CN113902104A - 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 - Google Patents
联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN113902104A CN113902104A CN202111282747.7A CN202111282747A CN113902104A CN 113902104 A CN113902104 A CN 113902104A CN 202111282747 A CN202111282747 A CN 202111282747A CN 113902104 A CN113902104 A CN 113902104A
- Authority
- CN
- China
- Prior art keywords
- domain
- sample
- data
- load monitoring
- load
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007246 mechanism Effects 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004260 weight control Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,包括利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并将总体样本分为源域样本和目标域样本;对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据;联合无监督域自适应策略和注意力机制构建负荷监测网络模型;计算负荷监测网络模型损失;使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能。本发明可以有效的减小非侵入式负荷源域和目标域间特征空间和标签空间的分布差异,实现无监督的非侵入式负荷监测,具有良好的应用前景。
Description
技术领域
本发明涉及非侵入式负荷监测技术领域,具体涉及联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法。
背景技术
非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)是一种利用大数据分析对电力系统负荷进行检测与分解的技术,对电力需求侧管理的决策制度以及电网和电力用户互动体系的构建有着重要的意义。NILM不需要耗费大量设备与人力成本为所有待测负荷配备检测装置,是一种快捷、经济的负荷监测方法。近年来,随着大数据分析、智能电网、智能电表和智能家居等技术的不断成熟与推广,越来越多的技术专注于NILM。
20世纪80年代,英国学者Hart提出了非侵入式负荷的概念,同时构建了实现NILM的框架结构。目前,非侵入式负荷监测可分为以高频采样和以低频采样数据为基础的两种研究方法。以高频采样数据为基础的NILM,通过获取负荷开断时刻的暂态特征进行负荷识别与分解,但用电负荷高频数据往往不易获取,因此NILM研究以低频数据为主流,低频数据研究通过获取负荷的稳态特征,如稳态时的电压、电流、有功功率直接对负荷进行有效地识别与分解。
近年,鉴于深度学习的方法在语音识别、计算机视觉等多项领域获得突破进展,已经有部分技术使用深度学习的方法实现非侵入式负荷分解。2015年,英国学者Kelly第一次实现基于深度学习的非侵入式负荷分解,并采用三种模型进行验证,对比于传统隐马尔可夫模型和组合优化模型,算法的负荷分解准确度得到了提升。
上述工作推动了非侵入式负荷监测的研究,但是,也存在一些值得深入研究的问题,具体如下:
(1)从原始用电数据到负荷特征的提取过程必然导致信息的损失,现有技术对原始数据的预处理方法存在缺陷;
(2)现有技术假设源域数据和目标域数据共享相似的数据分布,但这一假设与实际并不相符,采样设备是可变的,不同品牌设备工作模式可能不同,环境噪声也不相同;
(3)现有的非侵入式负荷监测技术对负荷的特征提取不够充分,模型特征提取层次较浅;
(4)从分类算法看,早期的分类算法效果很大程度上依赖人为提取的负荷特征,算法本身不具有特征学习能力。
如何克服上述的问题,是当前需要解决的;因此,需要设计联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法。
发明内容
本发明的目的是克服现有非侵入式负荷监测方法存在的问题;本发明考虑了不同域之间输入总负荷和各项设备能耗的特征分布距离,首次将目标域的未标记数据用于NILM模型训练,还从原始负荷数据中提取适用于负荷监测的特征,并使用联合注意力机制的多核最大均值差异有效减小负荷源域和目标域间特征空间和标签空间的分布差异,实现了无监督的非侵入式负荷监测,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,包括以下步骤,
步骤(A),利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并将总体样本分为源域样本和目标域样本;
步骤(B),对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据;
步骤(C),联合无监督域自适应策略和注意力机制构建负荷监测网络模型;
步骤(D),计算负荷监测网络模型损失;
步骤(E),使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能。
前述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,步骤(A),利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并根据样本是否包含各项子设备功率数据将总体样本分为源域样本和目标域样本,其中源域样本为有标签样本且样本中包含各项子设备功率数据,而目标域样本为无标签样本且样本中没有子设备功率数据。
前述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,步骤(B),对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据,其中预处理具体为去噪处理、切割处理和映射处理,且具体步骤如下,
步骤(B1),去噪处理,使用阈值去噪法对样本中数值过大的部分数据进行去噪,且数据去噪时以最大值的80%替换原最大值;
步骤(B2),切割处理,将i个预测电器{A1,A2,...,Ai}对应的输入序列长度分别设置为{N1,N2,...,Ni},再设定序列长度对功率数据进行切割,并使其分为若干数据段;
步骤(B3),映射处理,其具体步骤如下,
步骤(B32),将整数化处理后的有功功率序列中每个值通过高维映射矩阵E=[v_s*e_s]映射到高维向量并得到映射后的序列再将作为A[1:Ni]生成输入矩阵A,且映射处理后的数据作为网络输入传输至输入层。
前述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,步骤(C),联合无监督域自适应策略和注意力机制构建负荷监测网络模型,其构建负荷监测网络模型的具体步骤是依次构建特征生成层、对抗领域判别层和负荷分解层,具体步骤如下,
步骤(C1),构建特征生成层F(x,θf),其具体步骤如下,
步骤(C11),引入多尺度特征提取能力的卷积神经网络作为特征生成层,且特征生成层F(x,θf)有5个卷积层,而滤波器数量分别为Nf、Nf、2Nf、2Nf和4Nf,核大小分别为9、7、5、5和5,并设置Nf=32;
步骤(C12),特征生成层F(x,θf)将源域样本xs∈XS和目标域样本xT∈XT分别映射到高级表达矩阵f(x)中,得到源域样本特征向量fS和目标域样本特征向量fT,且表达式如公式(1)所示,
f(x)=[f,φ(x)]H,fS~FS(fS)、fT~FT(fT) (1)
其中,H为再生希尔伯特空间,FS(fS)为源域特征分布,FT(fT)为目标域特征分布,φ(·)为x→H的空间映射函数;
步骤(C2),构建对抗领域判别层D(f,θd),其具体步骤如下,
步骤(C21),引入生成对抗网络,且在判别层D(f,θd)的作用下特征生成层F(x,θf)提取出域不变特征,对抗域鉴别层D(f,θd)由两个全连接层组成,第一全连接层包含Nc个隐藏节点,第二全连接层包含2个隐藏节点,设置Nc=256;
步骤(C22),以特征生成层F(x,θf)的输出fs和fT作为对抗领域判别层D(f,θd)的输入,对抗领域判别层D(f,θd)输出表达式如公式(2)所示,
步骤(C3),构建负荷分解层E(f,θe),将源域特征fs输入至负荷分解层E(f,θe),负荷分解层E(f,θe)由一层全连接层和一层dropout层组成,且负荷分解表达式如公式(3)所示,
前述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(D),计算负荷监测网络模型损失,其是将注意力机制引入至多核最大均值差异的前端,使用多核最大均值差异来计算源域特征与目标域特征之间的距离,且具体步骤如下,
步骤(D1),计算公式如公式(4)所示,
其中,F表示样本空间上的连续函数集,p,q为源域和目标域的分布,X,Y表示代表源域和目标域数据集,m,n为源域和目标域数据集的大小,Ep,Eq为源域和目标域特征分布的数学期望,μp等于Ep[φ(x)],μq等于Eq[φ(y)],dm为源域和目标域特征分布之间的距离,x,y为服从于p,q的随机变量,U为核向量的维数,k(·)为核向量,du为核向量ku对应的带宽系数,K为多核函数;
步骤(D2),网络的损失函数loss为回归损失lossR和域适应损失lossD之和,且计算公式如公式(5)所示,
其中,ns为源域数据集标签数量,nk为核函数数量,nFC为网络全连接层层数,Ds,DT分别表示源域和目标域数据集,λ表示权重参数。
前述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,步骤(E),使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能,其中采用adam优化器训练模型对负荷监测模型进行训练和测试,并采用准确率PRE、平均绝对值误差MAE、绝对误差和SAE以及R2决定系数四项指标作为评价标准。
本发明的有益效果是:本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,考虑了负荷不同域之间输入总负荷和各项设备能耗的特征分布距离,首次将目标域的未标记数据用于NILM模型训练,本发明从原始负荷数据中提取适用于负荷监测的特征,并使用联合注意力机制的多核最大均值差异有效减小负荷源域和目标域间特征空间和标签空间的分布差异,实现了无监督的非侵入式负荷监测,具有良好的应用前景。
附图说明
图1是本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法流程图;
图2是本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法模型网络结构示意图;
图3是本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法结果可视化展示图;
图4是本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法的Loss、MAE、SAE和R2曲线图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1-4所示,本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,包括以下步骤,
步骤(A),利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并根据样本是否包含各项子设备功率数据将总体样本分为源域样本和目标域样本,其中源域样本为有标签样本且样本中包含各项子设备功率数据,而目标域样本为无标签样本且样本中没有子设备功率数据。
步骤(B),对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据,其中预处理具体为去噪处理、切割处理和映射处理,且具体步骤如下,
步骤(B1),去噪处理,使用阈值去噪法对样本中数值过大的部分数据进行去噪,且数据去噪时以最大值的80%替换原最大值;
步骤(B2),切割处理,将i个预测电器{A1,A2,...,Ai}对应的输入序列长度分别设置为{N1,N2,...,Ni},再设定序列长度对功率数据进行切割,并使其分为若干数据段;
步骤(B3),映射处理,其具体步骤如下,
步骤(B32),将整数化处理后的有功功率序列中每个值通过高维映射矩阵E=[v_s*e_s]映射到高维向量并得到映射后的序列再将作为A[1:Ni]生成输入矩阵A,且映射处理后的数据作为网络输入传输至输入层;
其中,将整数有功功率映射到高维向量,实现了输入序列的抽象,同时也确定了高维向量与功率的对应关系,其作为本发明深度神经网络的输入,有利于后续编码器对时序信息的提取和负荷的分解。
步骤(C),联合无监督域自适应策略和注意力机制构建负荷监测网络模型,其构建负荷监测网络模型的具体步骤是依次构建特征生成层、对抗领域判别层和负荷分解层,具体步骤如下,
步骤(C1),构建特征生成层F(x,θf),其具体步骤如下,
步骤(C11),引入多尺度特征提取能力的卷积神经网络作为特征生成层,且特征生成层F(x,θf)有5个卷积层,而滤波器数量分别为Nf、Nf、2Nf、2Nf和4Nf,核大小分别为9、7、5、5和5,并设置Nf=32;
步骤(C12),特征生成层F(x,θf)将源域样本xs∈XS和目标域样本xT∈XT分别映射到高级表达矩阵f(x)中,得到源域样本特征向量fS和目标域样本特征向量fT,且表达式如公式(1)所示,
f(x)=[f,φ(x)]H,fS~FS(fS)、fT~FT(fT) (1)
其中,H为再生希尔伯特空间,FS(fS)为源域特征分布,FT(fT)为目标域特征分布,φ(·)为x→H的空间映射函数;
步骤(C2),构建对抗领域判别层D(f,θd),其具体步骤如下,
步骤(C21),引入生成对抗网络,且在判别层D(f,θd)的作用下特征生成层F(x,θf)提取出域不变特征,对抗域鉴别层D(f,θd)由两个全连接层组成,第一全连接层包含Nc个隐藏节点,第二全连接层包含2个隐藏节点,设置Nc=256;
步骤(C22),以特征生成层F(x,θf)的输出fs和fT作为对抗领域判别层D(f,θd)的输入,对抗领域判别层D(f,θd)输出表达式如公式(2)所示,
步骤(C3),构建负荷分解层E(f,θe),将源域特征fs输入至负荷分解层E(f,θe),负荷分解层E(f,θe)由一层全连接层和一层dropout层组成,且负荷分解表达式如公式(3)所示,
步骤(D),计算负荷监测网络模型损失,其是将注意力机制引入至多核最大均值差异的前端,使用多核最大均值差异来计算源域特征与目标域特征之间的距离,且具体步骤如下,
步骤(D1),计算公式如公式(4)所示,
其中,F表示样本空间上的连续函数集,p,q为源域和目标域的分布,X,Y表示代表源域和目标域数据集,m,n为源域和目标域数据集的大小,Ep,Eq为源域和目标域特征分布的数学期望,μp等于Ep[φ(x)],μq等于Eq[φ(y)],dm为源域和目标域特征分布之间的距离,x,y为服从于p,q的随机变量,U为核向量的维数,k(·)为核向量,du为核向量ku对应的带宽系数,K为多核函数;
步骤(D2),网络的损失函数loss为回归损失lossR和域适应损失lossD之和,且计算公式如公式(5)所示,
其中,ns为源域数据集标签数量,nk为核函数数量,nFC为网络全连接层层数,Ds,DT分别表示源域和目标域数据集,λ表示权重参数。
步骤(E),使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能,其中采用adam优化器训练模型对负荷监测模型进行训练和测试,并采用准确率PRE、平均绝对值误差MAE、绝对误差和SAE以及R2决定系数四项指标作为评价标准;
其中该步骤中使用的软件平台为Windows10(64位)操作系统,Python3.6.8、TensorFlow2.0.0机器学习平台;编译IDE为PyCharm,数据处理使用NILMTK开源工具包。
下面介绍本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法使用效果,
为了得到用于负荷分解的功率序列,对数据集内各电器序列进行激活提取,本发明的实施例为用到的五种电器设定了具体的序列长度及激活阈值,如表1所示。
表1序列长度及激活阈值
为全面评价模型性能,选用准确率PRE、平均绝对值误差MAE、绝对误差和SAE以及R2决定系数四项指标作为评价标准,且准确率为其中TP为模型判定结果与实际负荷都为运行状态的序列数量,FP为模型判定结果为非运行状态但实际负荷为运行状态的序列数量。
选取采集数据集内一段时间的负荷功率进行分解,通过实验结果可视化操作,能够直观的判断模型对各项电器功率的预测效果;由图3可以看出,在该段时间内,冰箱电器在训练集和测试集上负荷分解的预测值与真实值基本拟合,初步判断本模型的可行性。
实验选用了数据集中的冰箱、洗碗机、水壶、微波炉、洗衣机五种常用电器数据来对比所发明的模型与传统隐马尔可夫、最近CNN-LSTM模型性能上的差异,统计了各种电器的相应识别率,具体结果如表2所示。
表2各模型下不同电器的识别准确率(%)
相比于传统隐马尔可夫方法,本发明所述模型的分解准确率的提升程度为3%-19%,相比于最近的CNN-LSTM方法,本发明所述模型的分解准确率的提升程度为1%-7%。其中,对于洗衣机和水壶等多档运行的电器设备识别准确度提升效果较为明显,说明本发明所述模型模型对运行方式复杂的电器识别能力更强。实验结果表明,对于运行模式相对复杂的电器,本发明提出的方法优于现有方法;对于运行模式非常简单电器,优化效果相对有限,但大量实验结果表明,如果源域和目标域的分布差距并不显著,优化效果也很明显。
综上所述,本发明的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,考虑了负荷不同域之间输入总负荷和各项设备能耗的特征分布距离,首次将目标域的未标记数据用于NILM模型训练,本发明从原始负荷数据中提取适用于负荷监测的特征,并使用联合注意力机制的多核最大均值差异有效减小负荷源域和目标域间特征空间和标签空间的分布差异,实现了无监督的非侵入式负荷监测,具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:包括以下步骤,
步骤(A),利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并将总体样本分为源域样本和目标域样本;
步骤(B),对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据;
步骤(C),联合无监督域自适应策略和注意力机制构建负荷监测网络模型;
步骤(D),计算负荷监测网络模型损失;
步骤(E),使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能。
2.根据权利要求1所述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(A),利用低频功率采样电表采集时间信息和功率信息样本作为总体样本,并根据样本是否包含各项子设备功率数据将总体样本分为源域样本和目标域样本,其中源域样本为有标签样本且样本中包含各项子设备功率数据,而目标域样本为无标签样本且样本中没有子设备功率数据。
3.根据权利要求2所述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(B),对源域样本和目标域样本中样本集中的数据进行预处理,并得到模型的输入数据,其中预处理具体为去噪处理、切割处理和映射处理,且具体步骤如下,
步骤(B1),去噪处理,使用阈值去噪法对样本中数值过大的部分数据进行去噪,且数据去噪时以最大值的80%替换原最大值;
步骤(B2),切割处理,将i个预测电器{A1,A2,...,Ai}对应的输入序列长度分别设置为{N1,N2,...,Ni},再设定序列长度对功率数据进行切割,并使其分为若干数据段;
步骤(B3),映射处理,其具体步骤如下,
4.根据权利要求1所述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(C),联合无监督域自适应策略和注意力机制构建负荷监测网络模型,其构建负荷监测网络模型的具体步骤是依次构建特征生成层、对抗领域判别层和负荷分解层,具体步骤如下,
步骤(C1),构建特征生成层F(x,θf),其具体步骤如下,
步骤(C11),引入多尺度特征提取能力的卷积神经网络作为特征生成层,且特征生成层F(x,θf)有5个卷积层,而滤波器数量分别为Nf、Nf、2Nf、2Nf和4Nf,核大小分别为9、7、5、5和5,并设置Nf=32;
步骤(C12),特征生成层F(x,θf)将源域样本xs∈XS和目标域样本xT∈XT分别映射到高级表达矩阵f(x)中,得到源域样本特征向量fS和目标域样本特征向量fT,且表达式如公式(1)所示,
f(x)=[f,φ(x)]H,fS~FS(fS)、fT~FT(fT) (1)
其中,H为再生希尔伯特空间,FS(fS)为源域特征分布,FT(fT)为目标域特征分布,φ(·)为x→H的空间映射函数;
步骤(C2),构建对抗领域判别层D(f,θd),其具体步骤如下,
步骤(C21),引入生成对抗网络,且在判别层D(f,θd)的作用下特征生成层F(x,θf)提取出域不变特征,对抗域鉴别层D(f,θd)由两个全连接层组成,第一全连接层包含Nc个隐藏节点,第二全连接层包含2个隐藏节点,设置Nc=256;
步骤(C22),以特征生成层F(x,θf)的输出fs和fT作为对抗领域判别层D(f,θd)的输入,对抗领域判别层D(f,θd)输出表达式如公式(2)所示,
步骤(C3),构建负荷分解层E(f,θe),将源域特征fs输入至负荷分解层E(f,θe),负荷分解层E(f,θe)由一层全连接层和一层dropout层组成,且负荷分解表达式如公式(3)所示,
5.根据权利要求4所述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(D),计算负荷监测网络模型损失,其是将注意力机制引入至多核最大均值差异的前端,使用多核最大均值差异来计算源域特征与目标域特征之间的距离,且具体步骤如下,
步骤(D1),计算公式如公式(4)所示,
其中,F表示样本空间上的连续函数集,p,q为源域和目标域的分布,X,Y表示代表源域和目标域数据集,m,n为源域和目标域数据集的大小,Ep,Eq为源域和目标域特征分布的数学期望,μp等于Ep[φ(x)],μq等于Eq[φ(y)],dm为源域和目标域特征分布之间的距离,x,y为服从于p,q的随机变量,U为核向量的维数,k(·)为核向量,du为核向量ku对应的带宽系数,K为多核函数;
步骤(D2),网络的损失函数loss为回归损失lossR和域适应损失lossD之和,且计算公式如公式(5)所示,
loss=lossR+λlossD (5)
其中,ns为源域数据集标签数量,nk为核函数数量,nFC为网络全连接层层数,Ds,DT分别表示源域和目标域数据集,λ表示权重参数。
6.根据权利要求3或5所述的联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法,其特征在于:步骤(E),使用预处理后的数据对负荷监测模型进行训练和测试,并评估负荷分解性能,其中采用adam优化器训练模型对负荷监测模型进行训练和测试,并采用准确率PRE、平均绝对值误差MAE、绝对误差和SAE以及R2决定系数四项指标作为评价标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282747.7A CN113902104A (zh) | 2021-11-01 | 2021-11-01 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282747.7A CN113902104A (zh) | 2021-11-01 | 2021-11-01 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902104A true CN113902104A (zh) | 2022-01-07 |
Family
ID=79027764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111282747.7A Pending CN113902104A (zh) | 2021-11-01 | 2021-11-01 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902104A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270938A (zh) * | 2021-04-20 | 2021-08-17 | 天津大学 | 一种无监督非侵入式负荷监测结果自主标注方法 |
CN115169544A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种短期光伏发电功率预测方法及系统 |
CN115204529A (zh) * | 2022-09-15 | 2022-10-18 | 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 |
CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
CN117093929A (zh) * | 2023-07-06 | 2023-11-21 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
CN117407693A (zh) * | 2023-10-20 | 2024-01-16 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111803A (zh) * | 2019-05-09 | 2019-08-09 | 南京工程学院 | 基于自注意多核最大均值差异的迁移学习语音增强方法 |
CN111242157A (zh) * | 2019-11-22 | 2020-06-05 | 北京理工大学 | 联合深度注意力特征和条件对抗的无监督域自适应方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 |
-
2021
- 2021-11-01 CN CN202111282747.7A patent/CN113902104A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111803A (zh) * | 2019-05-09 | 2019-08-09 | 南京工程学院 | 基于自注意多核最大均值差异的迁移学习语音增强方法 |
CN111242157A (zh) * | 2019-11-22 | 2020-06-05 | 北京理工大学 | 联合深度注意力特征和条件对抗的无监督域自适应方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 |
Non-Patent Citations (3)
Title |
---|
RUIYU LIANG ET AL.: "Transfer Learning Algorithm for Enhancing the Unlabeled Speech", 《IEEE ACCESS》 * |
YINYAN LIU ET AL.: ""Unsupervised Domain Adaptation for Non-Intrusive Load Monitoring Via Adversarial and Joint Adaptation Network", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
王轲 等: "基于seq2seq和Attention机制的居民用户非侵入式负荷分解", 《中国电机工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270938A (zh) * | 2021-04-20 | 2021-08-17 | 天津大学 | 一种无监督非侵入式负荷监测结果自主标注方法 |
CN115169544A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种短期光伏发电功率预测方法及系统 |
CN115204529A (zh) * | 2022-09-15 | 2022-10-18 | 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 |
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 |
CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
CN116526459B (zh) * | 2023-04-28 | 2024-02-20 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
CN117093929A (zh) * | 2023-07-06 | 2023-11-21 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
CN117093929B (zh) * | 2023-07-06 | 2024-03-29 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
CN117407693A (zh) * | 2023-10-20 | 2024-01-16 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
CN117407693B (zh) * | 2023-10-20 | 2024-05-24 | 湖北大学 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
Liu et al. | Super resolution perception for smart meter data | |
Li et al. | A nonintrusive load identification model based on time-frequency features fusion | |
CN110580502A (zh) | 基于高斯混合的因子隐马尔可夫负荷分解方法 | |
Wang et al. | A new approach for supervised power disaggregation by using a denoising autoencoder and recurrent LSTM network | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
Chen et al. | An intelligent system for mining usage patterns from appliance data in smart home environment | |
CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
Chen et al. | Nonintrusive load monitoring based on self-supervised learning | |
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 | |
Bartman et al. | Identification of electrical appliances using their virtual description and data selection for non-intrusive load monitoring | |
CN117634905A (zh) | 一种电网业务数据特征提取方法 | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
CN112070625A (zh) | 一种用户用电行为模式识别方法及系统 | |
CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
CN115841338A (zh) | 确定异常用电行为的方法及装置、非易失性存储介质 | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
CN111598145B (zh) | 基于混合概率标签时变约束分配的非侵入式负荷监测方法 | |
Huang et al. | An online non-intrusive load monitoring method based on Hidden Markov model | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
Cui et al. | Neural network with extended input for estimating electricity consumption using background-based data generation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220107 |
|
RJ01 | Rejection of invention patent application after publication |