CN114037178A - 基于无监督预训练神经网络的非侵入式负荷分解方法 - Google Patents
基于无监督预训练神经网络的非侵入式负荷分解方法 Download PDFInfo
- Publication number
- CN114037178A CN114037178A CN202111394557.4A CN202111394557A CN114037178A CN 114037178 A CN114037178 A CN 114037178A CN 202111394557 A CN202111394557 A CN 202111394557A CN 114037178 A CN114037178 A CN 114037178A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sequence
- training
- total power
- network
- 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
- 238000012549 training Methods 0.000 title claims abstract description 57
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000004851 dishwashing Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于无监督预训练神经网络的非侵入式负荷分解方法，在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络模型，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。本发明方法在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。
Description
技术领域
本发明属于非侵入式电力负荷监测领域，尤其涉及一种基于无监督预训练的序列到点网络的非侵入式负荷分解方法。
背景技术
随着智能电网的不断发展以及智能传感技术的持续推广，电力大数据分析已逐渐成为电力行业专家学者们研究的热点。如何从用电数据中获取有用信息，推动电力公司与用户良性互动，优化电网运行的同时保障双方利益，是电力行业关注的重点。用户负荷用电细节监测是目前智能用电大数据研究的重要内容之一[1]，分为侵入式和非侵入式两种，通过对负荷用电行为的研究，指导电力公司更好地进行决策与服务。
与侵入式负荷监测不同，非侵入式负荷监测(Non-intrusive Load Monitoring，NILM)技术是指仅在用户入口处安装一个传感器，通过采集和分析用户总用电数据来监测户内每个或每类电器的用电功率和工作状态，从而了解居民家中各电器的耗电情况及用电规律。NILM技术对于优化电网规划、运行与管理，用户节省电能及电费具有重要意义，同时也是推动需求侧精细化管理、节能减排的关键技术之一[2]。
NILM技术自提出以来便受到广泛关注，目前已有多种方法被应用于非侵入式负荷分解当中，已在图像处理以及自动语音识别等领域成功应用的深度神经网络，近年来也成为了实现非侵入式负荷分解的重要方法。其中，卷积神经网络能够有效提取电器用电信息中的有用特征，在NILM问题中展现出更好的效果。利用卷积神经网络，将NILM问题转化为序列到点的学习问题[3]，输入窗口在整个总功率序列上滑动，网络预测相应单个电器窗口的中点。该方法使神经网络能够将其表征能力集中在窗口的中点，充分利用过去和未来的信息，提高网络预测能力，且该方法已被证明具有很好的负荷分解性能。
目前，深度学习在NILM领域展现出良好的负荷分解效果，但这些方法需要几周甚至几年的大量有标签数据对深度神经网络进行训练。这里，有标签数据是指电表采集到的具有相应单个电器用电信息的用户总用电信息。然而在实际中，获取大量的总用电信息以及相应的单个电器用电信息是十分困难且昂贵的，多数情况下很难为每个电器安装电表去采集很长一段时间内的用电数据，但是获得大量的无标签总用电数据是相对容易的。
因此，对于上述问题，常见的用于NILM的深度学习方法无法满足要求，亟需设计适用于少量有标签数据场景的基于深度学习的非侵入式负荷分解方法。
[参考文献]
[1]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[J].电网技术,2016,40(03):791-796.
[2]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网技术,2013,7(04):1-5.
[3]C.Zhang,M.Zhong,Z.Wang,N.Goddard,and C.Sutton,“Sequence-to-pointlearning with neural networks for non-intrusive load monitoring,”Proceedingsof the AAAI Conference on Artificial Intelligence,2018,vol.32,no.1.
[4]Murray D,Stankovic L,Stankovic V.An electrical load measurementsdataset of United Kingdom households from a two-year longitudinal study[J].Scientific data,2017,4(1):1-12.
发明内容
考虑到现有深度学习方法在有标签数据量很少的情况下，负荷分解效果较差，为提高深度神经网络在这一场景下的负荷分解效果，本发明设计了一种新的基于无监督预训练神经网络的非侵入式负荷分解方法，以提高网络在少量有标签数据下的分解性能。
为了解决上述技术问题，本发明提出的一种基于无监督预训练神经网络的非侵入式负荷分解方法，包括以下步骤：
步骤1：在同一家庭电力负荷测量数据集中，选定目标家庭后，将除目标家庭以外的其他家庭的无标签总功率数据输入到一神经网络中，所述神经网络是序列到点卷积神经网络，其结构由5层卷积层和1层全连接层组成；
步骤2：利用同一数据集中除目标家庭以外的其他家庭的无标签总功率数据，对所述序列到点卷积神经网络进行无监督预训练，得到预训练的序列到点卷积神经网络模型；
所述的无监督预训练阶段中，所述序列到点卷积神经网络的输入表示为总功率序列滑动窗口Yt:t+W-1，t为时间，W表示总功率序列滑动窗口的长度，W为奇数，该网络的输出是总功率序列窗口的中点值Yτ，无监督预训练阶段的序列到点卷积神经网络模型如式(1)：
Yτ＝Fp(Yt:t+W-1)+ε (1)
式(1)中，
ε是W维的高斯随机噪声；
无监督预训练阶段的序列到点卷积神经网络训练的损失函数形式为：
式(2)中，θp是网络参数，T是输入的总功率序列的总长，将该总功率序列输入至该网络时，将输入的总功率序列的两端均补上长度为[(W-1)/2]的0值；
步骤3：获取目标家庭少于一周的具有相应单个电器功率的总功率数据，输入到步骤2得到的预训练后的序列到点卷积神经网络模型中；利用目标家庭少于一周的有标签数据对该预训练后的序列到点卷积神经网络模型进行有监督参数微调；
所述的有监督参数微调阶段中，所述预训练后的序列到点卷积神经网络模型的输入为总功率序列滑动窗口Yt:t+W-1，t为时间，W表示总功率序列滑动窗口的长度，W为奇数；该网络的输出是电器m功率序列窗口的中点值
有监督参数微调阶段的序列到点卷积神经网络模型如式(3)所示：
式(3)中，
ε是W维的高斯随机噪声；
有监督参数微调阶段的序列到点卷积神经网络训练的损失函数形式为：
式(4)中，θp是网络参数，T是输入的总功率序列的总长，将该总功率序列输入至该网络时，将输入的总功率序列两端均补上长度为[(W-1)/2]的0值；
至此，得到参数微调后的网络模型即为用于从总功率中分解出单个电器功率的负荷分解模型；
步骤4：将目标家庭的总功率信号输入到上述的负荷分解模型中，该负荷分解模型输出单个电器功率窗口的中点值，随着网络输入窗口的滑动，得到所有目标家庭中一系列单个电器功率窗口的中点值，进而得到预测的单个电器功率信号。
与现有技术相比，本发明的有益效果是：
本发明针对深度学习在NILM中训练集不够大的情况，设计了一种在序列到点卷积神经网络上进行无监督预训练后加有监督微调的训练方法。无监督预训练将网络初始化到一个更好的参数空间，并有效提高后续有监督微调的效果。该方法可以利用同数据集中其他家庭的大量无标签数据对网络进行预训练，在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。
附图说明
图1是本发明基于无监督预训练神经网络的非侵入式负荷分解方法的流程图；
图2是本发明中所采用的序列到点卷积神经网络结构；
图3是家庭2中7种电器真实电量和预测电量饼状图；
图4是7种电器典型的负荷分解结果。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
本发明提出的一种基于无监督预训练神经网络的非侵入式负荷分解方法的设计思路是：考虑到现有深度学习方法在有标签数据量很少的情况下，负荷分解效果较差，为提高深度神经网络在这一场景下的负荷分解效果，本发明在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。
实现本发明方法共包含网络预训练和微调模块和网络测试模块，预训练和微调以及测试过程的流程图如图1所示。
(1)所述的网络预训练和微调模块用于获得可以进行负荷分解的深度神经网络模型。首先对序列到点网络进行无监督预训练以初始化网络参数，之后对于网络所有参数进行有监督微调，得到可用于分解单个电器的负荷分解模型。
(2)网络测试模块，用于将网络应用于非侵入式负荷分解。将经过预训练与微调得到的负荷分解模型用来对目标家庭进行负荷分解，得到预测的单个电器功率信号。
本发明一种基于无监督预训练神经网络的非侵入式负荷分解方法，具体包括以下步骤：
步骤1：在同一家庭电力负荷测量数据集中，选定目标家庭后，将除目标家庭以外的其他家庭的无标签总功率数据输入到一神经网络中，所述神经网络是序列到点卷积神经网络，其结构由5层卷积层和1层全连接层组成。所述的序列到点卷积神经网络的具体网络结构如图2所示。
步骤2：利用同一数据集中除目标家庭以外的其他家庭的无标签总功率数据，对所述序列到点卷积神经网络进行无监督预训练，得到预训练的序列到点卷积神经网络模型。
所述的无监督预训练阶段中，对于已定义的神经网络Fp，网络的输入表示为总功率序列滑动窗口Yt:t+W-1，t为时间，W表示总功率序列滑动窗口的长度，W为奇数。该网络的输出是总功率序列窗口的中点值Yτ，其中，
因此，无监督预训练阶段的序列到点卷积神经网络模型公式化为：
Yτ＝Fp(Yt:t+W-1)+ε
其中，ε是W维的高斯随机噪声。
无监督预训练阶段的序列到点卷积神经网络训练的损失函数形式为：
其中，θp是网络参数，T是输入的总功率序列的总长，将该总功率序列输入至该网络时，将输入的总功率序列的两端均补上长度为[(W-1)/2]的0值。
步骤3：获取目标家庭少于一周的具有相应单个电器功率的总功率数据，输入到步骤2得到的预训练后的序列到点卷积神经网络模型中；利用目标家庭少于一周的有标签数据对该预训练后的序列到点卷积神经网络模型进行有监督参数微调。
对网络进行有监督微调时，网络的输入与上述相同，网络的输出是电器m功率序列窗口的中点值
其中
因此，同理可以将该模型公式化为：
网络训练的损失函数形式为：
至此，得到参数微调后的网络模型即为用于从总功率中分解出单个电器功率的负荷分解模型。
步骤4：将目标家庭的总功率信号输入到上述的负荷分解模型中，该负荷分解模型输出单个电器功率窗口的中点值，随着网络输入窗口的滑动，得到所有目标家庭中一系列单个电器功率窗口的中点值，进而得到预测的单个电器功率信号。
本方法中，所用到的数据均需进行归一化处理，数据预处理的公式如下所示，即数据减去平均值再除以标准差。
由于本发明中使用的网络是序列到点卷积神经网络，因此网络输入总功率序列窗口，输出应为一段信号窗口的中点值，即网络输出是一个单点值，而非一段序列。因此：
步骤1中，对网络进行无监督预训练时，即是通过无监督训练方式更新网络参数，为后续的有监督微调提供更好的初始化参数。网络输入是总功率序列窗口，输出不是单个电器的功率窗口中点值(即标签)，而是输入的这段总功率序列对应的中点值。
步骤3中，对网络进行有监督参数微调时，即是通过有监督训练更新网络参数。输入是总功率序列窗口，输出是单个电器的功率窗口中点值，即为标签。
步骤4中，由于网络输出是一个单点值，是单个电器功率窗口的中点值，但随着输入窗口的滑动，会得到一系列的中点值，从而组成了目标电器的功率信号。
研究材料：
利用本发明方法实现在少量有标签数据下进行非侵入式负荷分解的具体步骤如下：
1)获取同一数据集中，除目标家庭以外的其他家庭的无标签总功率数据，输入到序列到点卷积神经网络中。
利用英国的REFIT公开数据集[4]来验证本发明的实用性，选择REFIT数据集中的2号家庭作为目标家庭，记为目标家庭2。对于本发明所述的无监督预训练方法，选择REFIT数据集中除目标家庭2外的另一个家庭的数据作为无标签训练数据。选择7种电器，冰箱、洗碗机、水壶、微波炉、洗衣机、烤箱以及电视机进行试验，用实施例验证本发明在少量有标签数据下的负荷分解效果，对于不同电器，无监督预训练的训练集、验证集数据具体选择情况如表1所示。
表1无监督预训练实验数据选择
表1中的家庭是选定的REFIT数据集中除目标家庭2以外的一个家庭。
从表1可以看出，本发明中的预训练数据占所选家庭全部数据的80％，剩余的20％作为验证数据。
首先，对所用数据进行归一化处理：
其中，xt表示t时刻功率值，
和σ分别表示总用电功率的平均值和标准差。
2)利用无标签数据，对序列到点卷积神经网络进行无监督预训练，更新网络参数。
3)获取目标家庭2少量具有相应单个电器功率的总功率数据，即少量有标签数据，输入到步骤2)得到的预训练后的网络模型中。
对于目标家庭2，假设仅采集到这个家庭4天的有标签数据，使用2天的有标签数据作为训练数据，另外2天作为验证数据。对于不同电器，目标家庭2的训练集、验证集及测试集数据具体选择情况如表2所示。
表2目标家庭2实验数据选择
同样，对所用数据进行归一化处理：
其中，xt表示t时刻功率值，
和σ分别表示总用电或单个电器用电功率的平均值和标准差。
4)利用目标家庭少量有标签数据对步骤2)得到的预训练后的网络模型进行有监督训练，微调整个网络参数。
5)序列到点模型经过预训练和微调后得到可用于分解单个电器的负荷分解模型。
6)对训练好的模型进行测试，对目标家庭2进行负荷分解。将目标家庭2的总功率信号输入训练好的序列到点卷积神经网络中。
本发明中，对于负荷分解结果的评价指标包括平均绝对误差(MAE)和F1-score，同时对预测出的电量进行计算。
MAE用来计算t时刻预测值
与真实值xt之间的绝对误差的平均值。
F1-score用来评估分类的准确率。TP代表判断正确被判断为正事件的数量，即电器状态为开且被预测为开的数量；FP是错误判断为正事件的数量，即电器状态为关但被预测为开的数量；FN是错误判断为负事件的数量，即电器状态为开但被预测为关的数量。
Precision＝TP/(TP+FP)
Recall＝TP/(TP+FN)
F1-score＝2×Precision×Recall/(Precision+Recall)
7)网络输出单个电器功率窗口的中点值。随着网络输入窗口滑动，得到一系列单个电器功率窗口中点值。
8)根据步骤7)获得的一系列单个电器功率窗口中点值，进而得到预测的单个电器功率信号。
利用本发明方法进行少量有标签数据情况下负荷分解的MAE和F1-score结果如表3所示。
表3负荷分解的MAE和F1-score结果
| 电器 | 冰箱 | 洗碗机 | 水壶 | 微波炉 | 洗衣机 | 烤箱 | 电视机 |
| MAE | 29.07 | 66.40 | 41.10 | 17.00 | 87.88 | 12.49 | 9.46 |
| F1-score | 0.90 | 0.78 | 0.72 | 0.18 | 0.29 | 0.12 | 0.53 |
由表3可知，利用本发明方法可以在有标签数据量很少的情况下进行非侵入式负荷分解，对表中大多数电器的分解效果较好，冰箱的F1-score达到0.9以上，洗碗机、水壶的F1-score在0.7以上。
测试3个月的真实电量与本发明方法预测出的电量饼状图分别如图3(a)和(b)所示，可见利用本发明中的方法进行非侵入式负荷分解，估计的电量值与真实值较为接近。
选取七种电器(冰箱、洗碗机、水壶、微波炉、洗衣机、烤箱和电视机)部分有代表性的真实功率曲线与本发明方法的预测功率曲线，如图4所示。
由上述研究材料可知，本发明方法能够在有标签数据很少的情况下，实现负荷分解，有效提高了序列到点卷积神经网络在少量有标签数据时的负荷分解效果。因此，本发明方法能够实现深度神经网络在少量有标签数据场景下的非侵入式负荷分解，且具有较大的负荷分解潜力。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
Claims (1)
1.一种基于无监督预训练神经网络的非侵入式负荷分解方法，其特征在于，包括以下步骤：
步骤1：在同一家庭电力负荷测量数据集中，选定目标家庭后，将除目标家庭以外的其他家庭的无标签总功率数据输入到一神经网络中，所述神经网络是序列到点卷积神经网络，其结构由5层卷积层和1层全连接层组成；
步骤2：利用同一数据集中除目标家庭以外的其他家庭的无标签总功率数据，对所述序列到点卷积神经网络进行无监督预训练，得到预训练的序列到点卷积神经网络模型；
所述的无监督预训练阶段中，所述序列到点卷积神经网络的输入表示为总功率序列滑动窗口Yt:t+W-1，t为时间，W表示总功率序列滑动窗口的长度，W为奇数，该网络的输出是总功率序列窗口的中点值Yτ，无监督预训练阶段的序列到点卷积神经网络模型如式(1)：
Yτ＝Fp(Yt:t+W-1)+ε (1)
式(1)中，
ε是W维的高斯随机噪声；
无监督预训练阶段的序列到点卷积神经网络训练的损失函数形式为：
式(2)中，θp是网络参数，T是输入的总功率序列的总长，将该总功率序列输入至该网络时，将输入的总功率序列的两端均补上长度为[(W-1)/2]的0值；
步骤3：获取目标家庭少于一周的具有相应单个电器功率的总功率数据，输入到步骤2得到的预训练后的序列到点卷积神经网络模型中；利用目标家庭少于一周的有标签数据对该预训练后的序列到点卷积神经网络模型进行有监督参数微调；
所述的有监督参数微调阶段中，所述预训练后的序列到点卷积神经网络模型的输入为总功率序列滑动窗口Yt:t+W-1，t为时间，W表示总功率序列滑动窗口的长度，W为奇数；该网络的输出是电器m功率序列窗口的中点值
有监督参数微调阶段的序列到点卷积神经网络模型如式(3)所示：
式(3)中，
ε是W维的高斯随机噪声；
有监督参数微调阶段的序列到点卷积神经网络训练的损失函数形式为：
式(4)中，θp是网络参数，T是输入的总功率序列的总长，将该总功率序列输入至该网络时，将输入的总功率序列两端均补上长度为[(W-1)/2]的0值；
至此，得到参数微调后的网络模型即为用于从总功率中分解出单个电器功率的负荷分解模型；
步骤4：将目标家庭的总功率信号输入到上述的负荷分解模型中，该负荷分解模型输出单个电器功率窗口的中点值，随着网络输入窗口的滑动，得到所有目标家庭中一系列单个电器功率窗口的中点值，进而得到预测的单个电器功率信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111394557.4A CN114037178A (zh) | 2021-11-23 | 2021-11-23 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111394557.4A CN114037178A (zh) | 2021-11-23 | 2021-11-23 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037178A true CN114037178A (zh) | 2022-02-11 |
Family
ID=80138426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111394557.4A Pending CN114037178A (zh) | 2021-11-23 | 2021-11-23 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037178A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925115A (zh) * | 2022-05-27 | 2022-08-19 | 天津大学 | 基于深度可分离卷积的轻量化广义负荷分解方法 |
| CN115330553A (zh) * | 2022-06-22 | 2022-11-11 | 四川大学 | 一种基于设备特征多层优选的非侵入式负荷分解方法 |
| CN116644320A (zh) * | 2023-07-27 | 2023-08-25 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480432A (zh) * | 2017-07-27 | 2017-12-15 | 广州瓦良格机器人科技有限公司 | 一种基于云平台的负荷分解方法 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN111783684A (zh) * | 2020-07-03 | 2020-10-16 | 湖南大学 | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 |
| CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
-
2021
- 2021-11-23 CN CN202111394557.4A patent/CN114037178A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480432A (zh) * | 2017-07-27 | 2017-12-15 | 广州瓦良格机器人科技有限公司 | 一种基于云平台的负荷分解方法 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN111783684A (zh) * | 2020-07-03 | 2020-10-16 | 湖南大学 | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 |
| CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Non-Patent Citations (2)
| Title |
|---|
| 涂京;周明;宋旭帆;周光东;李庚银: "基于监督学习的非侵入式负荷监测算法比较", 电力自动化设备, no. 012, 31 December 2018 (2018-12-31) * |
| 邓舒迟;韩信锐;曾壮;廖阳春;叶毓廷;: "基于时间序列的居民用户非侵入式负荷分解研究", 电子设计工程, no. 19, 5 October 2020 (2020-10-05) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925115A (zh) * | 2022-05-27 | 2022-08-19 | 天津大学 | 基于深度可分离卷积的轻量化广义负荷分解方法 |
| CN115330553A (zh) * | 2022-06-22 | 2022-11-11 | 四川大学 | 一种基于设备特征多层优选的非侵入式负荷分解方法 |
| CN116644320A (zh) * | 2023-07-27 | 2023-08-25 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
| CN116644320B (zh) * | 2023-07-27 | 2023-11-07 | 浙江大有实业有限公司配电工程分公司 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114037178A (zh) | 基于无监督预训练神经网络的非侵入式负荷分解方法 | |
| CN110188826A (zh) | 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 | |
| CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
| CN112633924B (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
| CN112215405A (zh) | 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 | |
| Li et al. | Transfer learning for multi-objective non-intrusive load monitoring in smart building | |
| CN111783684A (zh) | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 | |
| CN112215406A (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
| CN111415270A (zh) | 一种基于lstm学习的电力负荷智能识别方法 | |
| Humala et al. | Universalnilm: A semi-supervised energy disaggregation framework using general appliance models | |
| Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
| Cristaldi et al. | Model‐based maximum power point tracking for photovoltaic panels: parameters identification and training database collection | |
| Li et al. | Load profile inpainting for missing load data restoration and baseline estimation | |
| Azad et al. | Non-intrusive load monitoring (nilm) using deep neural networks: A review | |
| Devlin et al. | Load identification and classification of activities of daily living using residential smart meter data | |
| Liu et al. | Enhanced NILM load pattern extraction via variable-length motif discovery | |
| CN115423646A (zh) | 基于自监督学习的非侵入式负荷分解方法 | |
| CN116167654A (zh) | 一种基于多任务学习的非侵入式负荷监测方法 | |
| Zhou et al. | Non-intrusive extraction and forecasting of residential electric vehicle charging load | |
| CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 | |
| CN115859190A (zh) | 一种基于因果关系的非侵入式家庭电气分类方法 | |
| CN114462306A (zh) | 基于变权重时域卷积网络的非侵入式用电负荷分解方法 | |
| CN112016587A (zh) | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 |
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 |