CN115100466A - 一种非侵入式负荷监测方法、装置及介质 - Google Patents
一种非侵入式负荷监测方法、装置及介质 Download PDFInfo
- Publication number
- CN115100466A CN115100466A CN202210710527.8A CN202210710527A CN115100466A CN 115100466 A CN115100466 A CN 115100466A CN 202210710527 A CN202210710527 A CN 202210710527A CN 115100466 A CN115100466 A CN 115100466A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- matrix
- load
- extracting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000015654 memory Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非侵入式住宅负荷监测方法、装置及介质，本方法包括以下步骤：（1）V‑I特性曲线灰度图提取；（2）多层卷积层提取图片特征；（3）通过通道注意力模型与空间注意力模型进一步提取特征；（4）双向长短时记忆神经网络训练与辨识。本方法的优点在于，通道注意力模型与空间注意力能有效提取有用负荷特征，丢弃无用负荷特征，最终有效提升负荷辨识精度。
Description
技术领域
本发明涉及非侵入式负荷识别领域，尤其是涉及一种非侵入式负荷监测方法、装置及介质。
背景技术
负荷监测技术可以分为侵入式负荷监测和非侵入式负荷监测(Non-intrusiveLoad Monitoring，NILM)。其中侵入式负荷监测技术需要在家庭内部每一被测量电器处安装测量设备，具有住户接纳度低、安装繁琐、后期维护成本高等缺点，
而NILM技术是只需在电力系统入口处安装测量装置，即可实现对负荷的分解与辨识，从而获取用户的用电信息。现有NILM负荷辨识算法具有辨识准确率不高，算法泛化能力差的缺点。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种非侵入式负荷监测方法、装置及介质，可对用户负荷进行精准建模，通过海量用户用电数据挖掘用户需求响应潜力，提高识别准确率。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种非侵入式负荷监测方法，包括以下步骤：
S1：获取未知电器的电压、电流数据，提取未知电器稳态运行下的V-I特性曲线；通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
S2：多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知电器的粗糙特征矩阵；
S3：通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
S4：构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
进一步地，所述步骤S1中V-I特性曲线图的提取方法包括：
由电器稳态运行时电流和电压各一个周期的波形分别作为纵坐标和横坐标绘制，输入至计算机内为48*48的矩阵，矩阵元素范围为0到255，代表图像256个灰度等级。
进一步地，所述步骤S2中，卷积神经网络的结构包括输入层和卷积层，激活函数为sigmoid；V-I特性曲线图片经过卷积神经网络提取后获得的粗糙特征矩阵。
进一步地，所述步骤S3中，所述卷积块注意力模块的输入为粗糙特征矩阵F，输出为精细特征矩阵；
所述卷积块注意力模块包括通道注意力模型和空间注意力模型；
所述通道注意力模型用于通道注意力计算，计算公式为：
式中，F’为通道注意力输出特征矩阵，sigmoid为激活函数，MLP为多层感知器，avgpool为平均池化层，maxpool为最大池化层，w1和w2分别为MLP的两个权重，Fmax C×1×1和Favg C×1×1分别为粗糙特征矩阵F在空间层面上分别经过最大池化操作和平均池化操作的一维矢量；
所述空间注意力模型用于空间注意力计算，计算公式为：
F″＝sigmoid(convd(avgpool(F′)；maxpool(F′)))
式中，F”表示精细特征矩阵，sigmoid表示激活函数，convd表示卷积操作，avgpool表示平均池化操作，maxpool表示最大池化操作；
将精细特征矩阵F”转换为一维特征矢量。
进一步地，所述步骤S4中，双向长短时记忆神经网络由两层LSTM组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果；
所述双向长短时记忆神经网络由以下公式表述：
ht＝f(W1xt+W2ht-1)
rt＝f(W3xt+W5rt+1)
yt＝g(W4ht+W6rt)
式中，xt表示t时刻的输入量；ht与rt分别表示t时刻的前向层与反向层的输出量；ht-1表示t-1时刻的前向层的输出量；rt+1分别表示t+1时刻的反向层的输出量；yt表示t时刻输出层的输出；f表示前向层与反向层的激活函数；g表示输出层的激活函数；W1与W3为输入层映射至前向层与反向层的权重矩阵；W2与W5为前向层与反向层前一计算时刻输出映射至当前计算时刻的权重矩阵；W4与W6为前向层与反向层的输出映射至输出层的权重矩阵；
所述双向长短时记忆神经网络的输出为概率向量Pfinal，其由多个元素组成，每个元素代表该未知负荷被辨识为第几种负荷的概率值，0代表不可能为该负荷，1代表辨识为该负荷，0-1之间代表辨识为该负荷的概率值。
进一步地，所述步骤S4中，双向长短时记忆神经网络的训练方法包括以下步骤：
将预构建的训练集中的负荷精细特征矩阵输入至所构建的双向长短时记忆神经网络中，获取各电器对应的辨识种类，将所述辨识种类与电器的实际种类进行比较，根据比较结果对双向长短时记忆神经网络进行参数校正，直到得到精度满足要求的双向长短时记忆神经网络；
其中，所述训练集的构建方法包括：
采集多种电器的电压、电流数据，提取每一种电器稳态运行下的V-I特性曲线；
通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
将提取的灰度图片输入至卷积神经网络，提取出每一种电器的粗糙特征矩阵；
将每一种电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取负荷精细特征矩阵；
将所述负荷精细特征矩阵和对应的电器种类进行配对，形成所述训练集。
进一步地，所述双向长短时记忆神经网的训练参数为：
训练过程中，设置梯度阈值为1，训练周期为100，每周期迭代857次，学习率为0.001，训练过程使用自适应矩估计优化算法。
第二方面，本申请提供一种非侵入式负荷监测装置，所述装置包括：
图像转换模块：用于获取未知电器的电压、电流数据，提取未知电器稳态运行下的V-I特性曲线；通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
特征提取模块：用于多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知种电器的粗糙特征矩阵；
矩阵提取模块：用于通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
输出模块：用于构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
第三方面，本申请提供一种非侵入式负荷监测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
1、本发明利用CNN提取V-I特性曲线灰度图的粗糙负荷特征矩阵，利用CBAM进一步提取精细特征矩阵，最后输入至BILSTM进行负荷辨识，具有更高的负荷辨识精度。
2、本发明具有逻辑结构清晰、辨识准确率高的优点，特别是普通卷积神经网络只能提取图片的粗糙特征矩阵，为了更好得提取V-I特性曲线的特征细节，本发明利用卷积块注意力模型实现对粗糙特征矩阵的进一步精细化提取，从而得到精细特征矩阵。
附图说明
图1为本发明的流程图。
图2为CBAM结构图。
图3为BILSTM结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
本实施例提供一种非侵入式负荷监测方法，其流程图如附图1所示。首先，通过电压与电流数据绘制V-I特性曲线，并将其转换为统一格式的灰度图；利用卷积神经网络(Convolutional neural network，CNN)提取出灰度图的粗糙特征矩阵；再利用CBAM提取精细特征矩阵，将精细特征矩阵输入至双向长短期记忆人工神经网络进行训练；最后，利用训练完毕的神经网络辨识负荷。为检验算法，利用PLAID公开数据集作实验数据，将本算法与传统算法进行分析对比，结果验证了本发明所提算法的有效性以及更高的准确率。
为了达到上述目的，本发明通过以下技术方案实现：
一种非侵入式负荷监测方法。其特征在于，包含以下步骤：
步骤1：V-I特性曲线灰度图提取：提取每一电器稳态运行下的V-I特性曲线，通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片，其具体方法如下。
1)从同一时间点开始，取电流、电压各一周期的稳态波形，设其一个周期为k个数据点，通过归一化将电流、电压数据转换为统一大小0～l。其公式如下：
式中，ii与ui表示归一化后电流电压的第i个采样点数据；Ii与Ui表示原电流电压的第i个采样点数据；minI与maxI分别表示原电流一个周期内的最小值与最大值；minU与maxU分别表示原电压一个周期内的最小值与最大值；[]表示取整符号。
2)以电压为横坐标，电流为纵坐标画出V-I特性曲线的灰度图，则其可视为l×l的矩阵，其内元素取值范围为0到255，代表其图像256个灰度等级。
3)为使卷积神经网络(Convolutional neural network，CNN)提取所得特征向量更具有辨识性，转变灰度图中每个像素的灰度等级，若灰度等级<250，则将其转变为255，其余像素则均转变为0。
步骤2：多层卷积层提取图片特征：将步骤1提取的图片输入至卷积神经网络，提取出电器粗糙特征矩阵，并组成一个负荷数据库。
卷积神经网络(Convolutional neural network，CNN)为深度神经网络结构的一种，常用于提取图片特征信息，在二维数据的处理上具有较大的优势。
一般来说，卷积神经网络(Convolutional neural network，CNN)可以分为：输入层、隐藏层、输出层。其中隐藏层又可分为卷积层(convolutional layer)、池化层(poolinglayer)与全连接层(fully-connected layer)。每个层之间的神经元相互连接，同一层之间的神经元无连接。
本发明用到其中卷积层，其可由以下公式定义：
式中，Xj n表示第n层的第j幅特征图片；Kij n表示n层的第j幅特征图和第n-1层之间的卷积核函数；bj n表示第n层的第j个偏置数；f为激活函数，用于将卷积结果转换为非线性输出。
本发明利用卷积神经网络(Convolutional neural network，CNN)来提取负荷V-I特性曲线的信息，将其从二维灰度图片转换为粗糙特征矩阵，最大程度保留了电器阻抗特性信息，并使其转变为易被神经网络读取的信息格式。本发明中卷积神经网络(Convolutional neural network，CNN)网络结构为一层44×44×20维度的卷积层，核函数维度为5×5×20，激活函数为sigmoid。
步骤3：通过卷积块注意力模块进一步提取特征：将每个电器的粗糙特征矩阵输入至卷积块注意力模块，通过通道注意力模型和空间注意力模型进一步提取负荷精细特征矩阵。
经卷积神经网络(Convolutional neural network，CNN)提取后粗糙矩阵为F∈RC ×H×W，其维度为44×44×20。
通道注意力计算：将F在空间层面上分别通过最大池化操作和平均池化操作获得2个一维矢量Fmax C×1×1和Favg C×1×1，其中最大池化操作为取每一个二维矩阵F1×H×W的最大值，然后组成一维矢量Fmax C×1×1；平均池化操作为取每一个二维矩阵F1×H×W的平均值，然后组成一维矢量Favg C×1×1。然后通过多层感知器(multi-layerperceptron，MLP)压缩通道数C，随后再扩张回C。将经MLP处理后的Fmax C×1×1和Favg C×1×1相加，得到新的一维矢量FC×1×1，将FC×1×1通过激活函数sigmoid转换后得到权值矢量Mc，与粗糙特征矩阵F∈RC×H×W相乘得到通道注意力输出特征矩阵F’∈RC×H×W，其维度同样为44×44×20。即通道注意力的计算公式为：
式中，F’为通道注意力输出特征矩阵，sigmoid为激活函数，MLP为多层感知器，avgpool为平均池化层，maxpool为最大池化层，w1和w2分别为MLP的两个权重，Fmax C×1×1和Favg C×1×1分别为经过最大池化操作和平均池化操作的一维矢量。
空间注意力计算：将通道注意力输出特征矩阵F’在通道层面上分别进行平均池化操作和最大池化操作得到二维矩阵Favg 1×H×W和Fmax 1×H×W。将Favg 1×H×W和Fmax 1×H×W前后拼接得到Fs 2×H×W，利用卷积层对Fs 2×H×W进行卷积操作，使其重新变为通道为1长宽为H、W的二维权值矩阵Fs 1×H×W，利用激活函数sigmoid转换该权值矩阵得到空间注意力输出Ms，并将其与通道注意力输出特征矩阵F’∈RC×H×W相乘得到精细特征矩阵F”。即空间注意力的计算公式为：
F″＝sigmoid(convd(avgpool(F′)；maxpool(F′)))
式中，F”表示精细特征矩阵，sigmoid表示激活函数，convd表示卷积操作，avgpool表示平均池化操作，maxpool表示最大池化操作。
将精细特征矩阵F”通过一层1×1×100维度的全连接层转换为一维特征矢量。
步骤4：双向长短时记忆神经网络训练与辨识：将由电器特征向量组成的负荷数据库输入至长短期记忆人工神经网络进行训练。
长短期记忆人工神经网络是循环神经网络RNN的一种，解决了RNN训练时梯度消失的问题，在处理长时间序列时具有良好的性能。LSTM由多个相同的细胞结构构成，每个细胞结构由遗忘门、输入门、输出门组成，其拓扑结构如附图3所示：
附图3中，Ct表示t时刻的细胞状态信息，ht表示t时刻的细胞输出信息，xt表示t时刻的细胞输入信息。ft表示t时刻遗忘门的输出，其运算可由下面的公式表示：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，σ为激活函数sigmoid，Wf与bf分别表示遗忘门的权重与偏置，[ht-1,xt]表示t时刻输入与上一时刻输出的联合。
it与
共同表示输入门的输出，其运算可由下面的公式表示：
it＝σ(wi·[ht-1,xt]+bi)
式中，σ与tanh表示激活函数，Wi与WC表示权重，bi与bC表示偏置。
细胞状态更新的运算可由下面的公式表示：
最后输出门的运算可由下面的公式表示：
Ot＝σ(WO[ht-1,xt]+bO)
ht＝Ot·tanh(Ct) (9)
式中，Ot表示输出门中间信息，σ与tanh表示激活函数，WO表示权重，bO表示偏置。
BiLSTM为LSTM的变体算法，其结构如附图3所示，它由两层LSTM组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果。
BiLSTM可由以下公式表述：
ht＝f(W1xt+W2ht-1)
rt＝f(W3xt+W5rt+1)
yt＝g(W4ht+W6rt)
式中，xt表示t时刻的输入量；ht与rt分别表示t时刻的前向层与反向层的输出量；ht-1表示t-1时刻的前向层的输出量；rt+1表示t+1时刻的反向层的输出量；yt表示t时刻输出层的输出；f表示前向层与反向层的激活函数；g表示输出层的激活函数；W1与W3为输入层映射至前向层与反向层的权重矩阵；W2与W5为前向层与反向层前一计算时刻输出映射至当前计算时刻的权重矩阵；W4与W6为前向层与反向层的输出映射至输出层的权重矩阵。将未知负荷同样经过步骤1到步骤3处理，然后输入至训练完毕的神经网络中进行辨识，得到概率向量Pfinal，其由元素(可辨识多少种电器负荷就有多少种元素)组成，每个元素代表该未知负荷被辨识为第几种电器负荷的概率值，0代表不可能为该负荷，1代表辨识为该负荷，0-1之间代表辨识为该负荷的概率值。
本实施例中，只选取11类家电进行算法辨识验证，具体的BiLSTM的结构为：一层维度为(1，100)的全连接层，一层维度为(1，100)的BiLSTM层，其中激活函数为sigmoid和tanh；一层维度为(1，11)的全连接层；一层维度为(1，11)的分类层，其中激活函数为Softmax。训练过程中，设置梯度阈值为1，训练周期为100，每周期迭代857次，学习率为0.001，训练过程使用自适应矩估计优化算法。输入未知负荷得到辨识结果，其形式为11个0-1之间的数值，分别代表该负荷为11种电器的概率值。
对于本发明的实用情况，设计以下仿真实验进行验证：
本实施例中选取PLAID数据集中空调等11类家电进行算法辨识验证，随机抽取每大类电器中100组采集数据作测试集，其余采集数据作为训练集。如下表1-2所示，分别是：A:空调、B:节能灯、C电风扇、D:电冰箱、E:电吹风、F电加热器、G:白炽灯、H笔记本电脑、I:微波炉、J吸尘器、K：洗衣机。
表1-2中最下面一行代表着实际电器总体辨识准确率，最右面一列代表着算法辨识电器总体辨识准确率，右下角整理得到总体辨识准确率。
表1 CBAM模块加入前算法辨识电器准确率表
表2 CBAM模块加入后算法辨识电器准确率表
表1-2所示混淆矩阵为CBAM模块加入前后算法辨识的结果，CBAM模块对于空调、节能灯、电冰箱、洗衣机等电器的辨识成功率具有显著的提升效果，有效降低了算法对这几类电器的误检率。CBAM模块加入前其总体辨识准确率为91.5％，CBAM模块加入后总体辨识率达到了94.6％。由仿真结果可知，卷积块注意力机制可有效提升算法对于电器的辨识率。
实施例二：
本实施例提供一种非侵入式负荷监测装置，所述装置包括：
图像转换模块：用于获取未知电器的电压、电流数据，提取未知电器稳态运行下的V-I特性曲线；通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
特征提取模块：用于多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知种电器的粗糙特征矩阵；
矩阵提取模块：用于通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
输出模块：用于构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
本实施例的装置可用于实现实施例一所述的方法。
实施例三：
本实施例提供一种非侵入式负荷监测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例一所述方法的步骤。
实施例四：
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种非侵入式负荷监测方法，其特征在于，该方法包括下述步骤：
S1：获取未知电器的电压、电流数据，提取未知电器稳态运行下的V-I特性曲线；通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
S2：多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知电器的粗糙特征矩阵；
S3：通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
S4：构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
2.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述步骤S1中V-I特性曲线图的提取方法包括：
由电器稳态运行时电流和电压各一个周期的波形分别作为纵坐标和横坐标绘制，输入至计算机内为48*48的矩阵，矩阵元素范围为0到255，代表图像256个灰度等级。
3.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述步骤S2中，卷积神经网络的结构包括输入层和卷积层，激活函数为sigmoid；V-I特性曲线图片经过卷积神经网络提取后获得的粗糙特征矩阵。
4.根据权利要求3所述的非侵入式负荷监测方法，其特征在于，所述步骤S3中，所述卷积块注意力模块的输入为粗糙特征矩阵F，输出为精细特征矩阵；
所述卷积块注意力模块包括通道注意力模型和空间注意力模型；
所述通道注意力模型用于通道注意力计算，计算公式为：
式中，F’为通道注意力输出特征矩阵，sigmoid为激活函数，MLP为多层感知器，avgpool为平均池化层，maxpool为最大池化层，w1和w2分别为MLP的两个权重，Fmax C×1×1和Favg C×1×1分别为粗糙特征矩阵F在空间层面上分别经过最大池化操作和平均池化操作的一维矢量；
所述空间注意力模型用于空间注意力计算，计算公式为：
F″＝sigmoid(convd(avgpool(F′)；maxpool(F′)))
式中，F”表示精细特征矩阵，sigmoid表示激活函数，convd表示卷积操作，avgpool表示平均池化操作，maxpool表示最大池化操作；
将精细特征矩阵F”转换为一维特征矢量。
5.根据权利要求4所述的非侵入式负荷监测方法，其特征在于，所述步骤S4中，双向长短时记忆神经网络由两层LSTM组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果；
所述双向长短时记忆神经网络由以下公式表述：
ht＝f(W1xt+W2ht-1)
rt＝f(W3xt+W5rt+1)
yt＝g(W4ht+W6rt)
式中，xt表示t时刻的输入量；ht与rt分别表示t时刻的前向层与反向层的输出量；ht-1表示t-1时刻的前向层的输出量；rt+1分别表示t+1时刻的反向层的输出量；yt表示t时刻输出层的输出；f表示前向层与反向层的激活函数；g表示输出层的激活函数；W1与W3为输入层映射至前向层与反向层的权重矩阵；W2与W5为前向层与反向层前一计算时刻输出映射至当前计算时刻的权重矩阵；W4与W6为前向层与反向层的输出映射至输出层的权重矩阵；
所述双向长短时记忆神经网络的输出为概率向量Pfinal，其由多个元素组成，每个元素代表该未知负荷被辨识为第几种负荷的概率值，0代表不可能为该负荷，1代表辨识为该负荷，0-1之间代表辨识为该负荷的概率值。
6.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述步骤S4中，双向长短时记忆神经网络的训练方法包括以下步骤：
将预构建的训练集中的负荷精细特征矩阵输入至所构建的双向长短时记忆神经网络中，获取各电器对应的辨识种类，将所述辨识种类与电器的实际种类进行比较，根据比较结果对双向长短时记忆神经网络进行参数校正，直到得到精度满足要求的双向长短时记忆神经网络；
其中，所述训练集的构建方法包括：
采集多种电器的电压、电流数据，提取每一种电器稳态运行下的V-I特性曲线；
通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
将提取的灰度图片输入至卷积神经网络，提取出每一种电器的粗糙特征矩阵；
将每一种电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取负荷精细特征矩阵；
将所述负荷精细特征矩阵和对应的电器种类进行配对，形成所述训练集。
7.根据权利要求6所述的非侵入式负荷监测方法，其特征在于，所述双向长短时记忆神经网的训练参数为：
训练过程中，设置梯度阈值为1，训练周期为100，每周期迭代857次，学习率为0.001，训练过程使用自适应矩估计优化算法。
8.一种非侵入式负荷监测装置，其特征在于，所述装置包括：
图像转换模块：用于获取未知电器的电压、电流数据，提取未知电器稳态运行下的V-I特性曲线；通过归一化处理将V-I特性曲线转换成统一尺度的bmp格式的灰度图片；
特征提取模块：用于多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知种电器的粗糙特征矩阵；
矩阵提取模块：用于通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
输出模块：用于构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
9.一种非侵入式负荷监测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710527.8A CN115100466A (zh) | 2022-06-22 | 2022-06-22 | 一种非侵入式负荷监测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710527.8A CN115100466A (zh) | 2022-06-22 | 2022-06-22 | 一种非侵入式负荷监测方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100466A true CN115100466A (zh) | 2022-09-23 |
Family
ID=83292601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210710527.8A Pending CN115100466A (zh) | 2022-06-22 | 2022-06-22 | 一种非侵入式负荷监测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100466A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073848A (zh) * | 2023-10-13 | 2023-11-17 | 中国移动紫金(江苏)创新研究院有限公司 | 测温方法、装置、设备及存储介质 |
| CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
-
2022
- 2022-06-22 CN CN202210710527.8A patent/CN115100466A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073848A (zh) * | 2023-10-13 | 2023-11-17 | 中国移动紫金(江苏)创新研究院有限公司 | 测温方法、装置、设备及存储介质 |
| CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
| CN117333724B (zh) * | 2023-11-28 | 2024-02-27 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN115100466A (zh) | 一种非侵入式负荷监测方法、装置及介质 | |
| CN111582610A (zh) | 基于卷积神经网络对家庭能量分解的预测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN105760952A (zh) | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Li et al. | A nonintrusive load identification model based on time-frequency features fusion | |
| CN113191253A (zh) | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 | |
| CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
| CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN115374908A (zh) | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 | |
| CN116451097A (zh) | 一种自适应确定聚类数的电力负荷数据加权增量聚类方法 | |
| CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN113360725A (zh) | 基于边缘协同分类的电力时序数据检索方法 | |
| CN116776283A (zh) | 一种自编码空调协同辨识模型的空调监测与参数辨识方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN116307097A (zh) | 基于深度学习的储能系统剩余电量预测方法 | |
| CN115622034A (zh) | 一种基于改进遗传神经网络的物联表电力负荷识别方法 | |
| CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
| Liu et al. | Multi-scale residual network for energy disaggregation | |
| Wu et al. | Optimizing CNN-LSTM Model for Short-term PV Power Prediction using Northern Goshawk Optimization | |
| Hwang et al. | CC-GAIN: Clustering and Classification-Based Generative Adversarial Imputation Network for Missing Electricity Consumption Data Imputation | |
| CN115860281B (zh) | 基于跨实体注意力的能源系统多实体负载预测方法和装置 |
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 |