CN113033076A - 基于多链分解方法的非侵入式负荷监测方法及装置 - Google Patents
基于多链分解方法的非侵入式负荷监测方法及装置 Download PDFInfo
- Publication number
- CN113033076A CN113033076A CN202110229250.2A CN202110229250A CN113033076A CN 113033076 A CN113033076 A CN 113033076A CN 202110229250 A CN202110229250 A CN 202110229250A CN 113033076 A CN113033076 A CN 113033076A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- model
- sub
- chain
- decomposition
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 claims description 29
- 238000000926 separation method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 238000001035 drying Methods 0.000 description 7
- 238000005406 washing Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004851 dishwashing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005783 single-strand break Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本申请涉及一种基于多链分解方法的非侵入式负荷监测方法及装置,属于电子技术领域,该方法包括:将总线路中的耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;耗电情况监测总模型包括多个分解链,不同耗电设备对应的分解链不同;每个分解链包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且分解链上位于末端的子模型用于预测分解链对应的耗电设备的耗电量,以输出分解链对应的耗电设备的耗电量预测值;可以解决现有的非侵入式负荷监测方式得到的各个耗电设备的耗电量预测值不够准确的问题,将独立模型作为子模型构建总体模型,使得各个子模型产生了联系并提高了分解的整体性能。
Description
【技术领域】
本申请涉及一种基于多链分解方法的非侵入式负荷监测方法及装置,属于电子技术领域。
【背景技术】
能源是人类社会进步的物质基础,自从第二次工业革命以来,电作为一种能源被逐渐应用到生活的方方面面,电力正在逐步成为越来越重要的资源。现如今,全球用电量逐年上升,社会面临着日益严重的能源紧缺问题。
与此同时,伴随着地球气候的不断变化,各国日渐意识到环境保护问题的重要性,目前许多国家已就减少温室效应气体排放达成共识,正在致力于减少二氧化碳等温室效应气体的排放,这也激发了减少能源消耗的需求。为了合理的减少电能的消耗,需要对电能的使用进行适当的管理和优化。清楚地了解电能的具体使用情况能够有效地帮助人们优化电能管理。分析家庭电能消耗情况逐渐成为了一个引人关注的研究领域。
在家庭能源管理方面,负荷监测是一项可以帮助家庭住户节约能耗的应用。负荷监测的定义和目的是获得住户整套房子中各种设备的使用情况。这样做有助于电力公司了解用户消耗负荷的构成,可以加强负荷侧管理,通过引导用户合理消费、合理安排大功率非紧急负荷的使用时间来达到调节峰谷差和降低网损等目的。
目前,负荷监测可分为侵入式和非侵入式两大类:
(1)传统的侵入式负荷监测通过在各条线路、各个负荷处安装传感器来采集数据监测各个负荷的运行和耗电情况。但是,需要安装大量硬件设备,系统结构复杂,安装效率较低。同时,此方案需要进入用户家中进行数据采集设备的安装,即“侵入式”地负荷监测,影响用户的居住安全。
(2)非侵入式负荷监测(Non-intrusive load monitoring,NILM)也称为负荷分解,该技术通过对某一特定区域的总电表数据进行分析,可获得该范围内各用电负荷的相关信息,如负荷的数量、负荷的类别、所处工作状态以及对应的能耗使用情况等。非侵入式负荷监测安装简单,但是,推断出的耗电数据和真实值存在一定偏差,误差较大。
对于非侵入式负荷监测算法,依据其输入信号采样周期的不同,可以分成基于暂态信号和基于稳态信号的方法。
暂态信号是通过高频采集产生的,其采集频率通常高达数千赫兹至数万赫兹。数据采集设备的采集频率越高越能更加全面准确地捕捉到设备的用电特征和细节信息,从而越容易根据这些信息推断设备种类和耗电情况。但是,使用暂态信号进行负荷监测存在若干缺陷。首先,为了获得暂态信号,要求数据采集设备的采样率足够高,这就导致数据采集的成本变高;其次,当数据采集设备高频采集时,会在短时间内产生大量的数据,需要将这些数据传输至数据处理模块以执行负荷监测算法,这就对数据传输以及存储提出了较高的要求。
相比之下,基于稳态信号进行非侵入式负荷监测的方法则对数据采集设备的要求较低,稳态信号可以通过低频采集获得。低频采集是指其采集频率低于一赫兹,低频采集的采样间隔从几秒甚至到几分钟不等。现在广泛应用在家庭用户中的智能电表已完全可以满足如此低的采样要求。采用基于低频信号的非侵入式负荷监测方法虽然成本较低,但无法获得线路的高频信息,同时,不同设备的低频特征存在一定的相似性,且针对设备使用时长小于采样间隔的设备,可能存在捕捉不到的情况。
【发明内容】
本申请提供了一种基于多链分解方法的非侵入式负荷监测方法及装置,可以解决现有的非侵入式负荷监测方式得到的各个耗电设备的耗电量预测值不够准确的问题。本申请提供如下技术方案:
第一方面,提供一种基于多链分解方法的非侵入式负荷监测方法,所述方法包括:
获取总线路中的耗电量数据;
将所述耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;
其中,所述耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;
对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量,以输出所述分解链对应的耗电设备的耗电量预测值;所述分解链上不同子模型对应的耗电设备不同。
可选地,对于包括n个子模型的分解链,所述n为大于1的整数,所述分解链输出的耗电量预测值的计算过程包括:
将所述耗电量数据输入第1个子模型,得到第1个子模型的输出结果;
将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;所述k依次取1至n-1的整数;
在k+1小于n时,另k的值等于k+1,并再次执行所述将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;
在k+1等于n时,将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。
可选地,所述方法还包括:
使用训练数据集对每个耗电设备对应的子模型分别进行训练,得到多个训练后的子模型;
对于每个训练后的子模型,将其它训练后的子模型分别作为所述训练后的子模型的前置节点,得到临时分解链;并对所述临时分解链进行训练,得到训练后的临时分解链;
使用测试数据集分别对所述训练后的子模型和所述训练后的临时分解链进行测试;
在测试结果指示所述训练后的子模型的性能低于所述训练后的临时分解链的性能时,确定所述前置节点为所述训练后的子模型的关联节点;
在测试结果指示所述训练后的子模型的性能高于所述训练后的临时分解链的性能时,确定所述前置节点不是所述训练后的子模型的关联节点;
基于各个训练后的子模型和每个训练后的子模型的关联节点,构建图结构;所述图结构中每种训练后的子模型作为图的一个顶点,连接顶点i和顶点j的有向边e(j,i)的权值w(j,i)为所述临时分解链相比于所述训练后的子模型的优化程度,权值为负代表性能提升;i表示所述训练后的子模型,j表示所述训练后的子模型的关联节点;
在所述图结构中添加特殊顶点,所述特殊顶点有指向其他所有顶点的出边,且权值为0;
计算所述特殊顶点到其他所有顶点的不存在环路的最短路径,获得所述耗电情况监测总模型的多链分解模型结构。
可选地,所述方法还包括:
基于各个子模型生成多种总模型的模型结构,每种总模型的模型结构包括至少多个分解链;
使用训练数据集对每种总模型的模型结构中的每个子模型进行训练,得到训练后的模型结构;
使用模型搜索集搜索各个训练后的模型结构中性能最好的模型结构,得到所述耗电情况监测总模型;
使用测试数据集对所述耗电情况监测总模型进行测试。
可选地,所述基于各个子模型生成多种总模型的模型结构,包括:
设置所述模型结构中每个分解链的最大长度,所述最大长度小于或等于所述待监控的耗电设备的总数量;
按照所述最大长度生成多种总模型的模型结构,每种总模型的模型结构中的每条分解链均小于或等于所述最大长度。
可选地,每组训练数据包括样本值和标签;
对于不具有前置节点的子模型,所述样本值为耗电量数据、所述标签为所述子模型对应的耗电设备的真实耗电值;
对于具有前置节点的子模型,所述样本值为耗电量数据减去各个前置节点对应的真实耗电值后的差、所述标签谓所述子模型对应的耗电设备的真实耗电值。
可选地,所述耗电量数据包括:各个所述待监控的耗电设备的耗电量、虚拟设备的耗电量以及耗电量的噪声值;
其中,所述虚拟设备是指所述总线路中不需要监控的设备。
可选地,所述耗电情况监测总模型中分解链的条数与所述待监控的耗电设备的个数相同。
第二方面,提供一种基于多链分解方法的非侵入式负荷监测装置,所述装置包括:
总量获取模块,用于获取总线路中的耗电量数据;
分量预测模块,用于将所述耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;
其中,所述耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;
对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量,以输出所述分解链对应的耗电设备的耗电量预测值;所述分解链上不同子模型对应的耗电设备不同。
可选地,对于包括n个子模型的分解链,所述n为大于1的整数,所述分量预测模块,用于:
将所述耗电量数据输入第1个子模型,得到第1个子模型的输出结果;
将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;所述k依次取1至n-1的整数;
在k+1小于n时,另k的值等于k+1,并再次执行所述将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;
在k+1等于n时,将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。
本申请的有益效果在于:通过获取总线路中的耗电量数据;将耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;其中,耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且分解链上位于末端的子模型用于预测分解链对应的耗电设备的耗电量,以输出分解链对应的耗电设备的耗电量预测值;分解链上不同子模型对应的耗电设备不同;可以解决现有的非侵入式负荷监测方式得到的各个耗电设备的耗电量预测值不够准确的问题,通过设计一种多链分解方法将独立模型作为子模型构建总体模型,使得各个子模型产生了联系并提高了分解的整体性能。
另外,在求解多链模型时,针对采用穷举获得具有最佳性能的多链模型的方法复杂度过高的情况,本申请还提供了两种简化方案:(1)通过限制模型分解链的最大长度,降低能够产生的多链分解模型总数,从而使在采用穷举方法搜寻性能最优的多链模型时的搜索范围减小;(2)根据构成多链分解模型的子模型之间的关系,求解出性能较好的多链模型中各个子模型的种类和位置关系,并以此为依据训练子模型,减少一些不必要的子模型训练过程,从而加快多链分解模型的求解过程。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
【附图说明】
图1是本申请一个实施例提供的独立的模型预测设备耗电量的示意图;
图2是本申请一个实施例提供的单链预测设备耗电量的示意图;
图3是本申请一个实施例提供的基于多链分解方法的非侵入式负荷监测方法的流程图;
图4是本申请一个实施例提供的基于多链分解预测设备耗电量的示意图;
图5是本申请一个实施例提供的基于多链分解方法的非侵入式负荷监测装置的框图。
【具体实施方式】
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
非侵入式负荷监测有时也称为负荷分解,是典型的时间序列分析问题。非侵入式负荷监测任务是从观测到的总能耗数据中推断出单个设备的能耗。假设用Y来表示观测到的从1到T时间点的家庭中的总能耗数据,则有Y={y(t)|y(t)∈R+,1≤t≤T,t∈N+}。将问题中需要推断耗电量情况的N个家庭用电设备的集合定义为A,即A={Ai|1≤i≤N,i∈N+}。设备Ai的能耗数据可表示为Xi={xi(t)|xi(t)∈R+,1≤t≤T,t∈N+}。家庭耗电总量中除了包含需要关注的几个设备之外,还包括一些不需要推断耗电情况的设备,将这些设备的耗电量加在一起作为一个整体看作一个虚拟设备,此虚拟设备的耗电量可表示为V={v(t)│v(t)∈R+,1≤t≤T,t∈N+}。除此之外,家庭耗电总量中还包含一定的噪声,用ε(t)表示t时刻耗电总量数据中的噪声值。那么,可以得到下式:
非侵入式负荷监测的目的为从测量得到的总线路能耗数据y(t)中还原出单个设备的能耗数据xi(t)。若以功率为例,某一时刻的用电总功率由该时刻各个设备的工作状态和对应的功率确定,用电总功率是各个设备的功率以及噪声的叠加和。
在进行负荷分解时,传统方法是将总线路数据输入到特定模型当中,模型输出某种特定设备的耗电情况推断值,也就是分解N个设备需要N个独立的模型。N为大于1的整数。
比如:采用三种深度神经网络来完成基于低频信号的非侵入式负荷监测任务,采用的三种方案分别是长短期记忆网络(Long short-term memory,LSTM)、降噪自动编码器(Denoising autoencoder,DAE)和一个可以对每个激活设备的起始时间、结束时间和平均功率需求进行回归的网络。
又比如:采用卷积神经网络(Convolutional neural network,CNN)和循环神经网络(Recurrent neural network,RNN)进行能量分解并对其进行了对比。
再比如:根据门控循环单元(Gated recurrent unit,GRU)的特点,将GRU应用到了低频非侵入式负荷监测任务。
再比如:采用一种序列到点(Seq2point)的分解方法,将总线路的数据利用滑动窗口产生模型的输入,模型输出为输入数据对应时间段的中间时刻的特定设备的耗电数据推断值。
再比如:将生成对抗网络(Generative adversarial network,GAN)应用到了非侵入式负荷监测任务当中,提出了基于条件生成对抗网络(conditional GAN,cGAN)的序列到子序列(Seq2subseq)的负荷监测方法。
上述方法无一例外的都是将推断不同设备的模型看作独立的个体,模型之间没有关联,比如:参考图1所示的负荷监测模型,该负荷监测模型中每个设备对应一个子模型,图1中以空调对应一个子模型11、冰箱对应一个子模型12、洗烘机对应一个子模型13、洗碗机对应一个子模型14、微波炉对应一个子模型15为例进行说明,各个设备的子模型之间相互独立,每个子模型的输入均为总线路的耗电量数据,输出为对应设备的耗电量预测值。
另外,传统的称为treeCNN的树状结构模型也可以用于负荷监测,该方法打破了用于分解各种设备的模型之间相互独立的局面,treeCNN采用的方法是将不同的模型作为子模型置于树状结构的节点当中,产生一个总模型,这么做既保持了各个子模型的相对独立性,同时又使它们之间产生了联系。树型结构,如果需要分解N个设备,则可以产生N!种树,这些树的性能不尽相同,所以确定树的结构是创建treeCNN模型时的关键一步。现有的方式为基于贪婪思想的方法用于确定树序并降低了求解复杂度。
每个treeCNN模型中用于推断各个设备耗电情况的子模型处于同一条链当中,链的长度为需要推断的设备个数N。下文中也将其称之为单链分解方案。比如:参考图2所示的负荷监测模型,该负荷监测模型中所有设备对应的模型依次连接,得到一条单链。图2中以单链上的各个节点依次为:微波炉对应的子模型21、冰箱对应的子模型22、空调对应的子模型23、洗烘机对应的子模型24和洗碗机对应的子模型25为例进行说明。其中,单链上第一个节点的输入为总线路的耗电量数据、输出为第一个节点对应的设备(如图2中的微波炉)的耗电量预测值;第一个节点之后的每个节点的输入为耗电量数据减去该节点的各个前置节点的耗电量预测值的差,输出为该节点的耗电量预测值。
本申请中,前置节点是指位于当前节点之前的各个子模型。
然而,每种用电设备都有其各自的特性,具有不同的耗电模式。由于在分解链中末端结点之前的节点种类和排列顺序具有多种多样的变化,这些都会影响分解链的最终分解效果,因此每种设备对应的最优分解链也具有较大的差别。不能保证在一条分解链中使得所有设备都取得其最佳分解性能,当推断不同设备的时候需要采用不同结构的分解链。
基于上述技术问题,在本申请中,将推断特定设备耗电量的独立模型作为子模型,由多个子模型构成多条分解链,每条分解链的末端节点的输出是特定设备的耗电情况推断值,多条分解链构成一个总模型,得到多链分解模型。
另外,由于寻找性能最佳的多链分解模型的时间成本过高,因此,本申请还提供了两种简化方案:(1)通过限制模型分解链的最大长度,降低能够产生的多链分解模型总数,从而使在采用穷举方法搜寻性能最优的多链模型时的搜索范围减小;(2)根据构成多链分解模型的子模型之间的关系,求解出性能较好的多链模型中各个子模型的种类和位置关系,并以此为依据训练子模型,减少一些不必要的子模型训练过程,从而加快多链分解模型的求解过程。
下面对本申请提供的基于多链分解方法的非侵入式负荷监测方法进行详细介绍。
可选地,本申请以各个实施例的执行主体为具有计算能力的电子设备为例进行说明,该电子设备可以为终端或服务器,该终端可以为计算机、笔记本电脑、平板电脑等,本实施例不对终端的类型和电子设备的类型作限定。
图3是本申请一个实施例提供的基于多链分解方法的非侵入式负荷监测方法的流程图。该方法至少包括以下几个步骤:
步骤301,获取总线路中的耗电量数据。
耗电量数据包括:各个待监控的耗电设备的耗电量、虚拟设备的耗电量以及耗电量的噪声值;其中,虚拟设备是指总线路中不需要监控的设备。
步骤302,将耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;其中,耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且分解链上位于末端的子模型用于预测分解链对应的耗电设备的耗电量,以输出分解链对应的耗电设备的耗电量预测值;分解链上不同子模型对应的耗电设备不同。
耗电情况监测总模型中分解链的条数与待监控的耗电设备的个数相同。
假设耗电情况监测总模型如图4所示,图4中以待监控的耗电设备为5个,分别为:空调、冰箱、洗烘机、洗碗机和微波炉为例进行说明。相应地,该模型包括5条分解链。第一条分解链用于输出空调的耗电量预测值,包括3个耗电设备对应的子模型,依次为:冰箱对应的子模型、微波炉对应的子模型和空调对应的子模型。第二条分解链用于输出冰箱的耗电量预测值,包括2个耗电设备对应的子模型,依次为:洗烘机对应的子模型和冰箱对应的子模型。第三条分解链用于输出洗烘机的耗电量预测值,包括1个耗电设备对应的子模型,即为洗烘机对应的子模型。第四条分解链用于输出洗碗机的耗电量预测值,包括5个耗电设备对应的子模型,依次为:微波炉对应的子模型、冰箱对应的子模型、空调对应的子模型、洗烘机对应的子模型和洗碗机对应的子模型。第五条分解链用于输出微波炉的耗电量预测值,包括3个耗电设备对应的子模型,依次为:空调对应的子模型、冰箱对应的子模型和微波炉对应的子模型。
对于包括n个子模型的分解链,n为大于1的整数,分解链输出的耗电量预测值的计算过程包括:将耗电量数据输入第1个子模型,得到第1个子模型的输出结果;将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;k依次取1至n-1的整数;在k+1小于n时,另k的值等于k+1,并再次执行将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;在k+1等于n时,将第k+1个子模型的输出结果作为分解链输出的耗电量预测值。
本申请中,假设将推断所有设备耗电情况的框架整体称为总模型,用M表示。构成总模型的分解链用Mchain表示。构成分解链的子模型表示为Msub(Z\A',i),其中Z为总线路所有组成成分的集合,包含了电器设备、虚拟设备和噪声成分,A'为A的子集,即Z\A'表示集合Z减去设备集合A'得到的集合,i是设备的索引。Msub(Z\A',i)表示用于从集合Z\A'中元素相应成分的耗电量数据和中推断Ai的耗电情况的子模型。特别的,当A'为空集时可将Z\A'简写为Z,Z\Aj代表从集合Z中除去设备Aj构成的集合。此外,以P(Z,i)表示Msub(Z,i)的性能。
采用多链分解框架进行设备耗电情况推断的整体流程如下:首先,将原始数据集划分为三个子集,称为子模型训练数据集Dtrain,总模型搜索数据集Dsearch和总模型测试数据集Dtest,分别用来训练子模型,确定总模型的结构和测试总模型的性能。当需要推断多个设备的耗电情况时,首先利用Dtrain训练多个子模型组成多种总模型,利用Dsearch从这些模型中选出一个性能最好的模型Mopt,最后将Dtest输入Mopt进行设备耗电情况推断并用相关评价指标评估Mopt的性能。
本申请中,多链分解模型是由子模型构成的,子模型可以由任意一种适用于非侵入式负荷监测任务的方法创建。构建多链分解模型的第一步是需要训练出多个子模型。每个子模型在训练时使用的每组训练数据包括样本值和标签。对于不具有前置节点的子模型,样本值为耗电量数据、标签为子模型对应的耗电设备的真实耗电值;对于具有前置节点的子模型,样本值为耗电量数据减去各个前置节点对应的真实耗电值后的差、标签谓子模型对应的耗电设备的真实耗电值。
在模型测试阶段,子模型的输入为耗电总量逐步减去该子模型的前置节点的输出值,输出为子模型耗电量预测值。
在一个示例中,耗电情况监测总模型的生成方式包括:基于各个子模型生成多种总模型的模型结构,每种总模型的模型结构包括至少多个分解链;使用训练数据集对每种总模型的模型结构中的每个子模型进行训练,得到训练后的模型结构;使用模型搜索集搜索各个训练后的模型结构中性能最好的模型结构,得到耗电情况监测总模型;使用测试数据集对耗电情况监测总模型进行测试。
当需要分析耗电量情况的设备有N个时,针对其中一个设备,其分解链的长度为可以从1到N不等,当分解链长度为L(1≤L≤N)时,需要从N-1个设备中选择出L-1个设备进行组合作为末端节点的前置节点,共可形成种分解链。在训练子模型的时候,子模型的输入数据的处理方式和前置节点顺序无关,所以这些分解链中末端节点中采用的子模型有种。由于1≤L≤N,所以共有种不同长度的分解链,需要个位于末端节点中的子模型。当推断N种设备的耗电量时,有种总模型,构造这些总模型共需要种子模型。以N=5为例,需要训练的子模型总数可达80。子模型数量越多则需要越多的时间和空间来创建子模型。由于多链分解方法可采用多种方法创建子模型,当采用深度学习方法构建子模型时,模型训练是极其耗时的,因此,需要训练如此多的子模型极大地限制了多链分解方法的应用。
基于此,本实施例中,基于各个子模型生成多种总模型的模型结构,包括:设置模型结构中每个分解链的最大长度,最大长度小于或等于待监控的耗电设备的总数量;按照最大长度生成多种总模型的模型结构,每种总模型的模型结构中的每条分解链均小于或等于最大长度。
假设,当限制分解链长度最长为k(k∈N+,k≤N)时,共可产生种不同的总模型,共需要个不同的子模型。显然,将k减小,可以缩小多链分解模型数量规模并减少其需要的子模型数量。当然,限制k之后,可能会影响总模型的性能,极端情况下,当k=1时,多链分解模型退化为独立模型。此时,构建总模型需要的子模型数量最少,需要的时间成本最低,但同时模型的性能也会受到较大影响。本实施例中,设置最大长度的目的主要是为了在构建模型的时间成本和模型性能之间进行权衡,通过可以容忍的模型性能损失换取更快速的模型构建过程。
在另一个示例中,耗电情况监测总模型的生成方式包括:使用训练数据集对每个耗电设备对应的子模型分别进行训练,得到多个训练后的子模型;对于每个训练后的子模型,将其它训练后的子模型分别作为训练后的子模型的前置节点,得到临时分解链;并对临时分解链进行训练,得到训练后的临时分解链;使用测试数据集分别对训练后的子模型和训练后的临时分解链进行测试;在测试结果指示训练后的子模型的性能低于训练后的临时分解链的性能时,确定前置节点为训练后的子模型的关联节点;在测试结果指示训练后的子模型的性能高于训练后的临时分解链的性能时,确定前置节点不是训练后的子模型的关联节点;基于各个训练后的子模型和每个训练后的子模型的关联节点,构建图结构;图结构中每种训练后的子模型作为图的一个顶点,连接顶点i和顶点j的有向边e(j,i)的权值w(j,i)为临时分解链相比于训练后的子模型的优化程度,权值为负代表性能提升;其中,i表示训练后的子模型,j表示训练后的子模型的关联节点;在图结构中添加特殊顶点,特殊顶点有指向其他所有顶点的出边,且权值为0;计算特殊顶点到其他所有顶点的不存在环路的最短路径,获得耗电情况监测总模型的多链分解模型结构。
本实施例中,提供一种基于图结构的多链模型求解简化算法(Graph-basedalgorithm,GBA),通过两两设备之间的关系来产生一个模型。具体来说,首先,针对要分解的所有耗电设备分别训练对应的N个子模型Msub(Z,i)并获得其评价指标P(Z,i)。随后,针对每种设备Ai,分别将其余设备Aj作为其前置设备,训练子模型Msub(Z\Aj,i),将子模型Msub(Z,j)和Msub(Z\Aj,i)构成一条分解链,输入总耗电量数据进行模型测试获得P(Z\Aj,i)。比较P(Z,i)和P(Z\Aj,i),若P(Z\Aj,i)优于P(Z,i)则说明当需要推断Ai的耗电情况时,Aj在Ai之前被分离出来比直接分离Ai效果更好。为了能够求解最后的多链模型结果,本实施例中,将两两设备关系转换为图结构,每种设备作为图的一个顶点,连接顶点j和顶点i的有向边e(j,i)的权值w(j,i)为P(Z\Aj,i)相比于P(Z,i)的优化程度,权值为负代表性能有所提升,具体的计算方式和评价指标的选取有关。在图中添加一个特殊顶点,此节点有指向其他所有顶点的出边且权值为0。通过求特殊顶点到其他所有顶点的不存在环路的最短路径获得多链分解模型结构。要求路径中不存在环路是因为在一条分解链中一个设备的耗电量作为中间值被推断并减去的过程只应该存在一次,寻求最短路径的原因是通过此路径到达终点能使其分解性能提升效果最明显。
在采用GBA获得多链分解模型的过程中,如果需要推断N个设备的耗电情况,首先需要训练N个用于从总线路数据推断特定设备耗电情况的子模型,其后针对每种设备A_i,分别将其余设备A_j作为其前置设备,需要训练(N-1)×N个子模型,随后可求解出多链模型结构,最后训练组成多链模型结构所缺少的其余子模型,根据求出的模型结构的不同,剩余所需子模型数量在0~N×(N-2)之间,此方法相比穷举方法可大大减少需要训练的子模型数量。
可选地,在对模型进行性能评价时,使用的模型性能评价指标包括但不限于以下几种中的至少一种:平均绝对误差(Mean absolute error,MAE)、信号聚合误差(Signalaggregate error,SAE)和F1分数。
MAE为设备耗电量的真实值和推断值之间的误差,我们用xi(t)表示设备Ai在t时刻耗电情况的真实值,用x'i(t)表示相应的推断值。Ai在T时间段内的耗电量推断值的MAEi计算公式为:
非侵入式负荷监测也可看作分类任务,将设备的状态作为需要推断的值,其中状态分为开启和关闭两类。我们为每种设备设定上电阈值,根据设备耗电量和上电阈值的大小关系判断其状态。因F1分数综合考虑了准确率和召回率,考虑的更为全面,所以本文采用F1分数作为模型分类性能的评价指标,其计算公式如下:
综上所述,本实施例提供的基于多链分解方法的非侵入式负荷监测方法,通过获取总线路中的耗电量数据;将耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;其中,耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且分解链上位于末端的子模型用于预测分解链对应的耗电设备的耗电量,以输出分解链对应的耗电设备的耗电量预测值;分解链上不同子模型对应的耗电设备不同;可以解决现有的非侵入式负荷监测方式得到的各个耗电设备的耗电量预测值不够准确的问题,通过设计一种多链分解方法将独立模型作为子模型构建总体模型,使得各个子模型产生了联系并提高了分解的整体性能。
另外,在求解多链模型时,针对采用穷举获得具有最佳性能的多链模型的方法复杂度过高的情况,本申请还提供了两种简化方案:(1)通过限制模型分解链的最大长度,降低能够产生的多链分解模型总数,从而使在采用穷举方法搜寻性能最优的多链模型时的搜索范围减小;(2)根据构成多链分解模型的子模型之间的关系,求解出性能较好的多链模型中各个子模型的种类和位置关系,并以此为依据训练子模型,减少一些不必要的子模型训练过程,从而加快多链分解模型的求解过程。
图5是本申请一个实施例提供的基于多链分解方法的非侵入式负荷监测装置的框图。该装置至少包括以下几个模块:总量获取模块510和分量预测模块520。
总量获取模块510,用于获取总线路中的耗电量数据;
分量预测模块520,用于将所述耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;
其中,所述耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;
对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量,以输出所述分解链对应的耗电设备的耗电量预测值;所述分解链上不同子模型对应的耗电设备不同。
可选地,对于包括n个子模型的分解链,所述n为大于1的整数,所述分量预测模块520,用于:
将所述耗电量数据输入第1个子模型,得到第1个子模型的输出结果;
将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;所述k依次取1至n-1的整数;
在k+1小于n时,另k的值等于k+1,并再次执行所述将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;
在k+1等于n时,将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的基于多链分解方法的非侵入式负荷监测装置在进行基于多链分解方法的非侵入式负荷监测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于多链分解方法的非侵入式负荷监测装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于多链分解方法的非侵入式负荷监测装置与基于多链分解方法的非侵入式负荷监测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于多链分解方法的非侵入式负荷监测方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于多链分解方法的非侵入式负荷监测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
上述仅为本申请的一个具体实施方式,其它基于本申请构思的前提下做出的任何改进都视为本申请的保护范围。
Claims (10)
1.一种基于多链分解方法的非侵入式负荷监测方法,其特征在于,所述方法包括:
获取总线路中的耗电量数据;
将所述耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;
其中,所述耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;
对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量,以输出所述分解链对应的耗电设备的耗电量预测值;所述分解链上不同子模型对应的耗电设备不同。
2.根据权利要求1所述的方法,其特征在于,对于包括n个子模型的分解链,所述n为大于1的整数,所述分解链输出的耗电量预测值的计算过程包括:
将所述耗电量数据输入第1个子模型,得到第1个子模型的输出结果;
将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;所述k依次取1至n-1的整数;
在k+1小于n时,另k的值等于k+1,并再次执行所述将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;
在k+1等于n时,将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
使用训练数据集对每个耗电设备对应的子模型分别进行训练,得到多个训练后的子模型;
对于每个训练后的子模型,将其它训练后的子模型分别作为所述训练后的子模型的前置节点,得到临时分解链;并对所述临时分解链进行训练,得到训练后的临时分解链;
使用测试数据集分别对所述训练后的子模型和所述训练后的临时分解链进行测试;
在测试结果指示所述训练后的子模型的性能低于所述训练后的临时分解链的性能时,确定所述前置节点为所述训练后的子模型的关联节点;
在测试结果指示所述训练后的子模型的性能高于所述训练后的临时分解链的性能时,确定所述前置节点不是所述训练后的子模型的关联节点;
基于各个训练后的子模型和每个训练后的子模型的关联节点,构建图结构;所述图结构中每种训练后的子模型作为图的一个顶点,连接顶点i和顶点j的有向边e(j,i)的权值w(j,i)为所述临时分解链相比于所述训练后的子模型的优化程度,权值为负代表性能提升;i表示所述训练后的子模型,j表示所述训练后的子模型的关联节点;
在所述图结构中添加特殊顶点,所述特殊顶点有指向其他所有顶点的出边,且权值为0;
计算所述特殊顶点到其他所有顶点的不存在环路的最短路径,获得所述耗电情况监测总模型的多链分解模型结构。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于各个子模型生成多种总模型的模型结构,每种总模型的模型结构包括至少多个分解链;
使用训练数据集对每种总模型的模型结构中的每个子模型进行训练,得到训练后的模型结构;
使用模型搜索集搜索各个训练后的模型结构中性能最好的模型结构,得到所述耗电情况监测总模型;
使用测试数据集对所述耗电情况监测总模型进行测试。
5.根据权利要求4所述的方法,其特征在于,所述基于各个子模型生成多种总模型的模型结构,包括:
设置所述模型结构中每个分解链的最大长度,所述最大长度小于或等于所述待监控的耗电设备的总数量;
按照所述最大长度生成多种总模型的模型结构,每种总模型的模型结构中的每条分解链均小于或等于所述最大长度。
6.根据权利要求3或4所述的方法,其特征在于,每组训练数据包括样本值和标签;
对于不具有前置节点的子模型,所述样本值为耗电量数据、所述标签为所述子模型对应的耗电设备的真实耗电值;
对于具有前置节点的子模型,所述样本值为耗电量数据减去各个前置节点对应的真实耗电值后的差、所述标签谓所述子模型对应的耗电设备的真实耗电值。
7.根据权利要求1至5任一所述的方法,其特征在于,所述耗电量数据包括:各个所述待监控的耗电设备的耗电量、虚拟设备的耗电量以及耗电量的噪声值;
其中,所述虚拟设备是指所述总线路中不需要监控的设备。
8.根据权利要求1至5任一所述的方法,其特征在于,所述耗电情况监测总模型中分解链的条数与所述待监控的耗电设备的个数相同。
9.一种基于多链分解装置的非侵入式负荷监测装置,其特征在于,所述装置包括:
总量获取模块,用于获取总线路中的耗电量数据;
分量预测模块,用于将所述耗电量数据输入耗电情况监测总模型,得到各个耗电设备的耗电量预测值;
其中,所述耗电情况监测总模型包括多个分解链,每个分解链对应一个待监控的耗电设备,不同耗电设备对应的分解链不同;
对于每个分解链,包括一个或多个依次相连的子模型;每个子模型用于预测对应的耗电设备的耗电量,且所述分解链上位于末端的子模型用于预测所述分解链对应的耗电设备的耗电量,以输出所述分解链对应的耗电设备的耗电量预测值;所述分解链上不同子模型对应的耗电设备不同。
10.根据权利要求1所述的装置,其特征在于,对于包括n个子模型的分解链,所述n为大于1的整数,所述分量预测模块,用于:
将所述耗电量数据输入第1个子模型,得到第1个子模型的输出结果;
将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果;所述k依次取1至n-1的整数;
在k+1小于n时,另k的值等于k+1,并再次执行所述将第k个子模型的输出结果输入第k+1个子模型,得到第k+1个子模型的输出结果的步骤;
在k+1等于n时,将第k+1个子模型的输出结果作为所述分解链输出的耗电量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229250.2A CN113033076A (zh) | 2021-03-02 | 2021-03-02 | 基于多链分解方法的非侵入式负荷监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229250.2A CN113033076A (zh) | 2021-03-02 | 2021-03-02 | 基于多链分解方法的非侵入式负荷监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033076A true CN113033076A (zh) | 2021-06-25 |
Family
ID=76465346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110229250.2A Pending CN113033076A (zh) | 2021-03-02 | 2021-03-02 | 基于多链分解方法的非侵入式负荷监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114977176A (zh) * | 2022-07-19 | 2022-08-30 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
-
2021
- 2021-03-02 CN CN202110229250.2A patent/CN113033076A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114977176A (zh) * | 2022-07-19 | 2022-08-30 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240289B (zh) | 一种电网调度控制系统运行状态评估方法及系统 | |
Yu et al. | Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues | |
Chen et al. | Mining correlation patterns among appliances in smart home environment | |
CN106532719A (zh) | 基于电流二次谐波与无功的非变频空调非侵入式辨识方法 | |
CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
CN106680621B (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
Chen et al. | Mining appliance usage patterns in smart home environment | |
CN108054749A (zh) | 一种非侵入式电力负荷分解方法及装置 | |
Ghosh et al. | Remote appliance load monitoring and identification in a modern residential system with smart meter data | |
CN114977176B (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
Chen et al. | Significant correlation pattern mining in smart homes | |
CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
CN114970633A (zh) | 一种基于lstm的非侵入式用电器识别方法、系统及设备 | |
Dejamkhooy et al. | Non–intrusive appliance load disaggregation in smart homes using hybrid constrained particle swarm optimization and factorial hidden markov model | |
Liu et al. | A Dual-spine Approach to Load Error Repair in a HEMS Sensor Network | |
CN116166992A (zh) | 基于多特征事件分类的非侵入式负荷分解方法及系统 | |
Gurbuz et al. | Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree | |
CN113033076A (zh) | 基于多链分解方法的非侵入式负荷监测方法及装置 | |
Dan et al. | Review of non-intrusive load appliance monitoring | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
KR20230089652A (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
CN113033775A (zh) | 一种基于有监督学习的非侵入式负荷识别网络架构 | |
Li et al. | A fusion framework using integrated neural network model for non-intrusive load monitoring |
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 |