CN116108350A - 一种基于多任务学习的非侵入式电器识别方法及系统 - Google Patents

一种基于多任务学习的非侵入式电器识别方法及系统 Download PDF

Info

Publication number
CN116108350A
CN116108350A CN202310016410.4A CN202310016410A CN116108350A CN 116108350 A CN116108350 A CN 116108350A CN 202310016410 A CN202310016410 A CN 202310016410A CN 116108350 A CN116108350 A CN 116108350A
Authority
CN
China
Prior art keywords
invasive
appliance identification
identification model
appliance
task learning
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.)
Granted
Application number
CN202310016410.4A
Other languages
English (en)
Other versions
CN116108350B (zh
Inventor
赵张梦茹
马骏
李军
余先礼
刘彤
吕丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Energy Big Data Center Co ltd
Central South University
Original Assignee
Hunan Energy Big Data Center Co ltd
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Energy Big Data Center Co ltd, Central South University filed Critical Hunan Energy Big Data Center Co ltd
Priority to CN202310016410.4A priority Critical patent/CN116108350B/zh
Publication of CN116108350A publication Critical patent/CN116108350A/zh
Application granted granted Critical
Publication of CN116108350B publication Critical patent/CN116108350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多任务学习的非侵入式电器识别方法及系统，本方法通过获取多种电器的训练样本集和验证样本集；根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到。本发明能够充分利用电器之间的内在联系，提高非侵入式电器识别的准确度。

Description

一种基于多任务学习的非侵入式电器识别方法及系统
技术领域
本发明涉及电器识别技术领域，尤其是涉及一种基于多任务学习的非侵入式电器识别方法及系统。
背景技术
非侵入式电器识别是指在电力入口处安装智能电表，通过监测该处的电压、电流等信号分析得到电器集群中单个电器的种类和运行情况。与传感器分布式测量系统相比，这样的单点测量系统可以节省硬件和安装成本。电力公司可以通过该项技术了解电力用户对大功率电器的使用规律，加强电器侧管理，通过引导用户合理消费、合理安排电器的使用时间达到调节峰谷差和降低网损等目的。对于用户而言，设备级用电报告比传统月度级用电总量报告更能提升节能效果，能帮助用户减少不必要的能源开销，达到节能降耗的目的。该技术作为智能电网需求侧能源管理的基础，在优化电网供求关系、促进节能减排等方面具有广阔的应用前景。
深度学习方法目前已经替代传统的马尔可夫模型和组合优化方法，成为目前最有前景的解决非侵入式电器识别问题的方法。其通过机器学习来进行特征提取，不仅不需要专家参与，减少了人为干预，提取的特征也更加全面。但是目前存在的非侵入式电器识别技术一次仅能从电源信号中识别出一种电器的运行状态，因此需要为每种电器训练一个单独的模型，导致模型总规模庞大，训练和使用过程繁琐，且没有充分利用电器之间的内在联系。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于多任务学习的非侵入式电器识别方法及系统，能够充分利用电器之间的内在联系，提高非侵入式电器识别的准确度。
第一方面，本发明实施例提供了一种基于多任务学习的非侵入式电器识别方法，所述基于多任务学习的非侵入式电器识别方法包括：
获取多种电器的训练样本集和验证样本集；
根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
计算所述非侵入式电器识别模型的残差值；
将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，所述训练好的非侵入式电器识别模型由所述残差值、所述验证样本集和所述训练样本集训练得到。
与现有技术相比，本发明第一方面具有以下有益效果：
本方法通过获取多种电器的训练样本集和验证样本集，根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，能够同时识别出多种电器，并根据任务之间的关联性提高了每个子任务的表现，从而能够提高非侵入式电器识别的准确度；计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到，由于训练好的非侵入式电器识别模型不仅用训练样本集进行了训练，还用验证样本集进行了验证，验证后才根据残差值选择训练好的非侵入式电器识别模型来识别多种电器的待预测样本，能够防止非侵入式电器识别模型在训练样本集上过拟合，即只是在训练样本集上表现好，因此，通过验证后能够选择真正表现好的非侵入式电器识别模型，从而进一步提高非侵入式电器识别的准确度。
根据本发明的一些实施例，所述训练好的非侵入式电器识别模型通过如下步骤训练得到：
将所述训练样本集输入至所述非侵入式电器识别模型中进行多轮训练，并根据所述残差值进行模型迭代，获得每轮训练后的非侵入式电器识别模型；
采用验证样本集对所述每轮训练后的非侵入式电器识别模型进行验证，并选择验证后残差值最小的非侵入式电器识别模型作为训练好的非侵入式电器识别模型。
根据本发明的一些实施例，所述获取多种电器的训练样本集，包括：
按照预设的采样率采集电源信号和每种电器的功率；
采用滑动窗口的方式在所述电源信号和所述每种电器的功率上构建样本；其中，所述电源信号为训练样本，所述每种电器的功率为所述训练样本对应的标签样本；
根据所述训练样本和所述标签样本，获取多种电器的训练样本集。
根据本发明的一些实施例，构建所述电源信号为：
Figure BDA0004040656320000021
其中，Y(t)表示所述电源信号，Xi(t)表示电器i在t时刻的有功功率，I表示电器的数量，e(t)表示t时刻非侵入式电器识别模型的噪声。
根据本发明的一些实施例，所述根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，包括：
在所述卷积神经网络中设置有多个卷积层和多个全连接层，获得多任务学习的非侵入式电器识别模型；其中，所述多个卷积层为共享卷积层，每个所述全连接层对应训练一个任务，一个任务用于识别一个电器的功率。
根据本发明的一些实施例，通过如下方式计算所述非侵入式电器识别模型的残差值：
Figure BDA0004040656320000031
其中，λi表示权重，lossi表示子任务的损失值，K表示所述非侵入式电器识别模型中子任务的个数，所述损失值的计算公式为：
Figure BDA0004040656320000032
其中，Xi(t)表示t时刻电器i的真实功率值，
Figure BDA0004040656320000033
表示t时刻子任务i的预测值，T表示时间段。
第二方面，本发明实施例还提供了一种基于多任务学习的非侵入式电器识别系统，所述基于多任务学习的非侵入式电器识别系统包括：
数据获取模块，用于获取多种电器的训练样本集和验证样本集；
模型构建模块，用于根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
残差计算模块，用于计算所述非侵入式电器识别模型的残差值；
电器识别模块，用于将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，所述训练好的非侵入式电器识别模型由所述残差值、所述验证样本集和所述训练样本集训练得到。
根据本发明的一些实施例，所述数据获取模块包括数据采集子模块、样本构建子模块和样本合并子模块，其中：
所述数据采集子模块，用于按照预设的采样率采集电源信号和每种电器的功率；
所述样本构建子模块，用于采用滑动窗口的方式在所述电源信号和所述每种电器的功率上构建样本；其中，所述电源信号为训练样本，所述每种电器的功率为所述训练样本对应的标签样本；
所述样本合并子模块，用于将所述训练样本和所述标签样本合并为训练样本集。
第三方面，本发明实施例还提供了一种基于多任务学习的非侵入式电器识别设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种基于多任务学习的非侵入式电器识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于多任务学习的非侵入式电器识别方法。
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种基于多任务学习的非侵入式电器识别方法的流程图；
图2是本发明一实施例的构建训练样本集的示意图；
图3是本发明一实施例的多任务学习的非侵入式电器识别模型的框架示意图；
图4是本发明一实施例的冰箱的识别结果图；
图5是本发明一实施例的微波炉的识别结果；
图6是本发明一实施例的洗衣机的识别结果图；
图7是本发明一实施例的单任务和多任务实验结果对比图；
图8是本发明另一实施例的一种基于多任务学习的非侵入式电器识别系统的结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
深度学习方法目前已经替代传统的马尔可夫模型和组合优化方法，成为目前最有前景的解决非侵入式电器识别问题的方法。其通过机器学习来进行特征提取，不仅不需要专家参与，减少了人为干预，提取的特征也更加全面。但是目前存在的非侵入式电器识别技术一次仅能从电源信号中识别出一种电器的运行状态，因此需要为每种电器训练一个单独的模型，导致模型总规模庞大，训练和使用过程繁琐，且没有充分利用电器之间的内在联系。
为解决上述问题，本发明通过获取多种电器的训练样本集和验证样本集，根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，能够同时识别出多种电器，并根据任务之间的关联性提高了每个子任务的表现，从而能够提高非侵入式电器识别的准确度；计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到，由于训练好的非侵入式电器识别模型不仅用训练样本集进行了训练，还用验证样本集进行了验证，验证后才根据残差值选择训练好的非侵入式电器识别模型来识别多种电器的待预测样本，能够防止非侵入式电器识别模型在训练样本集上过拟合，即只是在训练样本集上表现好，因此，通过验证后能够选择真正表现好的非侵入式电器识别模型，从而进一步提高非侵入式电器识别的准确度。
参照图1，本发明实施例提供了一种基于多任务学习的非侵入式电器识别方法，本基于多任务学习的非侵入式电器识别方法包括但不限于步骤S100至步骤S400：
步骤S100、获取多种电器的训练样本集和验证样本集；
步骤S200、根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
步骤S300、计算非侵入式电器识别模型的残差值；
步骤S400、将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到。
在一些实施例的步骤S100至步骤S400中，为了能够同时识别出多种电器，并根据任务之间的关联性提高每个子任务的表现，本实施例通过获取多种电器的训练样本集和验证样本集，根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，能够同时识别出多种电器，并根据任务之间的关联性提高了每个子任务的表现，从而能够提高非侵入式电器识别的准确度；为了防止非侵入式电器识别模型在训练样本集上过拟合，并提高非侵入式电器识别的准确度，本实施例通过计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到，由于训练好的非侵入式电器识别模型不仅用训练样本集进行了训练，还用验证样本集进行了验证，验证后才根据残差值选择训练好的非侵入式电器识别模型来识别多种电器的待预测样本，能够防止非侵入式电器识别模型在训练样本集上过拟合，即只是在训练样本集上表现好，因此，通过验证后能够选择真正表现好的非侵入式电器识别模型，从而进一步提高非侵入式电器识别的准确度。
在一些实施例中，训练好的非侵入式电器识别模型通过如下步骤训练得到：
将训练样本集输入至非侵入式电器识别模型中进行多轮训练，并根据残差值进行模型迭代，获得每轮训练后的非侵入式电器识别模型；
采用验证样本集对每轮训练后的非侵入式电器识别模型进行验证，并选择验证后残差值最小的非侵入式电器识别模型作为训练好的非侵入式电器识别模型。
在本实施例中，首先通过训练样本集对非侵入式电器识别模型进行多轮训练，训练后再通过验证样本集对每轮训练后的非侵入式电器识别模型进行验证，选择在验证样本集中使残差值最小的非侵入式电器识别模型作为训练好的非侵入式电器识别模型，从而能够防止非侵入式电器识别模型在训练样本集上过拟合，并提高非侵入式电器识别的准确度。
在一些实施例中，获取多种电器的训练样本集，包括：
按照预设的采样率采集电源信号和每种电器的功率；
采用滑动窗口的方式在电源信号和每种电器的功率上构建样本；其中，电源信号为训练样本，每种电器的功率为训练样本对应的标签样本；
根据训练样本和标签样本，获取多种电器的训练样本集。
需要说明的是，本实施例中的滑动窗口的长度可以根据实际需要进行更改，本实施例不作具体限定。
在一些实施例中，构建电源信号为：
Figure BDA0004040656320000061
其中，Y(t)表示电源信号，Xi(t)表示电器i在t时刻的有功功率，I表示电器的数量，e(t)表示t时刻非侵入式电器识别模型的噪声。
在一些实施例中，根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，包括：
在卷积神经网络中设置有多个卷积层和多个全连接层，获得多任务学习的非侵入式电器识别模型；其中，多个卷积层为共享卷积层，每个全连接层对应训练一个任务，一个任务用于识别一个电器的功率。
在本实施例中，多个卷积层为共享卷积层，让不同电器共享底层特征，相互弥补，以提高每个电器在没有见过的数据集(即验证样本集)上的表现，即能够根据各任务之间的关联性提高每个子任务的表现，从而能够提高非侵入式电器识别的准确度。
在一些实施例中，通过如下方式计算非侵入式电器识别模型的残差值：
Figure BDA0004040656320000071
其中，λi表示权重，lossi表示子任务的损失值，K表示非侵入式电器识别模型中子任务的个数，损失值的计算公式为：
Figure BDA0004040656320000072
其中，Xi(t)表示t时刻电器i的真实功率值，
Figure BDA0004040656320000073
表示t时刻子任务i的预测值，T表示时间段。
为方便本领域人员理解，以下提供一组最佳实施例：
1、问题描述。
设电源信号Y(t)是一个房屋内所有电器的有功功率之和，该数据从房屋入口处的监测仪表读取。Y(t)表示电源信号在t时刻的读数，则电源信号Y(t)由以下公式表示：
Figure BDA0004040656320000074
其中，Xi(t)表示电器i在t时刻的有功功率，I表示该房屋中电器的总数量，e(t)表示t时刻非侵入式电器识别模型的噪声，它服从均值为0，方差为σ2的高斯分布，即
Figure BDA0004040656320000075
因此，将该问题描述为给定监测到的
Figure BDA0004040656320000076
识别出每个电器在T时段内的功率值
Figure BDA0004040656320000077
即求解X＝f(Y)。
2、构建训练样本集。
训练样本集包括训练样本和标签样本。原始数据集中包含了按照一定采样率采集的电源信号和各个电器的功率数据。如图2所示，本实施例以滑动窗口的方式在电源信号和各个电器的功率序列上进行样本构建，每滑动一次，就生成一个相应的训练样本和标签样本。其中，电源信号功率序列产生的样本为训练样本，各个电器功率序列产生的样本为该电器对应的标签样本。滑动窗口的长度需要经验性地设定，不同电器对应不同的最佳长度的滑动窗口。
3、构建多任务学习的非侵入式电器识别模型。
文献“Zhang,ChaoyunZhong,MingjunWang,et al..“Sequence-to-pointlearning with neural networks for non-intrusive load monitoring”.32nd AAAIConference on Artificial Intelligence,AAAI 2018.”中的单任务学习下的模型结构是目前非侵入式电器识别领域最著名的模型之一，这种序列到序列的卷积神经网络结构范式被频繁应用于单任务学习的模型设计中。参照图3，本实施例设计的多任务学习的非侵入式电器识别模型是基于单任务下的卷积神经网络，其中，一个子任务用于识别一个电器运行功率，多个任务共享卷积层。卷积层的意义在于提取特征，而共享卷积层的意义在于提取共同的底层特征。在本实施例中，默认该多任务模型中包含三个子任务，但子任务的数量可根据实际需求做出调整，本实施例不做具体限定。
经文献“D'Incecco,et al.“Transfer Learning for Non-Intrusive LoadMonitoring”.IEEE Transactions on Smart Grid.2020.”研究发现，复杂电器训练的卷积层可以直接运用于简单的电器，仅需重新训练全连接层即可。这种迁移方式下的模型性能和用该电器本身的数据训练的卷积层相比稍有下降，但足以说明卷积层在电器之间提取的特征是可以共享的，但复杂电器的运行特征不能完全包含简单电器的运行特征。因此本实施例设计的多任务学习的非侵入式电器识别模型致力于让不同电器共享底层特征，相互弥补，以提高每个电器在没有见过的数据集(即验证样本集)上的表现。通过充足的实验表明，对于在单任务中表现已经很好的电器，在多任务模型中的性能表现相对稳定，而在单任务中表现欠佳的电器，在多任务模型中性能提升幅度较大。这一现象可以理解为，在单任务学习中本身就表现优秀的电器的性能提升空间很小，它在多任务模型中更多的是充当一个帮助者的角色，而在单任务学习中识别性能欠佳的电器在多任务模型中扮演受助者的角色，因此，本实施例设计的多任务学习的非侵入式电器识别模型能够提高非侵入式电器识别的准确度。
4、多任务学习的非侵入式电器识别模型的训练。
定义残差值
Figure BDA0004040656320000081
其中，lossi表示子任务i的损失值，lossi由平均绝对误差值(MAE)计算为：
Figure BDA0004040656320000082
K表示多任务模型中子任务的个数，在本实施例中K为3。λi赋予每个子任务一个权重，该值越大，其对应的子任务越重要。在本实施例中赋予子任务相同的权重。Xi(t)表示电器i的真实功率值，即标签样本，
Figure BDA0004040656320000083
表示子任务i的预测值。多任务学习的非侵入式电器识别模型创建时，各个网络层初始化其所在层网络参数。输入训练样本集至多任务学习的非侵入式电器识别模型中，并根据模型的loss进行模型迭代，获得每轮训练后的非侵入式电器识别模型。然后采用验证样本集对每轮训练后的非侵入式电器识别模型进行验证，并选择验证后残差值最小的非侵入式电器识别模型作为训练好的非侵入式电器识别模型保存迭代过程中最佳的模型。
5、训练好的非侵入式电器识别模型进行预测。
输入想要识别的电源信号
Figure BDA0004040656320000091
(即多种电器的待预测样本)至训练好的非侵入式电器识别模型中，训练好的非侵入式电器识别模型即可输出目标电器的运行功率
Figure BDA0004040656320000092
在本实施例中，训练好的非侵入式电器识别模型会同时输出三个电器的运行功率，输出的结果如图4、图5和图6所示。值得注意的是，每个子任务识别的目标电器取决于非侵入式电器识别模型训练时每个子任务采用的是哪个电器的标签数据。
6、非侵入式电器识别模型的性能评估。
除了平均绝对误差(MAE)以外，本实施例定义了识别电量准确率作为模型的性能指标：
对于每个电器i，分
Figure BDA0004040656320000093
此标准参考2020年国家电网发布的《物联表非介入式负荷辨识模组通用技术规范》。本实施例选用REDD开源数据集进行实验验证，采样率为1Hz。选择冰箱、微波炉、洗衣机作为目标电器。选择1号房屋4月1日至4月30日共70万条读数作为训练样本集，5月1日至5月5日共23万条记录作为验证样本集。根据实验，选择冰箱的滑动窗口长度为1299，对应1299个功率读数，而微波炉和洗衣机分别选择599和99作为其滑动窗口的长度。实验结果如图7所示。从MAE指标来看，本实施例的多任务学习的非侵入式电器识别模型和单任务学习相比，多任务学习的非侵入式电器识别模型下的每个子任务的性能都得到提升。从分电量准确度来看，冰箱的分电量准确度下降了0.1％，由于其数值太小，几乎可以忽略不计。此现象可以解释为冰箱的分电量准确度在单任务学习模型下本就已经达到95％以上，其上升空间很小，模型对冰箱的特征提取已经做得很好，因此冰箱在单任务和多任务学习中的表现相对稳定。而微波炉和洗衣机两种电器的分电量准确度分别提高了22.1％和3.2％。可以看出，单任务学习模型下表现越差的电器在多任务学习中得到了越多的帮助，其性能提升也越大。
参照图8，本发明实施例还提供了一种基于多任务学习的非侵入式电器识别系统，本基于多任务学习的非侵入式电器识别系统包括数据获取模块100、模型构建模块200、残差计算模块300和电器识别模块400，其中：
数据获取模块100，用于获取多种电器的训练样本集和验证样本集；
模型构建模块200，用于根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
残差计算模块300，用于计算非侵入式电器识别模型的残差值；
电器识别模块400，用于将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到。
在一些实施例中，数据获取模块包括数据采集子模块、样本构建子模块和样本合并子模块，其中：
数据采集子模块，用于按照预设的采样率采集电源信号和每种电器的功率；
样本构建子模块，用于采用滑动窗口的方式在电源信号和每种电器的功率上构建样本；其中，电源信号为训练样本，每种电器的功率为训练样本对应的标签样本；
样本合并子模块，用于将训练样本和标签样本合并为训练样本集。
需要说明的是，由于本实施例中的一种基于多任务学习的非侵入式电器识别系统与上述的一种基于多任务学习的非侵入式电器识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
本发明实施例还提供了一种基于多任务学习的非侵入式电器识别设备，包括：至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种基于多任务学习的非侵入式电器识别方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种基于多任务学习的非侵入式电器识别方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于多任务学习的非侵入式电器识别方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400的功能。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种基于多任务学习的非侵入式电器识别方法，其特征在于，所述基于多任务学习的非侵入式电器识别方法包括：
获取多种电器的训练样本集和验证样本集；
根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
计算所述非侵入式电器识别模型的残差值；
将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，所述训练好的非侵入式电器识别模型由所述残差值、所述验证样本集和所述训练样本集训练得到。
2.根据权利要求1所述的基于多任务学习的非侵入式电器识别方法，其特征在于，所述训练好的非侵入式电器识别模型通过如下步骤训练得到：
将所述训练样本集输入至所述非侵入式电器识别模型中进行多轮训练，并根据所述残差值进行模型迭代，获得每轮训练后的非侵入式电器识别模型；
采用验证样本集对所述每轮训练后的非侵入式电器识别模型进行验证，并选择验证后残差值最小的非侵入式电器识别模型作为训练好的非侵入式电器识别模型。
3.根据权利要求1所述的基于多任务学习的非侵入式电器识别方法，其特征在于，所述获取多种电器的训练样本集，包括：
按照预设的采样率采集电源信号和每种电器的功率；
采用滑动窗口的方式在所述电源信号和所述每种电器的功率上构建样本；其中，所述电源信号为训练样本，所述每种电器的功率为所述训练样本对应的标签样本；
根据所述训练样本和所述标签样本，获取多种电器的训练样本集。
4.根据权利要求3所述的基于多任务学习的非侵入式电器识别方法，其特征在于，构建所述电源信号为：
Figure FDA0004040656310000011
其中，Y(t)表示所述电源信号，Xi(t)表示电器i在t时刻的有功功率，I表示电器的数量，e(t)表示t时刻非侵入式电器识别模型的噪声。
5.根据权利要求1所述的基于多任务学习的非侵入式电器识别方法，其特征在于，所述根据卷积神经网络，构建多任务学习的非侵入式电器识别模型，包括：
在所述卷积神经网络中设置有多个卷积层和多个全连接层，获得多任务学习的非侵入式电器识别模型；其中，所述多个卷积层为共享卷积层，每个所述全连接层对应训练一个任务，一个任务用于识别一个电器的功率。
6.根据权利要求1所述的基于多任务学习的非侵入式电器识别方法，其特征在于，通过如下方式计算所述非侵入式电器识别模型的残差值：
Figure FDA0004040656310000021
其中，λi表示权重，lossi表示子任务的损失值，K表示所述非侵入式电器识别模型中子任务的个数，所述损失值的计算公式为：
Figure FDA0004040656310000022
其中，Xi(t)表示t时刻电器i的真实功率值，
Figure FDA0004040656310000023
表示t时刻子任务i的预测值，T表示时间段。
7.一种基于多任务学习的非侵入式电器识别系统，其特征在于，所述基于多任务学习的非侵入式电器识别系统包括：
数据获取模块，用于获取多种电器的训练样本集和验证样本集；
模型构建模块，用于根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；
残差计算模块，用于计算所述非侵入式电器识别模型的残差值；
电器识别模块，用于将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，所述训练好的非侵入式电器识别模型由所述残差值、所述验证样本集和所述训练样本集训练得到。
8.根据权利要求7所述的基于多任务学习的非侵入式电器识别系统，其特征在于，所述数据获取模块包括数据采集子模块、样本构建子模块和样本合并子模块，其中：
所述数据采集子模块，用于按照预设的采样率采集电源信号和每种电器的功率；
所述样本构建子模块，用于采用滑动窗口的方式在所述电源信号和所述每种电器的功率上构建样本；其中，所述电源信号为训练样本，所述每种电器的功率为所述训练样本对应的标签样本；
所述样本合并子模块，用于将所述训练样本和所述标签样本合并为训练样本集。
9.一种基于多任务学习的非侵入式电器识别设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至6任一项所述的基于多任务学习的非侵入式电器识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的基于多任务学习的非侵入式电器识别方法。
CN202310016410.4A 2023-01-06 2023-01-06 一种基于多任务学习的非侵入式电器识别方法及系统 Active CN116108350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310016410.4A CN116108350B (zh) 2023-01-06 2023-01-06 一种基于多任务学习的非侵入式电器识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310016410.4A CN116108350B (zh) 2023-01-06 2023-01-06 一种基于多任务学习的非侵入式电器识别方法及系统

Publications (2)

Publication Number Publication Date
CN116108350A true CN116108350A (zh) 2023-05-12
CN116108350B CN116108350B (zh) 2023-10-20

Family

ID=86260909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310016410.4A Active CN116108350B (zh) 2023-01-06 2023-01-06 一种基于多任务学习的非侵入式电器识别方法及系统

Country Status (1)

Country Link
CN (1) CN116108350B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508908A (zh) * 2018-12-25 2019-03-22 深圳市城市公共安全技术研究院有限公司 非侵入式负荷识别模型训练方法、负荷监测方法及装置
US20210158150A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Machine Learning
CN113011482A (zh) * 2021-03-10 2021-06-22 威胜集团有限公司 非侵入式负荷识别方法、终端设备及存储介质
CN114359674A (zh) * 2022-01-12 2022-04-15 浙江大学 基于度量学习的非侵入式负荷识别方法
CN114462501A (zh) * 2022-01-04 2022-05-10 上海交通大学 一种基于联邦学习的非侵入式设备状态识别方法及装置
WO2022241932A1 (zh) * 2021-05-21 2022-11-24 同济大学 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
US20220397874A1 (en) * 2021-06-07 2022-12-15 Zhejiang University Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure
CN115564046A (zh) * 2022-11-10 2023-01-03 苏州市保安服务有限公司 基于多任务学习的非侵入式负荷监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508908A (zh) * 2018-12-25 2019-03-22 深圳市城市公共安全技术研究院有限公司 非侵入式负荷识别模型训练方法、负荷监测方法及装置
US20210158150A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Machine Learning
CN113011482A (zh) * 2021-03-10 2021-06-22 威胜集团有限公司 非侵入式负荷识别方法、终端设备及存储介质
WO2022241932A1 (zh) * 2021-05-21 2022-11-24 同济大学 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
US20220397874A1 (en) * 2021-06-07 2022-12-15 Zhejiang University Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure
CN114462501A (zh) * 2022-01-04 2022-05-10 上海交通大学 一种基于联邦学习的非侵入式设备状态识别方法及装置
CN114359674A (zh) * 2022-01-12 2022-04-15 浙江大学 基于度量学习的非侵入式负荷识别方法
CN115564046A (zh) * 2022-11-10 2023-01-03 苏州市保安服务有限公司 基于多任务学习的非侵入式负荷监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐璐;颜钟宗;温和;唐立军;: "基于卷积神经网络的非侵入式负荷识别方法", 云南电力技术, no. 02 *
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 *
陈红;余志斌;: "基于深度迁移学习的家用电器识别研究", 传感器与微系统, no. 06 *

Also Published As

Publication number Publication date
CN116108350B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN111563827B (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN114037178B (zh) 基于无监督预训练神经网络的非侵入式负荷分解方法
CN116796141A (zh) 一种基于gbdt回归模型的办公建筑能耗预测方法
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN115859792A (zh) 基于注意力机制的中期电力负荷预测方法及系统
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN116108350B (zh) 一种基于多任务学习的非侵入式电器识别方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN116304537A (zh) 基于智能量测终端的窃电用户核查方法
CN114091782B (zh) 中长期电力负荷预测方法
Lyu et al. Multivariate-aided Power-consumption Prediction Based on LSTM-Kalman Filter
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
CN117833243B (zh) 一种电力短期需求预测方法、系统、设备及介质
CN116644320B (zh) 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法
Zhao et al. A big data framework for short-term load forecasting using heterogenous data
CN117634931B (zh) 一种考虑充电行为的电动汽车调节能力预测方法及系统
CN118626955A (zh) 一种基于事件响应知识引导的增强住宅负载预测方法

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
GR01 Patent grant
GR01 Patent grant