CN117172601A - 一种基于残差全卷积神经网络的非侵入式负荷监测方法 - Google Patents
一种基于残差全卷积神经网络的非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN117172601A CN117172601A CN202311142099.4A CN202311142099A CN117172601A CN 117172601 A CN117172601 A CN 117172601A CN 202311142099 A CN202311142099 A CN 202311142099A CN 117172601 A CN117172601 A CN 117172601A
- Authority
- CN
- China
- Prior art keywords
- residual
- layer
- data
- output
- input
- 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 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000004913 activation Effects 0.000 claims abstract description 64
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001994 activation Methods 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 244000068645 Carya illinoensis Species 0.000 description 2
- 235000009025 Carya illinoensis Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于残差全卷积神经网络的非侵入式负荷监测方法,首先收集总功率和各个设备的负荷数据,并进行数据预处理操作;再采用自适应滑动窗口的方式,对每个窗口内的时间序列数据进行特征工程抽取,获取相应的特征数据;随后建立残差全卷积神经网络模型、构建损失函数,并对网络参数进行训练:再为目标设备建立功率特征数据库,并将实际激活序列分解值与激活序列特征进行比较,消除网络产生的不相关激活;最后建立评估模型,对输出时间序列的准确性进行评估,完成非侵入式负荷监测。
Description
技术领域
本发明属于非侵入式负荷监测技术领域,主要涉及了一种基于残差全卷积神经网络的非侵入式负荷监测方法。
背景技术
非侵入式负荷监测(NILM)的核心思想是通过分析每个设备的操作特征,将聚合的负载数据分离为单独的设备级功率序列。根据负荷数据的采样率,NILM方法可分为两类:基于低频率的方法和基于高频率的方法。基于高频的NILM方法在检测瞬态事件和区分由于更详细的电器特征而表现出相似功耗分布的电器方面更有效。然而,高计算要求和获取高频采样数据的成本可能对实时实现构成重大挑战。因此,为特定应用选择合适的NILM方法需要在设备级信息的准确性和实现的可行性之间进行权衡。最近的研究表明,由于智能电表的广泛使用,人们对基于低频率的NILM算法越来越感兴趣。
然而,基于低频数据的负荷分解引入了一系列需要解决的困难,以确保可靠的结果。其中一个重要挑战是低频测量的时间分辨率有限。由于这些测量在较大时间间隔内进行,可能无法捕捉到快速的负荷波动和变化,而这在某些类型的负荷中很常见。这一限制可能导致负荷模式的模糊,影响对各个子负荷的准确识别。此外,低频数据往往会掩盖瞬态负荷变化和短期负荷事件,而这对于准确的负荷分解至关重要。由冰箱、空调或电梯等设备引起的快速转变可能在低频数据的粗粒度中丢失,从而阻碍了对不同子负荷之间的准确区分能力。结果,最终的分解模型可能会忽视这些关键的负荷动态,导致结果的细粒度丧失。
同时,低频数据固有的噪声问题也构成了一个重要障碍。由于这些测量涵盖更广泛的时间跨度,它们更容易受到累积噪声、测量误差和其他干扰的影响。这些噪声可能会引入分解过程中的不准确性,尤其是在处理低强度负荷或整体功耗较低的时间段。这些不准确性不仅会影响分解结果的质量,还会影响对微小负荷贡献的有效识别能力。为了应对这些挑战,需要采取综合性的方法,整合更先进的噪声减少技术,以提负荷分解的质量。
发明内容
本发明正是针对现有技术中的不足,提供一种基于残差全卷积神经网络的非侵入式负荷监测方法,首先收集总功率和各个设备的负荷数据,并进行数据预处理操作;再采用自适应滑动窗口的方式,对每个窗口内的时间序列数据进行特征工程抽取,获取相应的特征数据;随后建立残差全卷积神经网络模型、构建损失函数,并对网络参数进行训练:再为目标设备建立功率特征数据库,并将实际激活序列分解值与激活序列特征进行比较,消除网络产生的不相关激活;最后建立评估模型,对输出时间序列的准确性进行评估,完成非侵入式负荷监测。
为了实现上述目的,本发明采取的技术方案是:一种基于残差全卷积神经网络的非侵入式负荷监测方法,包括如下步骤:
S1,数据预处理:收集总功率和各个设备的负荷数据,并进行数据预处理操作;
S2,数据分段:基于自适应窗口长度的负荷特征提取,利用步骤S1预处理后的数据,采用自适应滑动窗口的方式,对每个窗口内的时间序列数据进行特征工程抽取,获取相应的特征数据;将数据分为训练集与测试集,并输入残差全卷积神经网络;
S3,建立残差全卷积神经网络模型:所述残差全卷积神经网络模型包括六个残差卷积模块,三个一维卷积层,四个maxpooling层,四个ConvTranspose层,flatten层和一个dense层;每个残差卷积模块由四个一维卷积层组成,其中,每个残差卷积模块中第一个一维卷积层的输入,通过残差连接加入第四个一维卷积层的输出,每个一维卷积层由30个维度为8的卷积核构成且采用ReLU激活函数;将训练集时间,总功耗数据,单个设备功耗数据输入残差全卷积神经网络模块;
S4,构建损失函数,并对网络参数进行训练:通过输入测试集总功耗数据,利用步骤S3已建立的残差全卷积神经网络模型,分解出对应的单个电器时间序列数据;
S5,后验处理:为目标设备建立功率特征数据库,并将实际激活序列分解值与激活序列特征进行比较,消除网络产生的不相关激活;
S6,建立评估模型:对输出时间序列的准确性进行评估。
作为本发明的一种改进,所述步骤S1中的数据预处理具体包括如下步骤:
S11,数据清洗和填充:接收历史和实时电力负荷数据,执行数据清洗操作,删除或纠正异常值和缺失数据;其中,对于缺失数据,使用插值进行填充;对于异常数据,使用Z-score方法异常值检测算法,识别和处理异常值;
S12,特征选择和提取:从原始电力负荷数据中选择关键特征,进行统计信息提取;所述关键特征至少包括时间、日期和季节;所述统计信息至少包括均值和方差;
S13,标准化和归一化:对步骤S12选定的特征进行标准化和归一化处理,选择最小-最大归一化确保不同尺度的特征能够在模型中平等对待;
S14,时间序列平滑:对于具有明显季节性和周期性的电力负荷数据,使用时间序列平滑方法。
作为本发明的一种改进,所述步骤S2中基于自适应窗口长度的滑动窗口方法来分割收集的负载序列,针对不同的负载设置应用不同的采样率和窗口长度;所述窗口长度定义如下:
W(i)=[Wbase*f_t(i)*T(i)]/[fbase*Tbase]
其中,W(i)表示为第i类设备计算的窗口长度,T(i)为第i类设备的平均工作周期,f_t(i)为第i类设备的采样频率,Wbase,fbase与Tbase分别表示基窗口长度、基采样频率和基工作周期。
作为本发明的另一种改进,所述步骤S3中的残差全卷积神经网络模型中:maxpooling层1输出连接残差卷积模块1输入;残差卷积模块1输出连接maxpooling层2输入;maxpooling层2输出连接残差卷积模块2输入;残差卷积模块2输出连接maxpooling层3输入;maxpooling层3输出连接残差卷积模块3输入;残差卷积模块3输出连接maxpooling层4输入;maxpooling层4输出连接三个一维卷积层;三个一位卷积层输出连接输出连接ConvTranspose层1;ConvTranspose层1输出连接残差卷积模块4输入;残差卷积模块4输出连接ConvTranspose层2输入;ConvTranspose层2输出连接残差卷积模块5输入;残差卷积模块5输出连接ConvTranspose层3输入;ConvTranspose层3输出连接残差卷积模块6输入;残差卷积模块6输出连接ConvTranspose层4输入;ConvTranspose层4输出连接flatten层输入;flatten层输出连接dense层输入;maxpooling层1输出通过残差连接加入ConvTranspose层4输入;maxpooling层2输出通过残差连接加入ConvTranspose层3输入;maxpooling层3输出通过残差连接加入ConvTranspose层2输入;maxpooling层4输出通过残差连接加入ConvTranspose层1输入。
作为本发明的另一种改进,所述步骤S4中的损失函数如下:
其中,T表示每个样本包含的总采样点数;N表示总样本数;pgt与ppd分别表述实际功率值和网络分解得到的设备功率时间序列。
作为本发明的又一种改进,所述步骤S5具体包括:
S51,设置数据过滤阈值:
S511:选择适当的数据样本,从历史和实时数据中选择一组未在训练和测试集中出现的样本;
S512:判定开关状态设备,对于明确具有开关状态的设备,利用NILMTK中的集成函数确定每种设备类型在选定数据上的切换时刻;
S513:处理连续输出系统数据,对于连续输出系统,通过相似性计算,采用其能量规模类似的设备阈值;
S52,分析实际功率序列特性:计算实际功率特性,基于设置的激活阈值,对目标设备在每次激活时的实际功率序列特性进行计算,记录实际功率序列值和每次激活的关联特性;
S53,分析激活长度和操作:通过计算时间戳之间的差值来计算每次目标设备的激活长度;通过记录目标设备的激活序列,确定操作中的最小激活长度,将激活序列的采样点总数作为阈值;
S54,剔除不相关分解结果:获取算法分解所得的目标设备功率的激活信息,将实际值的最小激活长度与分解值的激活的长度进行比较,消除分解值中所有功率小于阈值的激活与持续时间小于列表中激活最小激活长度的激活。
作为本发明的更进一步改进,所述步骤S6中评估模型的评价指标包括平均绝对误差、归一化信号聚合误差和归一化分解误差,所述指标的计算如下:
其中,MAE表示平均绝对误差;NDE表示归一化信号聚合误差;SAE表示归一化分解误差;M表示采样点的总数;pgt与ppd分别为设备的实际功率值和分解功率值。
与现有技术相比,本发明具有的有益效果:本发明提供了一种基于残差全卷积神经网络的非侵入式负荷监测方法,基于不同设备的运行周期和特性,采取了一种自适应窗口长度的数据分段方法,以确保识别设备行为的有效性;还提出了一种残差全卷积神经网络模型结构,用于家用电器和分布式能源的能量分解,利用残差连接成功地解决了随着网络深度增加而出现的模型性能下降和梯度消失问题,提升算法精确度和泛化能力;此外,本发明方法还设有后验处理算法,对深度神经网络的输出进行优化,考虑数据特性,为目标设备建立了功率特征数据库,并将实际激活序列分解值与激活序列特征进行比较以消除网络产生的不相关激活。
附图说明
图1是本发明基于残差全卷积神经网络的非侵入式负荷监测方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
一种基于残差全卷积神经网络的非侵入式负荷监测方法,包括如下步骤,实施框图如图1所示:
步骤S1:对原始数据进行数据预处理,具体步骤如下:
步骤S11:数据清洗和填充,接收历史和实时电力负荷数据,执行数据清洗操作以删除或纠正异常值和缺失数据;对于缺失数据,使用插值进行填充,确保数据的完整性和准确性;对于异常数据,使用Z-score方法异常值检测算法,识别和处理可能存在的异常值;
步骤S12:特征选择和提取,从原始电力负荷数据中选择关键特征,包括时间、日期、季节等,并提取统计信息,如均值、方差等,以减少数据维度并保留重要信息;
步骤S13:标准化和归一化,对选定的特征进行标准化和归一化处理,选择最小-最大归一化确保不同尺度的特征能够在模型中平等对待;
步骤S14:时间序列平滑,对于具有明显季节性和周期性的电力负荷数据,应用时间序列平滑技术,如移动平均或指数平滑,以减少噪声和突发波动,提高模型预测的稳定性。
步骤S2:数据分段,基于自适应窗口长度的负荷特征提取,利用预处理后的数据,采用自适应滑动窗口的方式,对每个窗口内的时间序列数据进行特征工程抽取,获取相应的特征数据;将数据分为训练集与测试集,并输入残差全卷积神经网络。
基于自适应窗口长度的滑动窗口方法来分割收集的负载序列,针对不同的负载设置应用不同的采样率和窗口长度。窗口长度定义如下:
W(i)=[Wbase*f_t(i)*T(i)]/[fbase*Tbase]
其中,W(i)表示为第i类设备计算的窗口长度,T(i)为第i类设备的平均工作周期,f_t(i)为第i类设备的采样频率,Wbase,fbase与Tbase分别表示基窗口长度、基采样频率和基工作周期。
步骤S3:建立残差全卷积神经网络模型,其具体结构包括包括:
六个残差卷积模块,三个一维卷积层,四个maxpooling层,四个ConvTranspose层,flatten层和一个dense层;所述残差卷积模块结构如下,每个残差卷积模块由四个一维卷积层组成,每个一位卷积层由30个维度为8的卷积核构成,且均采用ReLU激活函数;每个残差卷积模块中,第一个一维卷积层的输入,通过残差连接加入第四个一维卷积层的输出;
所述残差全卷积神经网络模型各模块连接方式如下:
maxpooling层1输出连接残差卷积模块1输入;残差卷积模块1输出连接maxpooling层2输入;maxpooling层2输出连接残差卷积模块2输入;残差卷积模块2输出连接maxpooling层3输入;maxpooling层3输出连接残差卷积模块3输入;残差卷积模块3输出连接maxpooling层4输入;maxpooling层4输出连接三个一维卷积层;三个一位卷积层输出连接输出连接ConvTranspose层1;ConvTranspose层1输出连接残差卷积模块4输入;残差卷积模块4输出连接ConvTranspose层2输入;ConvTranspose层2输出连接残差卷积模块5输入;残差卷积模块5输出连接ConvTranspose层3输入;ConvTranspose层3输出连接残差卷积模块6输入;残差卷积模块6输出连接ConvTranspose层4输入;ConvTranspose层4输出连接flatten层输入;flatten层输出连接dense层输入;maxpooling层1输出通过残差连接加入ConvTranspose层4输入;maxpooling层2输出通过残差连接加入ConvTranspose层3输入;maxpooling层3输出通过残差连接加入ConvTranspose层2输入;maxpooling层4输出通过残差连接加入ConvTranspose层1输入。
步骤S4,构建损失函数,所述损失函数如下:
通过最小化损失函数来训练网络,使用以下函数作为深度神经网络训练中的损失函数,定义为:
其中,T表示每个样本包含的总采样点数;N表示总样本数;pgt与ppd分别表述实际功率值和网络分解得到的设备功率时间序列。
步骤S5:后验处理,构建数据后验处理方法,将分解的功率序列与使用实际地面实况值建立的操作特征数据库进行比较,可以消除深度神经网络产生的不相关激活,具体步骤如下:
步骤S51:设置数据过滤阈值
首先,选择适当的数据样本,从历史和实时数据中选择一组未在训练和测试集中出现的样本,这些样本将用于后续的分析和调整。
其次,判定开关状态设备:对于明确具有开关状态的设备,利用NILMTK中的集成函数确定每种设备类型在选定数据上的切换时刻。处理连续输出系统数据:对于连续输出系统,通过相似性计算,采用其能量规模类似的设备阈值。
步骤S52:分析实际功率序列特性
首先,计算实际功率特性:基于设置的激活阈值,对目标设备在每次激活时的实际功率序列特性进行计算。包括运行开始和停止的时间戳、最大和平均功率等。然后,记录实际功率序列值和每次激活的关联特性,以便后续分析和调整时使用。
步骤S53:分析激活长度和操作
计算激活长度:为每次目标设备的激活计算长度,通过计算时间戳之间的差值来实现。这有助于理解设备的运行时长和激活频率。
确定最小激活长度:通过记录目标设备的激活序列,确定操作中的最小激活长度,将激活序列的采样点总数作为阈值。
步骤S54:剔除不相关分解结果
获取算法分解所得的目标设备功率的激活信息,将实际值的最小激活长度与分解值的激活的长度进行比较。消除分解值中所有功率小于阈值的激活与持续时间小于列表中激活最小激活长度的激活。
步骤S6:建立评估模型以评价分解准确性,所述评估模型包括指标如下:
采用平均绝对误差、归一化信号聚合误差和归一化分解误差,计算公式为
其中,MAE表示平均绝对误差;NDE表示归一化信号聚合误差;SAE表示归一化分解误差;M表示采样点的总数;pgt与ppd分别为设备的实际功率值和分解功率值。
测试例
采用本发明所提出的基于残差全卷积神经网络的非侵入式负荷监测方法测试分解结果如下所示:
本测试例使用公共数据集REDD与Pecan Street的组合数据集作为实验数据。REDD数据集中的house1、3、4、5作为训练集,house2、6作为测试集。Pecan Street数据集中采用Austin地区六户独立家庭在同月采集负荷数据分别作为测试集与训练集。训练后的模型对测试集数据进行负荷分解,利用建立的评价模型对生成结果进行评价,所得到的指标如表1所示:
表1基于卷积神经网络的负荷分解方法与本方法分解准确度比较表
由表1可以看出,与基于卷积神经网络的负荷分解方法相比,本方法对三类设备的分解准确度都得到了显著改进。本方法模型指标均显著优于基于卷积神经网络的负荷分解方法,说明了该模型在对新型电力系统分解的准确性。其中,电动汽车、冰箱与微波炉的MAE分别下降了54.86%、69.18%、58.85%与75.08%。其中,相比基于卷积神经网络的负荷分解方法,本方法对微波炉的分解值准确度提升最大,这可能是因为微波炉运行周期较短且出现整体工作时间比例较小,因此其特征提取更易受到光伏发电影响。
同时,与无后验处理的直接输出的方法相比,可以看出通过消除模型中的无关激活,利用后验修正的方法进一步降低了分解误差,提高了模型的综合分解准确率。
需要说明的是,以上内容仅仅说明了本发明的技术思想,不能以此限定本发明的保护范围,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于,包括如下步骤:
S1,数据预处理:收集总功率和各个设备的负荷数据,并进行数据预处理操作;
S2,数据分段:基于自适应窗口长度的负荷特征提取,利用步骤S1预处理后的数据,采用自适应滑动窗口的方式,对每个窗口内的时间序列数据进行特征工程抽取,获取相应的特征数据;将数据分为训练集与测试集,并输入残差全卷积神经网络;
S3,建立残差全卷积神经网络模型:所述残差全卷积神经网络模型包括六个残差卷积模块,三个一维卷积层,四个maxpooling层,四个ConvTranspose层,flatten层和一个dense层;每个残差卷积模块由四个一维卷积层组成,其中,每个残差卷积模块中第一个一维卷积层的输入,通过残差连接加入第四个一维卷积层的输出,每个一维卷积层由30个维度为8的卷积核构成且采用ReLU激活函数;将训练集时间,总功耗数据,单个设备功耗数据输入残差全卷积神经网络模块;
S4,构建损失函数,并对网络参数进行训练:通过输入测试集总功耗数据,利用步骤S3已建立的残差全卷积神经网络模型,分解出对应的单个电器时间序列数据;
S5,后验处理:为目标设备建立功率特征数据库,并将实际激活序列分解值与激活序列特征进行比较,消除网络产生的不相关激活;
S6,建立评估模型:对输出时间序列的准确性进行评估。
2.如权利要求1所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S1中的数据预处理具体包括如下步骤:
S11,数据清洗和填充:接收历史和实时电力负荷数据,执行数据清洗操作,删除或纠正异常值和缺失数据;其中,对于缺失数据,使用插值进行填充;对于异常数据,使用Z-score方法异常值检测算法,识别和处理异常值;
S12,特征选择和提取:从原始电力负荷数据中选择关键特征,进行统计信息提取;所述关键特征至少包括时间、日期和季节;所述统计信息至少包括均值和方差;
S13,标准化和归一化:对步骤S12选定的特征进行标准化和归一化处理,选择最小-最大归一化确保不同尺度的特征能够在模型中平等对待;
S14,时间序列平滑:对于具有明显季节性和周期性的电力负荷数据,使用时间序列平滑方法。
3.如权利要求1所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S2中基于自适应窗口长度的滑动窗口方法来分割收集的负载序列,针对不同的负载设置应用不同的采样率和窗口长度;所述窗口长度定义如下:
W(i)=[Wbase*f_t(i)*T(i)]/[fbase*Tbase]
其中,W(i)表示为第i类设备计算的窗口长度,T(i)为第i类设备的平均工作周期,f_t(i)为第i类设备的采样频率,Wbase,fbase与Tbase分别表示基窗口长度、基采样频率和基工作周期。
4.如权利要求2或3所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S3中的残差全卷积神经网络模型中:maxpooling层1输出连接残差卷积模块1输入;残差卷积模块1输出连接maxpooling层2输入;maxpooling层2输出连接残差卷积模块2输入;残差卷积模块2输出连接maxpooling层3输入;maxpooling层3输出连接残差卷积模块3输入;残差卷积模块3输出连接maxpooling层4输入;maxpooling层4输出连接三个一维卷积层;三个一位卷积层输出连接输出连接ConvTranspose层1;ConvTranspose层1输出连接残差卷积模块4输入;残差卷积模块4输出连接ConvTranspose层2输入;ConvTranspose层2输出连接残差卷积模块5输入;残差卷积模块5输出连接ConvTranspose层3输入;ConvTranspose层3输出连接残差卷积模块6输入;残差卷积模块6输出连接ConvTranspose层4输入;ConvTranspose层4输出连接flatten层输入;flatten层输出连接dense层输入;maxpooling层1输出通过残差连接加入ConvTranspose层4输入;maxpooling层2输出通过残差连接加入ConvTranspose层3输入;maxpooling层3输出通过残差连接加入ConvTranspose层2输入;maxpooling层4输出通过残差连接加入ConvTranspose层1输入。
5.如权利要求4所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S4中的损失函数如下:
其中,T表示每个样本包含的总采样点数;N表示总样本数;pgt与ppd分别表述实际功率值和网络分解得到的设备功率时间序列。
6.如权利要求5所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S5具体包括:
S51,设置数据过滤阈值:
S511:选择适当的数据样本,从历史和实时数据中选择一组未在训练和测试集中出现的样本;
S512:判定开关状态设备,对于明确具有开关状态的设备,利用NILMTK中的集成函数确定每种设备类型在选定数据上的切换时刻;
S513:处理连续输出系统数据,对于连续输出系统,通过相似性计算,采用其能量规模类似的设备阈值;
S52,分析实际功率序列特性:计算实际功率特性,基于设置的激活阈值,对目标设备在每次激活时的实际功率序列特性进行计算,记录实际功率序列值和每次激活的关联特性;
S53,分析激活长度和操作:通过计算时间戳之间的差值来计算每次目标设备的激活长度;通过记录目标设备的激活序列,确定操作中的最小激活长度,将激活序列的采样点总数作为阈值;
S54,剔除不相关分解结果:获取算法分解所得的目标设备功率的激活信息,将实际值的最小激活长度与分解值的激活的长度进行比较,消除分解值中所有功率小于阈值的激活与持续时间小于列表中激活最小激活长度的激活。
7.如权利要求6所述的一种基于残差全卷积神经网络的非侵入式负荷监测方法,其特征在于:所述步骤S6中评估模型的评价指标包括平均绝对误差、归一化信号聚合误差和归一化分解误差,所述指标的计算如下:
其中,MAE表示平均绝对误差;NDE表示归一化信号聚合误差;SAE表示归一化分解误差;M表示采样点的总数;pgt与ppd分别为设备的实际功率值和分解功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142099.4A CN117172601A (zh) | 2023-09-06 | 2023-09-06 | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142099.4A CN117172601A (zh) | 2023-09-06 | 2023-09-06 | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172601A true CN117172601A (zh) | 2023-12-05 |
Family
ID=88935087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311142099.4A Pending CN117172601A (zh) | 2023-09-06 | 2023-09-06 | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172601A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554217A (zh) * | 2023-12-07 | 2024-02-13 | 北京理工大学 | 一种穿刺实验执行与穿刺数据采集、分析方法及设备 |
-
2023
- 2023-09-06 CN CN202311142099.4A patent/CN117172601A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554217A (zh) * | 2023-12-07 | 2024-02-13 | 北京理工大学 | 一种穿刺实验执行与穿刺数据采集、分析方法及设备 |
CN117554217B (zh) * | 2023-12-07 | 2024-07-12 | 北京理工大学 | 一种穿刺实验执行与穿刺数据采集、分析方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Trend modeling for traffic time series analysis: An integrated study | |
Jayawardena et al. | Analysis and prediction of chaos in rainfall and stream flow time series | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN116933044B (zh) | 一种供电数据智能处理方法及系统 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN102521534B (zh) | 一种基于粗糙熵属性约简的入侵检测方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN116415723A (zh) | 一种面向铁路防灾系统的风速预测方法及装置 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN114139820A (zh) | 一种用于非侵入式电能负荷预测的改进模态分解方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 |
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 |