CN117194949A - 一种多域态融合特征的非侵入式负荷状态监测系统及方法 - Google Patents
一种多域态融合特征的非侵入式负荷状态监测系统及方法 Download PDFInfo
- Publication number
- CN117194949A CN117194949A CN202311159614.XA CN202311159614A CN117194949A CN 117194949 A CN117194949 A CN 117194949A CN 202311159614 A CN202311159614 A CN 202311159614A CN 117194949 A CN117194949 A CN 117194949A
- Authority
- CN
- China
- Prior art keywords
- data
- static
- feature
- dynamic
- vector
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000003068 static effect Effects 0.000 claims abstract description 201
- 239000013598 vector Substances 0.000 claims abstract description 173
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 52
- 238000013501 data transformation Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 230000002123 temporal effect Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 43
- 238000013140 knowledge distillation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance 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
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种多域态融合特征的非侵入式负荷状态监测系统及方法,通过采集若干静态数据和若干动态数据,对动态数据进行短时傅里叶变换,以及对静态数据进行域度和形式变换,得到频谱多维矩阵和多维辨识矩阵,并分别输入静态和动态特征提取器,得到潜在特征向量和动态特征向量,对潜在特征向量和动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,将融合特征向量矩阵输入学生网络,得到输出设备及负荷事件,最终发送至云端计算中心。可见,在分析负荷事件时,引入了静态数据,并对静态数据进行了特征提取,以对静态变量因素进行分析,考虑到外在静态变量因素对潜在负荷可能性的事件的影响,保证了负荷事件监测的准确率。
Description
技术领域
本申请涉及电网负荷状态评估技术领域,更具体的说,是涉及一种多域态融合特征的非侵入式负荷状态监测系统及方法。
背景技术
随着生活水平的提高,人们对电能的需求不断上升,如今智能城市和智能电网已经建立,电力数据的重要性也将增加。在智能电网的环境下,生产电能的公司可以利用获得的电力相关数据,分析相关电力事件,从而进行发电到配电的日常规划,因此高效地获取电力相关数据,及时发现电力负荷事件,能够降低许多成本,提高电能生成和分配效率。
目前在负荷监测研究中,大多只考虑到动态数据特征,而未考虑到外在静态变量因素对潜在负荷可能性的事件的影响,使得负荷事件监测的准确率低下。
发明内容
鉴于上述问题,提出了本申请以便提供一种多域态融合特征的非侵入式负荷状态监测系统及方法,以提高负荷事件监测的准确率。
为了实现上述目的,现提出具体方案如下:
一种多域态融合特征的非侵入式负荷状态监测系统,包括数据采集单元、数据变换单元、特征提取单元、特征融合单元和网络计算单元;
所述数据采集单元,用于采集若干静态数据和若干动态数据;
所述数据变换单元,用于对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵;
所述特征提取单元,用于将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量;
所述特征融合单元,用于对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵;
所述网络计算单元,用于将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
可选的,所述数据采集单元包括静态数据采集单元和动态数据采集单元;
所述静态数据采集单元,用于采集若干静态数据;
所述动态数据采集单元,用于采集若干动态数据。
可选的,所述静态数据采集单元采集若干静态数据,包括:
所述静态数据采集单元获取接于电网输入端口的若干静态数据仪表采集的若干静态数据。
可选的,所述动态数据采集单元采集若干动态数据,包括:
所述动态数据单元获取接于电网输入端口的若干动态数据仪表采集的若干动态数据。
可选的,所述数据变换单元对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,包括:
所述数据变换单元获取每一动态数据的动态数据样本集;
所述数据变换单元通过计算每一动态数据样本集的均方差,确定该动态数据样本集的均方差序列;
所述数据变换单元利用下式确定每一动态数据的频谱:
其中,x'rms(n)为对该动态数据的动态数据样本集的均方差序列进行短时傅里叶变换得到的均方差倒数数列序列,n为序列索引,w(·)为窗函数,τ为所述窗函数的中心位置,ω为所述窗函数的相位;
所述数据变换单元利用下式计算每一动态数据的累计均方差:
所述数据变换单元利用下式确定每一动态数据的频谱多维矩阵:
S(ω,τ)=Sn(ω,τ)·sgn(SN)
其中,sgn(·)为符号函数。
可选的,所述数据变换单元对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵,包括:
所述数据变换单元利用下式确定每一静态数据的静态变量概率密度函数:
其中,x为该静态数据的变量,为该静态数据服从标准正态分布的静态变量分布概率,/>σ为该静态数据的标准差,b为该静态数据的预设静态常数,N为该静态数据在固定时间内采集到的总样本数量;
所述数据变换单元将每一静态数据的静态变量概率密度函数乘以该静态数据的静态变量,得到该静态数据的时序向量;
所述数据变换单元以时间作为矩阵拼接的索引,将各静态数据的时序向量进行矩阵拼接,得到各静态数据的多维辨识矩阵。
可选的,所述动态特征提取模型为在预先构建好的卷积网络中通过历史动态数据训练得到的,所述卷积网络由多个卷积自动编码网络构成,每个卷积自动编码网络结构相同、位置并行,且均由三个卷积层、三个池化层和三个全连接层组成。
可选的,所述特征提取单元将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,包括:
所述特征提取单元确定所述多维辨识矩阵中的常态变量向量与时态变量向量;
所述特征提取单元利用下式将每一常态变量向量转化为常态潜在特征向量:
hc=ec(c)
其中,ec(c)为预先训练好的静态特征提取器提取常态变量c的潜在低维特征的函数;
所述特征提取单元利用下式将每一时态变量向量转化为时态潜在特征向量:
ht=et(hc,ht-1,xt)
其中,et(hc,ht-1,xt)为所述静态特征提取器提取时态变量xt的潜在低维特征的函数。
可选的,所述特征融合单元对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,包括:
所述特征融合单元通过预设的卷积注意力模块将各潜在特征向量和各动态特征向量进行合并,得到综合特征矩阵;
所述特征融合单元对所述综合特征矩阵进行平均池化,得到第一池化向量;
所述特征融合单元对所述综合特征矩阵进行最大池化,得到第二池化向量;
所述特征融合单元对所述第一池化向量进行两层一维卷积,得到第一卷积结果;
所述特征融合单元对所述第二池化向量进行两层一维卷积,得到第二卷积结果;
所述特征融合单元通过sigmoid函数激活所述第一卷积结果与所述第二卷积结果之和,得到与所述第一池化向量对应的第一权重向量,以及与所述第二池化向量对应的第二权重向量;
所述特征融合单元将所述第一权重向量乘以所述第一池化向量,得到第一加权特征向量;
所述特征融合单元将所述第二权重向量乘以所述第二池化向量,得到第二加权特征向量;
所述特征融合单元将所述第一加权特征向量与所述第二加权特征向量进行拼接,得到融合特征向量矩阵。
一种多域态融合特征的非侵入式负荷状态监测方法,应用于非侵入式负荷状态监测系统,该方法包括:
采集若干静态数据和若干动态数据;
对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵;
将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量;
对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵;
将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过所述非侵入式负荷状态监测中的通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
可选的,所述学生网络的训练过程,包括:
在教师网络损失函数的约束下,通过历史数据中的训练样本,训练得到教师网络,所述教师网络损失函数为:
其中,A为所述历史数据中的静态变量数量与所述历史数据中的动态变量数量之和,N为所述训练样本的数量,y为所述训练样本的实际值,yi'为训练过程中的教师网络针对所述训练样本的输出值,σ为sigmoid函数;
将所述历史数据中的测试样本输入至训练完成的教师网络,得到所述训练完成的教师网络输出的软标签;
将所述软标签覆盖于所述测试样本,得到软标签测试样本;
以所述软标签测试样本与预设的真实标签测试样本作为训练样本,在总损失函数的约束下,训练得到学生网络,所述总损失函数为:
其中,y′为所述软标签,y~为训练过程中的学生网络针对所述真实标签测试样本的输出值,Ls(y,y′)为当所述真实标签测试样本作为训练样本时的第一损失函数,Lst(y~,y′)为当所述软标签测试样本作为训练样本时的第二损失函数,ω(τ)为weight ramp-up函数,τ为预设训练值。
借由上述技术方案,本申请通过所述数据采集单元采集若干静态数据和若干动态数据,所述数据变换单元对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵,所述特征提取单元将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量,所述特征融合单元对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,所述网络计算单元将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。由此可见,多域态融合特征的非侵入式负荷状态监测在分析负荷事件时,引入了静态数据,并对静态数据进行了特征提取,以对静态变量因素进行分析,考虑到外在静态变量因素对潜在负荷可能性的事件的影响,保证了负荷事件监测的准确率。
进一步地,相较于仅基于频域特征或仅基于时域特征进行分析,通过对静态数据进行域度和形式变换,提高设备识别的准确性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的一种多域态融合特征的非侵入式负荷状态监测系统的架构图;
图2为本申请实施例提供的另一种多域态融合特征的非侵入式负荷状态监测系统的架构图;
图3为本申请实施例提供的一种确定融合特征向量矩阵的特征数据处理的示意图;
图4为本申请实施例提供的一种非侵入式负荷状态监测系统实现多域态融合特征的非侵入式负荷状态监测的流程示意图;
图5为本申请实施例提供的一种训练学生网络的流程示意图;
图6为本申请实施例提供的一种使用知识蒸馏技术训练的教师网络的结构示意图;
图7为本申请实施例提供的一种使用知识蒸馏技术训练的学生网络的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的多域态融合特征的非侵入式负荷状态监测系统的一种可选架构,如图1所示,该架构可以包括:
数据采集单元10、数据变换单元20、特征提取单元30、特征融合单元40和网络计算单元50。
数据采集单元10可以用于采集若干静态数据和若干动态数据。
具体的,静态数据可以表示变化速率小于预设阈值速率的对电力系统和负荷产生外在因素影响的变量的数据,如光强数据、温度数据、风速数据、天气数据等。动态数据可以表示变化速率大于所述预设阈值速率的,能够直观反应设备运行状态和变化的设备内部运行数据,如电流、电压、功率等。
数据变换单元20可以用于对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵。
具体的,数据变换单元20可以包括动态数据变换单元和静态数据变换单元。
其中,动态数据变换单元可以用于对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,静态数据变换单元可以用于对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵。
特征提取单元30可以用于将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量。
特征融合单元40可以用于对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵。
网络计算单元50可以用于将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
具体的,所述学生网络可以为通过知识蒸馏方法训练好的学生网络。
本实施例提供的多域态融合特征的非侵入式负荷状态监测系统,通过所述数据采集单元采集若干静态数据和若干动态数据,所述数据变换单元对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵,所述特征提取单元将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量,所述特征融合单元对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,所述网络计算单元将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。由此可见,多域态融合特征的非侵入式负荷状态监测系统在分析负荷事件时,引入了静态数据,并对静态数据进行了特征提取,以对静态变量因素进行分析,考虑到外在静态变量因素对潜在负荷可能性的事件的影响,保证了负荷事件监测的准确率。
进一步地,相较于仅基于频域特征或仅基于时域特征进行分析,通过对静态数据进行域度和形式变换,提高设备识别的准确性。
本申请的一些实施例中,对上述实施例提到的数据采集单元10进行介绍,该数据采集单元10可以包括静态数据采集单元和动态数据采集单元。
其中,所述静态数据采集单元可以用于采集若干静态数据。
具体的,所述静态数据采集单元采集若干静态数据的过程可以包括:
所述静态数据采集单元获取接于电网输入端口的若干静态数据仪表采集的若干静态数据。
具体的,所述静态数据采集单元可以与多个静态数据仪表相连,这些静态数据仪表可以不置于非侵入式负荷状态监测系统,静态数据采集单元向各个静态数据仪表发送请求获取静态数据的指令,在各个静态数据仪表响应该指令后,静态数据采集单元可以接收各个静态数据仪表发送的应答指令,并可以根据每个静态数据仪表相应的通讯协议转换为变量实测数值。
与此同时,所述动态数据采集单元可以用于采集若干动态数据。
具体的,所述动态数据采集单元采集若干动态数据的过程可以包括:
所述动态数据单元获取接于电网输入端口的若干动态数据仪表采集的若干动态数据。
具体的,所述动态数据采集单元可以与多个动态数据仪表相连,这些动态数据仪表可以不置于非侵入式负荷状态监测系统,动态数据采集单元向各个动态数据仪表发送请求获取动态数据的指令,在各个动态数据仪表响应该指令后,动态数据采集单元可以接收各个动态数据仪表发送的应答指令,并可以根据每个动态数据仪表相应的通讯协议转换为变量实测数值。
基于此,在图1所示的架构的基础上,图2示出了本申请实施例提供的另一种多域态融合特征的非侵入式负荷状态监测系统的架构。
本实施例提供的多域态融合特征的非侵入式负荷状态监测,静态数据采集单元通过与外置的多个静态数据仪表连接采集静态数据,动态数据采集单元通过与外置的多个动态数据仪表连接采集动态数据,能够降低非侵入式负荷状态监测的负载和维护难度。
本申请的一些实施例中,对上述实施例提到的、所述数据变换单元20对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵的过程进行介绍,该过程可以包括:
S1、所述数据变换单元20获取每一动态数据的动态数据样本集。
具体的,数据变换单元20可以将滑动窗口方法应用于每一动态数据,以获取每一动态数据的动态数据样本集。
S2、所述数据变换单元20通过计算每一动态数据样本集的均方差,确定该动态数据样本集的均方差序列。
S3、所述数据变换单元20利用下式确定每一动态数据的频谱:
其中,x'rms(n)为对该动态数据的动态数据样本集的均方差序列进行短时傅里叶变换得到的均方差倒数数列序列,n为序列索引,w(·)为窗函数,τ为所述窗函数的中心位置,ω为所述窗函数的相位。
S4、所述数据变换单元20利用下式计算每一动态数据的累计均方差:
S5、所述数据变换单元20利用下式确定每一动态数据的频谱多维矩阵:
S(ω,τ)=Sn(ω,τ)·sgn(SN)
其中,sgn(·)为符号函数。
可以理解的是,类似于开启和关闭这类完全相反的事件,其动态数据的频谱可能相同,因此可以通过计算累计均方差并结合符号函数的方式,将相反事件频谱相同的情况避免。
本实施例提供的多域态融合特征的非侵入式负荷状态监测,通过数据变换单元20对动态数据进行处理以得到每一动态数据的频谱多维矩阵,以便特征提取单元30从频谱多维矩阵中提取动态特征信息。
本申请的一些实施例中,对上述实施例提到的、所述数据变换单元20对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵的过程进行介绍,该过程可以包括:
S1、所述数据变换单元20利用下式确定每一静态数据的静态变量概率密度函数:
其中,x为该静态数据的变量,为该静态数据服从标准正态分布的静态变量分布概率,/>σ为该静态数据的标准差,b为该静态数据的预设静态常数,N为该静态数据在固定时间内采集到的总样本数量。
具体的,在静态数据的静态变量的取值范围内取区域R,当区域宽度小于预设宽度阈值时,数据落入区域R中的概率p则可以通过下式表示:
p=f(x)h
由于当区域宽度为l时,/>
进一步地,可以使用标准正态分布核函数以逼近xi点的静态变量分布概率:
那么可以通过下式对总样本中分布在区域R中的样本数量k进行估计:
于是可以得到每一静态数据的静态变量概率密度函数为:
S2、所述数据变换单元20将每一静态数据的静态变量概率密度函数乘以该静态数据的静态变量,得到该静态数据的时序向量。
S3、所述数据变换单元20以时间作为矩阵拼接的索引,将各静态数据的时序向量进行矩阵拼接,得到各静态数据的多维辨识矩阵。
本实施例提供的多域态融合特征的非侵入式负荷状态监测,通过数据变换单元20对动态数据进行处理以得到每一动态数据的频谱多维矩阵,以便特征提取单元30从频谱多维矩阵中提取动态特征信息。
本申请的一些实施例中,对上述实施例提到的动态特征提取模型进行介绍,具体的,该动态特征提取模型为在预先构建好的卷积网络中通过历史动态数据训练得到的。
其中,所述卷积网络可以由多个卷积自动编码网络构成,每个卷积自动编码网络结构相同、位置并行,且均由三个卷积层、三个池化层和三个全连接层组成。
通过对训练好的动态特征提取模型输入大小为N*N的二维矩阵,该动态特征提取模型可以输出长度为N的特征向量。
基于此,当每一动态数据的频谱多维矩阵的大小为N*N时,将每一动态数据的频谱多维矩阵输入动态特征提取模型,可以得到长度为N的该动态数据的动态特征向量。
本申请的一些实施例中,对上述实施例提到的、所述特征提取单元30将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量的过程进行介绍,该过程可以包括:
S1、所述特征提取单元确定所述多维辨识矩阵中的常态变量向量与时态变量向量。
具体的,所述常态变量向量为不以时序序列存在的变量向量,时态变量向量为以时序序列存在的变量向量。静态变量可以用一个向量表示,如(x1,…,xn,c1,…,cm)。X是时态变量的向量空间,C是常态变量的向量空间,(X,C)是属于向量空间X,C的一个随机向量。
可以理解的是,对于静态变量向量,一定会服从某种目标分布p(C1:m,X1:n),则可以通过PD-GAN中的生成器学习训练出一个分布以逼近该目标分布。
S2、所述特征提取单元利用下式将每一常态变量向量转化为常态潜在特征向量:
hc=ec(c)
其中,ec(c)为预先训练好的静态特征提取器提取常态变量c的潜在低维特征的函数。
S3、所述特征提取单元利用下式将每一时态变量向量转化为时态潜在特征向量:
ht=et(hc,ht-1,xt)
其中,et(hc,ht-1,xt)为所述静态特征提取器提取时态变量xt的潜在低维特征的函数。
可以理解的是,在静态特征提取器的训练过程中,会对潜在低维特征量进行逆映射,以对提取结果进行验证和校正,从而确保所提取的特征为静态数据的真实特征,因此静态特征提取器的训练过程中的损失函数为:
其中,为逆映射得到的常态变量,/>为逆映射得到的时态变量。
进一步地,逆映射的结果会输入至判别器,因此判别器的判别过程可以用下式表示:
其中,dc(·)为判别器判别常态潜在低维特征量时的常态判别函数,yc为常态判别函数的判别结果,dx(·)为判别器判别时态潜在低维特征量时的时态判别函数,yt为时态判别函数的判别结果。
那么,生成器与判别器在博弈过程中会使用以下两个损失函数,分别为:
其中,为用于训练学习常态变量特征,/>和/>分别为向生成器输入随机向量时,判别器判别常态低维特征向量和时态低维特征向量的结果,/>为用于训练学习时态变量特征,gx(·)为生成器生成时态特征的函数,zt为输入的随机时态数据向量。
本申请的一些实施例中,对上述实施例提到的、所述特征融合单元40对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵的过程进行介绍,该过程可以包括:
S1、所述特征融合单元40通过预设的卷积注意力模块将各潜在特征向量和各动态特征向量进行合并,得到综合特征矩阵。
具体的,可以通过卷积注意力块中的concat层将各潜在特征向量和各动态特征向量进行合并。
S2、所述特征融合单元40对所述综合特征矩阵进行平均池化,得到第一池化向量。
S3、所述特征融合单元40对所述综合特征矩阵进行最大池化,得到第二池化向量。
S4、所述特征融合单元40对所述第一池化向量进行两层一维卷积,得到第一卷积结果。
S5、所述特征融合单元40对所述第二池化向量进行两层一维卷积,得到第二卷积结果。
S6、所述特征融合单元40通过sigmoid函数激活所述第一卷积结果与所述第二卷积结果之和,得到与所述第一池化向量对应的第一权重向量,以及与所述第二池化向量对应的第二权重向量。
S7、所述特征融合单元40将所述第一权重向量乘以所述第一池化向量,得到第一加权特征向量。
S8、所述特征融合单元40将所述第二权重向量乘以所述第二池化向量,得到第二加权特征向量。
S9、所述特征融合单元40将所述第一加权特征向量与所述第二加权特征向量进行拼接,得到融合特征向量矩阵。
本实施例中的通过S1-S9所实施的方式得到融合特征向量矩阵的过程可以参考图3所示。
基于图1所示的架构,图4示出了本申请实施例提供的非侵入式负荷状态监测实现多域态融合特征的非侵入式负荷状态监测方法的一种流程,参照图4,该流程可以包括:
步骤S110、采集若干静态数据和若干动态数据。
步骤S120、对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵。
步骤S130、将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量。
步骤S140、对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵。
步骤S150、将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过所述非侵入式负荷状态监测系统中的通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
本实施例提供的多域态融合特征的非侵入式负荷状态监测方法,通过所述数据采集单元采集若干静态数据和若干动态数据,所述数据变换单元对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵,所述特征提取单元将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量,所述特征融合单元对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,所述网络计算单元将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。由此可见,非侵入式负荷状态监测系统在分析负荷事件时,引入了静态数据,并对静态数据进行了特征提取,以对静态变量因素进行分析,考虑到外在静态变量因素对潜在负荷可能性的事件的影响,保证了负荷事件监测的准确率。
进一步地,相较于仅基于频域特征或仅基于时域特征进行分析,通过对静态数据进行域度和形式变换,提高设备识别的准确性。
本申请的一些实施例中,对上述实施例提到的学生网络的训练过程进行介绍,结合图5,该过程可以包括:
步骤S210、在教师网络损失函数的约束下,通过历史数据中的训练样本,训练得到教师网络。
具体的,所述教师网络损失函数为:
其中,A为所述历史数据中的静态变量数量与所述历史数据中的动态变量数量之和,N为所述训练样本的数量,y为所述训练样本的实际值,yi'为训练过程中的教师网络针对所述训练样本的输出值,σ为sigmoid函数。
如图6所示,所述教师网络在训练过程中可以使用知识蒸馏技术。
步骤S220、将所述历史数据中的测试样本输入至训练完成的教师网络,得到所述训练完成的教师网络输出的软标签。
步骤S230、将所述软标签覆盖于所述测试样本,得到软标签测试样本。
步骤S240、以所述软标签测试样本与预设的真实标签测试样本作为训练样本,在总损失函数的约束下,训练得到学生网络。
具体的,所述总损失函数为:
L=Ls(y,y′)+ω(τ)*Lst(y~,y′)
其中,y′为所述软标签,y~为训练过程中的学生网络针对所述真实标签测试样本的输出值,Ls(y,y′)为当所述真实标签测试样本作为训练样本时的第一损失函数,Lst(y~,y′)为当所述软标签测试样本作为训练样本时的第二损失函数,ω(τ)为weight ramp-up函数,τ为预设训练值。
如图7所示,所述学生网络在训练过程中可以使用知识蒸馏技术。
本实施例提供的多域态融合特征的非侵入式负荷状态监测方法,在训练学生网络的过程中,结合了预先训练得到的教师网络,且学生网络和教师网络的训练过程使用了知识蒸馏方法进行了网络压缩,减小了模型大小的同时又进一步减小了计算量和依托设备的计算压力,为在边缘嵌入式设备上运行提供了可能。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种多域态融合特征的非侵入式负荷状态监测系统,其特征在于,包括数据采集单元、数据变换单元、特征提取单元、特征融合单元和网络计算单元;
所述数据采集单元,用于采集若干静态数据和若干动态数据;
所述数据变换单元,用于对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵;
所述特征提取单元,用于将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量;
所述特征融合单元,用于对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵;
所述网络计算单元,用于将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
2.根据权利要求1所述的系统,其特征在于,所述数据采集单元包括静态数据采集单元和动态数据采集单元;
所述静态数据采集单元,用于采集若干静态数据;
所述动态数据采集单元,用于采集若干动态数据。
3.根据权利要求2所述的系统,其特征在于,所述静态数据采集单元采集若干静态数据,包括:
所述静态数据采集单元获取接于电网输入端口的若干静态数据仪表采集的若干静态数据。
4.根据权利要求2所述的系统,其特征在于,所述动态数据采集单元采集若干动态数据,包括:
所述动态数据单元获取接于电网输入端口的若干动态数据仪表采集的若干动态数据。
5.根据权利要求1所述的系统,其特征在于,所述数据变换单元对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,包括:
所述数据变换单元获取每一动态数据的动态数据样本集;
所述数据变换单元通过计算每一动态数据样本集的均方差,确定该动态数据样本集的均方差序列;
所述数据变换单元利用下式确定每一动态数据的频谱:
其中,x'rms(n)为对该动态数据的动态数据样本集的均方差序列进行短时傅里叶变换得到的均方差倒数数列序列,n为序列索引,w(·)为窗函数,τ为所述窗函数的中心位置,ω为所述窗函数的相位;
所述数据变换单元利用下式计算每一动态数据的累计均方差:
所述数据变换单元利用下式确定每一动态数据的频谱多维矩阵:
S(ω,τ)=Sn(ω,τ)·sgn(SN)
其中,sgn(·)为符号函数。
6.根据权利要求1所述的系统,其特征在于,所述数据变换单元对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵,包括:
所述数据变换单元利用下式确定每一静态数据的静态变量概率密度函数:
其中,x为该静态数据的变量,为该静态数据服从标准正态分布的静态变量分布概率,/>σ为该静态数据的标准差,b为该静态数据的预设静态常数,N为该静态数据在固定时间内采集到的总样本数量;
所述数据变换单元将每一静态数据的静态变量概率密度函数乘以该静态数据的静态变量,得到该静态数据的时序向量;
所述数据变换单元以时间作为矩阵拼接的索引,将各静态数据的时序向量进行矩阵拼接,得到各静态数据的多维辨识矩阵。
7.根据权利要求1所述的系统,其特征在于,所述动态特征提取模型为在预先构建好的卷积网络中通过历史动态数据训练得到的,所述卷积网络由多个卷积自动编码网络构成,每个卷积自动编码网络结构相同、位置并行,且均由三个卷积层、三个池化层和三个全连接层组成。
8.根据权利要求1所述的系统,其特征在于,所述特征提取单元将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,包括:
所述特征提取单元确定所述多维辨识矩阵中的常态变量向量与时态变量向量;
所述特征提取单元利用下式将每一常态变量向量转化为常态潜在特征向量:
hc=ec(c)
其中,ec(c)为预先训练好的静态特征提取器提取常态变量c的潜在低维特征的函数;
所述特征提取单元利用下式将每一时态变量向量转化为时态潜在特征向量:
ht=et(hc,ht-1,xt)
其中,et(hc,ht-1,xt)为所述静态特征提取器提取时态变量xt的潜在低维特征的函数。
9.根据权利要求1所述的系统,其特征在于,所述特征融合单元对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵,包括:
所述特征融合单元通过预设的卷积注意力模块将各潜在特征向量和各动态特征向量进行合并,得到综合特征矩阵;
所述特征融合单元对所述综合特征矩阵进行平均池化,得到第一池化向量;
所述特征融合单元对所述综合特征矩阵进行最大池化,得到第二池化向量;
所述特征融合单元对所述第一池化向量进行两层一维卷积,得到第一卷积结果;
所述特征融合单元对所述第二池化向量进行两层一维卷积,得到第二卷积结果;
所述特征融合单元通过sigmoid函数激活所述第一卷积结果与所述第二卷积结果之和,得到与所述第一池化向量对应的第一权重向量,以及与所述第二池化向量对应的第二权重向量;
所述特征融合单元将所述第一权重向量乘以所述第一池化向量,得到第一加权特征向量;
所述特征融合单元将所述第二权重向量乘以所述第二池化向量,得到第二加权特征向量;
所述特征融合单元将所述第一加权特征向量与所述第二加权特征向量进行拼接,得到融合特征向量矩阵。
10.一种多域态融合特征的非侵入式负荷状态监测方法,其特征在于,应用于非侵入式负荷状态监测系统,该方法包括:
采集若干静态数据和若干动态数据;
对每一动态数据进行短时傅里叶变换,得到该动态数据的频谱多维矩阵,对每一静态数据进行域度和形式变换,得到各静态数据的多维辨识矩阵;
将所述多维辨识矩阵输入预先训练好的静态特征提取器,得到所述静态特征提取器输出的该静态数据的若干潜在特征向量,将每一动态数据的频谱多维矩阵输入预先训练好的动态特征提取模型,得到所述动态特征提取模型输出的该动态数据的动态特征向量;
对各潜在特征向量和各动态特征向量进行合并、卷积与加权融合,得到融合特征向量矩阵;
将所述融合特征向量矩阵输入预先训练好的学生网络,得到所述学生网络输出的若干负荷设备的设备信息及每一负荷设备发生的负荷事件,通过所述非侵入式负荷状态监测系统中的通讯单元将各负荷设备的设备信息及每一负荷设备发生的负荷事件发送至云端计算中心。
11.根据权利要求10所述的方法,其特征在于,所述学生网络的训练过程,包括:
在教师网络损失函数的约束下,通过历史数据中的训练样本,训练得到教师网络,所述教师网络损失函数为:
其中,A为所述历史数据中的静态变量数量与所述历史数据中的动态变量数量之和,N为所述训练样本的数量,y为所述训练样本的实际值,yi'为训练过程中的教师网络针对所述训练样本的输出值,σ为sigmoid函数;
将所述历史数据中的测试样本输入至训练完成的教师网络,得到所述训练完成的教师网络输出的软标签;
将所述软标签覆盖于所述测试样本,得到软标签测试样本;
以所述软标签测试样本与预设的真实标签测试样本作为训练样本,在总损失函数的约束下,训练得到学生网络,所述总损失函数为:
L=Ls(y,y′)+ω(τ)*Lst(y~,y′)
其中,y′为所述软标签,y~为训练过程中的学生网络针对所述真实标签测试样本的输出值,Ls(y,y′)为当所述真实标签测试样本作为训练样本时的第一损失函数,Lst(y~,y′)为当所述软标签测试样本作为训练样本时的第二损失函数,ω(τ)为weight ramp-up函数,τ为预设训练值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159614.XA CN117194949A (zh) | 2023-09-07 | 2023-09-07 | 一种多域态融合特征的非侵入式负荷状态监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159614.XA CN117194949A (zh) | 2023-09-07 | 2023-09-07 | 一种多域态融合特征的非侵入式负荷状态监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117194949A true CN117194949A (zh) | 2023-12-08 |
Family
ID=88995582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159614.XA Pending CN117194949A (zh) | 2023-09-07 | 2023-09-07 | 一种多域态融合特征的非侵入式负荷状态监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194949A (zh) |
-
2023
- 2023-09-07 CN CN202311159614.XA patent/CN117194949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114755745B (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
Jiang et al. | A computer vision-based approach to fusing spatiotemporal data for hydrological modeling | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN111158068A (zh) | 一种基于简单卷积循环神经网络的短临预报方法及系统 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN113920375B (zh) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 | |
CN112285376A (zh) | 一种基于cnn-lstm的风速预测方法 | |
CN114169649A (zh) | 一种基于时空数据嵌入的交通流量预测方法 | |
CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
Liu et al. | Ground-based remote sensing cloud classification via context graph attention network | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
CN112115826A (zh) | 一种基于双边分支网络的人脸活体检测方法及系统 | |
CN114943937A (zh) | 行人重识别方法、装置、存储介质及电子设备 | |
CN112801357B (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN117194949A (zh) | 一种多域态融合特征的非侵入式负荷状态监测系统及方法 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
CN116151449A (zh) | 一种电力负荷的短期预测方法及装置 | |
CN114091338B (zh) | 一种电力负荷分解模型的建立方法及装置 | |
CN115169405A (zh) | 基于支持向量机的酒店客房设备故障诊断方法及系统 | |
Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
Nguyen et al. | Water end-use classification with contemporaneous water-energy data and deep learning network | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 |
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 |