CN113378655A - 一种基于深度神经网络的对抗性能量分解方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的对抗性能量分解方法，将抗性学习的思想引入到NILM中，采用序列到点(Seq2Point)进行学习，将家庭能耗功率窗口序列y(t‑W/2:t+W/2)作为输入，预测电器的中点t的能耗功率。首先，通过端到端训练好N个电器特征生成器G_i；然后，通过N个判别器D₁,D₂,…,D_N，用N个电器特征生成器G₁,G₂,…,G_N以对抗方式训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N，该训练使共享特征生成器G不仅学习到不同电器的碎片表示，而且使其捕获到每个电器的特定多模结构。在真实数据集上的大量实验验证，本发明可以提高每个电器能耗功率分离的精度以及整体分离的精度。

Description

一种基于深度神经网络的对抗性能量分解方法

技术领域

本发明属于能量分解技术领域，更为具体地讲，涉及一种基于深度神经网络的对抗性能量分解方法。

背景技术

能源效率和可再生能源是可持续能源的两大支柱，能源效率是21世纪人类面临的巨大挑战。如今，大多数能源消费行为都有数字记录，许多能源问题可以表述为信息学问题。因此，我们的社会越来越期望数据科学能够在应对能源挑战方面发挥作用。

能量分解，也被称为非侵入式负载监测(Non-Intrusive Load Monitoring，简称NILM)，已被证明对能源效率有显著影响。最早是由Hart等人提出，能量分解的任务是将将聚集能耗(一个家庭总的能耗功率)分离成不同电器的单独消耗(电器能耗功率)的问题。为了更好地理解，图1给出了一个NILM任务的例子。图1中从(a)到(e)分别表示聚合能耗、微波炉能耗、冰箱能耗、电水壶能耗和洗碗机能耗，能量分解的任务是将聚集能耗分解成不同的电器能耗。研究表明，能量分解有利于能源效率的提高，估计家电级别的能耗能够减少15％。

从技术上讲，能量分解可以表示为单通道盲源分离(Blind Source Separation，简称BSS)问题。这个问题不是微不足道的，因为它是无法识别的。人们需要从一次观测中发现不止一个来源。现有的解决这一问题的方法可以分为传统类别和深层类别两种。

具体地，传统类别中的算法采用诸如稀疏编码、阶乘隐马尔可夫模型和k近邻等来分离聚集能耗。其中，最流行的NILM模型是阶乘隐马尔可夫模型(FHMM)。例如，钟等人提出了一种带信号聚集约束的加性FHMM算法，Shaloudesi等人提出了一种基于半定松弛和随机舍入相结合的可扩展近似推理FHMM算法。大多数传统类别的方法是事件驱动的，即它们跟踪不同电器的足迹来估计设备是打开还是关闭。

近年来，深度神经网络(Deep Neural Networks,简称DNNs)被成功地应用于能量分解，包括循环神经网络(RNN)及其变种，如长短期记忆网络(LSTM)和门控递归单元(GRU)，由于其在时间序列处理方面的优越性能，已被应用于NILM中。例如，Mauch等人提倡使用多个双向LSTM层来解决能量分解问题。Kim等人通过LSTM模型解决了能量分解问题，并提出了一种新的签名来提高性能。Kaslimi等人提出了CoBiLSTM，它利用了LSTM网络的代表性，实现了对外部环境的自适应。虽然大多数对时间序列数据建模的研究都是利用RNN，但卷积神经网络(CNNs)也因其强大的模式局部特征提取能力而适应于能量分解的环境。为了减轻长输入序列中的计算复杂度问题，一个常见的技巧是使用滑动窗口而不是整个序列。例如，凯利等人研究了卷积神经网络、递归神经网络和去噪自动编码器等几种动态神经网络在能量分解问题上的应用，提出了带滑动窗口的序列到序列学习方法，并展示了深度学习方法相对于传统方法的优越性。Chen等人提出了一种卷积序列到序列模型，并将门控线性单元(GLU)卷积块引入能量分解，用于从主要读数中提取信息并控制传统CNN层输出的特征。这些深层类别的方法更像是模型驱动，即试图自动揭示嵌入在观测数据中的时间结构。例如，神经NILM将序列到序列(Seq2seq)学习引入到能量分解中，与传统方法相比取得了显著的性能改进。

然而，现有的能量分解方法在每个电器能耗功率分离的精度以及整体分离的精度都还有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度神经网络的对抗性能量分解方法，以提高每个电器能耗功率分离的精度以及整体分离的精度。

为实现上述发明目的，本发明基于深度神经网络的对抗性能量分解方法，其特征在于，包括以下步骤：

(1)、训练电器特征生成器

首先，为第i个家用电器构建一个特征生成器G_i(电器特征生成器)以及一个预测器C_i(电器预测器)，其中，特征生成器G_i提取家庭能耗功率窗口序列y(t-W/2:t+W/2)的电器特定特征G_i(y(t-W/2:t+W/2))后，送入电器预测器C_i预测得到第i个电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))，然后，通过端到端的方式训练电器特征生成器G_i和电器预测器C_i，训练用的预测损失函数为：

其中，

x_i(t)为第i个家用电器第t个时刻的真实能耗功率，T为时刻点数量，

y(t)为第t个时刻的家庭能耗功率，E表示求期望值，W表示窗口大小；家庭能耗功率窗口序列为：

y(t-W/2:t+W/2)＝{y(t-W/2),y(t-W/2+1),...,y(t+W/2)}；

预测损失函数L_pred(X_i,Y；G_i,C_i)的含义为：将第i个家用电器第t个时刻的真实能耗功率x_i(t)减去由电器特征生成器G_i和电器预测器C_i从家庭能耗功率窗口序列y(t-W/2:t+W/2)分离出来的第i个家用电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))得到预测差值，然后对预测差值取2范数并求平方；对于第i个家用电器属于序列X_i的真实能耗功率x_i(t)、序列Y的家庭能耗功率窗口序列y(t-W/2:t+W/2)得到的预测差值2范数平方求期望，得到预测损失函数L_pred(X_i,Y；G_i,C_i)；

(2)、对抗训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N

首先，构建一共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N，其中，家庭能耗功率窗口序列y(t-W/2:t+W/2)同时送入共享特征生成器G、N个电器特征生成器G₁,G₂,…,G_N进行特征提取；共享特征生成器G提取的共享特征G(y(t-W/2:t+W/2))同时送入N个判别器D₁,D₂,…,D_N，得到判别结果D_i(G(y(t-W/2:t+W/2)))，电器特征生成器G_i提取的电器特定特征G_i(y(t-W/2:t+W/2))送入判别器D_i,i＝1,2,…,N，得到判别结果D_i(G_i(y(t-W/2:t+W/2)))；同时，将N个电器预测器C_i的输入均切换连接到共享特征生成器G的输出，对提取的共享特征分别进行预测，分别得到第i个家用电器的预测能耗功率

然后，对共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N进行对抗训练，训练表述为：

L＝L_adv(Y；G,D₁,D₂,...,D_N)+λL_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)

其中：

λ为折中参数；

的含义为：通过更新共享特征生成器G、N个C′₁,C′₂,...,C′_N电器预测器的网络参数，使得损失函数L最小，更新N个判别器D₁,D₂,…,D_N的网络参数使得损失函数L最大，形成对抗训练；

L_adv(Y；G,D₁,D₂,...,D_N)为N个判别器D₁,D₂,…,D_N对所有时刻的判别结果误差之和的期望的累加值；

L_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)为N个电器预测器C′₁,C′₂,...,C′_N对所有时刻的预测能耗功率预测差值的期望的累加值；

(3)、能量分解

将家庭能耗功率输入到共享特征生成器G，得到共享特征，将共享特征同时送入电器预测器C′₁,C′₂,...,C′_N，得到N个家用电器的预测能耗功率

从而完成能量分解。

本发明的发明目的是这样实现的：

本发明基于深度神经网络的对抗性能量分解方法，将抗性学习的思想引入到NILM中，采用序列到点(Seq2Point)进行学习，将家庭能耗功率窗口序列y(t-W/2:t+W/2)作为输入，预测电器的中点t的能耗功率。首先，通过端到端训练好N个电器特征生成器G_i；然后，通过N个判别器D₁,D₂,…,D_N，用N个电器特征生成器G₁,G₂,…,G_N以对抗方式训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N，该训练使共享特征生成器G不仅学习到不同电器的碎片表示，而且使其捕获到每个电器的特定多模结构。在真实数据集上的大量实验验证，本发明可以提高每个电器能耗功率分离的精度以及整体分离的精度。

附图说明

图1是NILM任务一具体实例图；

图2是本发明基于深度神经网络的对抗性能量分解方法一种具体实施方式流程图；

图3是一个电器特征生成器的训练示意图；

图4是图3所示的电器特征生成器以及电器预测器的具体网络结构示意图；

图5是共享特征生成器以及N个电器预测器的对抗训练示意图，其中，(a)为整体框图，(b)为判别器判别示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

能量分解的目标是从家庭能耗功率分离出不同电器的能耗功率。能量分解的最新进展表明，通过学习深层特征，可以将不同的电器能耗功率与家庭能耗功率区分开来。由于能量分解是一个无法识别的盲源分离问题，不同电器的能耗功率在家庭能耗功率中混合在一起。因此，基于特征学习的能量分解方法面临的主要挑战是学习到的特征是否能捕捉到不同电器的多模结构。为方便起见，本发明将共享特征生成器和电器特征生成器中学习到的特征分别称为共享特征和电器特定特征。在本发明中，共享特征生成器来捕捉每个电器的特征。为此，首先训练多个特定于电器的电器特征生成器，每个电器一个，以学习特定于电器的电器特定特征。在对抗性学习过程中，共享生成器学习共享特征以混淆鉴别器。一旦辨别器被混淆，就假设共享特征表示已经捕获了不同电器的所有多模结构。此外，还对共享特征训练电器预测器(分类器)以利用监督信息，最后用训练好的共享特征生成器G、电器预测器C′₁,C′₂,...,C′_N进行能量分解。

假设一个家庭中有N个电器，家庭能耗功率用Y表示，

y(t)为第t个时刻的家庭能耗功率。对于第i个电器，

x_i(t)为第i个家用电器第t个时刻的真实能耗功率，X_i和Y之间的关系可表示为

其中∈(t)是服从均值为0，方差为

的高斯分布的随机噪声，即

能量分解的任务是根据家庭能耗功率Y来推断每种电器的个体消耗，即

在分发明的深度神经网络中，用字母G、D和C分别表示生成器、判别器和预测器。

图2是本发明基于深度神经网络的对抗性能量分解方法一种具体实施方式流程图。

在本实施例中，如图1所示，本发明基于深度神经网络的对抗性能量分解方法，包括以下步骤：

步骤S1：训练电器特征生成器

如图3所示，首先，为第i个家用电器构建一个特征生成器G_i(电器特征生成器)以及一个预测器C_i(电器预测器)，其中，特征生成器G_i提取家庭能耗功率窗口序列y(t-W/2:t+W/2)的电器特定特征G_i(y(t-W/2:t+W/2))后，送入电器预测器C_i预测得到第i个家用电器第t个时刻的预测能耗功率

然后，通过端到端的方式训练电器特征生成器G_i和电器预测器C_i，训练用的预测损失函数为：

其中，

x_i(t)为第i个家用电器第t个时刻的真实能耗功率，T为时刻点数量，

y(t)为第t个时刻的家庭能耗功率，E表示求期望值，W表示窗口大小；家庭能耗功率窗口序列为：

y(t-W/2:t+W/2)＝{y(t-W/2),y(t-W/2+1),...,y(t+W/2)}；

预测损失函数L_pred(X_i,Y；G_i,C_i)的含义为：将第i个家用电器第t个时刻的真实能耗功率x_i(t)减去由电器特征生成器G_i和电器预测器C_i从家庭能耗功率窗口序列y(t-W/2:t+W/2)分离出来的第i个家用电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))得到预测差值，然后对预测差值取2范数并求平方；对于第i个家用电器属于序列X_i的真实能耗功率x_i(t)、序列Y的家庭能耗功率窗口序列y(t-W/2:t+W/2)得到的预测差值2范数平方求期望，得到预测损失函数L_pred(X_i,Y；G_i,C_i)。

在本实施例中，如图4所示，电器特征生成器由四个卷积层和两个最大池化层组成，两个最大池化层被设置在第一卷积层和最后卷积层之后，并且分别具有3和2的核大小。卷积层的过滤器大小和通道数据分别设置为{7×1，5×1，5×1，3×1}和{30，40，40，50}。电器预测器由三个密集组成。

步骤S2：对抗训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N

如图5所示，首先，构建一共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N。在本实施例中，共享特征生成器G、电器预测器C′₁,C′₂,...,C′_N分别与图3所示的电器特征生成器、电器预测器结构相同。

家庭能耗功率窗口序列y(t-W/2:t+W/2)同时送入共享特征生成器G、N个电器特征生成器G₁,G₂,…,G_N进行特征提取；共享特征生成器G提取的共享特征G(y(t-W/2:t+W/2))同时送入N个判别器D₁,D₂,…,D_N，得到判别结果D_i(G(y(t-W/2:t+W/2)))，电器特征生成器G_i提取的电器特定特征G_i(y(t-W/2:t+W/2))送入判别器D_i,i＝1,2,…,N，得到判别结果D_i(G_i(y(t-W/2:t+W/2)))；同时，将N个电器预测器C_i的输入均切换连接到共享特征生成器G的输出，对提取的共享特征分别进行预测，分别得到第i个家用电器的预测能耗功率

然后，对共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N进行对抗训练，训练表述为：

L＝L_adv(Y；G,D₁,D₂,...,D_N)+λL_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)

其中：

λ为折中参数。

的含义为：通过更新共享特征生成器G、N个C′₁,C′₂,...,C′_N电器预测器的网络参数，使得损失函数L最小，更新N个判别器D₁,D₂,…,D_N的网络参数使得损失函数L最大，形成对抗训练。

L_adv(Y；G,D₁,D₂,...,D_N)为N个判别器D₁,D₂,…,D_N对所有时刻的判别结果误差之和的期望的累加值。

L_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)为N个电器预测器C′₁,C′₂,...,C′_N对所有时刻的预测能耗功率预测差值的期望的累加值。

在本实施例中，共享特征生成器G与电器特征生成器G_i具有相同的结构，电器预测器C′₁,C′₂,...,C′_N与电器预测器C₁,C₂,…,C_N也具有相同的结构，即结构如图4所示。

经过几轮训练后，共享特征生成器G将能够提取(学习到)所有电器的特定特征表示即(共享特征)。也就是说共享特征生成器G学习的共享特征可以被视为欺骗判别器的“假的”，而特定于电器的电器特征生成器学习的电器特定特征可以被认为是“真实的”。一旦判别器被混淆，共享特征生成器G就会捕获每个设备的复杂多模结构。

步骤S3：能量分解

将家庭能耗功率输入到共享特征生成器G，得到共享特征，将共享特征同时送入电器预测器C′₁,C′₂,...,C′_N，得到N个家用电器的预测能耗功率

从而完成能量分解。

本发明整个训练过程都是通过对抗性的方式进行的。一方面，共享特征生成器G和电器预测器C′₁,C′₂,...,C′_N一起训练，以最小化预测损失和多对手领域泛化损失。另一方面，又判别器D₁,D₂,…,D_N一起训练，以最大化多对手领域泛化损失，从而与电器特征生成器G₁,G₂,…,G_N竞争，使得共享特征生成器G获到每个电器的特定多模结构，从而提高每个电器能耗功率分离的精度以及整体分离的精度。

实验验证

在本实验验证中，从美国和英国家庭收集的两个真实数据集上验证了本发明所提出方法，并将本发明与之前采用不同技术的几种最先进的方法进行了比较。本发明是由PyTorch实现的，并在NVIDIA GTX 2080Ti GPU上进行了训练，具体验证比较如下：

1、数据集

在两个用于能量分解的流行数据集上验证本发明，其中：

REDD数据集是NILM任务的一个广泛使用的基准。该数据集记录了2012年11月至2015年1月期间美国6所住宅的家用电器能耗和全屋水平的家庭能耗。家用电器能耗功率的记录间隔为3秒，家庭能耗功率的记录间隔为1秒。在本实验验证中，使用2到6号住宅进行训练，1号住宅进行测试。同时，在实验验证中只考虑了微波炉、冰箱、洗碗机和洗衣机。

UK-Dale数据集2记录了从2012年11月到2015年1月五个英国住宅的家用电器级别和全屋级别的能耗功率。记录每6秒读取一次。在本实验验证中，，选择洗衣机、水壶、微波炉、洗碗机和冰箱进行评估。房屋1、3、4和5用于训练，房屋2用于测试。

2、实施详情

2.1)、网络架构

本发明由三个类神经网络组成：生成器、判别器和预测器。生成器和预测器的架构如图3所示。判别器为三个全连接层：FC-ReLU-FC-ReLU-FC-Sigmoid。本发明采用批量归一化和丢弃的方法。

2.2)、超参数设置

用ADAM优化器对网络进行了优化，参数为β₁＝0.9，β₂＝0.999，∈＝10^-8，学习率为0.001。窗口大小为599(一个样本窗口包含599个记录点)，批大小为1000。

2.3)、数据预处理

为了进行公平的比较，遵循先前的工作对数据进行预处理。具体地说，首先通过每个家庭住宅的时间戳将家庭能耗功率与电器能耗功率对齐，然后将它们连接在一起。

3、比较方法和评价指标

在本实验验证中，本发明与以前几种采用不同技术的有代表性的方法进行了比较。具体比较的方法为：AFHMM、Seq2seq、Seq2point，其中，AFHMM是建立在加性阶乘隐马尔可夫模型基础上的传统方法，Seq2seq是一种利用序列到序列学习的深层方法，Seq2point是最近提出的一种深度学习方法，它采用顺序到点的学习方法。值得注意的是，seq2point的预测结果是通过运行方法提出者的代码所能达到的最好结果。为了进行公平比较，使用平均绝对误差(Mean Absolute Error，简称MAE)、绝对误差和(Sum of Absolute Error，简称SAE)进行比较：

使用的平均绝对误差(MAE)和绝对误差和(SAE)不存在线性关系。平均绝对误差(MAE)反映了预测在每个记录点的细粒度性能，绝对误差和(SAE)报告了更全局的预测精度。

4、定量结果

在REDD数据集上进行实验验证定量结果见表2。

表1

表1中最佳结果以粗体突出显示。从表1中的结果可以看出，本发明方法在四分之三的电器上取得了最好的结果。就平均性能而言，本发明方法的MAE和SAE都是最小的。本发明方法的平均MAE是17.68，而以前最先进的方法seq2point达到了只有24.24。提高了27％。同时，还可以看出，本发明大大降低了洗碗机的MAE，降低了48.7％。对于微波炉和洗衣机等其他家电，本发明可以使MAE值分别降低39.5％和28.5％。此外，本发明方法还将平均SAE降低了44.4％。实验结果表明，无论是在单个电器预测(MAE)还是总体预测(SAE)方面，本发明都具有更好的NILM性能。

在UK-Dale数据集上进行实验验证定量结果见表2。

表2

表3中最佳结果以粗体突出显示。从表3中的结果可以得出类似的结论。本发明在所有电器上都优于以前最先进的方法。与Seq2point相比，本发明平均MAE和SAE分别降低了43.3％和64.0％。其中，水壶、微波炉、冰箱、洗碗机和洗衣机的MAE值分别降低了34.8％、31.6％、36.2％、49.3％和54.7％。值得注意的是，本发明具有最小的标准偏差，这表明本发明对不同的电器是稳健的。本发明通过多对偶学习来训练特征表示网络。因此，嵌入在不同电器特定信号中的多模结构可以被保留，这解释了本发明结果的小标准差。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于深度神经网络的对抗性能量分解方法，其特征在于，包括以下步骤：

(1)、训练电器特征生成器

首先，为第i个家用电器构建一个特征生成器G_i(电器特征生成器)以及一个预测器C_i(电器预测器)，其中，特征生成器G_i提取家庭能耗功率窗口序列y(t-W/2:t+W/2)的电器特定特征G_i(y(t-W/2:t+W/2))后，送入电器预测器C_i预测得到第i个电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))，然后，通过端到端的方式训练电器特征生成器G_i和电器预测器C_i，训练用的预测损失函数为：

其中，X_i＝{x_i(1),x_i(2),...,

x_i(t)为第i个家用电器第t个时刻的真实能耗功率，T为时刻点数量，Y＝{y(1),y(2),...,

y(t)为第t个时刻的家庭能耗功率，E表示求期望值，W表示窗口大小；家庭能耗功率窗口序列为：

y(t-W/2:t+W/2)＝{y(t-W/2),y(t-W/2+1),...,y(t+W/2)}；

预测损失函数L_pred(X_i,Y；G_i,C_i)的含义为：将第i个家用电器第t个时刻的真实能耗功率x_i(t)减去由电器特征生成器G_i和电器预测器C_i从家庭能耗功率窗口序列y(t-W/2:t+W/2)分离出来的第i个家用电器第t个时刻的预测能耗功率C_i(G_i(y(t-W/2:t+W/2)))得到预测差值，然后对预测差值取2范数并求平方；对于第i个家用电器属于序列X_i的真实能耗功率x_i(t)、序列Y的家庭能耗功率窗口序列y(t-W/2:t+W/2)得到的预测差值2范数平方求期望，得到预测损失函数L_pred(X_i,Y；G_i,C_i)；

(2)、对抗训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N

首先，构建一共享特征生成器G、N个电器预测器C′₁,C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N，其中，家庭能耗功率窗口序列y(t-W/2:t+W/2)同时送入共享特征生成器G、N个电器特征生成器G₁,G₂,…,G_N进行特征提取；共享特征生成器G提取的共享特征G(y(t-W/2:t+W/2))同时送入N个判别器D₁,D₂,…,D_N，得到判别结果D_i(G(y(t-W/2:t+W/2)))，电器特征生成器G_i提取的电器特定特征G_i(y(t-W/2:t+W/2))送入判别器D_i,i＝1,2,…,N，得到判别结果D_i(G_i(y(t-W/2:t+W/2)))；同时，将N个电器预测器C_i的输入均切换连接到共享特征生成器G的输出，对提取的共享特征分别进行预测，分别得到第i个家用电器的预测能耗功率

i＝1,2,…,N；

然后，对共享特征生成器G、N个电器预测器C′₁，C′₂,...,C′_N以及N个判别器D₁,D₂,…,D_N进行对抗训练，训练表述为：

L＝L_adv(Y；G,D₁,D₂,...,D_N)+λL_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)

其中：

λ为折中参数；

的含义为：通过更新共享特征生成器G、N个C′₁,C′₂,...,C′_N电器预测器的网络参数，使得损失函数L最小，更新N个判别器D₁,D₂,…,D_N的网络参数使得损失函数L最大，形成对抗训练；

L_adv(Y；G,D₁,D₂,...,D_N)为N个判别器D₁,D₂,…,D_N对所有时刻的判别结果误差之和的期望的累加值；

L_pred(X_i,Y；G,C′₁,C′₂,...,C′_N)为N个电器预测器C′₁,C′₂,...,C′_N对所有时刻的预测能耗功率预测差值的期望的累加值；

(3)、能量分解

将家庭能耗功率输入到共享特征生成器G，得到共享特征，将共享特征同时送入电器预测器C′₁,C′₂,...,C′_N，得到N个家用电器的预测能耗功率

从而完成能量分解。

Images