CN112434799B - 基于全卷积神经网络的非侵入式负荷识别方法 - Google Patents
基于全卷积神经网络的非侵入式负荷识别方法 Download PDFInfo
- Publication number
- CN112434799B CN112434799B CN202011507892.6A CN202011507892A CN112434799B CN 112434799 B CN112434799 B CN 112434799B CN 202011507892 A CN202011507892 A CN 202011507892A CN 112434799 B CN112434799 B CN 112434799B
- Authority
- CN
- China
- Prior art keywords
- load
- sampling
- layer
- active power
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 79
- 230000004913 activation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 18
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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
- 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
- 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
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/242—Home appliances
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于全卷积神经网络的非侵入式负荷识别方法，包括：S1：采集家庭总负荷和各单负荷的有功功率时间序列数据；S2：基于单负荷的有功功率时间序列数据提取用电特征信息；S3：以家庭总负荷有功功率时间序列数据为输入样本，以单负荷用电特征信息为输出样本，对全卷积神经网络模型进行训练，得该负荷的识别模型；S4：将家庭总负荷有功功率输入识别模型，即输出识别模型对应负荷的用电特征，从而获知其运行状态。本发明无需利用事件监测机制来对有功功率负荷曲线进行变点检测，而是将负荷的用电特征转换为由0和1组成的二进制字串，并以该二进制字串特征来识别负荷的运行状态，大大简化了负荷识别过程。
Description
技术领域
本发明属于用电负荷识别技术领域，具体涉及基于全卷积神经网络的非侵入式负荷识别方法。
背景技术
近年来，随着泛在电力物联网的建设和智慧用电时代的到来，智能电表有望成为国家电网各类终端中的主流产品。通过分析智能电表端实时采集的用电数据，不仅可以准确的识别出负荷设备的运转情况，进而了解建筑物，独立式住宅和公寓的能源消耗。而且实时掌握负荷的用电规律和用电量，可以更加合理地引导用户用电，实现需求侧响应的目标。除此之外，通过智能电表对电力资源的使用施行实时的监测，必要时采取措施减少能源浪费对于合理利用电力资源有着极大的研究意义。
目前，电力行业公认的负荷监测方法大致分为侵入式和非侵入式两类。传统的电力需求侧负荷监测方法大多数采用侵入式负荷监测技术，该技术要求在每个用电设备上都安装传感器，来获得电器的用电数据。侵入式负荷监测技术的好处是测量数据能直观反应电器的用电情况，进而可获取每个用电设备的运行状态信息。但是在每个需要进行监测的设备上都安装测量装置和传感器等数据采集装置，实际可操作性差，实施成本和维护成本都非常高，并且设备维护修理也十分不便，由于需要工作人员进入建筑内部进行安装和维护，容易影响用户正常的生产和生活，用户的接受程度低。
非侵入式负荷监测就是在不用安装大量的传感器和监控设备的情况下，实现总功率数据到单个电器消耗功率的分解。非侵入式负荷监测只需要在用户的电表中加入非侵入式负荷监测模块，并根据量测获得的观测值序列来识别用户负荷的运行状态和相关的参数信息，从而实现对所有负荷的在线监测。非侵入式方式不仅省去了大量的监测设备和繁琐的传感器装置，大大降低了经济成本，有效避免了侵入式负荷监测带来的问题，并大大提高了系统监测的稳定性和可靠性，而且对用户的生产和生活不会产生过多的打扰。
非侵入式负荷监测技术主要包含负荷识别和负荷分解两部分内容，负荷识别的用途主要是面向家庭用户，也就是需要知道每个电器准确的开关时刻。目前，结合电力系统的暂态和稳态特征并采用模式识别的方法是对非侵入式用电负荷进行识别的常规方法，该方法从用电设备的电压、电流、瞬时和稳定功率等多个特征量出发，进行用电负荷的特征提取，将特征空间中的相似度作为负荷划分的依据，并建立相应的特征库。当进行负荷识别时，用提取到的特征与负荷库中的特征进行比对,就可以识别出相应的用电设备。
向用户提供关于负荷开关状态的确切信息，可以进一步了解负荷的运转情况，这在日常生活、生产实践和其他相关的领域(包括商业服务、法律和远程保健)都有广泛的应用。然而，负荷识别技术仍然是一个极具挑战性的问题，其研究仍处于不成熟阶段，仍有重大的技术和实际挑战有待克服。
发明内容
本发明的目的是提供基于全卷积神经网络的非侵入式负荷识别方法，该方法可有效识别特定家用用电设备的运行状态。
本发明采用如下技术方案：
基于全卷积神经网络的非侵入式负荷识别方法，包括：
S1：采集家庭总负荷和各单负荷的有功功率时间序列数据；
S2：基于单负荷的有功功率时间序列数据提取用电特征信息；本步骤进一步包括：
S201：基于单负荷的有功功率时间序列数据获取单负荷的负载曲线；
S202：采用时间窗对单负荷的负载曲线进行连续滑动探测，对时间窗内的有功功率值进行采样，获取每一个时间窗内的期望信号值；
本子步骤具体为：
以Non (m)为采样窗口的步长，获取采样窗口(n,n+Non (m))内负荷的平均有功功率，n表示采样窗口的起点时刻，当该平均有功功率超过阈值Pon (m)，令该负荷在该采样窗口内的期望信号值为1；否则，以Noff (m)为采样窗口的步长，获取采样窗口(n,n+Noff (m))内负荷的平均有功功率，当该平均有功功率不超过阈值Poff (m)，令该负荷在该采样窗口内的期望信号值为0；当上述两种情况都不满足的时候，则令该负荷在该采样窗口内的期望信号值为上一采样窗口的期望信号值；
S203：将期望信号值按时间顺序串接成单负荷的用电特征信息；
S3：对各单负荷分别训练对应的识别模型，具体为：
以步骤S1采集的家庭总负荷有功功率时间序列数据为输入样本，以步骤S2获取的单负荷用电特征信息为输出样本，对全卷积神经网络模型进行训练，得该单负荷的识别模型；
S4：将家庭总负荷有功功率输入识别模型，即输出识别模型对应负荷的用电特征，从而获知其运行状态。
进一步的，全卷积神经网络模型包括输入层、下采样层、上采样层、跳跃连接层和输出层，其中，输入层用来接收家庭总负荷有功功率数据，输出层用来输出单负荷运行状态的标识。
作为优选，输入层的输入是一个一维的张量，同时输入层还包括两个一维的卷积层，每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU函数；下采样层采用最大池化操作，用来对输入进行下采样；每个池化层之后又有两个一维卷积层，每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU函数；上采样层采用反卷积操作，将上一层得到的信号经过对应于下采样层中的卷积操作逆向进行上采样，最终得到与输入图像尺寸相同的输出图像；在每个上采样操作之后又有两个一维卷积层，用来使特征维数减半；每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU；跳跃连接层用来将经上采样层得到的特征与对应于下采样过程中相同层级所得的特征进行融合；输出层包括两层一维卷积层，各卷积层后采用批量归一化方法，激活函数采用ReLU，最终输出与输入尺寸一致的特征向量。
本发明具有如下优点和有益效果：
本发明无需利用事件监测机制来对有功功率负荷曲线进行变点检测，而是将负荷的用电特征转换为由0和1组成的二进制字串，并以该二进制字串特征来识别负荷的运行状态，大大简化了负荷识别过程。
附图说明
图1为本发明方法的框架示意图；
图2为具体实施方式中所采用的全卷积神经网络模型的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在描述具体实施方式之前，需要说明，下文以及全文所说负荷即用电设备。
参见图1，所示为本发明方法的框架示意图。本发明方法包括训练和识别两个部分，其中，训练部分包括采集数据(即家庭负荷总有功功率数据和单负荷的有功功率数据)、对数据进行预处理(即根据单负荷的有功功率数据提取由0和1构成的用电特征信息)、搭建模型(即搭建全卷积神经网络模型)、模型训练(即利用家庭负荷总有功功率数据和用电特征信息对所搭建模型进行训练，得到深度学习模型)。识别部分则是将家庭负荷总有功功率数据输入深度学习模型，即输出负荷识别结果。
有功功率可作为识别负荷的主要特征之一。本发明采集负荷的有功功率数据，对神经网络模型进行训练。训练完成后，利用已训练的神经网络模型识别各负荷的运行状态。首先，通过非侵入式负荷监测模块(例如电表)采集家庭M个负荷有功功率的时间序列数据并记录，将M个负荷在时段t的有功功率记为[p1,p2,…pM]，p1、p2、…pM分别表示第1、2、…M个负荷时段t的有功功率，累加各负荷的有功功率作为家庭总负荷的有功功率Pt，即Pt＝p1+p2+…+pM。在模型训练阶段，将总负荷有功功率数据和某一个负荷的运行状态作为训练样本，用来对神经网络模型进行训练，负荷运行状态包括负荷的运转(即“开”)和停止(即“关”)两个状态。完成训练后，只需将总负荷有功功率输入某一个神经网络模型，即可识别与该神经网络模型相对应负荷的运行状态。
在人工智能领域，神经网络模型可用作特征提取器，信号经特征提取器生成一定维度的特征向量。对于本发明所涉及的负荷识别技术领域，仅需判别负荷运行状态，而不需要了解负荷实际的功率消耗，因此本发明首先通过阈值法，来提取单负荷m的用电特征ω(m)，m＝1、2、…M，从而获取负荷m的用电特征随时间变化的曲线，即激活曲线。
单负荷在任意时刻的运行状态分为运转和停止两个状态。运转状态下，负荷需要源源不断的消耗电能；停止状态下，则基本不消耗电能或只消耗少量电能。因此，可以将单负荷m在任意时间窗内的期望信号值当作二进制数值。具体来说，期望信号值可代表负荷可能存在的运行状态，本发明中采用数字“1”表示运转状态，采用数字“0”表示停止状态，那么时间窗内的期望信号值即是由0、1构成的字符串。关于本发明中涉及的时间窗长度，其为经验值，具体根据电表实际的采样频率及所要求的识别精度给出大概范围，一般来说，采样频率越高，所要求的识别精度越高，则选择更小的时间窗长度；反之亦然。同时，还要考虑训练效果，即通过反复训练，并检测识别的准确度和错误率(即训练效果)，从而确定较优的时间窗长度。本具体实施方式中，主要通过重复试验，根据训练效果反馈来确定较优的时间窗长度。而且，对于不同种类的负荷，所对应的较优时间窗长度不同，所以，对于不同种类负荷，往往需要分别确定其相应的时间窗长度。
下面将详述负荷m的用电特征ω(m)的提取原理和方法。
用电特征基于阈值法进行提取，阈值法基本原理为：将单负荷m的有功功率记为x(m)，将x(m)与预先定义的阈值进行比较，根据比较结果提取负荷的用电特征ω(m)，当不大于阈值，ω(m)取0；否则ω(m)取1，见公式(1)。阈值为经验值，其可设为单周期(指负荷一个完整的运行周期)内该类负荷有功功率的平均值，但不限于该设定。
ω(m)∈{0,1} (1)
对本发明而言，从非侵入式负荷监测模块采集数据获取家庭单负荷m的负载曲线，根据预设的时间窗步长对负载曲线进行滑动探测。在每一时间窗口内，采用用电特征表示负荷m的期望信号值。此处负载曲线指负荷的有功功率数据随时间变化的曲线。
为避免异常和错误的激活或者停用，采用时间窗对负载曲线进行连续滑动探测，针对负荷的开关状态，采用两个不同步长的采样窗口在时间窗内进行采样，从而获取每一个时间窗内的期望信号值。
在当前时间窗口内，以Non (m)为采样窗口的步长，在采样窗口(n,n+Non (m))内进行采样，n表示采样窗口的起点时刻；当采样窗内负荷的平均有功功率超过阈值Pon (m)，则认为该负荷在该采样窗内处于运转状态，设置其在采样窗的用电特征为1。否则，以Noff (m)为采样窗口的步长，在采样窗口(n,n+Noff (m))内进行采样，当采样窗内负荷的平均有功功率不超过阈值Poff (m)，则认为该负荷在该采样窗内处于停止状态，设置其用电特征为0。当上述两种情况都不符合，则将该负荷在该采样窗内的用电特征保持前一采样窗的用电特征。将各采样窗口对应的用电特征随时间顺序串接起来，即构成时间窗内的期望信号值，各时间窗的期望信号值按时间顺序串接成用电特征信息。
随着时间窗口在负载曲线上连续滑动，即可获得各时间窗内的期望信号值，即由0和1构成的二进制字符。对不同单负荷，将对应生成不同的二进制字符。将这些二进制字符作为各单负荷的用电特征信息，用来判断负荷的运行状态。
综上，将激活曲线定义如下：
式(2)中，ω(m)(n-1)和ω(m)(n)分别表示负荷m在第n-1个和第n个采样窗的期望信号值，x(m)(k)表示采样窗内负荷的平均有功功率，k表示采样时刻，当在采样窗口(n,n+Non (m))内进行采样，k∈(n,n+Non (m))；当在采样窗口(n,n+Noff (m))内进行采样，k∈(n,n+Noff (m))。
上述Non (m)、Noff (m)需要根据不同用电设备(即负荷)来取值，具体来说，根据每个用电设备不同的用电曲线特征，Non (m)、Noff (m)可相同或不相同。阈值Pon (m)和Poff (m)为经验值，通过对神经网络模型不断训练，并结合训练结果调整阈值，并选取最优的阈值。对不同种类负荷，Non (m)、Noff (m)、Pon (m)、Poff (m)均可能对应不同的阈值，可通过重复实验进行调整并确值。
在获取二进制字符形式的用电特征信息后，采用家庭负荷总有功功率时间序列数据和家庭单负荷的用电特征信息对全卷积神经网络模型进行训练。将训练后的神经网络模型作为负荷运行状态的识别器，用来识别用户侧单负荷的运行状态。本发明中，神经网络模型结构包括输入层、隐藏层和输出层。进行负荷识别时，输入层是用户侧负荷的总有功功率数据，输出层为判断负荷运行状态的标识数据，即，实际应用时，把预设时段内家庭负荷总有功功率数据输入到已训练的神经网络模型，则可输出单负荷的运行状态。
本发明采用全卷积神经网络模型，传统的卷积神经网络模型是在卷积层后接上全连接层，将卷积层产生的特征映射成一个固定长度的特征向量，来表达输入属于某一类对象的概率。全卷积网络不仅可以接受任意尺寸的输入，同时，模型结构中的反卷积层对最后一个卷积层的特征图进行了上采样操作，使它恢复到与输入数据相同的大小，从而还原像素在原图中的位置，实现端到端的学习。最后在上采样的特征图上进行逐像素的分类，对每个像素级别的对象产生预测。
本具体实施方式中，全卷积神经网络模型一共分为5层，分别是输入层、下采样层、上采样层、跳跃连接层和输出层，即其隐藏层包括下采样层、上采样层、跳跃连接层。其中输入层(Inc)的输入是一个10800*1的张量，由于电表采样频率是3秒，那么1分钟就能采样20个功率值，本具体实施方式中，采用9小时作为电表采样的窗口大小。输入层还包括两层一维卷积层，该两卷积层的卷积核数量均为64，大小均为3，步长均为1，其余采取填0补充，使输出长度等于输入长度。卷积层后采用Batch Normalization方法(批量归一化方法)以加快训练速度，激活函数采用ReLU，用来防止过拟合。
下采样层(DownX)采用最大池化操作，对输入进行下采样，在每个池化层之后又有两层一维卷积层，第一个下采样层Down1中有128个卷积核，第二个下采样层Down2中有256个卷积核，第三个下采样层Down3中有512个卷积核，每个卷积核大小都为3，卷积的步长都为1，对边缘采取填0补充，使输出长度等于输入长度。每一个卷积操作之后还采用了BatchNormalization方法，激活函数采用ReLU。
上采样层(UpX)采用反卷积操作，将上一层得到的信号经过对应于下采样层中的卷积操作逆向进行上采样，最终得到输入图像尺寸相同的输出图像。在每个上采样操作之后又有两个一维卷积层，使得特征维数减半，第一个上采样层Up1中有256个卷积核，第二个上采样层Up2中有128个卷积核，第三个上采样层Up3中64个卷积核，每个卷积核大小都为3，卷积的步长都为1。每一个卷积操作之后还采用Batch Normalization方法，激活函数采用ReLU。
跳跃连接层用来将低层网络的细节特征信息与高层网络的抽象特征信息相融合，实现输出结果的优化，使其拥有更高精度的识别率。具体而言，就是将经过上采样层后得到的特征向量与对应于下采样过程中相同层级上得到的特征向量进行融合，此处所谓“相同层级”指具有相同维度的数据层，可参见图2。这样不仅包含深层特征图的抽象数据，同时又嵌入了浅层特征图的细节信息。
输出层(OutCX)包括了两层一维卷积层，其中OutC1的卷积核数量为64，OutC2卷积核数量为1，卷积核大小为3，步长为1，采取填0补充，使输出长度等于输入长度。还采用了Batch Normalization方法，激活函数采用ReLU，最终得到与输入尺寸大小(10800*1)一致的特征向量。
本发明采用全卷积神经网络模型对负荷运行状态进行识别，即给定某一个时刻负荷总有功功率数据作为输入，通过训练好的全卷积神经网络模型输出单负荷运行状态的标识数据。为进行负荷识别，设计模型的结构为输入层、隐藏层和输出层。输入层采用总负荷的某个特征量作为神经网络的输入，如监测得到的负荷的总电压、总电流或者总功率信息等。输出层输出该设备运行状态的标识数据，即前文所述的二进制字符串。隐藏层中网络模型的构建和神经元个数的选取通常需要通过不断的优化才能得到较好的识别结果。
具体而言，在训练阶段，选择一定的时间区间，对家庭总负荷及单负荷的有功功率数据按照一定的时间步长进行采样，将单个负荷的功率曲线转换为0/1字串作为对应的标识数据，利用采集到的总负荷功率数据和转换得到的0/1字串分别作为模型的输入和输出，对全卷积神经网络进行反复的学习训练，得到能够识别相应负荷运行状态的神经网络模型。
对每一种负荷按照相同的方法分别训练一个神经网络模型，家庭负荷可以为电视机、烤箱、洗碗机、电脑等。每一个训练完成的神经网络模型相当于一个对应负荷的识别器。那么对于任一总负荷负载曲线，只要将其输入对应的神经网络模型，就可以得到相应负荷的运转情况。
本发明使用全卷积神经网络模型进行负荷识别时，需要对每一个负荷分别进行单独的学习和训练。由于一个神经网络只对应了一种负荷，家庭中有多少个负荷就需要训练多少个相应的网络模型，在实际应用时，把某时段家庭总用电数据输入到训练好的网络模型，每个模型即输出该模型对应负荷的运行状态。
本领域的普通技术人员将会意识到，在本发明各方法实施例中，所述各步骤的序号并不能用于限定各步骤的先后顺序，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，对各步骤的先后变化也在本发明的保护范围之内。这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.基于全卷积神经网络的非侵入式负荷识别方法，其特征是，包括：
S1：采集家庭总负荷和各单负荷的有功功率时间序列数据；
S2：基于单负荷的有功功率时间序列数据提取用电特征信息；本步骤进一步包括：
S201：基于单负荷的有功功率时间序列数据获取单负荷的负载曲线；
S202：采用时间窗对单负荷的负载曲线进行连续滑动探测，对时间窗内的有功功率值进行采样，获取每一个时间窗内的期望信号值；
本子步骤具体为：
以Non (m)为采样窗口的步长，获取采样窗口(n,n+Non (m))内负荷的平均有功功率，n表示采样窗口的起点时刻，当该平均有功功率超过阈值Pon (m)，令该负荷在该采样窗口内的期望信号值为1；否则，以Noff (m)为采样窗口的步长，获取采样窗口(n,n+Noff (m))内负荷的平均有功功率，当该平均有功功率不超过阈值Poff (m)，令该负荷在该采样窗口内的期望信号值为0；当上述两种情况都不满足的时候，则令该负荷在该采样窗口内的期望信号值为上一采样窗口的期望信号值；
S203：将期望信号值按时间顺序串接成单负荷的用电特征信息；
S3：对各单负荷分别训练对应的识别模型，具体为：
以步骤S1采集的家庭总负荷有功功率时间序列数据为输入样本，以步骤S2获取的单负荷用电特征信息为输出样本，对全卷积神经网络模型进行训练，得该单负荷的识别模型；
S4：将家庭总负荷有功功率输入识别模型，即输出识别模型对应负荷的用电特征，从而获知其运行状态。
2.如权利要求1所述的基于全卷积神经网络的非侵入式负荷识别方法，其特征是：
所述全卷积神经网络模型包括输入层、下采样层、上采样层、跳跃连接层和输出层，其中，输入层用来接收家庭总负荷有功功率数据，输出层用来输出单负荷运行状态的标识。
3.如权利要求2所述的基于全卷积神经网络的非侵入式负荷识别方法，其特征是：
所述输入层的输入是一个一维的张量，同时输入层还包括两个一维的卷积层，每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU函数；
所述下采样层采用最大池化操作，用来对输入进行下采样；每个池化层之后又有两个一维卷积层，每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU函数；
所述上采样层采用反卷积操作，将上一层得到的信号经过对应于下采样层中的卷积操作逆向进行上采样，最终得到与输入图像尺寸相同的输出图像；在每个上采样操作之后又有两个一维卷积层，用来使特征维数减半；每一个卷积操作之后采用批量归一化方法，激活函数采用ReLU；
所述跳跃连接层用来将经上采样层得到的特征与对应于下采样过程中相同层级所得的特征进行融合；
所述输出层包括两层一维卷积层，各卷积层后采用批量归一化方法，激活函数采用ReLU，最终输出与输入尺寸一致的特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507892.6A CN112434799B (zh) | 2020-12-18 | 2020-12-18 | 基于全卷积神经网络的非侵入式负荷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507892.6A CN112434799B (zh) | 2020-12-18 | 2020-12-18 | 基于全卷积神经网络的非侵入式负荷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112434799A CN112434799A (zh) | 2021-03-02 |
| CN112434799B true CN112434799B (zh) | 2022-07-05 |
Family
ID=74696806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011507892.6A Active CN112434799B (zh) | 2020-12-18 | 2020-12-18 | 基于全卷积神经网络的非侵入式负荷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434799B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094931B (zh) * | 2021-04-29 | 2022-04-22 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
| CN113592671B (zh) * | 2021-07-30 | 2024-04-26 | 上海电力大学 | 一种基于长短时神经网络的居民负荷曲线分解方法 |
| CN114091576A (zh) * | 2021-10-29 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于双向扩张卷积的负荷分解方法 |
| CN114510992A (zh) * | 2021-12-27 | 2022-05-17 | 上海梦象智能科技有限公司 | 一种基于深度学习的设备开关状态检测方法 |
| CN114598722A (zh) * | 2022-03-15 | 2022-06-07 | 北京汇智博艺科技有限公司 | 物联网非侵入式负荷识别和能耗监控系统及其实现方法 |
| CN115204529B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 一种基于时间注意力机制的非侵入式负荷监测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022645B (zh) * | 2016-06-07 | 2021-02-12 | 深圳市芝电能源科技有限公司 | 非侵入式在线实时电力负荷识别方法及识别系统 |
-
2020
- 2020-12-18 CN CN202011507892.6A patent/CN112434799B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Building energy monitoring realization:context-aware for nonintrusive electricity disaggregation;JAZIZADE H 等;《Proceedings of 2016 American Construction Research Congress》;20161231;全文 * |
| 住宅用电负荷的非侵入式监测方法研究;王志超;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160615;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112434799A (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
| De Baets et al. | Appliance classification using VI trajectories and convolutional neural networks | |
| CN106022645B (zh) | 非侵入式在线实时电力负荷识别方法及识别系统 | |
| Zhou et al. | Non-intrusive load decomposition based on CNN–LSTM hybrid deep learning model | |
| Liu et al. | Super resolution perception for smart meter data | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
| CN105372541A (zh) | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 | |
| Hernández et al. | Applications of NILM techniques to energy management and assisted living | |
| Sun et al. | Non-intrusive load monitoring system framework and load disaggregation algorithms: a survey | |
| de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
| Rehman et al. | Low complexity event detection algorithm for non-intrusive load monitoring systems | |
| KR102622634B1 (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
| Yin et al. | Non-intrusive load monitoring by load trajectory and multi-feature based on DCNN | |
| Li et al. | Non-intrusive load monitoring based on convolutional neural network mixed residual unit | |
| Lin | An advanced smart home energy management system considering identification of ADLs based on non-intrusive load monitoring | |
| CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
| CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
| Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
| Tito et al. | Image segmentation-based event detection for non-intrusive load monitoring using Gramian Angular Summation Field | |
| Chou et al. | Automatic appliance classification for non-intrusive load monitoring | |
| Li et al. | Non-intrusive Load Monitoring Method Based on Transfer Learning and Sequence-to-point Model | |
| Deng et al. | Real-time energy disaggregation algorithm based on multi-channels DCNN and autoregressive model | |
| Al-Khadher et al. | An implementation framework overview of non-intrusive load monitoring | |
| CN205246783U (zh) | 一种基于模式识别的家用电器智能集总检测系统 |
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 |