CN110376457B - 基于半监督学习算法的非侵入式负荷监测方法及装置 - Google Patents

Abstract

本发明涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置，其中方法包括：步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；步骤S4，使用训练样本训练神经网络模型；步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。与现有技术相比，本发明具有可以得到精细化的用户内部设备使用状态等优点。

Description

基于半监督学习算法的非侵入式负荷监测方法及装置

技术领域

本发明涉及一种负荷监测方法，尤其是涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置。

背景技术

目前，随着能源需求呈指数级增长，节能是一个极具挑战性的问题。许多研究人员正在试图找到解决这个问题的有效方法。在中国，居民用电量约占总用电量的13.04％(约7560亿千瓦时/年)。因此，住宅节能部分将对整体节能降耗产生重大影响。许多研究人员认为，实时反馈是一种非常有用的机制，但目前的电量计量和计费基础设施无法解决这一问题。我们需要监控设备的实时消费，并向消费者提供实时可操作的反馈。通过这种反馈，消费者可以知道他们使用的是什么电器，何时使用以及使用了多少。因此，消费者可以积极计划他们的能源使用，以减少他们每月的能源账单。研究表明，能源节约意识与这种反馈相结合，可以引发积极的行为改变，从而节约10-15％的能源。

开发需求侧管理和需求响应策略需要运行中设备的具体信息。一般来说，实时设备能耗是通过在设备级别部署传感器获得的，这称为侵入式负荷监测方法(ILM)。虽然ILM方法是准确的，但是部署这样的感知基础架构是昂贵和复杂的。另一种方法是将房屋的耗电量分解为单个设备的负荷，称为非侵入式负荷监测(NILM)。非侵入式负荷监测技术通过对用户总负荷数据的分解与识别，可以获得精细化的用户内部负荷类别与使用状态数据，是解决智能用电负荷监测难题的有效途径。考虑到隐私和成本，ILM方法不能被广泛采用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于半监督学习算法的非侵入式负荷监测方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于半监督学习算法的非侵入式负荷监测方法，包括。

步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；

步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；

步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；

步骤S4，使用训练样本训练神经网络模型；

步骤S5，将待识别的总电量序列输入训练好的神经网络模型，获得正确的各设备运行状态。

所述神经网络模型中，除最后两层外，所有卷积层的卷积核宽度都为3，且初始卷积层之后是3个空洞卷积层，空洞卷积层的空洞率依次为2、4和8，初始卷积层的感受野为3，空洞率为2的空洞卷积层中每个元素的感受野为7，在空洞卷积层之后，使用具有40个卷积核的卷积层进一步细化先前的层，最后一个卷积层只有一个卷积核。

所述步骤S4中，采用VAT半监督学习方法训练神经网络模型。

所述步骤S4中训练的具体过程包括：

步骤S41：从训练样本数据集随机选择M各样本；

步骤S42：使用独立同分布高斯分布产生一个随机单位向量；

步骤S43：计算虚拟对抗干扰项

其中：

为虚拟对抗干扰项，gⁱ为中间梯度值，||·||₂为二范数操作，

为对rⁱ求梯度，D[·]为是KL散度，p(·)为概率分布，

为设备a在时间t_i上的预测标签，Xⁱ为用于预测在时间t_i上的设备状态的输入总用电量窗口，rⁱ为随机向量；

步骤S44：计算正则化器

步骤S45：返回用于更新神经网络模型的梯度值：

其中：

为对神经网络模型的参数θ求梯度，[·]为索引操作。

一种基于半监督学习算法的非侵入式负荷监测装置，包括存储器、处理器以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；

步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；

步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；

步骤S4，使用训练样本训练神经网络模型；

步骤S5，将待识别的总电量序列输入训练好的神经网络模型，获得正确的各设备运行状态。

与现有技术相比，本发明具有以下有益效果：

本发明有以下发明内容：

1)基于深度神经网络模型，引入空洞卷积，在不损失精度的情况下指数级提高卷积核的感受野，设计一个适用于NILM问题的深度神经网络模型，通过分析用户总负荷数据，计算评估用户内部设备的使用状态。

2)改进由序列到序列的预测方式，引入由序列到点的分类模型，简化预测问题，使网络将表示能力集中于窗口的中点，得到更高精度的预测结果。

3)考虑到实际情况下难以获得标签数据，引入半监督学习算法，通过使用小部分标签数据，提高在大量未标记数据上的分类效果。

附图说明

图1为本发明方法的主要步骤流程示意图；

图2为本发明提出的神经网络模型示意图；

图3为本发明实验使用的每个设备的功率图谱示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种基于半监督学习算法的非侵入式负荷监测方法，该方法以计算机程序的形式，由计算机系统实现，装置包括存储器、处理器以及存储于存储器中并由处理器执行的程序，如图1所示，处理器执行程序时实现以下步骤：

步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；

负荷分解的目标是从家庭总用电量中分解不同设备的能耗。假设我们观察到在时间t_i时家庭中的总有功功率x_i。让

成为家里所有已知设备的集合。对于设备a，其在时间

时的功耗用表示。

总功功率x_i被假定为每个单独设备和一些高斯噪声的总和。我们只对

中的设备感兴趣，其他设备可以被视为未知因素u_i，则完整模型可表示为：

为了使用神经网络框架解决负荷分解问题，我们构造了一个神经网络F，将输入总用电量的滑动窗口X_i:i+W映射到设备a的输出状态的对应中点，也就是说，

对于模型训练而言，任务是通过输入用电序列X_i:i+W来估计在时间

上的设备a的状态(ON/OFF)。

将Thr_a定义为设备a的功率阈值，该阈值在预处理期间设置。如果设备用电量大于Thr_a，我们推断设备已打开。Thr_a通常设置为设备a平均功率值的一半。

步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；

在训练和评估我们提出的模型之前，我们需要对原始数据进行一些预处理，对数据进行了清洗和重新取样。

智能电表为了减少数据量，只在功率发生变化时记录读数。因此，我们假定小于或等于1小时的时间间隔，功率没有变化，并向前填充数据。由于信号传播问题，读数之间存在较长的数据丢失间隔。我们认为超过一小时的时间间隔是由于缺少数据造成的，从而移除。

随后，数据被标准化以符合正态分布，因为输入被缩放为零平均值和单位标准偏差，神经网络学习效率会更高。我们将每个输入序列减去其各自的平均值，并除以训练集中所有输入的标准偏差。

给定一个完整的总用电量序列X＝(x₁,...,x_T)，我们首先用[W/2]零填充序列的开头和结尾，以处理序列的端点，其中T是完整序列长度，W是输入窗口长度。

步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；

一个总用电量的窗口被用作输入序列。通过滑动总用电量读数(输入)和设备状态(输出)一次一个时间长度来获得训练窗口。

我们训练一个神经网络来预测输入窗口中点的状态，而不是训练一个网络来预测设备整个窗口的状态。这使得预测问题更容易，并有希望得到更准确的结果，因为这样允许神经网络将其表示能力集中在窗口的中点。我们的模型的一个优点是，每个时间点只有一个预测，而不是每个预测输出窗口的加权和。输出点没有重叠，输入窗口部分重叠。

步骤S4，使用训练样本训练神经网络模型；

图2为本发明提出的神经网络模型。除最后两层外，所有卷积层的卷积核宽度都为3，因为这是可以考虑到过去、现在和未来的最小卷积核宽度。初始卷积层之后是3个空洞卷积层。空洞卷积层的空洞率依次为2、4和8。初始卷积层的感受野为3，与空洞率为1的空洞卷积相同。在初始卷积层之后是一个空洞率为2的空洞卷积层，其中每个元素的感受野为7。这使得网络的感受野指数级增大，而不会减小分辨率或覆盖范围。在空洞卷积层之后，使用具有40个卷积核的卷积层进一步细化先前的层。最后一个卷积层只有一个卷积核，以便将网络的输出减少到一个信道。采用全连通层进行分类，得到分类结果。

具体采用VAT半监督学习方法训练神经网络模型，训练的具体过程包括：

步骤S41：从训练样本数据集随机选择M各样本；

步骤S42：使用独立同分布高斯分布产生一个随机单位向量；

步骤S43：计算虚拟对抗干扰项

其中：

为虚拟对抗干扰项，gⁱ为中间梯度值，||·||₂为二范数操作，

为对rⁱ求梯度，D[·]为是KL散度，p(·)为概率分布，

为设备a在时间t_i上的预测标签，Xⁱ为用于预测在时间t_i上的设备状态的输入总用电量窗口，rⁱ为随机向量；

步骤S44：计算正则化器

步骤S45：返回用于更新神经网络模型的梯度值：

其中：

为对神经网络模型的参数θ求梯度，[·]为索引操作。

步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。

本发明是基于半监督学习算法的非侵入式负荷监测方法。我们研究的对象是应用于低采样率样本上的NILM方法，研究的问题是如何对用户总负荷数据进行分解与识别，可以获得精细化的用户内部设备使用状态，采用的方法是深度神经网络、全监督学习算法和半监督学习算法。

下面结合实验对本发明的实际效果进行详细阐述，从而有效说明本发明的有益效果。分以下五个部分依次介绍：实验数据集、数据预处理、训练方法、评价标准和实验结果。

1)实验数据集

我们使用REDD数据集评估提出的基于深度神经网络的模型。REDD数据集是一个用于负荷分解研究的公开数据集，包含几个星期的6个不同房屋的有功功率数据和总用电量的高频电流数据。我们只对低采样率的数据感兴趣，也就是说，有功功率读数。低采样率REDD数据集包含总功率和房屋各个设备的平均功率读数。对于总功率，数据以大约每秒一次的频率记录，对于单个设备，每三秒记录一次。总共记录了近20种不同类型的设备读数。我们挑选了一些常用的设备，这些设备有足够的数据进行训练和测试。在本实验中，我们使用了微波炉(MW)、洗衣机(WD)、洗碗机(DW)、炉子(ST)和冰箱(REFR)五种设备的低采样率数据。每个设备的功率图谱可以在图3中看到。

2)数据预处理

在训练和测试之前，所有传感器读数按照表1所列的取样间隔重新取样。

表1

窗口长度设置为79，以确保每个卷积核有足够的感受野。通过滑动总用电量读数(输入)和设备状态(输出)一次一个时间长度来获得训练窗口。

3)训练方法

使用TensorFlow开发模型，并由Adam优化器对该模型进行训练，学习率为1×10^-4，批量大小为16。训练在151个epoch后终止。使用40％的标记数据来训练全监督模型，另加40％的未标记数据训练半监督模型。最后20％的数据留作测试。

4)评价标准

采用NILM模型中常用的F_M度量，比较全监督训练方法和半监督训练方法，并对所提出的神经网络模型的性能进行了评价。F-Measure(F_M)定义如下：

PR＝TP/(TP+FP)

RE＝TP/(TP+FN)

F_M＝2*(PR*RE)/(PR+RE)

其中PR是准确率，RE是召回率。

5)实验结果

我们用F_M度量比较了我们提出的神经网络模型的两种训练方法：(1)全监督训练方法(方法1)；(2)半监督训练方法(方法2)。我们用20％的样本来测试我们的模型。

如表2所示，方法2比方法1对所有五种设备都具有更好的FM性能。

表2

结果表明，半监督训练方法比全监督训练方法具有更好的性能，而只需要更多的未标记训练数据。由此可见，在实际情况下，半监督训练方法比全监督训练方法更为实用。

我们将方法2(半监督训练方法)的性能与两种最先进的NILM方法在REDD数据集上进行了比较，即基于HMM的方法和基于GSP的方法，比较结果见表3。

表3

可以看到，方法2在除REFR外的许多情况下都优于其他两种方法，这表明了我们提出的基于DNN的方法的优越性。方法2对所有五种设备的分类都比GSP方法更准确，而对MW、WD、DW和ST的分类则比HMM方法更准确。对于REFR，方法2等于基于HMM的方法，因为REFR连续运行的特征，HMM通常对REFR非常有效。REDD数据集的结果证明了我们提出的基于DNN的NILM方法的竞争力。

Claims (2)

1.一种基于半监督学习算法的非侵入式负荷监测方法，其特征在于，包括：

步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息，

步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾，

步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集，

步骤S4，使用训练样本训练神经网络模型，

步骤S5，将待识别的总电量序列输入训练好的神经网络模型，获得正确的各设备运行状态；

所述神经网络模型中，除最后两层外，所有卷积层的卷积核宽度都为3，且初始卷积层之后是3个空洞卷积层，空洞卷积层的空洞率依次为2、4和8，初始卷积层的感受野为3，空洞率为2的空洞卷积层中每个元素的感受野为7，在空洞卷积层之后，使用具有40个卷积核的卷积层进一步细化先前的层，最后一个卷积层只有一个卷积核；

所述步骤S4中，采用VAT半监督学习方法训练神经网络模型；

所述步骤S4中训练的具体过程包括：

步骤S41：从训练样本数据集随机选择M各样本，

步骤S42：使用独立同分布高斯分布产生一个随机单位向量，

步骤S43：计算虚拟对抗干扰项

其中：

为虚拟对抗干扰项，gⁱ为中间梯度值，||·||₂为二范数操作，

为对rⁱ求梯度，D[·]为是KL散度，p(·)为概率分布，

为设备a在时间t_i上的预测标签，Xⁱ为用于预测在时间t_i上的设备状态的输入总用电量窗口，rⁱ为随机向量，

步骤S44：计算正则化器

步骤S45：返回用于更新神经网络模型的梯度值：

其中：

为对神经网络模型的参数θ求梯度，[·]为索引操作。

2.一种基于半监督学习算法的非侵入式负荷监测装置，其特征在于，包括存储器、处理器以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息，

步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾，

步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集，

步骤S4，使用训练样本训练神经网络模型，

步骤S5，将待识别的总电量序列输入训练好的神经网络模型，获得正确的各设备运行状态；

所述神经网络模型中，除最后两层外，所有卷积层的卷积核宽度都为3，且初始卷积层之后是3个空洞卷积层，空洞卷积层的空洞率依次为2、4和8，初始卷积层的感受野为3，空洞率为2的空洞卷积层中每个元素的感受野为7，在空洞卷积层之后，使用具有40个卷积核的卷积层进一步细化先前的层，最后一个卷积层只有一个卷积核；

所述步骤S4中，采用VAT半监督学习方法训练神经网络模型；

所述步骤S4中训练的具体过程包括：

步骤S41：从训练样本数据集随机选择M各样本，

步骤S42：使用独立同分布高斯分布产生一个随机单位向量，

步骤S43：计算虚拟对抗干扰项

其中：

为虚拟对抗干扰项，gⁱ为中间梯度值，||·||₂为二范数操作，

为对rⁱ求梯度，D[·]为是KL散度，p(·)为概率分布，

为设备a在时间t_i上的预测标签，Xⁱ为用于预测在时间t_i上的设备状态的输入总用电量窗口，rⁱ为随机向量，

步骤S44：计算正则化器

步骤S45：返回用于更新神经网络模型的梯度值：

其中：

为对神经网络模型的参数θ求梯度，[·]为索引操作。

Images