输入神经网络模型，具体包括：
为所述目标用电器设定一个窗口尺寸的参数，作为神经网络模型的输入层的序列长度大小；
在所述功率差值的时间序列Xd上，从开始时刻选定一个窗口大小的序列作为神经网络输入，然后以固定步长从序列上移动，然后再选定一个窗口作为神经网络的输入，依次类推；
从所述目标用电器的实时功率Y上选取对应采样时刻的同样窗口大小的实时功率值序列作为神经网络的输出，然后以所述固定步长从该序列上移动，然后再选定一个窗口作为神经网络的输出，依次类推。
9.根据权利要求6至8中任一项所述的负载分解装置，其特征在于，采用卷积神经网络作为特征提取器。
10.一种负载推断装置，其特征在于，包括以下模块：
检测模块，获取总表上各用电器的总实时功率X’；
差分模块，计算所述总表上总实时功率X’的差分信息，得到实时功率变化序列Xd’；
分解模块，将功率变化序列Xd’输入到负载分解模型进行，得到分解后的目标用电器实时功率序列Y’；以及
推断模块，将所得到的序列Y’中的每一时刻的多个预测值通过一个均值滤波器，得到该时刻的最终功率值。
11.一种存储介质，其特征在于，存储有计算机程序，该程序被计算机读取后可让计算机执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437521.6A CN110264041A (zh) | 2019-05-24 | 2019-05-24 | 一种基于差分的非侵入式负载分解及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437521.6A CN110264041A (zh) | 2019-05-24 | 2019-05-24 | 一种基于差分的非侵入式负载分解及监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264041A true CN110264041A (zh) | 2019-09-20 |
Family
ID=67915280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910437521.6A Pending CN110264041A (zh) | 2019-05-24 | 2019-05-24 | 一种基于差分的非侵入式负载分解及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264041A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675055A (zh) * | 2019-09-23 | 2020-01-10 | 广东工业大学 | 一种自动化生产线建模与布局规划方法及系统 |
| CN110867849A (zh) * | 2019-10-22 | 2020-03-06 | 深圳深宝电器仪表有限公司 | 电网检测及用电负荷识别方法及设备 |
| CN111369120A (zh) * | 2020-02-27 | 2020-07-03 | 福州大学 | 一种基于设备迁移学习的非侵入式负荷监测方法 |
| CN113159988A (zh) * | 2021-04-14 | 2021-07-23 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
| CN113378655A (zh) * | 2021-05-24 | 2021-09-10 | 电子科技大学 | 一种基于深度神经网络的对抗性能量分解方法 |
| CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
| CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
-
2019
- 2019-05-24 CN CN201910437521.6A patent/CN110264041A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| CN109685314A (zh) * | 2018-11-20 | 2019-04-26 | 中国电力科学研究院有限公司 | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周晨轶 等: "基于差分进化算法的居民用电负荷分解方法", 《南方电网技术》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675055A (zh) * | 2019-09-23 | 2020-01-10 | 广东工业大学 | 一种自动化生产线建模与布局规划方法及系统 |
| CN110867849A (zh) * | 2019-10-22 | 2020-03-06 | 深圳深宝电器仪表有限公司 | 电网检测及用电负荷识别方法及设备 |
| CN111369120A (zh) * | 2020-02-27 | 2020-07-03 | 福州大学 | 一种基于设备迁移学习的非侵入式负荷监测方法 |
| CN113159988A (zh) * | 2021-04-14 | 2021-07-23 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
| CN113159988B (zh) * | 2021-04-14 | 2022-08-02 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
| CN113378655A (zh) * | 2021-05-24 | 2021-09-10 | 电子科技大学 | 一种基于深度神经网络的对抗性能量分解方法 |
| CN113378655B (zh) * | 2021-05-24 | 2022-04-19 | 电子科技大学 | 一种基于深度神经网络的对抗性能量分解方法 |
| CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264041A (zh) | 一种基于差分的非侵入式负载分解及监测方法 | |
| Angelis et al. | NILM applications: Literature review of learning approaches, recent developments and challenges | |
| CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
| CN109598451A (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
| CN112215406A (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
| CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN117421618A (zh) | 一种建筑能耗监测方法及系统 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| Wang et al. | Research on a hybrid model for cooling load prediction based on wavelet threshold denoising and deep learning: A study in China | |
| CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
| Li et al. | Non-intrusive load monitoring based on convolutional neural network mixed residual unit | |
| CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
| CN117829203A (zh) | 一种非侵入式负荷分解方法及系统 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN111090679A (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
| CN113033775B (zh) | 一种基于有监督学习的非侵入式负荷识别网络架构 | |
| CN116401561A (zh) | 一种基于局部时域特征的设备级运行状态序列的时间关联聚类方法 | |
| Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
| CN115112989A (zh) | 基于低频数据的非侵入式负荷监测方法 | |
| CN118133190B (zh) | 基于bn关系网络的负荷识别模型构建方法及负荷识别方法 | |
| Jiang et al. | Mobile Base Station Traffic Prediction Based on Traffic Data Analysis [J] | |
| Shi et al. | PCA-based PSO-BP neural network optimization algorithm | |
| TWI802245B (zh) | 基於非侵入式設備負載監控的用電解析系統及用電解析方法 | |
| Odebode et al. | KD1: A Sampling-Based Clustering Scheme for Large Data Sets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |