CN117272230A - 一种基于多任务学习模型的非侵入式负荷监测方法和系统 - Google Patents

一种基于多任务学习模型的非侵入式负荷监测方法和系统 Download PDF

Info

Publication number
CN117272230A
CN117272230A CN202311280310.9A CN202311280310A CN117272230A CN 117272230 A CN117272230 A CN 117272230A CN 202311280310 A CN202311280310 A CN 202311280310A CN 117272230 A CN117272230 A CN 117272230A
Authority
CN
China
Prior art keywords
layer
sequence
load monitoring
model
feature
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
Application number
CN202311280310.9A
Other languages
English (en)
Inventor
刘丹丹
徐瑞琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202311280310.9A priority Critical patent/CN117272230A/zh
Publication of CN117272230A publication Critical patent/CN117272230A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/0464—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多任务学习模型的非侵入式负荷监测方法和系统，方法包括：S1、获取用于训练的居民用户房屋的总功率数据；S2、将标注后的数据进行预处理，得到多个分段的训练集；S3、将训练集并行输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；S4、将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列，计算并输出两个序列的乘积；S5、将真实的单个电器设备的功率序列与模型得到的单个电器设备的功率序列进行比较，根据比较的结果优化非侵入式负荷监测模型。与现有技术相比，本发明具有泛化能力强、降低模型分解的计算量等优点。

Description

一种基于多任务学习模型的非侵入式负荷监测方法和系统
技术领域
本发明涉及非侵入式负荷监测的技术领域，尤其是涉及一种基于多任务学习模型的非侵入式负荷监测方法和系统。
背景技术
非侵入式负载监测(Non-Intrusive Load Monitoring，NILM)是一种根据家庭的总能耗来估计单个家用电器能耗的技术，它不需要为每个电器安装专用传感器，从而避免了电气系统的复杂性和相关成本。通过负荷监测获取的设备信息可以及时得到反馈，有助于引导用户合理用电，从而实现节能降耗，节省电费开支，具有重要的意义。
对于NILM的研究，数据分为低频数据和高频数据。由于获取高频数据需要高精度的测量仪器，成本较高，因此目前大多主要利用较易获得的低频数据进行NILM研究。针对负荷分解，目前多数研究主要是利用深度学习的方法，然而多数负荷分解模型存在深度负荷特征提取不足，存在不同房屋上泛化能力不强以及多状态设备难以分解等问题，且模型参数量大，训练成本高。
发明内容
本发明的目的就是为了克服上述问题而提供的一种基于多任务学习模型的非侵入式负荷监测方法和系统。
本发明的目的可以通过以下技术方案来实现：
一种基于多任务学习模型的非侵入式负荷监测方法，方法包括：
S1、获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注；
S2、将S1的标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
S3、将多个分段的训练集并行输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；
S4、将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
S5、将真实的单个电器设备的功率序列与模型得到的单个电器设备的功率序列进行比较，根据比较的结果优化非侵入式负荷监测模型。
进一步地，S3的具体步骤为：
训练集输入特征提取层，特征提取层提取出第一特征，将第一特征输入特征融合层，得到融合后的特征，将融合后的特征同时输入负荷分解分支和状态识别分支中，基于负荷分解分支输出的单个电器设备的第一功率序列计算第一损失函数，基于状态识别分支输出的第一电器运行状态概率序列计算第二损失函数，循环迭代计算，得到训练完成的非侵入式负荷监测模型。
进一步地，训练集输入特征提取层，特征提取层提取出第一特征的具体步骤为：
训练集输入特征提取层，依次经过四组特征提取组，每个特征提取组包括一个一维卷积块和一个最大池化层，每个一维卷积块包括一维卷积、激活函数RELU、正则化层和随机失活层。
进一步地，将第一特征输入特征融合层，得到融合后的特征的具体步骤为：
特征融合层包括并行的四个池化块，第一特征同时输入四个池化块中，得到的四个输出在通过连接函数连接第一特征，得到融合后的特征，
第一特征同时输入四个池化块中，得到四个输出的步骤为：
第一特征依次进入一个池化块中的平均池化层、一维卷积层、激活函数层、批量归一化层、上采样层和随机失活层；
其中，四个池化块的平均池化层输出的特征图的尺寸互不相同，互不相同的特征图经过一维卷积层和上采样层后，最终的四个输出的特征图的尺寸相同。
进一步地，将融合后的特征输入负荷分解分支后，负荷分解分支输出单个电器设备的第一功率序列，其中，融合后的特征输入负荷分解分支后，依次经过多头注意力层、转置卷积层、一维卷积层和全连接层，最终负荷分解分支输出第一功率序列。
进一步地，将融合后的特征输入状态识别分支后，状态识别分支输出第一电器运行状态概率序列，其中，融合后的特征输入状态识别分支后，依次经过多头注意力层、转置卷积层、一维卷积层和Sigmid激活层，最终输出第一电器运行状态概率序列。
进一步地，损失函数为第一损失函数和第二损失函数之和，其中第一损失函数为均方误差损失函数，第二损失函数为二元交叉熵损失函数。
进一步地，多头注意力层的输出为：
MultiHead(Q,K,V)＝Concat(head1,...,headh)Wo
headi＝Attention(QWi Q,KWi K,VWi V)
其中，dk为K的维度；Q表示查询值，K表示键，V表示值，变换矩阵WO、Wi Q、Wi K、Wi V、WQ、WK、WV均是网络中可学习的参数，x表示多头注意力层的输入。
进一步地，将S1的数据进行预处理的具体步骤为：对数据中出现的异常值进行删除，然后进行数据归一化。
本发明的另一方面，还提出一种基于多任务学习模型的非侵入式负荷监测系统，系统包括序列预处理模块、模型训练模块、实际检测模块和模型优化模块，
序列预处理模块用于获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注，将标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
模型训练模块用于将训练集输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；
实际检测模块用于将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
模型优化模块用于将真实的单个电器设备的功率序列以及真实的电器运行状态概率序列与模型得到的单个电器设备的功率序列以及模型得到的电器运行状态概率序列进行比较，根据比较的结果优化非侵入式负荷监测模型；
其中，模型训练模块中的非侵入式负荷监测模型包括特征提取模块、特征融合模块和特征映射模块。
与现有技术相比，本发明具有以下有益效果：
(1)本发明采用多任务学习的检测模型，将融合的特征同时输入负荷分解和状态识别的分支，同时执行负荷分解和状态识别两项任务，与单任务学习相比，一起学习这些任务可以提高模型的性能，同时，融合的特征采用相同的融合和提取的模型，负荷分解和状态识别共用参数，减少了训练成本。
(2)本发明特征融合层包括并行的四个池化块，第一特征同时输入四个池化块中，得到的四个输出在通过连接函数连接第一特征，得到融合后的特征，从不同尺度进行负荷特征分析并进行融合，提取出深层负荷特征，提高不同房屋上的泛化能力。
(3)本发明的融合后的特征输入状态识别分支后，依次经过多头注意力层，每个注意力关注负荷特征的不同部分，实现对重要负荷特征的筛选，提高负荷分解性能。
附图说明
图1为本发明的流程图；
图2为本发明的模型结构图；
图3为金字塔池化结构示意图；
图4为多头自注意力机制的结构示意图；
图5为基于多任务学习的负荷分解结果示意图；
图6为本申请实施例的非侵入式负荷分解系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提出一种基于多任务学习模型的非侵入式负荷监测方法和系统，方法的流程图如图1所示。
方法包括以下步骤：
S1、获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注；
S2、将S1的标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
S3、将多个分段的训练集并行输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；
S4、将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
S5、将真实的单个电器设备的功率序列与模型得到的单个电器设备的功率序列进行比较，根据比较的结果优化非侵入式负荷监测模型。
S1中，基于智能电表采集总功率数据、各用电设备的低频功率数据以及各个用电设备的运行状态(是否处于工作状态)。本发明采集的总功率数据为低频数据。
S2中，对S1的标注的数据进行预处理，针对数据中的异常值进行删除处理，然后对数据进行数据归一化，归一化处理的公式如下：
中x代表原始总功率或用电设备的功率数据，x′代表标准化或归一化后的数据，μ为原始总功率或用电设备的功率平均值，σ为标准差。接着采用滑动窗口的方式对数据进行处理，确定模型训练的输入和输出形式。
S3中，采用序列到序列的映射方式，监测模型采用多任务学习的思想，通过共享信息和知识，使得多个任务之间可以相互促进、互相学习，以提高各个任务的性能，负荷分解和状态识别两者其实是密切相关的，所以两个任务之间可以通过共享训练参数，提高模型性能。非侵入式负荷监测模型的结构图如图2所示。
将分段的训练集并行输入网络进行训练，设每个分段的总功率序列为：
Yt:t+w-1＝(yt,yt+1,...,yt+w-1)，
实际的用电设备功率序列为：
i代表设备的序号，t表示当前时刻，w代表滑动窗口的大小。用/>来表示第i个设备的开关状态序列。
输入总功率序列后，负荷分解分支映射输出功率预测值状态识别分支映射输出电器设备的开关状态概率序列/>最终的功率预测值与开关状态概率相联系，结果为两个任务网络的输出相乘，表达式如下：
代表最终功率预测值，ε代表逐元素相乘。
非侵入式负荷监测模型中，分为特征提取，特征融合和特征映射3个部分。特征提取部分由4个一维卷积块和最大池化层(MaxPooling1D)组成。每个卷积块包含一维卷积(Conv1D)、激活函数RELU、BN层以及Dropout 4个模块。除了第四个卷积块外每个卷积块后面添加一个最大池化层。
特征融合部分采用金字塔池化模块进行特征融合，金字塔池化为并行多分支结构，如图3所示，模块由4个池化块构成，合并了四种不同尺度下的负荷特征。每个池化块由平均池化层(AveragePooling1D)、一维卷积、激活函数RELU、BN层、上采样层(Upsampling1D)以及dropout组成。特征提取部分产生的输出经过不同池化块中的平均池化层转变为不同大小的负荷特征图。再经过一维卷积(Conv1D)和上采样(Upsampling1D)将这不同大小的特征图转变为4个尺寸大小都相同的特征图。最后将这4个特征图和特征提取部分的输出在通道维度进行拼接，将局部和全局信息融合到一起，得到最终的负荷特征图。
特征映射模块由多头自注意力机制(MHSA)、一维转置卷积(Conv1DTranspose)和一个一维卷积层(Conv1D)构成。引入多头自注意力机制，每个注意力关注负荷特征的不同部分，将多个注意力输出再进行拼接，实现对重要负荷特征的筛选，提高负荷分解性能特征映射。输入的序列元素被看作<Key，Value>键值对的形式，根据给定目标中的查询值Query计算Key与Query之间的相似系数，可以得到Value值对应的权重系数，之后再用权重系数对Value值进行加权求和,即可得到输出，自注意力计算过程如下：
其中dk为K的维度；
为缩放因子。
多头的本质是多个独立的attention计算，如图4所示，每个注意力关注输入信息的不同部分，计算过程如下：
MultiHead(Q,K,V)＝Concat(head1,...,headh)Wo
headi＝Attention(QWi Q,KWi K,VWi V)
其中变换矩阵WO、Wi Q、Wi K、Wi V均是网络中可学习的参数。
对基于多任务学习的检测网络进行训练时，训练集输入特征提取层，特征提取层提取出第一特征，将第一特征输入特征融合层，得到融合后的特征，将融合后的特征同时输入负荷分解分支和状态识别分支中，基于负荷分解分支输出的单个电器设备的第一功率序列计算第一损失函数，基于状态识别分支输出的第一电器运行状态概率序列计算第二损失函数，循环迭代计算，得到训练完成的非侵入式负荷监测模型。
训练集输入特征提取层，特征提取层提取出第一特征的具体步骤为：
训练集输入特征提取层，依次经过四组特征提取组，每个特征提取组包括一个一维卷积块和一个最大池化层，每个一维卷积块包括一维卷积、激活函数RELU、正则化层和随机失活层。
将第一特征输入特征融合层，得到融合后的特征的具体步骤为：
特征融合层包括并行的四个池化块，第一特征同时输入四个池化块中，得到的四个输出在通过连接函数连接第一特征，得到融合后的特征，
第一特征同时输入四个池化块中，得到四个输出的步骤为：
第一特征依次进入一个池化块中的平均池化层、一维卷积层、激活函数层、批量归一化层、上采样层和随机失活层；
其中，四个池化块的平均池化层输出的特征图的尺寸互不相同，互不相同的特征图经过一维卷积层和上采样层后，最终的四个输出的特征图的尺寸相同。
将融合后的特征输入负荷分解分支后，负荷分解分支输出单个电器设备的第一功率序列，其中，融合后的特征输入负荷分解分支后，依次经过多头注意力层、转置卷积层、一维卷积层和全连接层，最终负荷分解分支输出第一功率序列。
将融合后的特征输入状态识别分支后，状态识别分支输出第一电器运行状态概率序列，其中，融合后的特征输入状态识别分支后，依次经过多头注意力层、转置卷积层、一维卷积层和Sigmid激活层，最终输出第一电器运行状态概率序列。
网络的损失函数为第一损失函数Lout和第二损失函数Lclass之和，其中第一损失函数为均方误差损失函数，第二损失函数为二元交叉熵损失函数。
同时，训练时，加入早停机制，监控损失，最终保存最佳模型。
S4和S5这，将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型进行监测，将功率分解值和真实值进行比较，计算误差并对模型进行评估。
本发明中，训练数据集可以为UK-DALE和REDD的数据集。
对UK-DALE数据集中未参与训练的家庭测试结果如图5所示，图5中实线为实验电器原始功率时间曲线，虚线为本发明方法的分解值。从趋势图可看出，本发明的方法能够很好地完成负荷分解任务。
本发明还提出一种基于多任务学习模型的非侵入式负荷监测系统，系统包括序列预处理模块、模型训练模块、实际检测模块和模型优化模块，系统的结构如图6所示。
序列预处理模块用于获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注，将标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
模型训练模块用于将训练集输入基于多任务学习的检测网络，得到非侵入式负荷监测模型。
实际检测模块用于将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
模型优化模块用于将真实的单个电器设备的功率序列以及真实的电器运行状态概率序列与模型得到的单个电器设备的功率序列以及模型得到的电器运行状态概率序列进行比较，根据比较的结果优化非侵入式负荷监测模型；
其中，模型训练模块中的非侵入式负荷监测模型包括特征提取模块、特征融合模块和特征映射模块。
特征提取模块，使用由卷积和批量归一化组成的卷积块对输入的滑动窗口总功率序列进行负荷特征提取；
特征融合模块，将特征提取模块的结果从多个尺度进行负荷特征分析，再进行融合；
特征映射模块，包含两个分支，一个分支输出电气设备的功率分解序列，另一个输出电气设备的开关状态概率序列。
本发明对采集的功率数据进行训练集和测试集划分并对数据进行预处理，对数据中出现的异常值进行过滤然后进行数据归一化，接着进行滑动窗口分段；模型的输入为房屋的总功率序列样本，输出为单个电器设备的功率序列以及电器运行状态概率序列；基于划分好的训练样本数据训练负荷分解模型；训练结束后，将实际的总功率数据送入训练好的负荷分解模型，运算输出得到各电气设备的功率分解序列。与单任务学习相比，同时学习负荷分解和状态识别任务可以提高模型的性能。此外，使用金字塔池化模块从不同尺度进行负荷特征分析并进行融合，提取出深层负荷序列特征，同时引入多头注意力，进一步提高了模型的分解性能以及泛化能力。与现有发明相比，本发明可以解决多状态设备难以分解的问题，进一步提高分解精度。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，方法包括：
S1、获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注；
S2、将S1的标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
S3、将多个分段的训练集并行输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；
S4、将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列/>计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
S5、将真实的单个电器设备的功率序列与模型得到的单个电器设备的功率序列进行比较，根据比较的结果优化非侵入式负荷监测模型。
2.根据权利要求1所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，S3的具体步骤为：
训练集输入特征提取层，特征提取层提取出第一特征，将第一特征输入特征融合层，得到融合后的特征，将融合后的特征同时输入负荷分解分支和状态识别分支中，基于负荷分解分支输出的单个电器设备的第一功率序列计算第一损失函数，基于状态识别分支输出的第一电器运行状态概率序列计算第二损失函数，循环迭代计算，得到训练完成的非侵入式负荷监测模型。
3.根据权利要求2所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，训练集输入特征提取层，特征提取层提取出第一特征的具体步骤为：
训练集输入特征提取层，依次经过四组特征提取组，每个特征提取组包括一个一维卷积块和一个最大池化层，每个一维卷积块包括一维卷积、激活函数RELU、正则化层和随机失活层。
4.根据权利要求2所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，将第一特征输入特征融合层，得到融合后的特征的具体步骤为：
特征融合层包括并行的四个池化块，第一特征同时输入四个池化块中，得到的四个输出在通过连接函数连接第一特征，得到融合后的特征，
第一特征同时输入四个池化块中，得到四个输出的步骤为：
第一特征依次进入一个池化块中的平均池化层、一维卷积层、激活函数层、批量归一化层、上采样层和随机失活层；
其中，四个池化块的平均池化层输出的特征图的尺寸互不相同，互不相同的特征图经过一维卷积层和上采样层后，最终的四个输出的特征图的尺寸相同。
5.根据权利要求2所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，将融合后的特征输入负荷分解分支后，负荷分解分支输出单个电器设备的第一功率序列，其中，融合后的特征输入负荷分解分支后，依次经过多头注意力层、转置卷积层、一维卷积层和全连接层，最终负荷分解分支输出第一功率序列。
6.根据权利要求2所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，将融合后的特征输入状态识别分支后，状态识别分支输出第一电器运行状态概率序列，其中，融合后的特征输入状态识别分支后，依次经过多头注意力层、转置卷积层、一维卷积层和Sigmid激活层，最终输出第一电器运行状态概率序列。
7.根据权利要求2所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，损失函数为第一损失函数和第二损失函数之和，其中第一损失函数为均方误差损失函数，第二损失函数为二元交叉熵损失函数。
8.根据权利要求5或6所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，多头注意力层的输出为：
MultiHead(Q,K,V)＝Concat(head1,...,headh)Wo
headi＝Attention(QWi Q,KWi K,VWi V)
其中，dk为K的维度；Q表示查询值，K表示键，V表示值，变换矩阵WO、Wi Q、Wi K、Wi V、WQ、WK、WV均是网络中可学习的参数，x表示多头注意力层的输入。
9.根据权利要求1所述的一种基于多任务学习模型的非侵入式负荷监测方法，其特征在于，将S1的数据进行预处理的具体步骤为：对数据中出现的异常值进行删除，然后进行数据归一化。
10.一种基于多任务学习模型的非侵入式负荷监测系统，其特征在于，系统包括序列预处理模块、模型训练模块、实际检测模块和模型优化模块，
序列预处理模块用于获取用于训练的居民用户房屋的总功率数据，对总功率数据进行各用电设备的低频功率数据的标注和各用电设备的运行状态的标注，将标注后的数据进行预处理，然后对预处理后的数据进行滑动窗口分段，组成多个分段的训练集；
模型训练模块用于将训练集输入基于多任务学习的检测网络，得到非侵入式负荷监测模型；
实际检测模块用于将实际的居民用户房屋的总功率数据输入非侵入式负荷监测模型，得到单个电器设备的功率序列以及电器运行状态概率序列计算并输出单个电器设备的功率序列和电器运行状态概率序列的乘积，其中t表示t时刻，i表示设备的序号，w表示滑动窗口的大小；
模型优化模块用于将真实的单个电器设备的功率序列以及真实的电器运行状态概率序列与模型得到的单个电器设备的功率序列以及模型得到的电器运行状态概率序列进行比较，根据比较的结果优化非侵入式负荷监测模型；
其中，模型训练模块中的非侵入式负荷监测模型包括特征提取模块、特征融合模块和特征映射模块。
CN202311280310.9A 2023-09-28 2023-09-28 一种基于多任务学习模型的非侵入式负荷监测方法和系统 Pending CN117272230A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311280310.9A CN117272230A (zh) 2023-09-28 2023-09-28 一种基于多任务学习模型的非侵入式负荷监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311280310.9A CN117272230A (zh) 2023-09-28 2023-09-28 一种基于多任务学习模型的非侵入式负荷监测方法和系统

Publications (1)

Publication Number Publication Date
CN117272230A true CN117272230A (zh) 2023-12-22

Family

ID=89210158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311280310.9A Pending CN117272230A (zh) 2023-09-28 2023-09-28 一种基于多任务学习模型的非侵入式负荷监测方法和系统

Country Status (1)

Country Link
CN (1) CN117272230A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559450A (zh) * 2024-01-12 2024-02-13 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法
CN118277893A (zh) * 2024-06-03 2024-07-02 国网辽宁省电力有限公司信息通信分公司 基于非侵入式监测的多元关联发电设备能量状态识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559450A (zh) * 2024-01-12 2024-02-13 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法
CN117559450B (zh) * 2024-01-12 2024-03-29 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法
CN118277893A (zh) * 2024-06-03 2024-07-02 国网辽宁省电力有限公司信息通信分公司 基于非侵入式监测的多元关联发电设备能量状态识别方法

Similar Documents

Publication Publication Date Title
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN117272230A (zh) 一种基于多任务学习模型的非侵入式负荷监测方法和系统
CN113393025A (zh) 一种基于Informer模型编码结构的非侵入式负荷分解方法
CN112215405A (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN111060838A (zh) 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法
CN114638256B (zh) 基于声波信号及注意力网络的变压器故障检测方法及其系统
Kang et al. Adaptive non-intrusive load monitoring based on feature fusion
CN109596942A (zh) 一种基于深度置信网络的电压暂降原因识别方法
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
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN113033678A (zh) 一种基于自适应对抗网络的锂电池组故障诊断方法
CN114201989A (zh) 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法
CN113902102A (zh) 一种基于seq2seq的非侵入式负荷分解方法
CN113327008A (zh) 一种基于时序自动编码器的窃电检测方法、系统及介质
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
CN117951577A (zh) 一种虚拟电厂能源状态感知方法
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
CN114519293A (zh) 基于小样本机器学习模型的电缆本体故障识别方法
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法
CN117909720A (zh) 一种基于多输入分布式非侵入式负荷分解方法
CN117421638A (zh) 负荷监控网络模型的构建方法、负荷监控方法及系统
Paul et al. An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network

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