CN116526459A - 一种非侵入式居民负荷监测方法及存储介质 - Google Patents
一种非侵入式居民负荷监测方法及存储介质 Download PDFInfo
- Publication number
- CN116526459A CN116526459A CN202310484770.7A CN202310484770A CN116526459A CN 116526459 A CN116526459 A CN 116526459A CN 202310484770 A CN202310484770 A CN 202310484770A CN 116526459 A CN116526459 A CN 116526459A
- Authority
- CN
- China
- Prior art keywords
- model
- electric appliance
- target electric
- active power
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013019 agitation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/70—Load identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及非侵入式负荷监测技术领域,特别涉及一种非侵入式居民负荷监测方法及存储介质,包括步骤:获取总有功功率序列y,获取目标电器的有功功率序列x,并构建目标电器i的开关状态序列o;根据所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o得到模型的训练数据与验证数据;通过全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型;根据所述最优模型分解所述总有功功率序列y获得目标电器i的分解有功功率序列。本发明的提出解决了现有的负荷分解模型中分解精度与泛化能力较弱,且参数量较多,无法适配嵌入式平台部署的问题。
Description
技术领域
本发明涉及非侵入式负荷监测技术领域,特别涉及一种非侵入式居民负荷监测方法及存储介质。
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(也即Non-intrusive Load Monitoring,后文简称NILM)。其中NILM的目的是将家庭总有功功率消耗分解为若干个目标电器的有功功率消耗,来替代为每个电器安装数据采集器,具有投资成本小、维护简单与通用性强等均优于侵入式负荷监测的优点;同时NILM技术是建设智能电力物联网的基础技术之一,可以实现对负荷侧物理对象的细粒度感知,为电网公司、虚拟电厂运营商进行负荷可调节潜力评估和调度策略提供数据支撑,促进负荷侧可调节资源与电力系统间的高效协同与灵活互动。
现有的负荷分解模型,其分解进度及泛化能力较弱,且模型参数量较多,无法满足嵌入式平台的部署。
因此,一种非侵入式居民负荷监测方法及存储介质应运而生。
发明内容
本发明的发明内容在于提供一种非侵入式居民负荷监测方法及存储介质,主要解决了现有的负荷分解模型中分解精度与泛化能力较弱,且参数量较多,无法适配嵌入式平台部署的问题。
本发明提出了一种非侵入式居民负荷监测方法,包括以下步骤:
获取总有功功率序列y;
获取目标电器的有功功率序列x,并构建目标电器i的开关状态序列o;
根据所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o得到模型的训练数据与验证数据;
通过全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型;
根据所述最优模型分解所述总有功功率序列y获得目标电器i的分解有功功率序列。
优选地,所述通过全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型,包括,将所述总有功功率序列y作为模型的输入,所述目标电器i的有功功率序列x与目标电器i的开关状态序列o分别作为标签,利用所述全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型。
优选地,构建所述目标电器i的开关状态序列o,包括,将所述目标电器i的规定功率大于阈值时记为开状态,值为1,反之为0,并形成所述目标电器i的开关状态序列o。
优选地,所述根据所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o得到模型的训练数据与验证数据,包括,将所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o经过划分与数据预处理后得到模型的训练数据与验证数据。
优选地,将所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o经过划分与数据预处理后得到模型的训练数据与验证数据,中的所述数据预处理,包括对数据进行归一化处理,以及为增加模型训练样本的滑动窗口处理。
优选地,将所述总有功功率序列y作为模型的输入,所述目标电器i的有功功率序列x与目标电器i的开关状态序列o分别作为标签,利用所述全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型,包括,
调用所述全卷积去躁自编码器中的主回归子任务网络和辅助分类子任务网络的多任务并行网络模型;
引入电器开关序列监督信息,实现子任务间的信息交互;
在子任务网络中,引入所述卷积块注意力模块自适应分配特征注意力权重;
将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单位,实现负荷分解;
对所述负荷分解模型进行训练,并获取最优模型。
本发明还提出了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,执行前述的居民负荷监测方法。
由上可知,应用本发明提供的技术方案可以得到以下有益效果:
第一,本发明提出的技术方案引入了全卷积去噪自编码器,其具有参数量少的优点,也即本发明提出的技术方案可适配嵌入式平台的部署,扩大了方案的适配性,以及应用范围;
第二,本发明提出的技术方案利用全卷积去噪自编码器与多任务学习策略结合以构建多任务并行网络模型,并在模型中引入电器开关序列监督信息,实现子任务间的信息交互,同时引入卷积块注意力模块自适应的分配特征注意力权重,减少不重要因素的影响,具有更高的分解精度与泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中居民负荷监测方法的流程框图;
图2为本发明实施例中居民负荷分解模型的结构图;
图3为本发明实施例中卷积块注意力模块的结构图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的负荷分解模型中分解精度与泛化能力较弱,且参数量较多,无法适配嵌入式平台部署的问题。
为了解决上述问题,本实施例提出了一种非侵入式居民负荷监测方法,其包括以下步骤:
S1:在目标电器i的有功功率序列x上利用阈值构建目标电器i的开关状态序列o∈{0,1}。其中,目标电器i的开关状态序列是指,当功率大于阈值时为开状态,其值为1,反之为0;
S2:将总有功功率序列y与目标电器i的有功功率x和开关状态序列o经过划分与数据预处理后得到模型的训练数据与验证数据。其中,数据预处理主要包括数据的归一化与滑动窗口处理,滑动窗口处理的主要目的是增加模型的训练样本。
S3:将总有功功率序列y作为模型的输入,目标电器i的有功功率序列x与开关状态序列o分别作为标签。利用所提基于全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,采用早停机制防止模型过拟合,并保存最优模型。
S4:调用已训练好的模型,以总有功功率序列y作为输入,得到目标电器i的分解有功功率序列。所提模型需要为每一个电器训练一个模型。
而所示模型基于全卷积去噪自编码器,采用多任务学习策略构建主回归子任务与辅助分类子任务网络,以联合损失函数进行训练,实现子任务间的信息交互;其次,为了进一步提高模型对负荷特征的提取能力,减少其它不重要因素在模型训练过程中对电器特征学习的干扰,引入卷积块注意力模块自适应分配特征注意力权重;为了减少特征丢失,在编码器与解码器之间引入跳跃连接,为解码器提供了丰富的融合特征;最后,用所提模型对负荷数据进行分解验证。为检验算法,利用公开数据集UK-DALE与REFIT对所提模型进行验证,并与已有负荷分解模型进行对比。本发明具有更好的分解精度与泛化能力,同时模型的参数量也保持在较低水平。
在本实施例中,具体操作过程如下:
采用基于全卷积去噪自编码器下的多任务学习策略:构建主回归子任务与辅助分类子任务网络,以联合损失函数对模型进行训练,实现子任务间的信息交互,如下。
1)全卷积去噪自编码器(FCN-DAE,在编码器、潜在空间层和解码器中都只使用了卷积神经网络,能够相比去噪自编码器(DAE)的功能上能够更好的保留时间信息。
通过有监督学习方法对DAE进行训练,能够使编码器学习提取最重要的特征到低维的潜在空间特征向量h中,解码器能够学会将h重建得到一个与真实值xt最为接近的重构数据xt。DAE的权重是通过损失函数LDAE进行更新,损失函数LDAE定义如下:
式中T为总时间长度,xt为在t时刻的真实值,为DAE在t时刻的输出值。
所述网络模型的整体结构如附图2,其中主回归子任务网络只学习输入总功率与目标电器有功功率之间的映射关系,是回归网络。而辅助分类子任务网络只学习输入总功率与目标电器的开/关状态之间的关系,是二分类网络。
辅助分类子任务网络能够不依赖目标电器的分解值直接确定目标电器的开关状态,避免了使用目标电器功率分解来确定开关状态时,由错误的功率分解值而确定出错误的开关状态的情况。辅助分类子任务网络输出的分类概率作为主回归子任务网络输出的门控单元,可抑制功率分解的错误值,减少分解误差。在本实施例中,模型的输出为两个子任务网络输出结果的乘积。
分别定义fregression和fstate为主回归子任务网络与辅助分类子任务网络。在t时刻,主回归子任务网络输出初步功率分解值和辅助分类子任务网络输出分类概率可分别表示为:
本实施例模型最终功率分解出fpower(yt)输出的表示如下:
在子任务网络中,引入卷积块注意力模块自适应分配特征注意力权重:卷积块注意力模块(Convolutional Block Attention Module,CBAM)是一种前馈卷积神经网络的轻量级通用模块,结构如附图3所示。
卷积块注意力模型包含通道注意力模块与空间注意力模块两部分,能够分别从通道上和空间上学习“注意什么”与“注意哪里”,实现关注重要特征与抑制不重要特征。卷积块注意力模型结构如附图3所示。
卷积块注意力模型的计算过程可以表示为:
式中表示为逐元素相乘,F为卷积块注意力模型的输入,MC(F)为通道注意力特征矩阵,FC为空间注意力模块的输入,MS(FC)为空间注意力特征矩阵。FCS为卷积块注意力模型的输出,MC(F)与MS(FC)计算如下:
Ms(Fc)=σ(Mconv) (8)
Mconv=fConv1D([fAvgPool(Fc);fMaxPool(Fc)]) (9)
式中σ(*)为sigmoid激活函数;fMLP(*)为多层感知器(multi-layer perceptron,MLP);fAvgPool(·)、fMaxPool(·)分别为平均池化与最大池化操作;fConv1D(·)为卷积核大小为7×7的一维卷积运算。
在编码器与解码器之间引入跳跃连接:减少编码过程中的特征丢失,为解码器提供丰富的融合特征。
在整体网络中,模型对输入数据自动进行以下处理:
1)在编码器部分,利用一维标准卷积对输入数据进行特征提取,利用跨步卷积对特征矩阵进行下采样,在潜在空间层利用标准卷积替代全连接层得到潜在空间特征向量h;
2)在解码器部分,利用一维转置卷积对潜在空间特征向量h进行上采样,利用一维标准卷积对经过上采样后的特征矩阵进行特征提取
3)还原后的特征矩阵通过CBAM层,以实现模型对重要特征的关注,减少非重要特征的干扰;
4)最后,以卷积核大小和卷积核个数都为1的卷积层作为子任务网络的输出层。
同时,在编码器与潜在空间层中均使用Relu激活函数,解码器的第一层转置卷积使用线性激活函数Linear,因为使用其它激活函数会使大量的负数特征消失。在主回归子任务中,模型输出层的激活函数为Linear,在辅助分类子网络中,模型输出层的激活函数为sigmoid函数,使分类子网络输出分类概率p∈(0,1)。
对于本实施例的使用情况,设计以下对比实验进行验证:
选取UK-DALE低频数据集对发明算法的有效性进行验证,训练集的数据均来自家庭1与家庭5,测试集的数据来自家庭1与家庭2(如表1所示),以验证所述模型的分解精度与泛化能力。并与已有的seq2point、循环神经网络(Recurrent Neural Network,RNN)和FCN-DAE模型进行对比,对比算法的最优参数均相同。为了公平比较算法的分解性能、模型参数量与训练时长,对比模型与所提模型都采用Adam优化器对网络权重进行更新,优化器学习率设置为0.001,batch size设置为256。为了防止网络过拟合,在模型训练时都采用了早停机制,patient设置为5,并保存最优模型。其中seq2point与RNN模型都为序列到点模型,输入窗口长度为257,FCN-DAE与所提模型为序列到序列模型,输入窗口长度为256。电器阈值主要是依据电器的功率运行状态选取确定。
表1
如下表2为UK-DAEL家庭1的负荷分解结果对比,从表中可以看出,与三种对比模型相比,所提模型显著提升了规律运行小功率的冰箱、简单状态的电热水壶、运行时长不等的微波炉和具有多状态的洗衣机的分解精度。仅在洗碗机的指标上略差于FCN-DAE模型。说明模型具有较好的分解性能,能够充分学习不同类型负荷的特征。
表2
如下表3为UK-DAEL家庭2的负荷分解结果对比,从表中可见所述模型仅在洗衣机的ESAE指标上略差于FCN-DAE模型,这是因为ESAE指标统计的是分解值与真实值之间的累计误差,而EMAE指标是衡量分解值与真实值之间的拟合程度,当EMAE越小时,表明分解值与真实值更加接近。因此EMAE指标相对ESAE指标而言能够更准确的描述模型的分解性能。与其它三种对比模型相比,所提模型在五种电器的指标达到最优,表明所提模型具有更高的分解精度与更好的泛化能力,具有更好的工程应用前景。
表3
最优,并对比了所述模型与对比模型的参数量训练事件以及分解时间。结果如表4。
表4
所述模型在提高泛化能力的同时将参数量保持在十万级别,在嵌入式平台部署时相比seq2point与RNN模型具有一定的优势。所提模型采用了多任务学习策略与卷积块注意力模块,以训练时间为代价提高了负荷分解的精度。所提模型训练单个epoch所需要消耗的时间为252s,在实际工程应用中的离线训练环境下是可接受的。四种模型分解一小时用电数据所需要消耗的时间均少于1s,满足在工程应用中对实时性的要求。
应强调的是,本实施例提出的居民负荷监测方法,且可实现该监测方法的系统、存储有实现监测方法的存储介质均属于本实施例的保护范围。
综上所述,本实施例提出了一种非侵入式居民负荷监测方法,利用全卷积去噪自编码器与多任务学习策略结合以构建多任务并行网络模型,并在模型中引入电器开关序列监督信息,实现子任务间的信息交互,同时引入卷积块注意力模块自适应的分配特征注意力权重,减少不重要因素的影响,具有更高的分解精度与泛化能力。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (7)
1.一种非侵入式居民负荷监测方法,其特征在于,包括以下步骤:
获取总有功功率序列y;
获取目标电器的有功功率序列x,并构建目标电器i的开关状态序列o;
根据所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o得到模型的训练数据与验证数据;
通过全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型;
根据所述最优模型分解所述总有功功率序列y获得目标电器i的分解有功功率序列。
2.根据权利要求1所述的一种非侵入式居民负荷监测方法,其特征在于:
所述通过全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型,包括,将所述总有功功率序列y作为模型的输入,所述目标电器i的有功功率序列x与目标电器i的开关状态序列o分别作为标签,利用所述全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型。
3.根据权利要求2所述的一种非侵入式居民负荷监测方法,其特征在于:
构建所述目标电器i的开关状态序列o,包括,将所述目标电器i的规定功率大于阈值时记为开状态,值为1,反之为0,并形成所述目标电器i的开关状态序列o。
4.根据权利要求3所述的一种非侵入式居民负荷监测方法,其特征在于:
所述根据所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o得到模型的训练数据与验证数据,包括,将所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o经过划分与数据预处理后得到模型的训练数据与验证数据。
5.根据权利要求4所述的一种非侵入式居民负荷监测方法,其特征在于:
将所述总有功功率序列y、目标电器i的有功功率序列x与目标电器i的开关状态序列o经过划分与数据预处理后得到模型的训练数据与验证数据,中的所述数据预处理,包括对数据进行归一化处理,以及为增加模型训练样本的滑动窗口处理。
6.根据权利要求5所述的一种非侵入式居民负荷监测方法,其特征在于:
将所述总有功功率序列y作为模型的输入,所述目标电器i的有功功率序列x与目标电器i的开关状态序列o分别作为标签,利用所述全卷积去噪自编码器与卷积块注意力模块的负荷分解模型进行训练,并获取最优模型,包括,
调用所述全卷积去躁自编码器中的主回归子任务网络和辅助分类子任务网络的多任务并行网络模型;
引入电器开关序列监督信息,实现子任务间的信息交互;
在子任务网络中,引入所述卷积块注意力模块自适应分配特征注意力权重;
将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单位,实现负荷分解;
对所述负荷分解模型进行训练,并获取最优模型。
7.一种计算机存储介质,其特征在于:所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,执行权利要求1~6任一项所述的居民负荷监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484770.7A CN116526459B (zh) | 2023-04-28 | 2023-04-28 | 一种非侵入式居民负荷监测方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484770.7A CN116526459B (zh) | 2023-04-28 | 2023-04-28 | 一种非侵入式居民负荷监测方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116526459A true CN116526459A (zh) | 2023-08-01 |
CN116526459B CN116526459B (zh) | 2024-02-20 |
Family
ID=87400663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310484770.7A Active CN116526459B (zh) | 2023-04-28 | 2023-04-28 | 一种非侵入式居民负荷监测方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116526459B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293795A (zh) * | 2023-09-08 | 2023-12-26 | 杭州戈虎达科技有限公司 | 一种面向灵活爬坡服务的电力系统资源调度方法 |
CN117498543A (zh) * | 2023-10-27 | 2024-02-02 | 中国矿业大学 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 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 |
US20220397874A1 (en) * | 2021-06-07 | 2022-12-15 | Zhejiang University | Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure |
CN115563583A (zh) * | 2022-11-10 | 2023-01-03 | 苏州市保安服务有限公司 | 基于多物理量融合的非侵入式负荷监测方法 |
-
2023
- 2023-04-28 CN CN202310484770.7A patent/CN116526459B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220397874A1 (en) * | 2021-06-07 | 2022-12-15 | Zhejiang University | Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure |
CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 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 |
CN115563583A (zh) * | 2022-11-10 | 2023-01-03 | 苏州市保安服务有限公司 | 基于多物理量融合的非侵入式负荷监测方法 |
Non-Patent Citations (2)
Title |
---|
D. GARCÍA-PÉREZ, D. PÉREZ-LÓPEZ, I. DÍAZ-BLANCO, A. GONZÁLEZ-MUÑIZ, M. DOMÍNGUEZ-GONZÁLEZ AND A. A. CUADRADO VEGA: "Fully-Convolutional Denoising Auto-Encoders for NILM in Large Non-Residential Buildings", 《IEEE TRANSACTIONS ON SMART GRID》, vol. 12, no. 03, pages 2722 - 2731, XP011850267, DOI: 10.1109/TSG.2020.3047712 * |
J. FENG, K. LI, H. ZHANG, X. ZHANG AND Y. YAO: "Multichannel Spatio-Temporal Feature Fusion Method for NILM", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 18, no. 12, pages 8735 - 8744, XP011921527, DOI: 10.1109/TII.2022.3148297 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293795A (zh) * | 2023-09-08 | 2023-12-26 | 杭州戈虎达科技有限公司 | 一种面向灵活爬坡服务的电力系统资源调度方法 |
CN117498543A (zh) * | 2023-10-27 | 2024-02-02 | 中国矿业大学 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
CN117498543B (zh) * | 2023-10-27 | 2024-06-07 | 中国矿业大学 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116526459B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116526459B (zh) | 一种非侵入式居民负荷监测方法及存储介质 | |
Liu et al. | Wind speed forecasting using deep neural network with feature selection | |
Xu et al. | DisCOV: Distributed COVID-19 detection on X-ray images with edge-cloud collaboration | |
Karunanithi et al. | Prediction of software reliability using connectionist models | |
Van Kasteren et al. | Hierarchical activity recognition using automatically clustered actions | |
Bian et al. | Machine learning in real-time Internet of Things (IoT) systems: A survey | |
CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
EP3750060A1 (en) | Resource needs prediction in virtualized systems: generic proactive and self-adaptive solution | |
Zhang et al. | Energy theft detection in an edge data center using threshold-based abnormality detector | |
CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
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 | |
Li et al. | Combined forecasting model of cloud computing resource load for energy-efficient IoT system | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN110210661A (zh) | 一种基于用户用能特性的中长期负荷预测方法及装置 | |
CN113923129A (zh) | 基于数据驱动的vnf需求预测方法及系统 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN106874215B (zh) | 一种基于Spark算子的序列化存储优化方法 | |
Vukmirović et al. | Optimal workflow scheduling in critical infrastructure systems with neural networks | |
CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 | |
CN115271198A (zh) | 一种光伏设备的净负荷预测方法及装置 | |
CN114966461A (zh) | 一种基于神经网络改进的交流电设备故障诊断方法 | |
Ukil et al. | SRDCNN: Strongly regularized deep convolution neural network architecture for time-series sensor signal classification tasks | |
Kono et al. | Convergence estimation utilizing fractal dimensional analysis for reinforcement learning | |
CN117220287B (zh) | 一种发电量预测方法 | |
Ahmed et al. | Disturbance Evaluation in Power System Based on Machine Learning. |
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 |