CN117389971A - 一种云边实时协同的非介入式负荷监测系统及方法 - Google Patents
一种云边实时协同的非介入式负荷监测系统及方法 Download PDFInfo
- Publication number
- CN117389971A CN117389971A CN202311687488.5A CN202311687488A CN117389971A CN 117389971 A CN117389971 A CN 117389971A CN 202311687488 A CN202311687488 A CN 202311687488A CN 117389971 A CN117389971 A CN 117389971A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- cloud
- dictionary
- sampling
- 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 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 238000011084 recovery Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 14
- 230000002829 reductive effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000013144 data compression Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出了一种云边实时协同的非介入式负荷监测系统及方法,致力于降低协同延迟并提升运行速度,首先在边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;向云端传输压缩数据并且高斯随机矩阵定期更新;云端依据高斯矩阵和使用K‑SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;生成的恢复数据输入到深度学习模型中,得到识别结果;本发明基于压缩感知的数据压缩恢复算法与基于注意力机制与门控循环单元的数据识别算法,可实现负荷监测数据的边缘端‑云端实时传输以及保证精度下的实时识别,并通过仿真实验表明,本发明可以更好地部署在非介入式家庭电力负荷监测场景中。
Description
技术领域
本发明属于电力负荷监测技术领域,具体地,涉及一种云边实时协同的非介入式负荷监测系统及方法。
背景技术
随着我国经济社会的不断发展,居民消费用电量逐年攀升,对该部分用电量的精确监测有助于提高能源的调度效率,达到节约能源的目的。同时,对居民电力异常行为的监测可以排查居民家中设备的故障并提前采取防护措施,保障居民生命财产安全。故提升对居民用电行为的监测能力对我国能源安全与可持续发展具有重要意义。
负荷监测领域常见的检测方法分为介入式负荷检测方法与非介入式负荷检测方法。前者在所有用电器接入总线处部署负荷检测设备,各监测设备相互间独立工作。这一类方法具有较高的检测精度但是存在部署设备过程复杂在这一问题,导致其很难大规模应用于家庭电力监测场景。后者仅在总线处部署负荷监测设备并使用识别算法分析总线上聚合的电力数据,识别出该总线上的用电器状态。该类方法部署简单、成本低廉,适合在家庭场景中部署。
然而,该类方法的监测精度取决于识别算法性能,当前主流算法分为两类:基于机器学习的识别算法与基于深度学习的识别算法。目前基于传统机器学习方式设计的非介入式负荷数据识别算法在用电器类别数目较小的情况下具有良好的性能,但是随着用电器数量的增加,精度不断下降。深度学习技术使用训练好的模型识别非介入式负荷监测数据,得到当前时刻的总线上的用电器工作状态。相较于前者,深度学习设计的识别算法精度较高,但是为了提升识别精度,必须使用更为复杂的模型,对运行设备的性能提出了较高的要求。
此外,为了提升电力数据负荷监测精度,方便后续识别算法从负荷监测数据中分析识别出用电信息,边缘端往往使用较高的采样率对电力数据先进行采样。但是边缘端负荷监测设备的传输带宽有限,边缘端发送完整的电力负荷监测数据所需时间很长,导致数据的时效性降低。这会影响智能电网系统对未来电力需求预测与电力调度,降低电网的性能。目前针对于非介入式电力负荷数据的检测手段主要分为传统压缩方式和压缩感知方式。传统数据压缩方式主要分为两种,第一种方式使用压缩算法对原始负荷采样数据进行压缩,再发送压缩数据。该方式中压缩算法的基本原理为原始数据可以在某一个变换域内以很少的点表示;第二种方式只发送原始负荷采样数据中数据明显变化时刻的数据,减少所需发送的数据量,达到压缩数据的目的。压缩感知方式主要依靠压缩感知理论设计数据的压缩算法。目前智能电网系统中已经广泛应用压缩感知理论设计监测数据压缩恢复算法以减小电网间通信开销,但是传统字典对电力信号的恢复效果不好。
发明内容
综上所述,当前非介入式负荷监测算法存在识别模型复杂度高以及传输过程中耗时较长等问题,本发明提出了一种云边实时协同的非介入式负荷监测系统及方法,致力于降低协同延迟并提升运行速度,针对于识别模型复杂度问题,通过合理设计模型结构并对训练后模型剪枝,有效的降低了模型的复杂度;针对于传输过程的耗时问题,通过使用K-SVD算法训练出合适字典,有效的降低了传输过程数据量,减轻边缘端传输压力。
本发明通过以下技术方案实现:
一种云边实时协同的非介入式负荷监测方法:所述方法具体包括以下步骤:
步骤1,边缘端数据生成与采样:边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;
步骤2,向云端传输压缩数据:步骤1中所得压缩数据发送至云端,并在每次高斯矩阵更新后向云端发送此矩阵以更新云端矩阵参数;
步骤3,云端数据重构:云端依据高斯矩阵和使用K-SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;
步骤4,步骤3中生成的恢复数据输入到深度学习模型中,得到识别结果。
进一步地,在步骤1中,通过使用高斯随机矩阵进行采样,有效地减少数据量,同时保留原始数据的重要信息;
所述得到压缩数据的具体途径为:
对于滑动窗口长度为的输入信号/>,定期生成高斯随机采样矩阵/>发送至云端并利用如下公式对信号/>进行采样:
其中,为数据的随机抽样点数。
进一步地,在步骤2中压缩数据发送至云端的具体方式为:
若当前时刻系统未更新高斯随机采样矩阵,则得到压缩数据/>后直接将其发送至云端;
若系统已经更新高斯随机采样矩阵,则将采样矩阵/>和压缩数据/>一起发送至云端。
进一步地,在步骤3中,使用K-SVD算法和正交匹配追踪算法恢复数据;所述K-SVD算法训练的字典具体为:
步骤3.1, 输入初始字典和原始数据/>令计数单位/>;
步骤3.2, 使用任意匹配追踪算法得到原始数据的稀疏表达/>,即使用:
,其中/>为稀疏度限制值;
步骤3.3, 步骤3.2中可以表示为:
其中,为信号/>中第i个值,/>为/>中第i列;根据稀疏表达/>中的数值,选出/>中所有对应/>不为 0 的列/>,同时将所有不为0的/>下标i记录在集合/>中;构造零矩阵,将其中的对应位置(i,i),/>至1,/>定义为集合中元素个数;
步骤3.4,对字典所有列k=1,2,…K,依次计算表示误差/>;
其中, k为矩阵中第k列;
步骤3.5, 更新以得到新的表示误差;
步骤3.6,对进奇异值分解,得到/>,字典/>第/>列更新为/>第一列;同时更新/>为/>的第一行与/>的乘积,/>;其中/>矩阵为矩阵/>的所有特征向量,矩阵为矩阵/>的所有特征向量,/>为奇异值矩阵,可通过求解等式/>得出;
步骤3.7,重复步骤3.2至3.6直至满足迭代终止条件;
步骤3.8, 输出生成字典,/>。
进一步地,在步骤3中,云端数据重构具体为:云端接收到来自边缘端的压缩信号,并检查高斯随机测量矩阵是否更新;
随后使用最新的高斯随机测量矩阵与生成字典/>相乘得到稀疏字典,如下式所示:
其中生成字典使用K-SVD算法生成。
进一步地,在步骤3中,得到稀疏字典后使用正交匹配追踪算法得到信号的稀疏基;
(1) 输入压缩型号与测量矩阵、/>;
(2) 初始化残差并设空集/>,/>计数标志为/>;
(3) 计算内积,使用最小二乘法解出目标/>加入到/>,/>中,即,/>;
(4) 更新残差其中/>为/>中对应列坐标为/>的列组成的子矩阵;
(5) 重复(2)、(3) 至满足稀疏度限制或对应终止条件;
最后得到信号的恢复基,再次与字典/>相乘重构出恢复信号;
。
进一步地,在步骤4中,使用深度学习模型处理识别数据;所述深度学习模型训练过程如下:预训练过程中学习率设为0.001、选择Adam函数优化,训练至连续10轮训练精度差别小于设定阈值则停止;
微调过程使用恢复数据训练,该过程中依旧学习率设为0.001、选择Adam函数优化,训练至10轮训练精度差别小于设定阈值停止。
进一步地,所述系统包括边缘端数据生成与采样模块、传输模块、云端数据重构模块和识别模块;
所述边缘端数据生成与采样模块在边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;
所述传输模块向云端传输压缩数据:将边缘端采样模块中所得压缩数据发送至云端,并且高斯随机矩阵定期更新;
所述云端数据重构模块在云端依据高斯矩阵和使用K-SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;
所述识别模块将云端数据重构模块中生成的恢复数据输入到深度学习模型中,得到识别结果。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现上述方法的步骤。
本发明有益效果:
本发明通过在边缘端进行数据处理,可以减少传输到云端的数据量,降低网络负担,提高系统的实时性,同时也能在一定程度上保护数据隐私,因为不是所有的原始数据都需要传输到云端。在边缘端进行数据压缩和初步处理,然后将相对较小的压缩数据传输到云端进行进一步的处理和识别。这种边缘-云端协同的方法旨在保证数据精度的同时提高系统的效率。
本发明基于压缩感知的数据压缩恢复算法与基于注意力机制与门控循环单元的数据识别算法,可实现负荷监测数据的边缘端-云端实时传输以及保证精度下的实时识别,并通过仿真实验表明,本发明可以更好地部署在非介入式家庭电力负荷监测场景中。
附图说明
图1为本发明的总体设计方案示意图。
图2为本发明的K-SVD算法流程图。
图3为本发明的正交匹配追踪算法示意图。
图4为本发明的深度学习模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
结合图1至图4。
一种云边实时协同的非介入式负荷监测方法:本发明综合应用压缩感知、深度学习等算法有效降低边云传输压力同时提升识别精度。
所述方法具体包括以下步骤:
步骤1,边缘端数据生成与采样:边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;所述边缘端为能够产生负荷监测数据的地方,通常是接近物理设备或传感器的位置。这些设备可以是嵌入式系统、传感器、或其他智能设备。
在步骤1中,依据压缩感知原理对数据进行采样。具体而言,通过使用高斯随机矩阵进行采样,有效地减少数据量,同时保留原始数据的重要信息;
所述得到压缩数据的具体途径为:
对于滑动窗口长度为的输入信号/>,定期生成高斯随机采样矩阵/>发送至云端并利用如下公式对信号/>进行采样(若当前时刻高斯随机矩阵未更新,则使用前一时刻高斯采样矩阵):
其中,为数据的随机抽样点数。
本发明实施例中推荐滑动窗口长度为600-800左右,数据的随机抽样点数/>在50-85左右。采用该方法的优势在于该方式使用随机采样代替了传统方式中的采样、压缩这两个过程,有效的降低了程序的复杂度,提升了算法的实时性。
步骤2,向云端传输压缩数据:步骤1中所得压缩数据发送至云端,以减轻边缘端的通信负担;并在每次高斯矩阵更新后向云端发送此矩阵以更新云端矩阵参数,以适应负荷数据的变化和确保采样的多样性;
在步骤2中利用先前所述的压缩感知方案,降低了传输过程的数据量。边缘端与云端间的通信方式与通信协议可以根据实际情况自行选取,所述压缩数据发送至云端具体为:
若当前时刻系统未更新高斯随机采样矩阵,则得到压缩数据/>后直接将其发送至云端;
若系统已经更新高斯随机采样矩阵,则将采样矩阵/>和压缩数据/>一起发送至云端。
步骤3,云端数据重构:云端依据高斯矩阵和使用K-SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;
在步骤3中,使用K-SVD算法和正交匹配追踪算法恢复数据;所述K-SVD算法训练的字典具体为:
步骤3.1, 输入初始字典和原始数据/>令计数单位/>;
步骤3.2, 使用任意匹配追踪算法得到原始数据的稀疏表达/>,即使用:
,其中/>为稀疏度限制值;
步骤3.3, 步骤3.2中可以表示为:
其中,为信号/>中第i个值,/>为/>中第i列;根据稀疏表达/>中的数值,选出/>中所有对应/>不为 0 的列/>,同时将所有不为0的/>下标i记录在集合/>中;构造零矩阵,将其中的对应位置(i,i),/>至1,/>定义为集合中元素个数;
步骤3.4,对字典所有列k=1,2,…K,依次计算表示误差/>;
其中, k为矩阵中第k列;
步骤3.5, 更新以得到新的表示误差;
步骤3.6,对进奇异值分解,得到/>,字典/>第/>列更新为/>第一列;同时更新/>为/>的第一行与/>的乘积,/>;其中/>矩阵为矩阵/>的所有特征向量,矩阵为矩阵/>的所有特征向量,/>为奇异值矩阵,可通过求解等式/>得出;
步骤3.7,重复步骤3.2至3.6直至满足迭代终止条件;
步骤3.8, 输出生成字典,/>。
在使用K-SVD算法生成稀疏字典的过程中,初始字典的选取影响字典训练时间。使用者可以自行选择合适的初始字典以加快运行速度,初始字典对数据的表达能力越强,训练时间越短且训练精度越高。例如对本发明中使用的电力数据而言,在所有传统稀疏变换字典中,离散正弦变换对数据的表征较好,哈尔小波变换对数据峰值变化表征较好。因为上述两种变换方式对数据不同的特征有较好的表征能力,因此本发明使用二者之和作为初始字典进行训练,训练次数可根据实际情况选择。此外,对数据的归一化有助于提升训练速度。
在步骤3中,云端数据重构具体为:云端接收到来自边缘端的压缩信号,并检查高斯随机测量矩阵是否更新;
随后使用最新的高斯随机测量矩阵与生成字典/>相乘得到稀疏字典,如下式所示:
其中生成字典使用K-SVD算法生成;其优势在于使用算法训练出的字典对负荷数据的表征能力优于传统变换字典。
在步骤3中,得到稀疏字典后使用正交匹配追踪算法得到信号的稀疏基;
(1) 输入压缩型号与测量矩阵、/>;
(2) 初始化残差并设空集/>,/>计数标志为/>;
(3) 计算内积,使用最小二乘法解出目标/>加入到/>,/>中,即,/>;
(4) 更新残差其中/>为/>中对应列坐标为/>的列组成的子矩阵;
(5) 重复(2)、(3) 至满足稀疏度限制或对应终止条件;
最后得到信号的恢复基,再次与字典/>相乘重构出恢复信号;
。
步骤4,使用深度学习模型处理识别数据;将步骤3中生成的恢复数据输入到先前训练好的深度学习模型中,得到识别结果。
使用的训练好的模型结构如下:
(1)卷积层(建议序列长度为65,步长建议设置为1)
(2)门控循环单元(隐藏层64)
(3)自注意力机制层
(4)线性层
(5)线性层
卷积层采用一维卷积,如下式:
门控循环单元层学习时序特征,首先:
其中为sigmod函数,其定义为:
为拼接函数,将两个矩阵拼接在一起。
为双曲正切函数,其定义为:
定义为直积,即两个矩阵中元素直接相乘。
最后更新记忆状态,如下式所示:
得到的特征使用自监督机制处理,如下式:
其中,d可以根据实际情况进行调整。
线性层激活函数推荐使用LeaklyRelu函数。
该模型训练过程如下:预训练过程中学习率设为0.001、选择Adam函数优化,训练至连续10轮训练精度差别小于设定阈值(建议设置为5%)则停止。微调过程使用恢复数据训练,该过程中依旧学习率设为0.001、选择Adam函数优化,训练至10轮训练精度差别小于设定阈值(建议设置为5%)停止。此外,根据运行数据的均值、方差等对数据进行归一化可有效降低预训练时间。
通过仿真实验数据分析本发明所提出的一种轻量化远程非介入式家庭电力负荷监测方法对性能,仿真实验中采用的软件为PyCharm软件,PyTorch框架。
使用UK-DALE数据集进行测试,该数据集是由英国科学家凯利创建的用于研究识别的数据集,共包含5个房子的两年间的总线数据和负荷监测数据。包含16kHz的房间总电力高频采样数据和Hz的各电器用电器低频数据。由于UK-DALE。数据集中的聚合数据包含多种电器,其中冗余电器种类繁多,不便分析。为了方便研究,本发明选取出冰箱、电视、烤炉、微波炉和烘干机5种电器的数据进行融合并进行测试,测试结果如下表所示:
表1模型准确率对比表
其试验结果表明:针对于本文选用的5类电器,该模型识别精度优于LSTM、GRU以及MLP。说明本发明所提供的模型性能优于传统算法。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现上述方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器read only memory,ROM、可编程只读存储器programmable ROM,PROM、可擦除可编程只读存储器erasablePROM,EPROM、电可擦除可编程只读存储器electrically EPROM,EEPROM或闪存。易失性存储器可以是随机存取存储器random access memory,RAM,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM 可用,例如静态随机存取存储器static RAM,SRAM、动态随机存取存储器dynamic RAM,DRAM、同步动态随机存取存储器synchronous DRAM,SDRAM、双倍数据速率同步动态随机存取存储器double data rate SDRAM,DDR SDRAM、增强型同步动态随机存取存储器enhanced SDRAM,ESDRAM、同步连接动态随机存取存储器synchlink DRAM,SLDRAM和直接内存总线随机存取存储器direct rambus RAM,DR RAM。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线例如同轴电缆、光纤、数字用户线digital subscriber line,DSL或无线例如红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质例如,软盘、硬盘、磁带、光介质例如,高密度数字视频光盘digital video disc,DVD、或者半导体介质例如,固态硬盘solid state disc,SSD等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软 件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种云边实时协同的非介入式负荷监测系统及方法,进行了详细介绍,对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种云边实时协同的非介入式负荷监测方法,其特征在于:
所述方法具体包括以下步骤:
步骤1,边缘端数据生成与采样:边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;
步骤2,向云端传输压缩数据:步骤1中所得压缩数据发送至云端,并在每次高斯矩阵更新后向云端发送此矩阵以更新云端矩阵参数;
在步骤2中压缩数据发送至云端的具体方式为:
若当前时刻系统未更新高斯随机采样矩阵,则得到压缩数据/>后直接将其发送至云端;
若系统已经更新高斯随机采样矩阵,则将采样矩阵/>和压缩数据/>一起发送至云端;
步骤3,云端数据重构:云端依据高斯矩阵和使用K-SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;
步骤4,步骤3中生成的恢复数据输入到深度学习模型中,得到识别结果。
2.根据权利要求1所述监测方法,其特征在于:
在步骤1中,通过使用高斯随机矩阵进行采样,有效地减少数据量,同时保留原始数据的重要信息;
所述得到压缩数据的具体途径为:
对于滑动窗口长度为的输入信号/>,定期生成高斯随机采样矩阵/>发送至云端并利用如下公式对信号/>进行采样:
其中,为数据的随机抽样点数。
3.根据权利要求2所述监测方法,其特征在于:
在步骤3中,使用K-SVD算法和正交匹配追踪算法恢复数据;所述K-SVD算法训练的字典具体为:
步骤3.1, 输入初始字典和原始数据/>令计数单位/>;
步骤3.2, 使用任意匹配追踪算法得到原始数据的稀疏表达/>,即使用:
,其中/>为稀疏度限制值;
步骤3.3, 步骤3.2中可以表示为:
其中,为信号/>中第i个值,/>为/>中第i列;根据稀疏表达/>中的数值,选出/>中所有对应/>不为 0 的列/>,同时将所有不为0的/>下标i记录在集合/>中;构造零矩阵,将其中的对应位置(i,i),/>至1,/>定义为集合中元素个数;
步骤3.4,对字典所有列k=1,2,…K,依次计算表示误差 />;
其中, k为矩阵中第k列;
步骤3.5, 更新以得到新的表示误差 ;
步骤3.6,对进奇异值分解,得到/>,字典/>第/>列更新为/>第一列;同时更新/>为/>的第一行与/>的乘积,/>;其中/>矩阵为矩阵/>的所有特征向量,/>矩阵为矩阵/>的所有特征向量,/>为奇异值矩阵,可通过求解等式/>得出;
步骤3.7,重复步骤3.2至3.6直至满足迭代终止条件;
步骤3.8, 输出生成字典,/>。
4.根据权利要求3所述监测方法,其特征在于:
在步骤3中,云端数据重构具体为:云端接收到来自边缘端的压缩信号,并检查高斯随机测量矩阵是否更新;
随后使用最新的高斯随机测量矩阵与生成字典/>相乘得到稀疏字典/>,如下式所示:
其中生成字典使用K-SVD算法生成。
5.根据权利要求4所述监测方法,其特征在于:
在步骤3中,得到稀疏字典后使用正交匹配追踪算法得到信号的稀疏基;
(1) 输入压缩型号与测量矩阵、/>;
(2) 初始化残差并设空集/>,/>计数标志为/>;
(3) 计算内积,使用最小二乘法解出目标/>加入到/>,/>中,即/>,;
(4) 更新残差其中/>为/>中对应列坐标为/>的列组成的子矩阵;
(5) 重复(2)、(3) 至满足稀疏度限制或对应终止条件;
最后得到信号的恢复基,再次与字典/>相乘重构出恢复信号;
。
6.根据权利要求5所述监测方法,其特征在于:
在步骤4中,使用基于门控循环单元与自注意力机制相结合的深度学习模型处理识别数据;本文从大语言模型中提取出自监督机制并于传统循环神经网络进行结合,设计出本文所述深度学习模型有线性层、门控循环单元层、自注意力机制层组成;所述深度学习模型训练过程如下:预训练过程中学习率设为0.001、选择Adam函数优化,训练至连续10轮训练精度差别小于设定阈值则停止;
微调过程使用恢复数据训练,该过程中依旧学习率设为0.001、选择Adam函数优化,训练至10轮训练精度差别小于设定阈值停止。
7.一种云边实时协同的非介入式负荷监测系统,其特征在于:
所述系统包括边缘端数据生成与采样模块、传输模块、云端数据重构模块和识别模块;
所述边缘端数据生成与采样模块在边缘端定期生成高斯随机矩阵,并应用高斯随机矩阵采样负荷监测数据,以得到压缩数据;
所述传输模块向云端传输压缩数据:将边缘端采样模块中所得压缩数据发送至云端,并且高斯随机矩阵定期更新;
所述云端数据重构模块在云端依据高斯矩阵和使用K-SVD算法训练的字典,采用正交匹配追踪算法对压缩数据进行重构,得到恢复数据;
所述识别模块将云端数据重构模块中生成的恢复数据输入到深度学习模型中,得到识别结果。
8.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任意一项所述方法的步骤。
9.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至6中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687488.5A CN117389971A (zh) | 2023-12-11 | 2023-12-11 | 一种云边实时协同的非介入式负荷监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687488.5A CN117389971A (zh) | 2023-12-11 | 2023-12-11 | 一种云边实时协同的非介入式负荷监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117389971A true CN117389971A (zh) | 2024-01-12 |
Family
ID=89441340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311687488.5A Pending CN117389971A (zh) | 2023-12-11 | 2023-12-11 | 一种云边实时协同的非介入式负荷监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117389971A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
CN111751650A (zh) * | 2020-07-06 | 2020-10-09 | 重庆大学 | 非侵入式家庭用电设备在线监测系统与故障辨识方法 |
CN112788142A (zh) * | 2021-01-18 | 2021-05-11 | 四川中英智慧质量工程技术研究院有限公司 | 一种支持多传感器接入的智能边缘物联网关 |
CN115713434A (zh) * | 2022-11-07 | 2023-02-24 | 威胜集团有限公司 | 一种云边协同的用电负荷在线标定方法及装置 |
CN115827577A (zh) * | 2022-09-27 | 2023-03-21 | 天津大学 | 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 |
CN116859140A (zh) * | 2023-05-27 | 2023-10-10 | 吉林大学 | 基于云边协同的非侵入式负荷监测数据在线压缩感知方法 |
-
2023
- 2023-12-11 CN CN202311687488.5A patent/CN117389971A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
CN111751650A (zh) * | 2020-07-06 | 2020-10-09 | 重庆大学 | 非侵入式家庭用电设备在线监测系统与故障辨识方法 |
CN112788142A (zh) * | 2021-01-18 | 2021-05-11 | 四川中英智慧质量工程技术研究院有限公司 | 一种支持多传感器接入的智能边缘物联网关 |
CN115827577A (zh) * | 2022-09-27 | 2023-03-21 | 天津大学 | 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 |
CN115713434A (zh) * | 2022-11-07 | 2023-02-24 | 威胜集团有限公司 | 一种云边协同的用电负荷在线标定方法及装置 |
CN116859140A (zh) * | 2023-05-27 | 2023-10-10 | 吉林大学 | 基于云边协同的非侵入式负荷监测数据在线压缩感知方法 |
Non-Patent Citations (1)
Title |
---|
周求湛,冀泽宇,王聪,荣静: "基于在线压缩重构的非侵入式电力负荷监测", 吉林大学学报(工学版), pages 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pereira et al. | Unsupervised anomaly detection in energy time series data using variational recurrent autoencoders with attention | |
CN105827250A (zh) | 一种基于自适应字典学习的电能质量数据压缩重构方法 | |
US20230186101A1 (en) | Time series data adversarial sample generating method and system, electronic device, and storage medium | |
CN113408341B (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
CN108918930B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
Liu et al. | Power quality disturbances classification using compressive sensing and maximum likelihood | |
CN113762355B (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 | |
Kosana et al. | A novel hybrid framework for wind speed forecasting using autoencoder‐based convolutional long short‐term memory network | |
Grover et al. | A multi-head Convolutional Neural Network based non-intrusive load monitoring algorithm under dynamic grid voltage conditions | |
Tasnim et al. | Wind power prediction using cluster based ensemble regression | |
CN117389971A (zh) | 一种云边实时协同的非介入式负荷监测系统及方法 | |
CN112382293A (zh) | 一种电力物联网的智能语音交互方法及系统 | |
Liu et al. | A divide-and-conquer method for compression and reconstruction of smart meter data | |
Wei et al. | Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China | |
Li et al. | Monthly Mean Meteorological Temperature Prediction Based on VMD‐DSE and Volterra Adaptive Model | |
Alam et al. | Error-control truncated SVD technique for in-network data compression in wireless sensor networks | |
Fang et al. | Interval prediction of PV power based on double sample entropy framework and integrated bidomain decomposition deep learning | |
Tan et al. | Application of self-supervised learning in non-intrusive load monitoring | |
CN116854111B (zh) | 电子级六氟磷酸锂的纯化方法及其系统 | |
CN113887812B (zh) | 基于聚类的小样本负荷预测方法、装置、设备及存储介质 | |
Belguermi et al. | A multi-output LSTM-CNN learning scheme for power disaggregation within a NILM framework | |
CN117578428A (zh) | 风机功率递归预测方法、装置、计算机设备和存储介质 | |
CN117856229A (zh) | 一种基于时频信息融合的电力负荷预测方法、装置及设备 | |
CN116108382A (zh) | 一种压缩感知与ista的宽频振荡扰动源分级定位方法 | |
Christoforos et al. | On time series representations for multi-label NILM |
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 |