CN111222078A - 模型建置装置与负载解析系统 - Google Patents
模型建置装置与负载解析系统 Download PDFInfo
- Publication number
- CN111222078A CN111222078A CN201811502675.0A CN201811502675A CN111222078A CN 111222078 A CN111222078 A CN 111222078A CN 201811502675 A CN201811502675 A CN 201811502675A CN 111222078 A CN111222078 A CN 111222078A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- appliance
- electric
- electric 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 90
- 238000013507 mapping Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012300 Sequence Analysis Methods 0.000 claims abstract 4
- 238000012549 training Methods 0.000 claims description 75
- 238000001228 spectrum Methods 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 47
- 238000007781 pre-processing Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 27
- 238000003786 synthesis reaction Methods 0.000 claims description 27
- 238000010219 correlation analysis Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 18
- 230000002123 temporal effect Effects 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 description 38
- 238000005259 measurement Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 26
- 101100311249 Schizosaccharomyces pombe (strain 972 / ATCC 24843) stg1 gene Proteins 0.000 description 20
- 230000003595 spectral effect Effects 0.000 description 7
- 239000000758 substrate Substances 0.000 description 7
- 210000002364 input neuron Anatomy 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 210000004205 output neuron Anatomy 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 101100269913 Caenorhabditis elegans ndx-4 gene Proteins 0.000 description 3
- 101150108301 SLC8A3 gene Proteins 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明为一种模型建置装置与负载解析系统。模型建置装置用以解析单位数据处理期间的总电表聚合数据。模型建置装置包含:特性分析模块、信息映射模块,以及时序分析模块。特性分析模块接收总电表聚合数据,依据检测条件而检测总电表聚合数据,并依据检测的结果而产生特性分析信息。信息映射模块将特性分析信息映射为编码结果。时序分析模块分析编码结果的时间关联性,进而产生仿电器特性合成数据。
Description
技术领域
本发明是有关于一种模型建置装置与负载解析系统,且特别是有关于一种分析用户的用电模式的模型建置装置与负载解析系统。
背景技术
随着科技的发展,人类对于电能使用的依赖度也跟着增加。为减少资源的消耗,节约能源是一个相当重要的议题。对一般民众而言,通常仅能从电费获知家中整体的用电总量。若民众想要得知个别电器的耗电量,需分别在每个电器上安装智能型电表(Smartmeter)。然而,费用高昂的智能型电表并不适合一般民众在家中安装。
发明内容
本发明系有关于一种模型建置装置与负载解析系统。负载解析系统包含数据处理装置、模型建置装置,以及模型评估装置。负载解析系统先后运行于模型建置模式M1与模型应用模式M2。在模型建置模式M1下,模型建置装置反复对解析模型进行训练与测试,待模型评估装置验证并确认模型建置装置内部的参数设定适当后,负载解析系统进入模型应用模式M2。于模型应用模式M2中,模型建置装置可针对用户的总电表用电数据进行解析,进而产生与用户的个别电器相对应的个别电器解析结果。
根据本发明的第一方面,提出一种用以解析单位数据处理期间的总电表聚合数据的模型建置装置。
根据本发明的第二方面,提出一种负载解析系统。
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合所附附图详细说明如下:
附图说明
图1A是负载解析系统处于模型建置模式的示意图。
图1B是负载解析系统处于模型应用模式的示意图。
图2是本发明实施例的负载解析系统的操作流程图。
图3是用户使用总电表量测原始数据的示意图。
图4是数据处理装置依据阶段的不同,对原始数据进行不同处理的示意图。
图5是负载解析系统的架构图。
图6是模型建置装置的内部结构的方块图。
图7是负载解析系统在训练阶段的数据流向。
图8是负载解析系统在训练阶段的流程图。
图9是特性分析模块的架构图。
图10是频谱检测器的示意图。
图11是边缘检测器的示意图。
图12是一种信息映射模块映射数据的示意图。
图13是关联性分析模块将与时间戳对应的时间戳编码组合,转换为过去时间关联性序列以及未来时间关联性序列的示意图。
图14是基底波形产生模块将过去时间关联性序列以及未来时间关联性序列,转换为过去时序波形与未来时序波形后,数据合成模块进一步将基底波形进行成分选择与波形重组后,形成与个别电器对应的仿电器特性合成数据的示意图。
附图标记:
负载解析系统10;数据处理装置101;
模型建置装置103;模型评估装置105;
网络11;原型用户13;
一般用户14;用电数据汇整与分析装置15;
步骤S111、S113、S121、S123、S125、S131、S141、S301、S302、S303、S305、S307、S308、S309、S311、S312、S314、S315、S317;
总电表量测波形Wm;数据处理模块1011;
数据取样模块1011a;预处理模块1011b;
数据平衡化模块1013;数据增强模块1015;
取样数据smpDAT;预处理数据ppDAT;
平衡化数据blDAT;增强数据augDAT;
训练数据集trnDSET;测试数据集tstDSET;
一般数据集nmDSET;数据接收模块1017;
结构参数调整模块1031a;附属参数调整模块1031b;
训练梯次决定模块1033;特性分析模块1035;
信息映射模块1037;编码结果分组模块1038;
时序分析模块1039;总电表聚合数据ainPm;
电器验证数据dvrPa、dvrPb、dvrPc、dvrPc;
解析结果评估模块1051;总电表预处理数据ppDATm;
总电表增强数据augDATm;频谱检测模块1035a;
边缘检测模块1035b;关联性分析模块1039b;
基底波形产生模块1039c;数据合成模块1039d;
仿电器特性合成数据doutPa、doutPb、doutPc、doutPd;
电器增强数据augDATa、augDATb、augDATc、augDATd;
比较结果cmp(doutPa,dvrPa)、cmp(doutPb,dvrPb)、cmp(doutPc,dvrPc)、cmp(doutPd,dvrPd);
频谱检测器1034a、1034b、1034c、1034d、FLTa[1]~FLTa[x1]、
FLTb[1]~FLTb[x2]、FLTc[1]~FLTc[x3]、FLTd[1]~FLTd[x4];
特性分析信息DTa1、DTax1、DTb1、DTbx2、DTc1、DTcx3、DTd1、DTdx4;
边缘检测器1036;正缘触发DEp;
负缘触发DEn;稳态DEs;
时间戳t1、t2、t3、t4、t59、t60;
单位数据处理期间Tunit;功率门槛Pth;
输入神经元41a;输出神经元41b;
编码结果71b;时间戳编码组合81;
第一层过去时间序列901p;第一层未来时间序列901f;
长短期记忆神经元90p、90f;
第一层过去时间长短期记忆神经元LSTM1p(t1)、LSTM1p(t2)、
LSTM1p(t3)、LSTM1p(t60);
第一层未来时间长短期记忆神经元LSTM1f(t1)、LSTM1f(t2)、
LSTM1f(t3)、LSTM1f(t60);
过去时序关联性分组921、922、923、92x;
未来时序关联性分组931、932、933、93x;
过去时序关联性分析结果91p;
未来时序关联性分析结果91f;
过去时间关联性序列94p;未来时间关联性序列94f;
时序关联性分组941、942、943、94x;
共享基底波形991、992、993、994、995、996;
成分波形选择模块1038a、1038b、1038c、1038d;
成分波形合成模块1036a、1036b、1036c、1036d。
具体实施方式
为能掌握用户家中的电器用电情形,本发明提出一种解析模型,此种解析模型能利用总电表量测得出的原始数据(raw data)推估预选电器(以下称为电器(Appliances))的用电模式。本发明实施例所提出的负载解析系统,属于非侵入式电力负载监控技术(Nonintrusive load monitoring,简称为NILM)。解析模型更可以被套用至数量众多的用户,以低成本的方式对电器使用模式进行分析。
在本发明中,负载解析系统先后处于两种操作模式:模型建置模式M1与模型应用模式M2。模型建置模式M1下的用户被定义为原型用户;模型应用模式下M2的用户被定义为一般用户。其中,于模型建置模式M1下,负载解析系统利用从原型用户接收的原始数据,设定解析模型内部的参数;于模型应用模式M2下,负载解析系统根据完成参数设定的解析模型,对来自一般用户的原始数据进行用电模式解析。为便于说明,本文假设解析模型用于解析四个电器(电器A、B、C、D)的用电模式。为便于说明,本文将与电器A、B、C、D相关的参数分别加上“a、b、c、d”的下标。
实际应用时,电器的数量与选择,并不需要被限定。对一般用户而言,因为仅需利用总电表对用电量进行量测(包含:时间和瓦数)的缘故,成本相对低廉且作法相对便利。为便于说明,本文将与总电表相关的参数加上“m”的下标。此外,电力业者也可以直接使用相同的解析模型,对数量庞大的各地用户提供用电模式分析的服务。
以下,利用图1A、1B说明负载解析系统分别处于模型建置模式M1与模型应用模式M2的情形。首先简要说明负载解析系统10的架构。负载解析系统10包含数据处理装置101、模型建置装置103以及模型评估装置105。用户13、14的总电表及/或量测电器A、B、C、D的个别电表信号连接于网络11,用于将量测得到的原始数据rDAT传送至网络11。其中,数据处理装置101信号连接于网络11,并同时电连接于模型建置装置103与模型评估装置105。模型建置装置103与模型评估装置105电连接于彼此。
请参见图1A,其是负载解析系统处于模型建置模式M1的示意图。当负载解析系统10处于模型建置模式M1时,电力业者在原型用户的家中安装多个智能型电表(包含电器A、B、C、D的电表与总电表)。因此,在模型建置模式M1下,负载解析系统10从原型用户13取得总电表原始数据rDATm与电器原始数据rDATa、rDATb、rDATc、rDATd。
请参见图1B,其是负载解析系统处于模型应用模式的示意图。在模型应用模式M2下,负载解析系统10仅从一般用户14取得总电表原始数据rDATm,毋须从一般用户14取得电器原始数据rDATa、rDATb、rDATc、rDATd。在模型应用模式M2下,电力业者直接利用解析模型,对一般用户14的总电表原始数据rDATm进行解析,进而以解析模型的输出推估得一般用户14家中的电器A、B、C、D的使用情形。
在模型建置模式M1时,负载解析系统10同时启用数据处理装置101、模型建置装置103与模型评估装置105。在模型应用模式M2时,负载解析系统10仅启用数据处理装置101与模型建置装置103,并停用模型评估装置105。须留意的是,负载解析系统10在设定解析模型的参数时,必须通过模型建置装置103的反复设定,模型评估装置105的反复比较、模型建置装置103的反复调整等循环,才能找出适当的参数设定。为此,此处将负载解析系统10操作该模型建置模式M1的情况,进一步区分为训练阶段STG1与测试阶段STG2。须留意的是,负载解析系统10可能交替处于训练阶段STG1或测试阶段STG2。
解析模型的相关参数可分为两类,结构参数(structure parameters)与附属参数(auxiliary parameters)。其中,结构参数是解析模型中,针对数据处理的根本(fundamental)设定的参数,又可称为超参数(hyper parameter)。而附属参数是解析模型中,针对数据所采用的系数(weight)。
当负载解析系统10处于训练阶段STG1时,模型建置装置103根据模型评估装置105的评估结果而以反向传递(backward propagation)的方式调整附属参数。或者,当模型评估装置105的评估结果显示解析模型无法趋于收敛时,模型建置装置103将调整结构参数中的学习率(learning rate)参数。另一方面,当负载解析系统10处于测试阶段STG2时,模型建置装置103根据模型评估装置105的评估结果而调整结构参数。关于结构参数与附属参数的种类与说明,将于下文说明。
随着负载解析系统10所处阶段的不同,负载解析系统10进一步将原型用户的原始数据rDAT区分为两个部分,一部分为训练用原始数据,一部分为测试用原始数据。其中,训练用原始数据用于训练阶段STG1,其目的主要是调整在解析模型中的附属参数;测试用原始数据用于测试阶段STG2,其目的是则是在解析模型趋于稳定后,检测解析模型所使用的结构参数与附属参数,是否能套用至测试数据集tstDSET。
实际应用时,训练用原始数据与测试用原始数据可能来自相同的原型用户在不同用电量测期间Tdet的用电情形。或者,训练用原始数据与测试用原始数据可能来自不同原型用户在相同用电量测期间Tdet的用电情形。此种关于如何定义原型用户的范围,以及如何定义训练用原始数据与测试用原始数据的作法,可由本案所属技术领域的习知技艺者自由代换,并不需要加以限定。
请参见图2,其是本发明实施例的负载解析系统的操作流程图。此流程图简要说明负载解析系统10的整体流程,下文将会更详细说明负载解析系统10在不同模式与阶段下的操作。
首先,负载解析系统10处于训练阶段STG1。此时,模型建置装置103先初始化负载解析系统10中的结构参数与附属参数(步骤S111)。其次,负载解析系统10利用训练用原始数据对解析模型进行训练与评估,直至评估结果显示解析模型所产生的解析结果能满足收敛条件(步骤S113)。在这个过程中,模型建置装置103调整附属参数,及/或调整结构参数中的学习率参数(learning rate)。其后,负载解析系统10结束训练阶段STG1并进入测试阶段STG2。
在测试阶段STG2中,负载解析系统10利用测试用原始数据对解析模型进行测试,模型评估装置105判断模型建置装置103所输出的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd的准确率(步骤S121)。得出仿电器特性合成数据doutPa、doutPb、doutPc、doutPd的准确率后,负载解析系统10判断准确率是否符合预设的准确率门槛(步骤S123)。
当步骤S123的判断结果为否定时,代表模型建置装置103先前对附属参数的设定,仍无法让解析模型能准确解析测试用的原始数据。在这种情况下,负载解析系统10重设解析模型的结构参数并重建解析模型(步骤S125)。此外,负载解析系统10将依据被重设的结构参数再度进入训练阶段STG1。因此,负载解析系统10将重复执行步骤S113。
另一方面,当步骤S123的判断结果为肯定时,代表负载解析系统10处于测试阶段STG2,且模型评估装置105判断比较结果符合准确率门槛。因此,负载解析系统10离开模型建置模式M1并进入模型应用模式M2。
接着,负载解析系统10接收一般用户14的原始总电表数据,并根据一般用户14的原始总电表数据产生与一般用户14的电器A、B、C、D对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd(步骤S131)。其后,负载解析系统10将与一般用户14的电器A、B、C、D对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd传送至用电数据汇整与分析装置15,再由用电数据汇整与分析装置15对一般用户14的电器A、B、C、D的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd进行汇整与分析(步骤S141)。
尽管随着负载解析系统10所处的阶段与模式不同,从用户取得的原始数据也会有是否包含电器的原始数据rDATa、rDATb、rDATc、rDATd的差异。但就数据处理装置101而言,取得与处理这些原始数据的方式仍大致类似。
请参见图3,其是用户使用总电表量测原始数据的示意图。此处假设量测期间Tdet为一年,但不需要加以限定。图3为总电表量测到的总电表量测波形Wm。在量测期间Tdet使用个别电表量测电器A、B、C、D也可得出类似的波形(Wa、Wb、Wc、Wd)。由图3可以看出,电表在量测期间Tdet量测到的原始数据属于连续时间。对原型用户而言,须以总电表和个别的电表量测。若是对一般用户,则仅需以总电表量测。
请参见图4,其是数据处理装置依据阶段的不同,对原始数据进行不同处理的示意图。数据处理装置101包含数据处理模块1011、数据平衡化模块1013与数据增强模块(dataaugmentation module)1015。其中,数据处理模块1011进一步包含数据取样模块1011a与预处理模块1011b。
如前所述,负载解析系统10可能处于模型建置模式M1下的训练阶段STG1、模型建置模式M1下的测试阶段STG2或是模型应用模式M2。以下,针对这三类情形,以三组箭头方向表示数据处理装置101对原始数据rDAT的处理过程。
首先,第一组箭头方向对应于模型建置模式M1下的训练阶段STG1,此组箭头方向代表数据处理装置101在接收训练用户的量测波形后,数据处理装置101对训练用户的量测波形的处理。训练用户的总电表量测波形Wm与电器量测波形Wa、Wb、Wc、Wd经过数据处理模块1011、数据平衡化模块1013与数据增强模块1015的处理而产生作为训练数据集trnDSET使用的增强数据augDAT。
其次,第二组箭头方向对应于模型建置模式M1下的测试阶段STG2。数据处理装置101在接收测试用户的总电表量测波形Wm与电器量测波形Wa、Wb、Wc、Wd后,仅经过数据处理模块1011处理,即可产生作为测试数据集tstDSET使用的预处理数据ppDAT。
最后,第三组箭头方向对应于模型应用模式M2。数据处理装置101仅接收一般用户的总电表量测波形Wm。数据处理模块1011对总电表量测波形Wm进行数据处理后,产生作为一般数据集nmDSET使用的预处理数据ppDAT。
与训练阶段STG1相较,在测试阶段STG2与模型应用模式M2下,用电数据不需要经过数据平衡化模块1013与数据增强模块1015的处理。另一方面,数据处理模块1011的处理流程并不会因为阶段或模式的不同而改变。因此,以下仅说明当负载解析系统10处于训练阶段STG1时,数据处理装置101对量测波形的处理过程。
首先,数据取样模块1011a定义取样周期Tsmp(例如:一分钟)。以取样周期Tsmp为间隔,对量测波形进行取样。其中,每个进行取样的时点(time point)被定义为一个时间戳(timestamp)。因此,以一名用户的总电表量测波形Wm为例,一年的量测期间Tdet相当于可得出60*24*365=525,600个总电表取样数据smpDATm以及525,600个电器取样数据smpDATa、smpDATb、smpDATc、smpDATd。
因为一年的量测期间Tdet相当长,数据取样模块1011a将一年的量测期间Tdet拆分为许多个长度相等的时间段(单位数据处理期间Tunit)。在此实施例中,假设单位数据处理期间Tunit为一个小时。因此,为期一年的量测期间Tdet共包含24*365=8,760个单位数据处理期间Tunit。据此,每个单位数据处理期间Tunit包含60个时间戳,且这60个时间戳分别对应于60笔取样数据smpDAT。
此外,预处理模块1011还可对各个单位数据处理期间Tunit内的取样数据smpDAT进行正规化或滤除噪声等预处理,进而产生总电表预处理数据ppDATm与电器预处理数据ppDATa、ppDATb、ppDATc、ppDATd。
更进一步地,本发明的实施例将同一个用户在相同单位数据处理期间Tunit的总电表量测结果、电器A、B、C、D的量测结果定义为同一组。对一个用户而言,假设量测期间Tdet为一年且单位数据处理期间Tunit为一小时的情况下,总电表量测波形Wm与电器量测波形Wa、Wb、Wc、Wd可对应于24*365=8,760组原始数据rDAT。经过数据取样模块1011a的取样处理后,8,760组原始数据rDAT将转换为8,760组取样数据smpDAT。经过预处理模块1011b的处理后,8,760组取样数据smpDAT将转换为8,760组预处理数据ppDAT。
数据取样模块1011a与预处理模块1011b是以个别的单位数据处理期间Tunit为单位,对原始数据rDAT进行数据取样与数据预处理。因此,对数据取样模块1011a与预处理模块1011b而言,其输入数据的笔数等于输出数据的笔数。
为便于说明,本文假设训练阶段STG1有1000名训练用户、测试阶段STG2有1000名测试用户,且一般模式下有50,000名一般用户,并且延续前例子,假设以一年作为量测期间Tdet、以一个小时作为单位数据处理期间Tunit,并以一分钟作为取样周期Tsmp。则,在此假设下,训练数据集trnDSET、测试数据集tstDSET与一般数据集nmDSET所对应的用电数据与笔数将具有以下关系。
在训练阶段STG1下,预处理模块1011b将输出8,760*1000=8,760,000组(包含总电表与电器A、B、C、D)预处理数据ppDAT。这些预处理数据ppDAT须经过数据平衡化模块1013与数据增强模块1015的进一步处理,方能作为训练数据集trnDSET使用。
在测试阶段STG2下,预处理模块1011b将输出8,760*1000=8,760,000组(包含总电表与电器A、B、C、D)预处理数据ppDAT,这些预处理数据ppDAT,将作为测试数据集tstDSET使用。在模型应用模式M2下,预处理模块1011b将输出8,760*50,000=438,000,000组(仅包含总电表)预处理数据ppDAT,这些总电表预处理数据ppDATm将作为一般数据集nmDSET使用。
更进一步来说,在训练阶段STG1下,预处理数据ppDAT必须再经过数据平衡化模块1013与数据增强模块1015的处理。数据平衡化模块1013参考电器A、B、C、D在单位数据处理期间Tunit的使用情形后,对总电表预处理数据ppDATm、电器预处理数据ppDATa、ppDATb、ppDATc、ppDATd进行自助取样(bootstrap),进而产生总电表平衡化数据blDATm、电器平衡化数据blDATa、blDATb、blDATc、blDATd。数据增强模块1015依据至少一个数据增强规则而对总电表平衡化数据blDATm、电器平衡化数据blDATa、blDATb、blDATc、blDATd进行数据增强,进而得出总电表增强数据augDATm、电器增强数据augDATa、augDATb、augDATc、augDATd。之后,由数据增强模块1015产生的总电表增强数据augDATm、电器增强数据augDATa、augDATb、augDATc、augDATd,方被作为训练数据集trnDSET使用。
简言之,数据平衡化模块1013与数据增强模块1015的设置,是为了让模型建置装置103在训练阶段STG1能够接收更多元的输入,进而达到让解析模型能够泛化的效果。因此,总电表平衡化数据blDATm的笔数多于总电表预处理数据ppDATm的笔数,且总电表增强数据augDATm的笔数多于总电表平衡化数据blDATm的笔数。
附带一提的是,数据平衡化模块1013进行数据平衡化处理,以及数据增强模块1015进行数据增强时,仍然是以单位数据处理期间Tunit为单位,同时对总电表平衡化数据blDATm与电器平衡化数据blDATa、blDATb、blDATc、blDATd进行处理。因此,经过数据平衡化后,总电表平衡化数据blDATm的笔数等于电器平衡化数据blDATa、blDATb、blDATc、blDATd的笔数;且经过数据增强后,总电表增强数据augDATm的笔数仍等于与电器A、B、C、D相对应的电器增强数据augDATa、augDATb、augDATc、augDATd的笔数。
接着举例说明数据平衡化模块1013与数据增强模块1015如何增加训练数据集trnDSET所包含的数据量。实际应用时,数据平衡化模块1013与数据增强模块1015所采用的增加训练数据集trnDSET的作法,并不以此处所举的例子为限。
根据本发明的实施例,数据平衡化模块1013可以“天”作为分析电器A、B、C、D的使用频率的判断使用。其后,数据平衡化模块1013再依据电器A、B、C、D的使用频率的高低而刻意增加其中频率较低者在训练数据集trnDSET所占的比例。
基于各种因素,例如:不同用户使用同一种电器的习惯、使用频率不同、同一个用户在不同季节使用同一个电器的习惯、使用频率也不会完全相同,本发明会进一步判断各个电器的使用频率,并就其中使用频率较低者,增加其处于使用状态对应的数据量。例如,针对不同的电器A、B、C、D定义功率门槛Pth与时间门槛后,对电器A、B、C、D的量测结果进行判断。当各电器A、B、C、D满足各自的功率门槛Pth与时间门槛时,视为该电器在单位数据处理期间Tunit确实被启用,并据以判断电器A、B、C、D的使用频率。之后,再针对较少使用的电器,刻意增加与其相关的用电数据在训练数据集的出现机会(比例)。由于刻意增加的用电数据的缘故,数据平衡化模块1013所产生的平衡化数据blDAT,其组数必然较预处理数据ppDAT的组数多。
根据本发明的实施例,数据增强模块1015可依据一个或多个数据增强规则,同时套用至全部的总电表平衡化数据blDATm,以及全部的电器平衡化数据blDATa、blDATb、blDATc、blDATd。举例而言,数据增强模块1015可能采用的数据增强规则可以通过对平衡化数据blDAT进行截断、加入噪声、信号合成、平移(shift)等方式进行。惟,数据增强模块1015进行数据增强的方式,并不以此为限。
数据增强规则会同时套用至全部的平衡化数据blDAT,所以经过数据增强后的数据笔数将以比例方式增加。例如,原本经过平衡化数据blDAT为X组,且假设采用5种数据增强规则各增加一倍用电数据。则,通过数据增强将额外增加5X组用电数据。也就是说,数据增强模块1015输出的增强数据augDAT的组数,将达到6X组。
实际应用时,可经由数据增强模块1015而大幅增加在训练数据集trnDSET的增强数据augDAT的组数。即使是同一种数据增强的方式,也可以经由调整相关参数而产生不同的增强数据。例如,设定各种不同截断时间、在不同期间加入幅度不等的噪声、设定多种信号合成的规则、以不同的平移期间改变用电数据等。
如前所述,数据处理装置101所产生的用电数据,会以单位数据处理期间Tunit为单位分组。因此,此处将数据处理装置101所产生的各组用电数据中,与总电表相关并作为模型建置装置103的输入的用电数据定义为该组用电数据中的总电表聚合数据ainPm;以及,将数据处理装置101所产生的用电数据中,与电器A、B、C、D相关并作为模型评估装置105的输入的用电数据定义为该组用电数据中的电器验证数据dvrPa、dvrPb、dvrPc、dvrPd。
如前所述,本发明实施例的负载解析系统10会根据模式不同而进行不同的操作。在模型建置模式M1下,负载解析系统10通过模型建置装置103反复进行参数的调整。待模型评估装置105在测试阶段STG2下,确认解析系统的准确率符合预设准确率门槛后,负载解析系统10将进入单纯使用解析模型,模型建置装置103无须再调整参数的模型应用模式M2。
请参见图5,其是负载解析系统的架构图。在此附图中,以较粗的箭头方向代表数据流向,以较细的箭头方向代表控制信号的方向。
首先说明数据处理装置101的内部组件与其连接关系。数据处理装置101包含:数据处理模块1011、数据平衡化模块1013与数据增强模块1015,以及数据接收模块1017。数据接收模块1017信号连接于网络11,并通过网络11接收来自用户的原始数据rDAT。在数据处理装置101中,数据接收模块1017电连接于数据取样模块1011a。预处理模块1011b电连接于数据取样模块1011a、数据平衡化模块1013、模型建置装置103与模型评估装置105。数据增强模块1015电连接于数据平衡化模块1013、模型建置装置103与模型评估装置105。
接着说明模型建置装置103的内部组件与其连接关系。模型建置装置103包含:训练梯次决定模块1033、特性分析模块1035、信息映射模块1037、编码结果分组模块1038、时序分析模块1039、结构参数调整模块1031a与附属参数调整模块1031b。
训练梯次决定模块1033电连接于数据增强模块1015、特性分析模块1035与模型评估装置105。训练梯次决定模块1033将经过数据增强后的多组增强数据augDAT分为多个梯次(其中,每组增强数据augDAT包含总电表增强数据augDATm,以及电器增强数据augDATa、augDATb、augDATc、augDATd)。训练梯次决定模块1033对增强数据augDAT采用的梯次划分方式(梯次多寡、各梯次包含的组数等),并不会影响增强数据augDAT的组数。
特性分析模块1035电连接于训练梯次决定模块1033与预处理模块1011b。信息映射模块1037电连接于特性分析模块1035与编码结果分组模块1038,时序分模块1039电连接于编码结果分组模块1038与模型评估装置105。关于对特性分析模块1035、信息映射模块1037与时序分析模块1039对用电数据的处理细节,将于图9~14进一步说明。
简言之,特性分析模块1035接收总电表聚合数据ainPm,依据检测条件而检测总电表聚合数据ainPm,并依据检测的结果而产生特性分析信息(usage pattern information)(例如:频谱特性分析信息、边缘特性分析信息)。信息映射模块1037将特性分析信息映射至分属于多个映射维度的多个编码结果。时序分析模块1039依照各时间戳而分析编码结果的关联性(correlation),进而产生长度与单位数据处理期间Tunit对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd。对特性分析模块1035、信息映射模块1037与时序分析模块1039而言,其运行方式并不会因为负载解析系统10所处的模式或阶段不同而异。
如前所述,负载解析系统10内部的控制参数可分为两类:结构参数与附属参数。结构参数例如,取样周期Tsmp(例如,一分钟)、单位数据处理期间Tunit(例如,一小时),频谱检测器的频谱范围(即CNN感知域大小,与电器使用期间长短有关),定义电器使用状态的功率门槛Pth、时间门槛,数据量测期间Tdet、用户的户数、训练解析模型时的数据批次(batchsize)等。附属参数例如,特性分析模块1035、信息映射模块1037、编码结果分组模块1038以及时序分析模块1039内部的一些权重参数。结构参数调整模块1031a用于设定结构参数调整;附属参数调整模块1031b用于设定附属参数。在负载解析系统10中,附属参数会在训练阶段STG1下反复的更新,而结构参数仅于测试阶段STG2判断模型准确率尚不符合预设准确率门槛时更新。因此,结构参数的更新频率较附属参数少。
在训练阶段STG1下,附属参数调整模块1031b从模型评估装105接收验证结果(即,仿电器特性合成数据doutPa、doutPb、doutPc、doutPd与电器验证数据dvrPa、dvrPb、dvrPc、dvrPd的相似度比较结果),并根据验证结果对特性分析模块1035、信息映射模块1037、编码结果分组模块1038、时序分析模块1039发出控制信号,作为调整附属参数使用。此外,结构参数调整模块1031a亦会于训练阶段STG1下,调整结构参数中的学习率参数。
在测试阶段STG2下,结构参数调整模块1031a从模型评估装置105接收验证结果。若验证结果不符合预设准确率门槛时,代表仿电器特性合成数据doutPa、doutPb、doutPc、doutPd与电器验证数据dvrPa、dvrPb、dvrPc、dvrPd的相似度比较结果仍不理想,所以模型建置装置103需要调整结构参数并重新建立/训练解析模型。此时,结构参数调整模块1031a将调整数据取样模块1011a、预处理模块1011b、数据平衡化模块1013、数据增强模块1015、训练梯次决定模块1033、特性分析模块1035、信息映射模块1037、编码结果分组模块1038、时序分析模块1039的结构参数。反之,若验证结果符合预设准确率门槛时,代表仿电器特性合成数据doutPa、doutPb、doutPc、doutPd与电器验证数据dvrPa、dvrPb、dvrPc、dvrPd相当相似,故模型建置装置103完成解析模型的参数设定。
模型评估装置105包含电连接于时序分析模块1039与数据处理装置101的多个解析结果评估模块1051。与电器A对应的解析结果评估模块1051自时序分析模块1039接收仿电器特性合成数据doutPa,以及自数据处理装置101接收电器验证数据dvrPa后,比较两者的相似度。之后,再将与电器A对应的相似度比较结果传送至附属参数调整模块1031b。其余与电器B、C、D对应的解析结果评估模块1051的运行方式可类推得出,此处不再重述。
当负载解析系统10处于训练阶段STG1时,解析结果评估模块1051从训练梯次决定模块1033接收电器增强数据augDATa、augDATb、augDATc、augDATd,以及从时序分析模块1039接收仿电器特性合成数据doutPa、doutPb、doutPc、doutPd。其后,解析结果评估模块1051比较从训练梯次决定模块1033接收的电器增强数据augDATa、augDATb、augDATc、augDATd,以及从时序分析模块1039接收仿电器特性合成数据doutPa、doutPb、doutPc、doutPd并计算损失函数。
当负载解析系统10处于测试阶段STG2时,解析结果评估模块1051从预处理模块1011b接收电器预处理数据ppDATa、ppDATb、ppDATc、ppDATd,以及从时序分析模块1039接收仿电器特性合成数据doutPa、doutPb、doutPc、doutPd。其后,解析结果评估模块1051对从预处理模块1011b接收的电器预处理数据ppDATa、ppDATb、ppDATc、ppDATd,以及从时序分析模块1039接收的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd进行比较并计算准确率。解析结果评估模块1051判断相似度的方式,可根据不同需求与应用而定义。
请参见图6,其是模型建置装置的内部结构的方块图。由此附图可以看出,特性分析模块1035进一步包含频谱检测模块1035a与边缘检测模块1035b;时序分析模块1039进一步包含关联性分析模块1039b、基底波形产生模块1039c,以及数据合成模块1039d。频谱检测模块1035a与边缘检测模块1035b电连接于训练梯次决定模块1033、信息映射模块1037、结构参数调整模块1031a,以及附属参数调整模块1031b。关联性分析模块1039b电连接于结构参数调整模块1031a、附属参数调整模块1031b、编码结果分组模块1038以及基底波形产生模块1039c。基底波形产生模块1039c与数据合成模块1039d彼此电连接,且同时电连接于结构参数调整模块1031a与附属参数调整模块1031b。
请参见图7,其是负载解析系统在训练阶段的数据流向。此附图中的虚线方框代表训练数据集trnDSET中的一组增强数据augDAT(包含总电表增强数据augDATm和电器增强数据augDATa、augDATb、augDATc、augDATd)的处理方式。在训练阶段STG1下,数据处理装置101根据训练用的总电表原始数据rDATm,以及各个电器的原始数据rDATa、rDATb、rDATc、rDATd,产生训练数据集trnDSET。之后,将训练数据集trnDSET中的各组增强数据augDAT,轮流送入模型建置装置103与模型评估装置105。其中,属于同一组增强数据augDAT的总电表增强数据augDATm与电器增强数据augDATa、augDATb、augDATc、augDATd,均对应于同一个单位数据处理期间Tunit。负载解析系统10以总电表增强数据augDATm作为传送至模型建置装置103的总电表聚合数据ainPm;以及以电器增强数据augDATa、augDATb、augDATc、augDATd作为传送至模型评估装置105的电器验证数据dvrPa、dvrPb、dvrPc、dvrPd。
模型建置装置103以总电表聚合数据ainPm作为输入,产生与总电表聚合数据ainPm对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd后,将仿电器特性合成数据doutPa、doutPb、doutPc、doutPd传送至模型评估装置105。模型评估装置105分别比较仿电器特性合成数据doutPa与电器验证数据dvrPa、比较仿电器特性合成数据doutPb与验证数据dvrPb、比较仿电器特性合成数据doutPc与验证数据dvrPc,以及比较仿电器特性合成数据doutPd与验证数据dvrPd后,再将代表相似度的比较结果cmp(doutPa,dvrPa)、cmp(doutPb,dvrPb)、cmp(doutPc,dvrPc)、cmp(doutPd,dvrPd)传回模型建置装置103,供模型建置装置103调整参数。
请参见图8,其是负载解析系统在训练阶段的流程图。首先,数据处理模块101产生训练数据集trnDSET(步骤S301)。步骤S301的细节可参看图4的第一列箭头方向,此处不再详述。其次,训练梯次决定模块1033将训练数据集trnDSET的增强数据augDAT分为I个梯次,且每一梯次包含J组增强数据augDAT(步骤S302)。初始化梯次计数器(i=1)与个别计数器(j=1)(步骤S303)。接着,模型建置装置103以训练数据集trnDSET中,第i梯次内的第j组的总电表增强数据augDATm作为解析模型所输入的总电表聚合数据ainPm,且解析模型针对总电表聚合数据ainPm产生与其对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd(步骤S305)。
待模型建置装置103根据总电表聚合数据ainPm产生仿电器特性合成数据doutPa、doutPb、doutPc、doutPd后,模型评估装置105以训练数据集trnDSET中,第i梯次内的第j组的电器增强数据augDATa,augDATb,augDATc,augDATd作为电器验证数据dvrPa、dvrPb、dvrPc、dvrPd,与根据总电表聚合数据ainPm所产生的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd进行比较并计算损失函数(步骤S307)。接着,判断j是否等于J。即,判断是否属于同一个梯次的电器验证数据dvrPa、dvrPb、dvrPc、dvrPd与仿电器特性合成数据doutPa、doutPb、doutPc、doutPd均经过比较(步骤S308)。若步骤S308的判断结果为否定,累加个别计数器(步骤S315)。
若步骤S308的判断结果为肯定,代表同一梯次的J组数据都已经经过验证。此时,附属参数调整模块1031b根据第i梯次内的20组损失函数计算结果调整附属参数(步骤S309)。接着,判断i是否等于I。即,判断是否全部梯次的电器验证数据dvrPa、dvrPb、dvrPc、dvrPd与仿电器特性合成数据doutPa、doutPb、doutPc、doutPd都已经经过比较(步骤S311)。
若步骤S311的判断结果为否定,累加梯次计数器并重设个别计数器(步骤S317),并重复执行步骤S305。若步骤S311的判断结果为肯定,判断比较结果是否收敛(步骤S312)。当流程由步骤S303执行至步骤S312时,代表训练数据集trnDSET的全部用电数据均已输入至解析模型。
若步骤S312的判断结果为肯定,则流程结束。若步骤S312的判断结果为否定,则结构参数调整模块1031a将在调整结构参数(例如:学习率参数)(步骤S314)后,重新执行步骤S303。由于解析模型在训练过程中,解析效果会越趋理想。因此,本发明根据迭代次数递减学习率参数,可让参数的更新幅度趋缓。另,数据处理装置101不需要重复产生训练数据集,仅有模型建置装置103需要重复执行训练阶段STG1的流程,以及模型评估装置105需要重复进行评估。
接着,以图9~14进一步说明模型建置装置103的内部结构与其对总电表聚合数据ainPm的解析处理。图9、10、11说明特性分析模块1035将依据预设的数个检测条件而对总电表聚合数据ainPm进行用电特性(例如:频谱分布、边缘变化等)的检测,并依据检测的结果产生多笔特性分析信息。图12说明信息映射模块1037将特性分析信息映射为分属于多个映射维度的多笔编码结果。图13、14说明时序分析模块1039依照时间戳的顺序,对编码结果分组模块1038产生的各个时间戳编码组合进行分析并找出时间关联性,据以产生与各时间戳对应的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd。
请参见图9,其是特性分析模块的架构图。特性分析模块1035所接收的总电表聚合数据ainPm对应于单位数据处理期间Tunit。
特性分析模块1035包含频谱检测模块1035a与边缘检测模块1035b,两者皆采用卷积神经网络(Convolutional Neural Network,简称为CNN)架构。其中,频谱检测模块1035a与边缘检测模块1035b均接收总电表聚合数据ainPm,但两者对总电表聚合数据ainPm进行的特性检验并不相同。频谱检测模块1035a利用频谱信息(time-frequency information)检测总电表聚合数据ainPm,据以推估电器A、B、C、D的使用概况(temporal profile ofusage)。此外,若一或多个电器A、B、C、D开启或关闭时,可能使总电表聚合数据ainPm产生正缘触发(positive edge trigger)或负缘触发(negative edge trigger)的现象。因此,边缘检测模块1035b用于检测总电表聚合数据ainPm中的正缘触发与负缘触发。
频谱检测模块1035a包含多个与电器A对应的频谱检测器1034a;多个与电器B对应的频谱检测器1034b;多个与电器C对应的频谱检测器1034c;以及,多个与电器D对应的频谱检测器1034d。
与各个电器A、B、C、D对应的频谱检测器1034a、1034b、1034c、1034d的个数不需相等。例如,假设与电器A对应的频谱检测器1034a共有x1个,即,频谱检测器FLTa[1]~FLTa[x1];与电器B对应的频谱检测器1034b共有x2个,即,频谱检测器FLTb[1]~FLTb[x2];与电器C对应的频谱检测器1034c共有x3个,即,频谱检测器FLTc[1]~FLTc[x3];以及与电器D对应的频谱检测器1034d共有x4个,即,频谱检测器FLTd[1]~FLTd[x4]。
频谱检测器1034a、1034b、1034c、1034d的检测结果,可能受到CNN感知域大小,以及定义电器使用状态的时间门槛、功率门槛Pth,以及电器的使用功率、总电表的输入波形Wm、电器波形Wa、Wb、Wc、Wd等因素影响。同样是用于检测电器A的多个频谱检测器1034a,仍可能具有不同的频谱过滤参数。
因为频谱过滤参数不同的缘故,用于检测相同电器的多个频谱检测器,在检测相同的总电表聚合数据ainPm时,产生的检测结果也不尽相同。例如,频谱检测器FLTa[1]检测总电表聚合数据ainPm后,产生与电器A对应的Na1笔频谱特性分析信息DTa1;频谱检测器FLTa[x1]检测总电表聚合数据ainPm后,产生与电器A对应的Nax1笔频谱特性分析信息DTax1,且Na1与Nax1可能相等或不等。据此,与电器A对应的x1个频谱检测器FLTa[1]~FLTa[x1],将产生(Na1+Na2+Na3.....Nax1)笔与电器A对应的频谱特性分析信息DTa1、…DTax1。同理,与电器B、C、D相对应的频谱检测器针对相同的总电表聚合数据ainPm进行检测时,产生的频谱特性分析信息(DTb1~DTbx2、DTc1~DTcx3、DTd1~DTdx4)的笔数(Nb1~Nbx2、Nc1~Ncx3、Nd1~Ndx4)也不尽相同。
频谱检测器1034a、1034b、1034c、1034d可设定相关的频谱过滤参数,且频谱过滤参数的个数与大小并不需要被限定。例如,频谱过滤参数可包含感知域Tscan的长度、一个或多个电器使用时间域参数Tflt的长度、一个或多个电器功率门槛Pth。此外,频谱检测器1034a、1034b、1034c、1034d可以针对每个时间戳进行检测,也可以通过间隔参数(stride)的定义而减少所需检测的时间戳的个数。
请参见图10,其是频谱过滤参数的频谱检测器的示意图。图10绘式的频谱过滤参数包含感知域Tscan与时间域参数Tflt,其中并假设感知域Tscan等于电器使用期间Tflt(Tscan=Tflt)。
请参见图11,其是边缘检测器的示意图。边缘检测模块1035b可包含多个边缘检测器1036。不同的边缘检测器1036可设定不同的边缘检测条件,用于对总电表聚合数据ainPm分别进行检验。为便于说明,此处仅以一个边缘检测器1036为例。
边缘检测器1036分别以时间戳t1~t60为中心,搭配预设的感知域Tscan而检测总电表聚合数据ainPm。边缘检测器1036会针对每个时间戳t1~t60轮流检测,并分别产生一个边缘特性分析信息。在此附图中,假设边缘检测器1036的感知域长度为3。例如,当边缘检测器1036以时间戳t2为中心时,时间戳t1、t3也会被边缘检测器1036的范围所涵盖。各个边缘检测1036器可分别设定不同的边缘检测条件,藉以检验总电表聚合数据ainPm的边缘特性分析信息,在该边缘检测条件下,被视为正缘触发DEp、负缘触发DEn或稳态DEs。边缘检测器1036针对总电表聚合数据ainPm的时间戳t1~t60进行检测后,其中Np个时间戳被认定为正缘触发DEp、Nn个时间戳被认定为负缘触发DEn,以及Ns个时间戳被认定为稳态DEs。
由于每个边缘检测器1036会针对在单位数据处理期间Tunit内的60个时间戳分别进行检测,因此,每个边缘检测器1036将对应产生60个边缘特性分析信息(Np+Nn+Ns=60)。各边缘检测器1036具有不同的边缘检测条件,且其感知域的长度可以调整。因此,针对总电表聚合数据ainPm中的同一个时间戳,不同的边缘检测器1036检测的结果也不会完全相同。
在特性分析模块1035中,关于频谱检测模块1035a所包含的频谱检测器的个数与边缘检测模块1035b所包含的边缘检测器1036的个数,属于结构参数,并不会在训练阶段STG1被调整。另一方面,各个频谱检测器所采用的频谱检测条件,以及各个边缘检测器1036所采用的边缘检测条件属于附属参数,可由附属参数调整模块1031b在训练阶段STG1中进行调整。
承上所述,频谱检测模块1035a会产生(Na1+Na2+Na3.....Nax1)笔与电器A对应的频谱特性、(Nb1+Nb2+Nb3.....Nbx2)笔与电器B对应的频谱特性、(Nc1+Nc2+Nc3.....Ncx3)笔与电器C对应的频谱特性,以及(Nd1+Nd2+Nd3.....Ndx4)笔与电器D对应的频谱特性。另一方面,边缘检测模块1035b产生的边缘检测特性的笔数为,(60*边缘检测器1036个数)。因此,信息映射模块1037的输入数据的笔数为,
=[(Na1+...+Nax1)+(Nb1+...+Nbx2)+(Nc1+...+Ncx3)+(Nd1+...Ndx4)]+60*边缘检测器的个数。
根据本发明构想的实施例,信息映射模块1037为采用全连接层(fully connectedlayer)的深度神经网络(Deep neural network,简称为DNN)架构,将频谱特性分析信息与边缘特性分析信息作为信息映射模块1037的输入神经元。信息映射模块1037将输入神经元映射(嵌套(embedding))至多个映射维度。并且,将每一个映射维度对应的降维结果视为一组编码结果。映射维度的个数须为在单位数据处理期间所包含的时间戳的个数的整数倍。例如,当单位数据处理期间为1小时,且每个时间戳的间距为一分钟时,映射维度须为60的整数倍。此外,映射维度的个数小于频谱特性分析信息与边缘特性分析信息相加后的总笔数。
请参见图12,其是一种信息映射模块映射数据的示意图。此例为信息映射模块1037仅包含一个处理层的情形。此图假设信息映射模块1037包含Ndin1个输入神经元41a,以及Ndout1个输出神经元41b。实际应用时,在输入神经元与输出神经元之间,还可能包含一层或多层内层神经元(internal neuron)。
信息映射模块1037所包含的输入神经元个数、输出神经元个数、是否包含内层神经元,以及内层神经元的层数与个数等,属于结构参数。另一方面,输入/输出/内层神经元彼此间的连结权重,则为训练阶段STG1所需调整的附属参数。信息映射模块1037的输出神经元被视为编码结果,通过编码结果分组模块1038对其进行分组(reshape)。例如,将编码结果区分为与60个时间戳相对应的60个时间戳编码组合。
在此实施例中,时序分析模块1039包含三层双向长短期记忆模型(BidirectionalLong Short-Term Memory,简称为BLSTM)的内部组件,即,关联性分析模块1039b、基底波形产生模块1039c,以及数据合成模块1039d。其中,关联性分析模块1039b与基底波形产生模块1039c进行数据处理时,并未针对个别的电器加以区分,固可视为数据共享层(sharedlayer)。另一方面,对数据合成模块1039d而言,其操作时,已经针对电器A、B、C、D的不同而分别处理,故可视为分支层(branch layer)。
请参见图13,其是关联性分析模块将与时间戳对应的时间戳编码组合,转换为过去时间关联性序列以及未来时间关联性序列的示意图。
关联性分析模块1039b按照时间戳t1~t60的顺序,以长短期记忆神经元90p、90f将各时间戳编码组合81所包含的编码结果71b用于产生两个第一层时间序列(第一层过去时间序列901p与第一层未来时间序列901f)。
以时间戳t1为例,关联性分析模块1039b将与时间戳t1对应的时间戳编码组合81表示为:与时间戳t1对应的第一层过去时间长短期记忆神经元LSTM1p(t1),以及与时间戳t1对应的第一层未来时间长短期记忆神经元LSTM1f(t1)的输入数据。与其他时间戳对应的第一层过去/未来长短期记忆神经元的表示方式亦类似,此处不再详述。
在此附图中,第一层过去时间长短期记忆神经元LSTM1p(t1)~LSTM1p(t60)共同形成第一层过去时间序列901p,第一层未来时间长短期记忆神经元LSTM1f(t1)~LSTM1f(t60)共同形成第一层未来时间序列901f。接着,关联性分析模块1039b利用第一层过去时间长短期记忆神经元LSTM1p(t1)~LSTM1p(t60)产生Nr1个过去时间关联性序列94p;以及,利用第一层未来时间长短期记忆神经元LSTM1f(t1)~LSTM1f(t60)产生Nr1个未来时间关联性序列94f。
接着,关联性分析模块1039b将这60组各自包含Nr1个过去时序关联性分析结果91p的过去时序关联性分组921、922、923、92x依照时间戳t1~t60的顺序并排排列后,改为针对每个时间戳t1~t60选择取出一个过去时序关联性分析结果91p。图13的左下方为过去时间关联性序列94p所代表的意涵。纵轴方向代表关联性(相关程度),横轴方向为时间戳t1~t60。此外,在两两时间戳之间的右向箭头代表每个时间戳会受到其过去时间戳的影响。例如,过去时间关联性序列94p在时间戳t3的关联性会受到过去时间关联性序列94p在时间戳t1、t2的关联性所影响。
关联性分析模块1039b利用第一层未来时间长短期记忆神经元LSTM1f1(t1)~LSTM1f1(t60)分别产生与时间戳t1~t60相对应之,60组各自包含Nr1个未来时序关联性分析结果91f的未来时序关联性分组931、932、933、93x(此处以纵向方向的虚线方框表示未来时序关联性分组)。
这60组各自包含Nr1个未来时序关联性分析结果91f的未来时序关联性分组931、932、933、93x可依照时间戳t1~t60的顺序并排排列后,改为针对每个时间戳t1~t60选择取出一个未来时序关联性分析结果91f。据此,共可得出Nr1个未来时间关联性序列94f。图13的右下方为未来时间关联性序列94f所代表的意涵。纵轴方向代表关联性(相关程度),横轴方向为时间戳t1~t60。此外,在两两时间戳之间的左向箭头代表每个时间戳会受到其未来时间戳的影响。
关联性分析模块1039b将Nr1个过去时间关联性序列94p与Nr1个未来时间关联性序列94f传送至基底波形产生模块1039c,作为基底波形产生模块1039c的输入数据。
请参见图14,其是基底波形产生模块将过去时间关联性序列以及未来时间关联性序列,转换为过去时序波形与未来时序波形后,数据合成模块进一步将基底波形进行成分选择与波形重组后,形成与个别电器对应的仿电器特性合成数据的示意图。根据图13的叙述可以得知,每个时间戳t1~60的输入数据分别对应于Nr1个过去时序关联性分析结果91p与Nr1个未来时序关联性分析结果91f。
基底波形产生模块1039c按照时间戳t1~t60的顺序,排列过去时序关联性分析结果91p与未来时序关联性分析结果91f后,按照时间戳t1~t60的顺序定义时序关联性分组941、942、943、94x。接着,再以BLSTM的方式对时序关联性分组941、942、943、94x进行分析与处理,进而产生Nr2个过去时序波形与Nr2个未来时序波形。在此实施例中,将过去时序波形与未来时序波形共同定义为共享基底波形。因此,数据合成模块1039d自基底波形产生模块1039c取得Nr2*2个共享基底波形。
为便于说明,图14仅绘式六个共享基底波形991、992、993、994、995、996。实际应用时,共享基底波形的个数并不以此为限。成分波形选择模块1038a自共享基底波形991、992、993、994、995、996中,选择与电器A对应的一个或多个第一电器成分基底波形(例如,共享基底波形993、996),以及决定第一电器成分基底波形彼此间的比例关系R1。成分波形合成模块1036a再依据比例关系R1将第一电器成分基底波形组合成为仿电器特性合成数据doutPa。
同理,成分波形选择模块1038b与成分波形合成模块1036b将产生仿电器特性合成数据doutPb;成分波形选择模块1038c与成分波形合成模块1036c将产生仿电器特性合成数据doutPc;以及成分波形选择模块1038d与成分波形合成模块1036d将产生仿电器特性合成数据doutPd。
前述关于图9~14的作法,可适用于训练阶段STG1、测试阶段STG2与应用模式M2。在训练阶段STG1,模型评估装置105会比较仿电器特性合成数据doutPa、doutPb、doutPc、doutPd与验证数据dvrPa、dvrPb、dvrPc、dvrPd之间的相似度,以相似度比较结果修改附属参数。在测试阶段STG2,模型评估装置105虽会比较仿电器特性合成数据doutPa、doutPb、doutPc、doutPd与验证数据dvrPa、dvrPb、dvrPc、dvrPd之间的相似度,但以相似度比较结果用来修改结构参数。模型评估装置105在应用模式M2停止使用,用电数据汇整与分析装置15直接使用模型建置装置103所产生的仿电器特性合成数据doutPa、doutPb、doutPc、doutPd。
根据本发明的构想,负载解析系统先于模型建置模式M1下建立解析模型。一旦解析模型建立后,只须对一般用户取得总电表原始数据,即可通过解析模型产生与用户的电器相对应的仿电器特性合成数据。也就是说,即便未于一般用户家中加装个别的电表,仍可准确的推估该些电器于某时段内使用状态及电力流向。此种方式仅需收集一般用户的总电表数据,为一种成本相对低廉,且可大量应用于数量庞大的用户的用电分析。
综上所述,虽然本发明已以实施例公开如上,然其并非用以限定本发明。本发明本领域的技术人员,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视后附的权利要求书所界定者为准。
Claims (14)
1.一种模型建置装置,用以解析一单位数据处理期间的一总电表聚合数据,其特征在于,该单位数据处理期间包含多个时间戳,其中该模型建置装置包含:
一特性分析模块,其接收该总电表聚合数据,依据多个检测条件而检测该总电表聚合数据,并依据检测的结果产生多笔特性分析信息;
一信息映射模块,电连接于该特性分析模块,其将该等特性分析信息映射为分属于多个映射维度的多笔编码结果;以及
一时序分析模块,电连接于该信息映射模块,其依照各该时间戳而分析该等编码结果的时间关联性,进而产生与该等时间戳对应的一第一仿电器特性合成数据与一第二仿电器特性合成数据,其中该第一仿电器特性合成数据与该第二仿电器特性合成数据分别对应于一用户在该单位数据处理期间使用的一第一电器与一第二电器。
2.如权利要求1所述的模型建置装置,其特征在于,该等检测条件包含与该第一电器对应的多组第一电器频谱过滤参数,以及与该第二电器对应的多组第二电器频谱过滤参数,且该特性分析模块包含:
一频谱检测模块,包含:
多个第一电器频谱检测器,其中各该第一电器频谱检测器分别依据各该组第一电器频谱过滤参数而检测该总电表聚合数据,并依据检测的结果而产生多个第一电器频谱特性分析信息;以及
多个第二电器频谱检测器,其中各该第二电器频谱检测器分别依据各该组第二电器频谱过滤参数而检测该总电表聚合数据,并依据检测的结果而产生多个第二电器频谱特性分析信息。
3.如权利要求1所述的模型建置装置,其特征在于,该等检测条件包含一边缘检测条件,且该特性分析模块包含:
一边缘检测模块,其分别以各该时间戳为中心,依据该边缘检测条件而检测该总电表聚合数据,并依据检测的结果而产生与各该时间戳对应的多个边缘特性分析信息。
4.如权利要求1所述的模型建置装置,其特征在于,该等映射维度的个数为该单位数据处理期间所包含的该等时间戳个数的整数倍,且该等映射维度的个数少于该等特性分析信息的笔数。
5.如权利要求1所述的模型建置装置,其特征在于,该时序分析模块包含:
一关联性分析模块,其按照各该时间戳的顺序产生与各该时间戳对应的多个第一层过去时间长短期记忆神经元以及与各该时间戳对应的多个第一层未来时间长短期记忆神经元,且该关联性分析模块根据该等第一层过去时间长短期记忆神经元所组成的一第一层过去时间序列而产生多个过去时间关联性序列,以及根据该等第一层未来时间长短期记忆神经元所组成的一第一层未来时间序列而产生多个未来时间关联性序列。
6.如权利要求5所述的模型建置装置,其特征在于,该等过去时间关联性序列与该等未来时间关联性序列定义为多个时间关联性序列,其中该时序分析模块更包含:
一基底波形产生模块,电连接于该关联性分析模块,其产生多个过去时序波形与多个未来时序波形,其中该等过去时序波形与该等未来时序波形定义为多笔共享基底波形。
7.如权利要求6所述的模型建置装置,其特征在于,该时序分析模块更包含:
一数据合成模块,电连接于该基底波形产生模块,包含:
多个成分波形选择模块,电连接于该基底波形产生模块,其自该等共享基底波形中选择一部分作为与该第一电器对应的多个第一电器成分基底波形,以及自该等共享基底波形中选择另一部分作为与该第二电器对应的多个第二电器成分基底波形;以及
多个成分波形合成模块,分别电连接于各该成分波形选择模块,其通过组合该等第一电器成分基底波形而产生该第一仿电器特性合成数据,以及通过该等第二电器成分基底波形而产生该第二仿电器特性合成数据。
8.如权利要求7所述的模型建置装置,其特征在于,该等成分波形选择模块包含:
一第一成分波形选择模块,其自该等共享基底波形中选择该等第一电器成分基底波形,以及决定该等第一电器成分基底波形彼此间的一第一比例关系,其中该等第一电器成分基底波形依据该第一比例关系而组合成为该第一仿电器特性合成数据。
9.如权利要求1所述的模型建置装置,其特征在于,该模型建置装置更包含:
一训练梯次决定模块,其将自一数据处理装置接收的多组增强数据区分为多个梯次,其中各该组增强数据包含作为该总电表聚合数据的一总电表增强数据、与该第一电器对应的一第一电器增强数据,以及与该第二电器对应的一第二电器增强数据。
10.一种负载解析系统,接收一用户的一总电表在一单位数据处理期间产生的一总电表原始数据、与该用户所使用的一第一电器对应的一第一电器电表在该单位数据处理期间产生的第一电器原始数据,以及与该用户所使用的一第二电器对应的一第二电器电表在该单位数据处理期间产生的第二电器原始数据,其特征在于,该负载解析系统包含:
一数据处理装置,其对该总电表原始数据、该第一电器原始数据,以及该第二电器原始数据分别进行数据处理,进而产生一总电表聚合数据、一第一电器验证数据,以及一第二电器验证数据,其中该单位数据处理期间包含多个时间戳;
一模型建置装置,电连接于该数据处理装置,包含:
一特性分析模块,其接收该总电表聚合数据,依据多个检测条件而检测该总电表聚合数据,并依据检测的结果而产生多笔特性分析信息;
一信息映射模块,电连接于该特性分析模块,其将该等特性分析信息映射为多笔编码结果;以及
一时序分析模块,电连接于该信息映射模块,其依照各该时间戳而分析该等编码结果的时间关联性,进而产生与该等时间戳对应的一第一仿电器特性合成数据与一第二仿电器特性合成数据,其中该第一仿电器特性合成数据与该第二仿电器特性合成数据分别对应该第一电器与该第二电器;以及
一模型评估装置,电连接于数据处理装置与该模型建置装置,其自该数据处理装置接收该第一电器验证数据与该第二电器验证数据,以及自该模型建置装置接收该第一仿电器特性合成数据与该第二仿电器特性合成数据,其比较该第一电器验证数据与该第一仿电器特性合成数据之间的相似度,以及比较该第二电器验证数据与该第二仿电器特性合成数据之间的相似度。
11.如权利要求10所述的负载解析系统,其特征在于,该负载解析系统依序操作在一模型建置模式与一模型应用模式下,其中当该负载解析系统操作在该模型建置模式时,该负载解析系统处于一训练阶段与一测试阶段之一者,其中,
在该模型建置模式时,该负载解析系统启用该数据处理装置、该模型建置装置与该模型评估装置;以及
在该模型应用模式时,该负载解析系统启用该数据处理装置与该模型建置装置,以及停用该模型评估装置。
12.如权利要求10所述的负载解析系统,其特征在于,该数据处理装置包含:
一数据处理模块,包含:
一数据取样模块,其根据一取样周期而对该总电表原始数据、该第一电器原始数据与该第二电器原始数据分别进行取样,并产生多笔总电表取样数据、多笔第一电器取样数据,以及多笔第二电器取样数据;以及
一预处理模块,电连接于该数据取样模块,其对该等总电表取样数据、该等第一电器取样数据,以及该等第二电器取样数据分别进行数据预处理,进而产生多笔总电表预处理数据、多笔第一电器预处理数据,以及多笔第二电器预处理数据;
其中该等总电表取样数据的笔数、该等第一电器取样数据的笔数、该等第二电器取样数据的笔数、该等总电表预处理数据的笔数、该等第一电器预处理数据的笔数以及该等第二电器预处理数据的笔数相等。
13.如权利要求12所述的负载解析系统,其特征在于,该数据处理装置更包含:
一数据平衡化模块,电连接于该预处理模块,其参考该第一电器与该第二电器在该单位数据处理期间的使用情形,对该等总电表预处理数据、该等第一电器预处理数据,以及该等第二电器预处理数据进行自助取样,进而产生多笔总电表平衡化数据、多笔第一电器平衡化数据,以及多笔第二电器平衡化数据;
其中该等总电表平衡化数据的笔数多于该等总电表预处理数据的笔数,且该等总电表平衡化数据的笔数、该等第一电器平衡化数据的笔数以及该等第二电器平衡化数据的笔数相等。
14.如权利要求13所述的负载解析系统,其特征在于,该数据处理装置更包含:
一数据增强模块,电连接于该数据平衡化模块,其依据至少一个数据增强规则而对该等总电表平衡化数据、该等第一电器平衡化数据,以及该等第二电器平衡化数据进行数据增强,进而得出多笔总电表增强数据、多笔第一电器增强数据,以及多笔第二电器增强数据;
其中该等总电表增强数据的笔数多于该等总电表平衡化数据的笔数,且该等总电表增强数据的笔数、该等第一电器增强数据的笔数以及该等第二电器增强数据的笔数相等。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107142078 | 2018-11-26 | ||
TW107142078A TWI671652B (zh) | 2018-11-26 | 2018-11-26 | 模型建置裝置與負載解析系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222078A true CN111222078A (zh) | 2020-06-02 |
CN111222078B CN111222078B (zh) | 2023-08-22 |
Family
ID=68618731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811502675.0A Active CN111222078B (zh) | 2018-11-26 | 2018-12-10 | 模型建置装置与负载解析系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11854095B2 (zh) |
CN (1) | CN111222078B (zh) |
TW (1) | TWI671652B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6929322B2 (ja) * | 2019-05-31 | 2021-09-01 | 楽天グループ株式会社 | データ拡張システム、データ拡張方法、及びプログラム |
CN112784516B (zh) * | 2021-01-22 | 2022-09-30 | 重庆大学 | 基于统一回路构建的高压直流输电直流偏磁水平计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013145779A2 (en) * | 2012-03-30 | 2013-10-03 | Sony Corporation | Data processing apparatus, data processing method, and program |
US20130338948A1 (en) * | 2010-12-13 | 2013-12-19 | Fraunhofer Usa, Inc. | Methods and system for nonintrusive load monitoring |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9104189B2 (en) * | 2009-07-01 | 2015-08-11 | Mario E. Berges Gonzalez | Methods and apparatuses for monitoring energy consumption and related operations |
US9190844B2 (en) * | 2012-11-04 | 2015-11-17 | Bao Tran | Systems and methods for reducing energy usage |
TW201324431A (zh) * | 2011-12-13 | 2013-06-16 | Inst Information Industry | 關聯式負載預測系統、方法及其記錄媒體 |
TWI579791B (zh) * | 2015-11-30 | 2017-04-21 | 財團法人資訊工業策進會 | 智慧型電表系統 |
CN106655487B (zh) * | 2016-09-28 | 2018-07-20 | 国网山东省电力公司梁山县供电公司 | 一种配电网络智能安全全方位预警与控制系统 |
CN106779133B (zh) * | 2016-10-18 | 2021-07-09 | 中国电子技术标准化研究院 | 一种家庭用电数据预测方法 |
-
2018
- 2018-11-26 TW TW107142078A patent/TWI671652B/zh active
- 2018-12-10 CN CN201811502675.0A patent/CN111222078B/zh active Active
- 2018-12-12 US US16/217,332 patent/US11854095B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130338948A1 (en) * | 2010-12-13 | 2013-12-19 | Fraunhofer Usa, Inc. | Methods and system for nonintrusive load monitoring |
WO2013145779A2 (en) * | 2012-03-30 | 2013-10-03 | Sony Corporation | Data processing apparatus, data processing method, and program |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
Non-Patent Citations (4)
Title |
---|
ALESSIO FILIPPI 等: "Multi-appliance power disaggregation:An approach to energy monitoring" * |
JACK KELLY: "Disaggregation of Domestic Smart Meter Energy Data" * |
JIAN LIANG 等: "Load Signature Study—Part II: Disaggregation Framework, Simulation, and Applications" * |
KE WANG 等: "Nonintrusive Load Monitoring Based on Deep Learning" * |
Also Published As
Publication number | Publication date |
---|---|
US20200167644A1 (en) | 2020-05-28 |
US11854095B2 (en) | 2023-12-26 |
TW202020697A (zh) | 2020-06-01 |
TWI671652B (zh) | 2019-09-11 |
CN111222078B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Davò et al. | Post-processing techniques and principal component analysis for regional wind power and solar irradiance forecasting | |
Garcia et al. | Development of an intelligent system for smart home energy disaggregation using stacked denoising autoencoders | |
CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
US20170116511A1 (en) | Apparatus and method for classifying home appliances based on power consumption using deep learning | |
CN102520342B (zh) | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 | |
CN103294848B (zh) | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 | |
CN101090250A (zh) | 用于同步发电机的励磁系统的快速建模和验证的方法和系统 | |
CN111222078A (zh) | 模型建置装置与负载解析系统 | |
CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
KR20190070147A (ko) | 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 | |
CN108693496A (zh) | 一种基于参量退化方程的智能电能表误差预估方法 | |
Jiang et al. | Literature review of power disaggregation | |
Dash et al. | A very deep one dimensional convolutional neural network (VDOCNN) for appliance power signature classification | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
Tari et al. | Load profile analysis in electrical systems: the impact of electrical signature and monitoring quality in the energy digitalization process | |
Fertig | Simulating subhourly variability of wind power output | |
Azad et al. | Grid serving deployment of smart meter data in the context of distribution grid automation | |
CN105445693A (zh) | 数字电能表校验方法及装置 | |
CN109886316A (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
Karabinaoğlu et al. | Load forecasting modelling of data centers and IT systems by using artificial neural networks | |
Arida et al. | building energy modeling using artificial Neural Networks | |
CN114236272B (zh) | 一种电子产品的智能检测系统 | |
Zhong et al. | Low-voltage distribution network topology identification method based on segmented current features and cnn-lstm deep learning | |
CN104008305B (zh) | 用于千万千瓦风电基地的可发电风资源分布估计方法 | |
Follum | Detection of forced oscillations in power systems with multichannel methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |