CN116644320B - 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 - Google Patents
一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN116644320B CN116644320B CN202310928459.7A CN202310928459A CN116644320B CN 116644320 B CN116644320 B CN 116644320B CN 202310928459 A CN202310928459 A CN 202310928459A CN 116644320 B CN116644320 B CN 116644320B
- Authority
- CN
- China
- Prior art keywords
- building
- training
- sequence
- data
- seq2seq
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000013508 migration Methods 0.000 title claims abstract description 26
- 230000005012 migration Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—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
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于seq2seq的楼宇迁移非侵入式负荷监测方法。为了克服现有技术存在有标签数据量少,且训练迭代次数多,迭代时间长,难以收敛的问题;本发明通过在标签数据量充足的训练数据集中进行充分训练,使网络能够对功率序列中所包含比如边缘等鲜明的负荷特征进行学习识别,并以参数的形式保存下来。再进行迁移学习,通过目标数据集中少量有标签数据对该seq2seq神经网络参数进行训练微调,实现了对目标数据集的有监督非侵入式负荷监测,有效减少了迭代时间并避免了迭代难以收敛等问题,对于现实场景来说,具有较大的应用意义和较高的负荷辨识潜力。
Description
技术领域
本发明涉及负荷监测技术领域,尤其涉及一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 。
背景技术
随着近年来全球能源与环境问题的日益显著,迫切需要进行产业升级以及能源节约。基于上述问题,对应的解决措施是采用负荷监测技术,即对负荷的运行状况进行检测,包括开关状态等。负荷监测方法可具体分为侵入式和非侵入式两种方式,其中,侵入式的负荷监测需要针对各电器单独安装传感器来测量单个电器用电情况。而非侵入式负荷监测(non-intrusive load monitoring, NILM),则是仅通过一系列算法工具,无需对各类电器分别安装传感器,仅仅对从总口测得的负荷数据进行一系列分析,进而获得用户各类设备分项电力消耗以及用户用电习惯偏好等特征。
非侵入式负荷监测相较于侵入式负荷监测,是一种更节约成本、更高效、更方便的负荷监测方法,该方法能够同时给予电力需求侧以及供给侧包括负荷功率消耗,负荷状态等多样性的信息,既使得用户侧能够了解各类设备的用电情况,发现潜在威胁;同时也有利于电网管理方更有针对性地进行协调管理。
目前,已有许多学者将各种数学分析或是智能方法与非侵入式负荷监测结合,提出了多种负荷监测方法,如隐马尔可夫模型(HMM)等。同时,由于计算机技术的不断迭代发展,已经有越来越多的负荷监测方法被不断提出。
近年来,随着学者们针对深度学习算法的不断研究,已经有多种深度学习算法成功地被应用在非侵入式负荷监测领域,相较于传统的负荷监测方法,基于深度学习的负荷监测方法常常表现出更加出色的负荷分解以及负荷辨识性能。针对负荷监测问题,深度学习算法又可具体划分为序列到序列(sequence-to-sequence, seq2seq)或序列到点(sequence-to-point, seq2point)两种方法。seq2seq方法是利用输入的总口功率序列来预测某一设备在对应时间段内的功率消耗或开关状态。而seq2point方法是根据输入的总功率序列来预测某一设备在相应的时间段内的一个点的功率消耗或是开关状态。
为达到更好的负荷监测性能,基于深度学习的负荷监测方法通常需要大量的有标签的负荷数据对网络进行训练。然而,对用户进行长时间有标签数据的采集通常是成本极高的。基于深度学习的非侵入式负荷监测方法通常需要大量的有标签数据来训练神经网络。深度学习在非侵入式负荷监测中目标数据集存在有标签数据量少,且训练迭代次数多,迭代时间长,难以收敛等情况;有标签数据是指具有单个电器开关标志或测量数据的总用电数据。在实际中,连续采集数月甚至数年的有标签训练数据是困难且成本高昂的。例如,2019年在IEEE Transactions on Smart Grid上刊登的Estimation of target applianceelectricity consumption using background filtering(基于背景滤波的目标家电耗电量估计),首先,提出了扩展输入法,该方法确保每次都有一个完整的工作周期输入到神经网络中。然后,使用基于电力使用背景的合成方法来生成丰富且理想的训练数据。最后,通过对比试验对所提出的方法进行了验证。该方案需要大量的有标签数据来训练神经网络,连续采集数月甚至数年的有标签训练数据是困难且成本高昂。
发明内容
本发明主要解决现有技术深度学习在非侵入式负荷监测中目标数据集存在有标签数据量少,且训练迭代次数多,迭代时间长,难以收敛的问题;提供一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,在目标数据集仅有少量标签的情况下,实现对目标数据集的有监督非侵入式负荷监测,有效减少迭代时间并避免了迭代难以收敛等问题。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,包括以下步骤:
S1:分别获取训练用电楼宇以及目标用电楼宇的总口及各类负荷数据;预处理后获得楼宇总功率以及楼宇分项负荷电力数据;
S2:分别对含有标签的训练和目标楼宇总功率以及楼宇分项负荷电力数据分割,获得若干对应的总功率信号以及分项楼宇负荷数据;
S3:采用分割后的训练总功率信号进行序列到序列神经网络的训练;
S4:采用分割后的含有标签的目标总功率信号输入到训练好的神经网络中迁移学习,对神经网络参数微调;
S5:分割目标楼宇的无标签总功率数据,输入到微调后的神经网络中,预测目标楼宇各类设备功率消耗。
对于该seq2seq网络,首先通过在标签数据量充足的训练楼宇数据集中进行充分训练,使网络能够对功率序列中所包含的较为普遍的比如边缘、跳变等显著负荷特征进行学习识别。训练完成后,再迁移至目标数据集中进行网络参数的微调,通过目标数据集中少量有标签数据对该seq2seq神经网络参数进行训练微调,并完成对目标楼宇同类负荷的分解。该方法可以在目标数据集仅有少量标签的情况下,实现了对目标数据集的非侵入式负荷分解,有效减少了迭代时间并避免了迭代难以收敛等问题,对于现实场景来说,具有较大的应用意义和较高的负荷辨识潜力。
作为优选,所述的训练用电楼宇的总口及各类负荷数据包含的有标签数据量大于等于训练数量阈值;
所述的目标用电楼宇的总口及各类负荷数据包含的有标签数据量小于训练数量阈值。
通过在标签数据量充足的训练数据集中进行充分训练,使网络能够对功率序列中所包含的较为普遍的特征比如边缘、跳变等进行学习识别,并以网络参数的形式保存下来。训练完成后,再进行有监督的下游任务,通过目标数据集中少量有标签数据对该seq2seq神经网络参数进行训练微调,并完成对目标楼宇同类负荷的识别。该方法可以在目标数据集仅有少量标签的情况下,实现了对目标数据集的有监督NILM,有效减少了迭代时间并避免了迭代难以收敛等问题。
作为优选,分割过程为:
设置并以长度为ω的滑动窗口对楼宇总功率数据以及楼宇分项负荷电力数据进行序列的分割;
从功率序列始端为起点开始向后进行滑动,设置滑动步长ω,完成对楼宇总功率信号和楼宇分项负荷电力数据的分割,分割后的序列结果为多个长度为ω的楼宇总功率信号和分项楼宇负荷数据。
作为优选,所述的序列到序列神经网络为seq2seq神经网络;
所述的seq2seq神经网络的结构包括输入层、输出层以及激活函数;自所述输入层至输出层依次设有卷积层、池化层和一个全连接层。
作为优选,训练用楼宇总功率信号进行序列到序列神经网络的训练;
在训练阶段,训练完成后的seq2seq神经网络如下式所示:
其中,ε为ω维的噪声;
为分割后的训练用分项楼宇负荷数据;
为分割后的训练用楼宇总功率信号;
在训练过程中,seq2seq网络训练的损失函数形式为:
其中,L2为针对网络参数的正则化;
λ为针对正则化所设置的超参数;
为网络参数;
L2可表示为:
式中,为训练过程中网络所包含的各个参数。
作为优选,对于seq2seq神经网络,对该神经网络进行训练微调后,得到用来对目标楼宇内设备n进行状态识别的神经网络/>;
其中,ε为ω维的噪声,该seq2seq网络的输入为总功率序列,网络的输出是对应窗口所处的时段内目标楼宇单类设备的功率消耗序列。
作为优选,以长度为ω的滑动窗口对目标楼宇的无标签总功率数据进行分割;
从无标签功率序列始端为起点开始向后进行滑动,设置窗口的滑动步长为ω,完成对目标楼宇无标签总功率信号的分割,分割结果为多个长度为ω目标楼宇总功率信号/>;
其中,t为滑动窗口始端对应于目标楼宇总功率信号的时间点。
作为优选,将分割后的目标楼宇总功率信号作为输入,输入到已经微调好的序列到序列网络,输出/>即为对目标楼宇位于输入的时段内seq2seq网络对该类设备的预测序列,表达式如下:
将输出按顺序拼接即为对目标楼宇单类设备功率消耗的预测序列。
作为优选,预处理包括滤波和归一化,得到滤波后及归一化的功率以及楼宇设备状态信号;所述的滤波为中值滤波,对窗口内的m个数值排序后取中值作为该窗口的数据值。
即对一维功率序列P1,P2…Pn,对点Px,取窗口长度奇数m,对该m个数值进行排序后取中值:Px=Pm;其中,Pm为该窗口内排序后的中值。
作为优选,归一化为:
其中,Xn表示归一化后的楼宇功率序列;
X表示数据集归一化前原始功率序列;
Xmax表示功率序列中最大值;
Xmin表示功率序列中最小值。
应说明的,该线性归一化方法对原始楼宇功率序列进行了线性变化,将原始楼宇功率数据映射到0到1的范围内,完成了对原始数据的等比缩放,这样就得到了处理后的楼宇功率要素数据,并且通过前置处理后的数据更干净。
本发明的有益效果是:
对于该seq2seq网络,首先通过在标签数据量充足的训练楼宇数据集中进行充分训练,使网络能够对功率序列中所包含的较为普遍的比如边缘、跳变等显著负荷特征进行学习识别。训练完成后,再迁移至目标数据集中进行网络参数的微调,通过目标数据集中少量有标签数据对该seq2seq神经网络参数进行训练微调,并完成对目标楼宇同类负荷的分解。该方法可以在目标数据集仅有少量标签的情况下,实现了对目标数据集的非侵入式负荷分解,有效减少了迭代时间并避免了迭代难以收敛等问题,对于现实场景来说,具有较大的应用意义和较高的负荷辨识潜力。
附图说明
图1是本发明的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 流程图。
图2是本发明中针对办公楼宇所采用的seq2seq序列到序列模型神经网络结构。
图3是本发明中针对居民楼宇所采用的seq2seq序列到序列模型神经网络结构。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,如图1所示,包括以下步骤:
S101、获取训练以及目标用电楼宇的负荷数据,包括总口以及各类负荷数据。
负荷数据包含来自楼宇总口总负荷数据,由安装在楼宇出线总口处的智能电表获取,以及楼宇内单类负荷的分项计量数据。
需要说明的是,目标以及训练楼宇的负荷数据集采集频率应都为秒级或同为分钟级以及同类别的楼宇,这里的同类别指的是训练用的数据集以及进行迁移学习的目标数据集来源应同为居民楼宇或是办公楼宇。
S102、将获取的用电楼宇电器的负荷数据进行预处理,得到滤波后的归一化的功率信号。
通过对用电楼宇电器的负荷数据预处理,得到削弱环境低幅值干扰噪声和归一化的功率信号,以减少负荷数据包含的环境噪声和不同电器类型功率值不同对负荷辨识结果带来的影响。
预处理包括滤波和归一化,包括以下步骤:
对功率信号进行中值滤波,将一点处的值以大小为s的邻域内数据的中值替代,即对一维功率序列P1,P2…Pn,对点Px,取窗口长度奇数m,对该m个数值进行排序后取中值:
Px=Pm
其中,Pm为该窗口内排序后的中值。
滤波后对楼宇功率数据按照下式进行归一化:
其中,Xn表示归一化后的楼宇功率序列;
X表示数据集归一化前原始功率序列;
Xmax表示功率序列中最大值;
Xmin表示功率序列中最小值。
应说明的,该线性归一化方法对原始楼宇功率序列进行了线性变化,将原始楼宇功率数据映射到0到1的范围内,完成了对原始数据的等比缩放,这样就得到了处理后的楼宇功率要素数据,并且通过前置处理后的数据更干净。
S103、设置并以长度为ω的滑动窗口对训练用楼宇总功率数据以及楼宇分项负荷电力数据/>进行序列的分割。
从功率序列始端为起点开始向后进行滑动,设置滑动步长ω,完成对楼宇总功率信号的分割,分割后的序列结果为多个长度为ω的楼宇总功率信号/>,其中,t为滑动窗口开始的节点所位于楼宇总功率信号/>中的时间点。
以同样的过程对楼宇分项负荷电力数据进行序列的分割,获得多个长度为ω的分项楼宇负荷数据/>。
S104、对分割后的训练用楼宇总功率信号进行序列到序列的seq2seq模型训练。
将S103中获得的处理后的训练用楼宇总功率信号进行序列到序列神经网络的训练,得到对训练及楼宇单类负荷分解的神经网络,训练完成后,该seq2seq神经网络已具备对楼宇总功率信号/>中的跳变、边缘、波动等特征进行识别的能力,并将该识别能力以参数的形式保存到网络中。
进一步的,本实施例中的seq2seq神经网络的结构分别对办公楼宇以及居民楼宇进行设计。
如图2所示,对居民楼宇的seq2seq网络,其包含1个输入层,7个卷积层,2个全连接层以及一个输出层。网络参数如表1所示;
表1.居民楼宇seq2seq神经网络参数配置
如图3所示,对办公楼宇的seq2seq网络,其包含1个输入层,6个卷积层,1个全连接层以及一个输出层。网络参数如表2所示
表2.办公楼宇seq2seq神经网络参数配置
通过ReLU激活函数对卷积层以及全连接层的输出进行非线性映射,将输入映射到大于零的范围内,ReLU激活函数的运算包括:
ReLU(x)=max(0,x)
式中,ReLU(x)为激活函数的输出;
x表示激活函数的输入;
max(0,x)表示输入与零相比较后取较大值。
对所述的seq2seq神经网络进行训练后的神经网络记为,在利用训练楼宇数据集进行训练过程中,神经网络的输入为S103中获得的多个有标签楼宇总功率信号,输出即为与输入同时段的训练集分项楼宇负荷数据/>。在训练阶段,训练完成后的seq2seq神经网络/>如下式所示:
其中,ε为ω维的噪声。
在S104所述的训练过程中,seq2seq网络训练的损失函数形式为:
L2为针对网络参数的正则化,λ为针对正则化所设置的超参数。
进一步的,L2可表示为:
式中,为训练过程中网络所包含的各个参数。
进一步的,训练过程中所用的损失函数为平均绝对误差(MAE)。
平均绝对误差(MAE)用来计算时刻预测值与真实值/>之间的绝对误差的平均值。
S105、以长度为ω的滑动窗口对目标楼宇总功率数据以目标楼宇分项负荷数据/>进行序列的分割。
从序列始端为起点开始向后进行滑动,设置滑动步长ω,完成对目标楼宇总功率数据的分割,分割后的序列结果为多个长度为ω的目标楼宇总功率信号,其中,t为滑动窗口开始的节点所位于目标楼宇总功率信号/>中的时间点。
以同样的过程对目标楼宇分项负荷电力数据进行序列的分割,获得多个长度为ω的分项楼宇负荷数据/>。
S106、利用训练好的seq2seq网络结合目标楼宇中少量有标签数据进行迁移学习,将步骤S105所得的目标数据集的多个长度为ω的目标楼宇总功率信号作为输入,输入到S104中已经训练好的seq2seq序列到序列神经网络进行迁移学习,通过在训练过程中对该序列到序列网络的参数进行微调,对应于每一个滑动窗口,输出结果是针对目标楼宇中某类设备n的在滑动窗口所位于的时段内的消耗功率序列。随着长度为ω的窗口进行滑动,进而可以得到一系列目标楼宇中某类设备的功率消耗序列,将得到的所有功率消耗序列按顺序排列即为目标楼宇内单类电器n的功率消耗序列,/>,N是楼宇内所有类别电器的集合。
楼宇迁移应当是同类型的楼宇间进行迁移学习,比如以某一居民楼所采集到的数据进行训练后,迁移至另一居民楼进行参数的微调;又或者以某一办公楼所采集到的数据进行训练后,迁移至另一办公楼进行参数的微调,这是因为同类型的楼宇所拥有的负荷类别及设备的功率水平比较相近,在训练集进行训练所学习到的特征能够有效应用到目标数据集的负荷分解中。
对于seq2seq神经网络,对该神经网络进行训练微调后,得到用来对目标楼宇内设备n进行状态识别的神经网络/>;上标的引号表示为经微调后的新seq2seq网络。
其中,ε为ω维的噪声,该seq2seq网络的输入为S105中得到的总功率序列,网络的输出是对应窗口所处的时段内目标楼宇单类设备的功率消耗序列。
在微调过程中,该seq2seq网络的损失函数形式为:
其中,为微调过程中的网络参数;L2为针对网络参数的正则化, 为针对正则化所设置的超参数。
进一步的,L2可表示为:
式中,为微调过程中网络所包含的各个参数。
进一步的,训练微调过程中所用的损失函数为平均绝对误差(MAE)。
平均绝对误差(MAE)用来计算时刻预测值与真实值/>之间的绝对误差的平均值。
S107、以长度为ω的滑动窗口对目标楼宇的无标签总功率数据进行分割;从无标签功率序列始端为起点开始向后进行滑动,设置窗口的滑动步长为ω,完成对目标楼宇无标签总功率信号/>的分割,分割结果为多个长度为ω目标楼宇总功率信号,其中,t为滑动窗口始端对应于目标楼宇总功率信号的时间点。
S108、将S107中获得的功率序列作为输入,输入到S106已经微调好的序列到序列网络,输出/>即为对目标楼宇位于输入的时段内,seq2seq网络对该类设备的预测序列,如下:
将输出按顺序拼接即为对目标楼宇单类设备功率消耗的预测序列。
本实施例的方案将训练及目标用电楼宇的负荷数据进行预处理,包括滤波和归一化,得到滤波和归一化的功率序列,对于处理后的训练功率序列以长度为ω,步幅step=ω进行截取,得到多个长度为ω训练用总功率信号以及单类负荷数据,利用截取后的训练序列对seq2seq网络进行训练,得到训练好的seq2seq网络;对目标楼宇的少量有标签数据以长度为ω,步幅step=ω进行截取,得到多个长度为ω目标总功率信号以及单类负荷数据,将其放入训练好的seq2seq神经网络进行迁移学习,在微调过程中通过训练对网络参数进行微调,对长度为ω的总功率信号的输入,输出应为同样长度、同时段的楼宇单类设备的负荷消耗序列,将序列按顺序拼接即为楼宇单类设备的负荷功率序列,再对目标楼宇无标签总功率信号进行相同操作的分割,得到一系列目标楼宇无标签总功率信号,将其输入到微调好的网络,输出即为对目标楼宇位于输入的时段内,微调过的seq2seq网络对该类设备的等长预测序列,将输出按顺序拼接即为对目标楼宇单类设备功率消耗的预测序列。
本实施例的方案在seq2seq神经网络上应用迁移学习,该方法可以在目标数据集仅有少量标签数据的情况下,首先通过在标签数据量充足的训练数据集中进行充分训练,使网络能够对功率序列中所包含比如边缘等鲜明的负荷特征进行学习识别,并以参数的形式保存下来。再进行迁移学习,通过目标数据集中少量有标签数据对该seq2seq神经网络参数进行训练微调,实现了对目标数据集的有监督非侵入式负荷监测,有效减少了迭代时间并避免了迭代难以收敛等问题,对于现实场景来说,具有较大的应用意义和较高的负荷辨识潜力。
同时,目前大多数学者所开展的研究都只是针对单个的居民房屋内的各种负荷,并对之进行负荷分解或是负荷辨识等任务,而针对整栋楼宇进行非侵入式负荷监测技术的相关研究少之又相对显得非常少,本方案分别针对居民楼宇以及办公楼宇进行不同的网络模型设计以及迁移学习,无疑方向的研究提供了一种可选的方案。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (8)
1. 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,包括以下步骤:
S1:分别获取训练用电楼宇以及目标用电楼宇的总口及各类负荷数据;预处理后获得楼宇总功率以及楼宇分项负荷电力数据;
S2:分别对含有标签的训练和目标楼宇总功率以及楼宇分项负荷电力数据分割,获得若干对应的总功率信号以及分项楼宇负荷数据;
训练用楼宇总功率信号进行序列到序列神经网络的训练;
在训练阶段,训练完成后的seq2seq神经网络如下式所示:
;
其中,ε为ω维的噪声;
为分割后的训练用分项楼宇负荷数据;
为分割后的训练用楼宇总功率信号;
在训练过程中,seq2seq网络训练的损失函数形式为:
;
其中,L2为针对网络参数的正则化;λ为针对正则化所设置的超参数;为网络参数;
L2可表示为:
;
式中,为训练过程中网络所包含的各个参数;
S3:采用分割后的训练总功率信号进行序列到序列神经网络的训练;
S4:采用分割后的含有标签的目标总功率信号输入到训练好的神经网络中迁移学习,对神经网络参数微调;
对于seq2seq神经网络,对该神经网络进行训练微调后,得到用来对目标楼宇内设备n进行状态识别的神经网络/>;
;
其中,ε为ω维的噪声,该seq2seq网络的输入为总功率序列,网络的输出是对应窗口所处的时段内目标楼宇单类设备的功率消耗序列;
在微调过程中,该seq2seq网络的损失函数Lseq2seq形式为:
;
其中,为微调过程中的网络参数;
S5:分割目标楼宇的无标签总功率数据,输入到微调后的神经网络中,预测目标楼宇各类设备功率消耗。
2. 根据权利要求1所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,所述的训练用电楼宇的总口及各类负荷数据包含的有标签数据量大于等于训练数量阈值;
所述的目标用电楼宇的总口及各类负荷数据包含的有标签数据量小于训练数量阈值。
3. 根据权利要求1或2所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,分割过程为:
设置并以长度为ω的滑动窗口对楼宇总功率数据以及楼宇分项负荷电力数据进行序列的分割;
从功率序列始端为起点开始向后进行滑动,设置滑动步长ω,完成对楼宇总功率信号和楼宇分项负荷电力数据的分割,分割后的序列结果为多个长度为ω的楼宇总功率信号和分项楼宇负荷数据。
4. 根据权利要求3所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,所述的序列到序列神经网络为seq2seq神经网络;
所述的seq2seq神经网络的结构包括输入层、输出层以及激活函数;自所述输入层至输出层依次设有卷积层、池化层和一个全连接层。
5. 根据权利要求1所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,以长度为ω的滑动窗口对目标楼宇的无标签总功率数据进行分割;
从无标签功率序列始端为起点开始向后进行滑动,设置窗口的滑动步长为ω,完成对目标楼宇无标签总功率信号的分割,分割结果为多个长度为ω目标楼宇总功率信号/>;
其中,t为滑动窗口始端对应于目标楼宇总功率信号的时间点。
6. 根据权利要求5所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,将分割后的目标楼宇总功率信号作为输入,输入到已经微调好的序列到序列网络,输出/>即为对目标楼宇位于输入的时段内seq2seq网络对该类设备的预测序列,表达式如下:
;
将输出按顺序拼接即为对目标楼宇单类设备功率消耗的预测序列。
7. 根据权利要求1所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,预处理包括滤波和归一化,得到滤波后及归一化的功率以及楼宇设备状态信号;所述的滤波为中值滤波,对窗口内的m个数值排序后取中值作为该窗口的数据值。
8. 根据权利要求7所述的一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 ,其特征在于,归一化为:
;
其中,Xn表示归一化后的楼宇功率序列;
X表示数据集归一化前原始功率序列;
Xmax表示功率序列中最大值;
Xmin表示功率序列中最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928459.7A CN116644320B (zh) | 2023-07-27 | 2023-07-27 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928459.7A CN116644320B (zh) | 2023-07-27 | 2023-07-27 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644320A CN116644320A (zh) | 2023-08-25 |
CN116644320B true CN116644320B (zh) | 2023-11-07 |
Family
ID=87643767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928459.7A Active CN116644320B (zh) | 2023-07-27 | 2023-07-27 | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644320B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
CN113762355A (zh) * | 2021-08-17 | 2021-12-07 | 上海电力大学 | 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 |
CN113902102A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于seq2seq的非侵入式负荷分解方法 |
CN114037178A (zh) * | 2021-11-23 | 2022-02-11 | 天津大学 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
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 |
CN115494297A (zh) * | 2022-08-26 | 2022-12-20 | 湘潭大学 | 一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11593645B2 (en) * | 2019-11-27 | 2023-02-28 | Oracle International Corporation | Non-intrusive load monitoring using machine learning |
CN113393025A (zh) * | 2021-06-07 | 2021-09-14 | 浙江大学 | 一种基于Informer模型编码结构的非侵入式负荷分解方法 |
-
2023
- 2023-07-27 CN CN202310928459.7A patent/CN116644320B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
CN113762355A (zh) * | 2021-08-17 | 2021-12-07 | 上海电力大学 | 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 |
CN113902102A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于seq2seq的非侵入式负荷分解方法 |
CN114037178A (zh) * | 2021-11-23 | 2022-02-11 | 天津大学 | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
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 |
CN115494297A (zh) * | 2022-08-26 | 2022-12-20 | 湘潭大学 | 一种结合外部注意力机制与Seq2Point的非侵入式负荷分解方法 |
Non-Patent Citations (3)
Title |
---|
基于Attention-LSTM的商业建筑负荷分解研究;杨秀;曹泽棋;张美霞;胡钟毓;李莉华;;智慧电力(09);全文 * |
基于运行关键指标和Seq2Seq的大电网运行异常识别;庞传军;牟佳男;余建明;武力;;电力建设(07);全文 * |
用于云资源负载预测的Seq2seq模型;朱墨儒;高仲合;;通信技术(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116644320A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gopinath et al. | Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Kaselimi et al. | Multi-channel recurrent convolutional neural networks for energy disaggregation | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN108229754A (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
Ramakrishna et al. | A model for joint probabilistic forecast of solar photovoltaic power and outdoor temperature | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
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 | |
Fujimoto et al. | Pattern sequence-based energy demand forecast using photovoltaic energy records | |
CN116842405A (zh) | 一种电力负荷数据聚类方法、系统、设备及存储介质 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
Brusokas et al. | HeatFlex: Machine learning based data-driven flexibility prediction for individual heat pumps | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN117407681B (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN110298765A (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN116644320B (zh) | 一种基于seq2seq的楼宇迁移非侵入式负荷监测方法 | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
CN115130788B (zh) | 基于大数据分析的用电预测系统 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN116167654A (zh) | 一种基于多任务学习的非侵入式负荷监测方法 | |
CN115423646A (zh) | 基于自监督学习的非侵入式负荷分解方法 | |
Mejari et al. | Energy disaggregation using piecewise affine regression and binary quadratic programming | |
Tian et al. | Non-intrusive load monitoring using inception structure deep 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 |