CN116610922A - 基于多策略学习的非侵入式负荷识别方法和系统 - Google Patents
基于多策略学习的非侵入式负荷识别方法和系统 Download PDFInfo
- Publication number
- CN116610922A CN116610922A CN202310856650.5A CN202310856650A CN116610922A CN 116610922 A CN116610922 A CN 116610922A CN 202310856650 A CN202310856650 A CN 202310856650A CN 116610922 A CN116610922 A CN 116610922A
- Authority
- CN
- China
- Prior art keywords
- current data
- electric appliance
- event
- appliance
- data
- 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 55
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241001640034 Heteropterys Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical compound [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多策略的非侵入负荷识别方法和系统，包括：将一段待检测电流数据输入至用非侵入式负荷识别模型进行识别：（A）若事件识别模块识别到待检测电流数据中不存在开关事件，则输出多目标识别模块的识别结果；（B）若存在开关事件，（B‑1）若为关闭事件，则输出多目标识别模块的识别结果；（B‑2）若为打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，（B‑21）若不是集外用电器，则输出多目标识别模块的识别结果；（B‑22）若是集外用电器，对当前待检测电流数据进行标注并保存至训练数据集中；定期采用更新后的训练数据集对非侵入式负荷识别模型进行训练。本发明识别速度快、建模数据量小，单次可识别多种用电器类别。
Description
技术领域
本发明涉及非侵入式负荷识别技术领域，尤其涉及基于多策略学习的非侵入式负荷识别方法和系统。
背景技术
智能用电是智能电网的关键组成部分，能够实现电网与用户间的灵活双向互动。负荷识别是智能用电的一个重要环节。只有了解用户家庭中在使用哪些用电器，才可以实现用户的用电行为分析。因此一方面负荷识别可以通过分析用电行为数据，引导用户改善用电行为习惯，通过提醒用户及时关闭不必要的用电器减少电能浪费、滥用的问题，以此节约用电成本。另一方面负荷识别能够帮助电网深入分析用户用电行为，对负荷调峰及节能减排具有重要的现实意义。此外，负荷识别对于家庭用户行为安全监测具有重要作用。如在智慧养老场景下，可以根据负荷识别分析老人的用电行为，当某一时段老人的用电行为出现异常时则可以判断老人可能出现异常，以此及时发现可能会发生的意外。
负荷识别可以分为侵入式负荷识别方法和非侵入式负荷识别方法两类。侵入式负荷识别方法指的是通过在居民用电侧，如在开关、用电器本身线路上加装传感器的方法，获取居民的用电数据。而非侵入式负荷识别方法指的是采集居民用电总线上的用电数据进行分析，获得采集的数据中正在用电的用电器。侵入式负荷识别虽然在识别精度上具有较大的优势，但是由于需要在居民用电侧加装数据采集设备，该方法在便捷性、经济性、可维护性以及用户接受程度上就不及非侵入式负荷识别方法。因此非侵入式负荷识别是更具值得研究的。
当前非侵入式负荷识别方法多是基于优化方法和模式识别方法构建的，但这些方法都存在一些问题。首先这些方法都依赖于庞大的数据，如基于优化的非侵入式负荷识别方法需要根据大量的用电器数据创建用电器模板数据库才可以识别，而用电器数据的获取在现实使用场景中总是困难的。其次，这些方法未考虑开集的场景，即在创建数据库或者训练模型的过程中，只考虑已知的用电器（闭集数据）。而在家庭用电过程中，用户通常会增加一些新的用电器（开集数据），而这些方法无法对新增的用电器数据进行有效识别。最后，这些方法很少可以实现多目标的识别，即给定一段用户配电箱的总电流数据，无法完成该数据中的用电器种类的识别。
识别速度慢、建模数据量大、无法识别未知用电器、单次只能识别一种用电器等问题使得上述两类方法都不足以完全适应非侵入式负荷识别场景。
发明内容
本发明提供了一种基于多策略的非侵入负荷识别方法，该识别方法识别速度快、建模数据量小，单次可识别多种用电器类别，并且可识别未知用电器。
本发明的技术方案如下：
一种基于多策略的非侵入负荷识别方法，包括以下步骤：
将一段待检测电流数据输入至用训练数据集训练好的非侵入式负荷识别模型中进行识别，所述的非侵入式负荷识别模型包括：用于提取输入电流数据的特征向量的特征提取模块、用于判断输入电流数据是否存在开关事件的事件识别模块、用于识别输入电流数据中的用电器类别的多目标识别模块以及用于对输入电流数据进行开集识别的开集识别模块；
识别流程包括由特征提取模块提取待检测电流数据的特征向量，将特征向量分别输入至事件识别模块、多目标识别模块以及开集识别模块中进行识别：（A）若事件识别模块识别到待检测电流数据中不存在开关事件，则直接输出多目标识别模块的识别结果；（B）若事件识别模块识别到待检测电流数据中存在开关事件，则进一步识别是用电器打开事件还是用电器关闭事件，（B-1）若为用电器关闭事件，则直接输出多目标识别模块的识别结果；（B-2）若为用电器打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，（B-21）若打开的用电器不是集外用电器，则直接输出多目标识别模块的识别结果；（B-22）若打开的用电器为集外用电器，则取消多目标识别模块的识别，对当前待检测电流数据及当前集外用电器产生的电流数据进行标注并保存至训练数据集中；
定期采用更新后的训练数据集对非侵入式负荷识别模型进行训练。
所述的训练数据集中包含用户用电总线的电流数据以及单用电器的电流数据。
用电总线的电流数据包含开关事件。开关事件即用电器打开或关闭的事件。电流数据的长度根据采样率以及实际需求而定，如12.8K的采样率，采集电流的数据长度可设置为5秒。
单用电器的电流数据是指用电总线只有相应的单一用电器在使用时的电流数据。单用电器的电流数据包含各单用电器的多种运行状态的电流数据，并且单用电器的电流数据中不包含开关事件。
在单用电器的电流数据后补0，使单用电器的电流数据与用电总线的电流数据长度保持一致。
所述的训练数据集的构建方法包括：
（1-1）在用户用电总线上安装电流数据采集设备；
（1-2）采集用电总线的电流数据，包含开关事件；
（1-3）使用电总线只有单一用电器在使用，采集相应的单用电器的电流数据；在单用电器的电流数据后补0，使单用电器的电流数据与用电总线的电流数据长度保持一致；
（1-4）为用电总线的电流数据标注开关事件的标签，包括存在用电器打开的事件、存在用电器关闭的事件、不存在开关事件；
（1-5）为用电总线的电流数据标注用电器种类的标签；当用电总线的电流数据中包含开关事件时，电流数据中包含的用电器类型的标注规则为：
当开关事件为打开用电器的事件，则该段用电总线的电流数据的用电器种类标签为打开用电器事件后的所有用电器种类标签；
当开关事件为关闭用电器的事件，则该段用电总线的电流数据的用电器种类标签为关闭用电器事件前的所有用电器种类标签；
（1-6）为单用电器的电流数据标注用电器种类标签，将单用电器的电流数据的开关事件标签标注为不存在开关事件。
优选的，为用电总线的电流数据标注用电器种类的标签，包括：
设置长度为M的数组，数组中的每一元素分别对应一类用电器，M为训练数据集中的用电器类别数量；
当用电总线的电流数据中包含c类用电器运行的电流时，数组中对应c类用电器的元素为1，否则为0。
优选的，为单用电器的电流数据标注用电器种类标签，包括：
设置长度为M的数组，数组中的每一元素分别对应一类用电器，M为训练数据集中的用电器类别数量；
单用电器所属的c类用电器对应元素为1，否则为0。
所述的特征提取模块基于一维卷积函数构建。优选的，所述的特征提取模块包含依次连接的四个网络块和一个全连接层，其中每个网络块由一个卷积层、Leaky Relu函数以及最大池化层构成。
所述的事件识别模块为全连接神经网络，输出层的神经元个数与开关事件类别数相同。
所述的多目标识别模块为全连接神经网络，输出层的神经元个数与训练数据集中的用电器类别数相同。
所述的开集识别模块为全连接神经网络，对特征提取模块提取的特征向量进行学习，计算输入电流数据与训练数据集中各类用电器电流数据的距离，判断输入电流数据是集内数据还是集外数据。
用训练数据集训练非侵入式负荷识别模型时，采用交叉熵损失函数训练开关事件识别模块；采用二分类交叉熵损失函数训练多目标识别模块；采用三元组损失函数训练开集识别模块。
交叉熵损失函数表示如下：
；
其中，x i 表示第i个输入样本，p(x i )表示样本x i 所对应的类标，q(x i )表示模型输出的样本x i 的分类概率，M表示样本数量。
二分类交叉熵损失函数表示如下：
；
其中，x i 表示第i个输入样本，p(x i )表示样本x i 所对应的类标，q(x i )表示模型输出的样本x i 的分类概率，M表示样本数量。
三元组损失函数表示如下：
；
其中，三元组<a,p,n>，a为锚点，p为正实例，p与a属于同一类样本，n为反例，n与a不属于同一类样本；d表示距离函数；m为超参数。
距离函数可以使用余弦相似度表示，计算公式为：
；
式中，x和y表示两个特征向量，d(x,y)表示两个特征向量的余弦相似度。
（B-2）若为用电器打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，包括：
（B-2i）当获知用电器打开事件后，定位负荷投切事件发生的时间，获得当前打开用电器的电流数据Ins：
；
式中，设电流数据长度为L'秒，开关事件发生在K秒，则A 1为0到K秒的电流数据，A 2为K到L'秒的电流数据；
（B-2ii）将当前Ins电流数据输入至训练好的非侵入式负荷识别模型中，通过开集识别模块获得该电流数据的特征向量e，计算特征向量e与训练数据集中包含的用电器电流数据的特征中心向量E c 的距离d(E c ,e)；
若d(E c ,e)大于设定阈值，则当前打开的用电器为集外用电器；否则，当前打开的用电器不是集外用电器。
进一步的，在计算Ins时，A 1、A 2应为稳态电流，而开关事件附近的电流通常不是稳态电流，因此在计算Ins时，可以设定超前和滞后量保证A 1、A 2为稳态电流。即A 1为0到（K-L"）秒的电流数据，A 2为(K+L")到L'秒的电流数据。
由于A 1、A 2的数据长度通常是不同的，假设A 1、A 2两者中数据长度较小者的长度为L，则Ins表示为：
Ins= [|A 2(0)-A 1(0)|, |A 2(1)-A 1(1)|……|A 2(L)-A 1(L)|]
其中，A 1(n)、A 2(n)表示A 1、A 2第n个数据点，n为0、1、2……L。
进一步的，用电器电流数据的特征中心向量E c 的计算公式为：
；
其中，E c 代表c类用电器的特征中心向量；x ci 表示第c类用电器的第i个输入样本；N表示用于计算特征中心向量的样本数量；D(x ci )表示深度学习模型对输入数据x ci 进行前向推理获得的特征向量。
当打开电器为集外用电器时，跟用户确认该集外用电器的类别，并对该待检测电流数据及该集外用电器产生的电流数据进行标注。
采用更新后的训练数据集对非侵入式负荷识别模型进行训练时，多目标识别模块的最后一层的神经元个数与更新后的训练数据集中用电器类别数相同。
在实际使用场景中可以通过设定时间，如每周或者每月的方式自动对非侵入式负荷识别模型进行训练，不断学习新的用电器的特征数据，能够不断识别新的用电器类别。
本发明还公开了一种基于多策略的非侵入负荷识别系统，包括存储器、处理器，以及存储在所述存储器内的训练数据集、非侵入式负荷识别模型、计算机程序；
处理器运行所述计算机程序时实现所述的非侵入负荷识别方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明通过事件识别策略、多目标识别策略、开集识别策略以及再训练策略，使得本发明的方法可以一次检测出给定电流数据中的所有用电器类别，并且可以判断给定电流数据中是否存在新的用电器种类，此外根据设计的再训练策略使得模型可以不断学习新的用电器特征，使模型具备识别新用电器的能力，使得到本发明的非侵入式负荷识别方法更具有实际应用价值。
与现有技术相比，本发明具备的模型自学习能力、多目标识别能力、开集识别能力是其他现有技术所不会同时具备的，本发明在实际非侵入式负荷识别场景更具备应用价值。
附图说明
图1为电气特征参数采集设备的加装方式示意图；
图2为非侵入式负荷识别模型架构的示意图；
图3为特征提取模块的结构示意图；
图4为基于多策略的非侵入负荷识别方法的识别流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
针对现有非侵入式负荷识别技术中存在的问题，本发明提出一种基于多策略的非侵入负荷识别方法，以总线中的高频电流数据为基础，通过深度神经网络提取高频电流数据中的特征，并引入开关事件检测策略、多目标识别策略、开集识别策略以及再训练策略使得模型具备识别开关事件的能力，识别给定电流中所有可能用电器的能力，并实现对未建模用电器的识别，最后通过再训练策略提高模型的泛化能力，从而丰富非侵入式负荷识别方法的应用场景。
一种基于多策略的非侵入负荷识别方法，主要包括以下步骤：
1）构造用于非侵入式负荷识别模型训练的数据集，数据集中需要包含用户家庭用电线路总线上的高频电流数据以及单用电器的电流数据，具体步骤如下：
Step1：在用户家庭用电总线上安装电气特征参数采集设备，该设备可以是市面上的智能电表等可以采集电气特征参数的设备，其加装方式如图1所示。需要注意的是电气特征参数采集设备的采样率需要尽可能的高，采样率越高，采集的电气特征参数损失越小，模型训练后的性能也越好。采样率应该高于12.8K为宜。采集的电气特征参数为电流数据，电流数据包含两部分，即用电总线上的电流数据以及单用电器的电流数据。
Step2：采集用电总线上的电流数据，用电总线上的电流数据需要包含开关事件，即模拟家庭用电场景下的用电器打开或关闭的场景。采集的电流数据的长度根据采样率以及实际需求而定，如上述12.8K的采样率，采集电流的数据长度可设置为5秒。
Step3：采集单用电器的电流数据，单用电器的电流数据来源于两部分，即来源于电气特征参数采集设备采集的数据以及从Step2的用电总线的电流数据分析获得的单用电器电流数据。对于电气特征参数采集设备采集的单用电器的电流数据，在采集时需要保证用电总线只有相应的单一用电器在使用。如采集空调的电流数据，则用户家庭中的其他用电器应处于关闭状态。单用电器可能会有多种运行状态，如空调就有制冷、制暖等状态，为了尽可能准确识别这些用电器，采集的单用电器数据应尽可能多的包含这些状态。可以通过采集多条不同状态下的单用电器电流数据解决，且通过采集设备采集的单用电器数据中不包含开关事件。对于从Step2的用电总线的电流数据，由于该数据包含了开关事件，根据电气特征参数的可加性原则，可以根据开关事件前后的电流数据分析出开关事件所对应的用电器的电流数据。具体来说，对于5秒的电流数据，若开关事件发生在K秒，0-K秒的电流数据为A 1，K-5秒的数据为A 2。若事件为打开用电器，则A 2中包含了A 1的电流数据，若事件为关闭用电器，则A 1包含了A 2的电流数据，则发生开关事件的用电器产生的电流数据Ins如下所示：
；
在计算Ins时，A 1、A 2应为稳态电流，而开关事件附近的电流通常不是稳态电流，因此在计算Ins时，可以设定超前和滞后量保证A 1、A 2为稳态电流。如设置0到（K-0.1）秒的电流数据为A 1，（K+0.1）到5秒的数据为A 2，0.1即为设置的超前滞后量。
对A 1、A 2进行处理，利用过零点作为起点，舍弃过零点之前的数据，记处理后的数据为A 1´、A 2´。由于A 1´、A 2´的数据长度通常是不同的，假设A 1´、A 2´两者中数据长度较小者的长度为L，则Ins表示为：
Ins= [|A 2(0)-A 1(0)|, |A 2(1)-A 1(1)|……|A 2(L)-A 1(L)|]；
其中，A 1´(n)、A 2´(n)表示A 1´、A 2´第n个数据点，n为0、1、2……L。
Ins长度是不足5秒的，为了方便后续模型的训练，在Ins后补0使其长度等于5秒的采样点数。因此通过上述可以采集单用电器的电流数据集。
Step4：为用电总线的电流数据集标注开关事件的标签。对于用电总线的电流数据，包含了开关事件，该数据可能包含了用电器打开，用电器关闭以及没有用电器打开或关闭三种状态。因此对于每段用电总线的电流数据，若存在用电器打开的事件，打上0标签；若存在用电器关闭的事件，打上1标签；若不存在用电开关事件，打上2标签。训练时会将这些标签转为One-hot编码。
Step5：为用电总线的电流数据集标注用电器种类的标签。对于用电总线的电流数据，包含了多种用电器使用的电流，如单次采集的用电总线的电流数据中，该数据中可能存在空调运行时的电流数据、冰箱运行时的电流数据等，根据实际情况进行标注，用数字0-X表示用电器，X表示总用电器的数量。假设空调类标为1，冰箱类标为2，电视类标为3，则对于只有1与2在运行时的用电总线的电流数据，其用电器种类的标签即为[1,1,0]，若只有用电器2与3在运行，则器类标为[0,1,1]。当用电总线电流数据中包含开关事件时，数据中包含的用电器类型根据如下规则标注：
当开关事件为打开用电器的事件，则该段用电总线的电流数据用电器种类标签为打开用电器事件后的所有用电器种类标签。
当开关事件为关闭用电器的事件，则该段用电总线的电流数据用电器种类标签为关闭用电器事件前的所有用电器种类标签。
Step6：为单用电器的电流数据集标注标签，其标注方式与Step5相似，如数据集中有3类用电器，标注的数据为空调，则其类标为[1,0,0]，其开关事件的类标为2。
2）构建基于深度神经网络的非侵入式负荷识别模型，模型的架构如图2所示，主要分为四个部分，即特征提取模块、事件识别模块、多目标识别模块以及开集识别模块。其中特征提取模块用于提取输入电流数据的特征，事件识别模块用于判断输入的电流数据是否有开关事件的发生，多目标识别模块用于识别输入的电流数据中的用电器类别，开集识别模块主要用于对输入数据进行开集识别。该结构的具体搭建步骤如下：
Step1：搭建特征提取模块，本发明采用了基于一维卷积函数的特征提取模块，该特征提取模块的结构如图3所示，该结构包含了四个网络块和一个全连接层，其中每个块的结构都是相似的，由一个卷积层、Leaky Relu函数以及最大池化层构成，每一层的参数设置如图3所示。需要注意的是特征提取模块的结构可以不局限于本发明中的结构，可以根据数据特点以及实际情况进行调整。
Step2：搭建事件识别模块，该模块实际上就是全连接神经网络，输出层的神经元个数与开关事件类别数相对应。
Step3：搭建多目标识别模块，该模块也是全连接神经网络，输出层的神经元个数与训练集中的用电器类别数是对应的。
Step4：搭建开集识别模块用于开集识别，该模块也可以是全连接神经网络，需要注意的是Step2与Step3中的模块均是用于识别的，而开集识别模块是对特征提取模块提取的特征进行学习的，用于后续计算输入数据的特征中心，通过计算中心进行比对从而达到区分输入数据是集内数据还是集外数据的效果。
3）引入开关事件检测策略，设置针对开关事件识别的损失函数，开关事件识别实际上就是分类问题，因此采用交叉熵损失函数训练该模块，交叉熵损失函数表示如下：
；
其中，x i 表示输入样本，p(x i )表示样本x i 所对应的类标，q(x i )表示模型输出的样本x i 的分类概率，M表示样本数量。
4）引入多目标识别策略，设置针对多目标识别的损失函数，多目标识别采用二分类交叉熵损失函数，二分类交叉熵损失函数表示如下：
；
其中，x i 表示第i个输入样本，p(x i )表示样本x i 所对应的类标，q(x i )表示模型输出的样本x i 的分类概率，M表示样本数量。
5）引入开集识别策略，设置针对开集识别的损失函数，采用三元组损失函数进行训练。三元组损失函数如下所示：
；
其中，三元组<a,p,n>，a为锚点；p为正样本，p与a属于同一类样本；n为负样本，n与a不属于同一类样本；d表示距离函数；m为超参数，用于控制正样本与负样本之间的距离。式子中的d表示距离函数，可以使用余弦相似度表示，表示为如下。需要注意的是这里的距离函数可以不局限于余弦相似度。
；
式中，x和y表示两个特征向量，d(x,y)表示两个特征向量的余弦相似度。因为模型在训练的过程中包含了单用电器电流数据集，因此通过三元组损失函数可以使特征提取模块和开集识别模块结合，学习区分输入数据类别的能力。具体来说，由于开集识别模块输出的是输入数据的特征，因此在训练的过程中可以很好的拟合出输入单用电器电流数据集的特征中心，当输入为集内数据时，则该数据与训练拟合出的相应的特征中心距离较小，否则该数据与所有特征中心的距离均较大，由此可以区分出输入数据是集内数据还是集外数据。具体来说，各类用电器的特征中心的计算方式如下：
；
E c 代表c类用电器的特征中心，x ci 表示第c类用电器的第i个输入样本，N表示用于计算特征中心的样本数量。D(x ci )表示深度学习模型对输入数据x ci 进行前向推理获得的特征向量。
6）模型训练，采用3）4）5）中的损失函数进行训练，3）中的损失函数使相应的模块组合具备事件识别的能力，4）中的损失函数可以使相应的模块组合具备多目标识别的能力，5）中的损失函数可以使相应的模块组合具备开集识别的能力。
7）基于多策略的非侵入负荷识别方法的识别流程如下图4所示。给定一段待检测的输入电流，首先输入模型经过特征提取模块进行开关事件的识别，若不存在开关事件，则直接输出多目标识别模块的识别结果。若识别到给定的电流数据中包含开关事件，说明此时的电流数据中比开关事件前多了或者少了一个用电器的电流数据。对于用电器关闭的事件，则直接输出多目标识别模块的识别结果。对于用电器打开的事件，若打开的用电器是集外用电器，即用户在家庭中新增一个未建模过的用电器，则此时的多目标识别算法是不准确的，因为此时的多目标识别算法无法区分未建模的新用电器。当确定是用电器打开的事件时，则通过开集识别模块对打开的用电器进行检测，具体步骤如下：
Step1：当获知用电器打开事件后，可以使用事件检测算法定位负荷投切事件发生的时间，从而获得Ins电流数据，Ins电流数据通过1）中的Step3计算得出。事件检测算法不在本申请的范围内，可采用现有技术如公开号为CN113298114A的中国专利文献公开的方法实现。
Step2：将Step1得出的Ins电流数据输入模型，通过开集识别模块获得该电流数据的特征向量e，则该特征向量与已知用电器特征中心的距离可以通过余弦相似度进行计算，需要注意的是该用于计算距离的方式不局限于余弦相似度，但本步骤计算距离的步骤与5）中的距离函数d需保持一致。
；
Step3：根据d(E c ,e)可以获知Step2中的Ins电流数据与已知用电器的特征间的距离，若该距离大于设定的阈值，则可以判定该Ins数据为集外数据，是新增的未知类用电器，则此时的多目标识别结果是不准确的，进行舍弃，并对本次识别的电流数据进行保存。
到本步骤7）为止，本发明的算法可以针对给定的电流数据进行开关事件的识别、用电器的多目标识别以及用电器的开集识别。然而此时的模型框架在进行多目标识别的时候，仍无法对新的用电器种类进行识别，因此引入再学习策略。实际上7）中的Step3保存的为集外数据，该数据可用于对模型的再训练。具体步骤如下
Step1：通过模型可以计算7）的Step3中的Ins电流数据，这些Ins电流数据实际上代表了新的用电器使用特征，并且通过模型可以获得这些Ins电流的特征向量e。通过余弦相似度对这些特征向量的距离进行两两判断。如当e 1与e 2的距离小于阈值时，则认为e 1与e 2所对应的Ins电流是属于同一类用电器的，若大于阈值则反之，因此可获得H类新的用电器。在实际应用场景中，保存的数据还可以通过用户确认的方式，提高模型判断的准确性。
Step2：根据Step1对7）的Step3的电流进行数据标注。需要注意的是7）的Step3保存的电流数据实际上为用电总线的电流数据，对其可获得Ins电流，因此标注分为两部分，一方面为总电流数据的标注以及Ins电流的标注。总电流数据的标注方式依据1）中的Step5，Ins电流标注依据1）中的Step6。由于此时可以获知Step1中的Ins所对应的新的H类用电器，因此对于Ins的标注以及7）的Step3的标注可以通过设计程序算法自动进行。
假设在训练时训练数据集中有X类电器，在检测过程中检测出打开电器为集外用电器，则更新数据集时，训练数据集的类别为X+1类，新电器即为第X+1类。以下举例说明新增电器后的标注方式：
假设原始训练集中有空调、电视、饮水机三类电器，则在一段没有集外电器的电流数据中，若只有空调、电视在运行，饮水机未在运行，则标签为[1,1,0]。当对包含打开电器为集外用电器的待检测电流数据进行检测时（假设此段电流数据中集内的空调、电视在运行，饮水机未运行），发现存在集外电器时，假设为电热水壶，则保存这段数据，重新进行标注用于更新训练数据，此时识别类别数加一，电热水壶为第4类。则进行标注时，该段数据的类标由[1,1,0]变为[1,1,0,1]。即检测到的集外电器为新增类，类标维度加1，增加的维度表示集外电器。
Step3：根据Step2对可以形成新的数据，包括标注好的新的保存的用电总线数据以及Ins电流数据，将这些数据与1）中的数据一起，对模型进行再训练。需要注意的是再训练时，多目标识别模块的最后一层神经元个数需要根据Step2中的新增的Ins电流类别数进行更改，如新增的Ins电流类别数为H，则再训练时的多目标识别模块的神经元个数需要增加H个。而特征提取模块、开集识别模块以及事件检测模块结构与参数均不需要变动。其训练策略与3）4）5）6）相同。
显而易见地，8）中的Step1~Step3的步骤均可通过程序实现，因此该算法在实际使用场景中可以通过设定时间，如每周或者每月的方式，自动对算法本身进行训练，使算法不断学习新的用电器的特征数据，能够不断识别新的用电类别。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多策略的非侵入负荷识别方法，其特征在于，包括以下步骤：
将一段待检测电流数据输入至用训练数据集训练好的非侵入式负荷识别模型中进行识别；所述的非侵入式负荷识别模型包括：用于提取输入电流数据的特征向量的特征提取模块、用于判断输入电流数据是否存在开关事件的事件识别模块、用于识别输入电流数据中的用电器类别的多目标识别模块以及用于对输入电流数据进行开集识别的开集识别模块；
识别流程包括：由特征提取模块提取待检测电流数据的特征向量，将特征向量分别输入至事件识别模块、多目标识别模块以及开集识别模块中进行识别：（A）若事件识别模块识别到待检测电流数据中不存在开关事件，则直接输出多目标识别模块的识别结果；（B）若事件识别模块识别到待检测电流数据中存在开关事件，则进一步识别是用电器打开事件还是用电器关闭事件，（B-1）若为用电器关闭事件，则直接输出多目标识别模块的识别结果；（B-2）若为用电器打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，（B-21）若打开的用电器不是集外用电器，则直接输出多目标识别模块的识别结果；（B-22）若打开的用电器为集外用电器，则取消多目标识别模块的识别，对当前待检测电流数据及当前集外用电器产生的电流数据进行标注并保存至训练数据集中；
定期采用更新后的训练数据集对非侵入式负荷识别模型进行训练。
2.根据权利要求1所述的基于多策略的非侵入负荷识别方法，其特征在于，所述的训练数据集中包含用户用电总线的电流数据以及单用电器的电流数据；用电总线的电流数据可包含开关事件；单用电器的电流数据包含各单用电器的多种运行状态的电流数据，并且单用电器的电流数据中不包含开关事件。
3.根据权利要求1所述的基于多策略的非侵入负荷识别方法，其特征在于，所述的训练数据集的构建方法包括：
（1-1）在用户用电总线上安装电流数据采集设备；
（1-2）采集用电总线的电流数据，包含开关事件；
（1-3）使用电总线只有单一用电器在使用，采集相应的单用电器的电流数据；在单用电器的电流数据后补0，使单用电器的电流数据与用电总线的电流数据长度保持一致；
（1-4）为用电总线的电流数据标注开关事件的标签，包括存在用电器打开的事件、存在用电器关闭的事件、不存在开关事件；
（1-5）为用电总线的电流数据标注用电器种类的标签；当用电总线的电流数据中包含开关事件时，电流数据中包含的用电器类型的标注规则为：
当开关事件为打开用电器的事件，则该段用电总线的电流数据的用电器种类标签为打开用电器事件后的所有用电器种类标签；
当开关事件为关闭用电器的事件，则该段用电总线的电流数据的用电器种类标签为关闭用电器事件前的所有用电器种类标签；
（1-6）为单用电器的电流数据标注用电器种类标签，将单用电器的电流数据的开关事件标签标注为不存在开关事件。
4.根据权利要求3所述的基于多策略的非侵入负荷识别方法，其特征在于，为用电总线的电流数据标注用电器种类的标签，包括：
设置长度为M的数组，数组中的每一元素分别对应一类用电器，M为训练数据集中的用电器类别数量；
当用电总线的电流数据中包含c类用电器运行的电流时，数组中对应c类用电器的元素为1，否则为0；
为单用电器的电流数据标注用电器种类标签，包括：
设置长度为M的数组，数组中的每一元素分别对应一类用电器，M为训练数据集中的用电器类别数量；
单用电器所属的c类用电器对应元素为1，否则为0。
5.根据权利要求1所述的基于多策略的非侵入负荷识别方法，其特征在于，所述的特征提取模块基于一维卷积函数构建；所述的事件识别模块为全连接神经网络，输出层的神经元个数与开关事件类别数相同；所述的多目标识别模块为全连接神经网络，输出层的神经元个数与训练数据集中的用电器类别数相同；所述的开集识别模块为全连接神经网络，对特征提取模块提取的特征向量进行学习，计算输入电流数据与训练数据集中各类用电器电流数据的距离，判断输入电流数据是集内数据还是集外数据。
6.根据权利要求1或5所述的基于多策略的非侵入负荷识别方法，其特征在于，用训练数据集训练非侵入式负荷识别模型时，采用交叉熵损失函数训练开关事件识别模块；采用二分类交叉熵损失函数训练多目标识别模块；采用三元组损失函数训练开集识别模块。
7.根据权利要求1所述的基于多策略的非侵入负荷识别方法，其特征在于，（B-2）若为用电器打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，包括：
（B-2i）当获知用电器打开事件后，定位负荷投切事件发生的时间，获得当前Ins电流数据：
；
式中，设电流数据长度为L'秒，开关事件发生在K秒，则A 1为0-K秒的电流数据，A 2为K-L'秒的电流数据；
（B-2ii）将当前Ins电流数据输入至训练好的非侵入式负荷识别模型中，通过开集识别模块获得该电流数据的特征向量e，计算特征向量e与训练数据集中包含的用电器电流数据的特征中心向量E c 的距离d(E c ,e)；
若d(E c ,e)大于设定阈值，则当前打开的用电器为集外用电器；否则，当前打开的用电器不是集外用电器。
8.根据权利要求7所述的基于多策略的非侵入负荷识别方法，其特征在于，用电器电流的特征中心向量E c 的计算公式为：
；
其中，E c 代表c类用电器的特征中心向量；x ci 表示第c类用电器的第i个输入样本，N表示用于计算特征中心向量的样本数量；D(x ci )表示深度学习模型对输入数据x ci 进行前向推理获得的特征向量。
9.根据权利要求1所述的基于多策略的非侵入负荷识别方法，其特征在于，采用更新后的训练数据集对非侵入式负荷识别模型进行训练时，多目标识别模块的最后一层的神经元个数与更新后的训练数据集中用电器类别数相同。
10.一种基于多策略的非侵入负荷识别系统，其特征在于，包括存储器、处理器，以及存储在所述存储器内的训练数据集、非侵入式负荷识别模型、计算机程序；
处理器运行所述计算机程序时实现如权利要求1-9任一项所述的非侵入负荷识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856650.5A CN116610922A (zh) | 2023-07-13 | 2023-07-13 | 基于多策略学习的非侵入式负荷识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856650.5A CN116610922A (zh) | 2023-07-13 | 2023-07-13 | 基于多策略学习的非侵入式负荷识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116610922A true CN116610922A (zh) | 2023-08-18 |
Family
ID=87680334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310856650.5A Pending CN116610922A (zh) | 2023-07-13 | 2023-07-13 | 基于多策略学习的非侵入式负荷识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610922A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
| CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
| CN108960167A (zh) * | 2018-07-11 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 发型识别方法、装置、计算机可读存储介质和计算机设备 |
| CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
| CN110488112A (zh) * | 2019-05-23 | 2019-11-22 | 杭州海兴电力科技股份有限公司 | 非侵入式负荷识别及其基于识别结果实现的分类计量方法 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
| CN111639586A (zh) * | 2020-05-27 | 2020-09-08 | 华中科技大学 | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 |
| EP3731240A1 (en) * | 2019-04-24 | 2020-10-28 | Intuity Media Lab GmbH | Non-invasive monitoring for assistive living systems |
| CN113890024A (zh) * | 2021-09-30 | 2022-01-04 | 清华大学 | 一种非侵入式负荷智能分解和优化控制方法 |
| WO2022042070A1 (zh) * | 2020-08-27 | 2022-03-03 | 广东工业大学 | 一种非侵入式负荷检测方法 |
| CN114596585A (zh) * | 2022-03-08 | 2022-06-07 | 中国科学院深圳先进技术研究院 | 一种人体成像多任务识别方法、装置、设备及存储介质 |
| CN115616280A (zh) * | 2022-10-08 | 2023-01-17 | 上海梦象智能科技有限公司 | 一种基于注意力机制的事件检测方法 |
| CN116227878A (zh) * | 2023-02-28 | 2023-06-06 | 深圳市大数据研究院 | 电力负荷分解分析方法、系统、计算机设备及存储介质 |
-
2023
- 2023-07-13 CN CN202310856650.5A patent/CN116610922A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
| CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
| CN108960167A (zh) * | 2018-07-11 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 发型识别方法、装置、计算机可读存储介质和计算机设备 |
| CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
| EP3731240A1 (en) * | 2019-04-24 | 2020-10-28 | Intuity Media Lab GmbH | Non-invasive monitoring for assistive living systems |
| CN110488112A (zh) * | 2019-05-23 | 2019-11-22 | 杭州海兴电力科技股份有限公司 | 非侵入式负荷识别及其基于识别结果实现的分类计量方法 |
| CN111639586A (zh) * | 2020-05-27 | 2020-09-08 | 华中科技大学 | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
| WO2022042070A1 (zh) * | 2020-08-27 | 2022-03-03 | 广东工业大学 | 一种非侵入式负荷检测方法 |
| CN113890024A (zh) * | 2021-09-30 | 2022-01-04 | 清华大学 | 一种非侵入式负荷智能分解和优化控制方法 |
| CN114596585A (zh) * | 2022-03-08 | 2022-06-07 | 中国科学院深圳先进技术研究院 | 一种人体成像多任务识别方法、装置、设备及存储介质 |
| CN115616280A (zh) * | 2022-10-08 | 2023-01-17 | 上海梦象智能科技有限公司 | 一种基于注意力机制的事件检测方法 |
| CN116227878A (zh) * | 2023-02-28 | 2023-06-06 | 深圳市大数据研究院 | 电力负荷分解分析方法、系统、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李如意 等: "RPROP神经网络在非侵入式负荷分解中的应用", 《电力每户保护与控制》, vol. 44, no. 7, pages 3 * |
| 王丙楠: "基于小样本学习的非侵入式负荷监测方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2023, no. 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Energy disaggregation of appliances consumptions using ham approach | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
| Himeur et al. | An intelligent nonintrusive load monitoring scheme based on 2D phase encoding of power signals | |
| CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| CN109933953A (zh) | 基于概率图模型的配电网开关状态辨识方法 | |
| Yu et al. | Non-intrusive adaptive load identification based on siamese network | |
| CN112686456A (zh) | 一种结合边缘计算与用能识别的电力负荷预测系统和方法 | |
| CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
| CN113408341A (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
| CN114723040A (zh) | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 | |
| CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
| CN111275069B (zh) | 一种非侵入式负荷监测方法 | |
| Yin et al. | Research on non-intrusive unknown load identification technology based on deep learning | |
| CN114942344A (zh) | 一种非侵入式用电器识别方法、系统、介质、设备及终端 | |
| CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
| Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
| CN113762355A (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
| CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
| CN117421638A (zh) | 负荷监控网络模型的构建方法、负荷监控方法及系统 | |
| CN116610922A (zh) | 基于多策略学习的非侵入式负荷识别方法和系统 | |
| CN111090679A (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
| Jazizadeh et al. | Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring | |
| CN115687999A (zh) | 融合多时间尺度电器特征的非侵入式负荷感知方法 |
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 |