CN117407693A - 基于部分域自适应和分位数回归的非侵入式负荷检测方法 - Google Patents
基于部分域自适应和分位数回归的非侵入式负荷检测方法 Download PDFInfo
- Publication number
- CN117407693A CN117407693A CN202311361294.6A CN202311361294A CN117407693A CN 117407693 A CN117407693 A CN 117407693A CN 202311361294 A CN202311361294 A CN 202311361294A CN 117407693 A CN117407693 A CN 117407693A
- Authority
- CN
- China
- Prior art keywords
- sample
- domain
- target
- source domain
- load
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000005406 washing Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/213—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
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06N3/09—Supervised 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，收集电器设备时间和功率信息作为总体样本，并分为源域样本和目标域样本，联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，特征提取层提取样本的空间特征和时间特征；特征对齐层将源域特征和目标域特征对齐消除差异，负荷分解层实现负荷分解。本发明利用源域和目标域间电器能耗的特征分布差异以及目标域的无标签数据，充分考虑跨域电器类别的差异和对多个电器进行分解，本发明首次引入部分域自适应策略，突破对电器类别的约束，从而实现了无监督的多目标回归的非侵入式负荷监测。
Description
技术领域
本发明涉及非侵入式负荷监测技术，具体涉及一种基于部分域自适应和分位数回归的非侵入式负荷检测方法。
背景技术
非侵入式负荷监测(Non-intrusive Load Monitoring，NILM)为通过整体负荷数据，分解并识别单个电器设备的运行状态的技术。此技术在节能排放、绿色电网发展和需求侧管理方面具有重要意义。由于NILM无需增加额外的传感器并具备经济和实用性，在智能电表逐渐普及的背景下得到了广大的研究和应用关注。传统的NILM技术主要依赖手动的特征提取，这不仅消耗大量时间，还易于产生错误。然而，随着深度神经网络(DNN)的崛起，NILM得到了重要的革新。DNN能自动从训练数据中提取关键特征，如Kelly在2015年所示，DNN在NILM上有着巨大的潜能，其性能优于其他技术。
尽管基于深度学习的NILM方法在负荷特征的自动提取方面展现出了出色的能力，但这种方法很大程度上假设数据是独立同分布的。考虑到电器品牌、气候条件、用户偏好等变量的存在，即便是同一类电器，其特征也可能大相径庭。这意味着一个在训练集上训练得很好的模型可能难以适应未曾见过的测试集。因此，如何提高NILM模型的泛化能力成为了一个研究热点。
之前的研究尝试通过利用大量设备的数据来训练，希望从中提取到一个通用特征，但这种方法数据需求大，效率低，并且不能有效地适应所有可能的场景。迁移学习中的微调策略可以部分解决这一问题，但仍然需要一定的标注数据，并且容易过拟合。
为解决上述问题，研究者们考虑到了基于领域自适应的NILM方法，这不仅促进了跨领域的知识迁移，还降低了因特征变化带来的限制。但是，传统的领域自适应方法有一个重要的局限性：它要求各个不同域的设备种类必须完全一致，在NILM中，通常将一个域视为一个家庭，显然，要求每个目标家庭都有同样的电器并不现实。
例如，专利CN113902104A公开一种联合无监督域自适应策略与注意力机制的非侵入式负荷监测方法，属于现有传统的域自适应方法，适用于源域和目标域电器类别相同的场景。但在实际应用中，源域和目标域的电器类别可能存在差异。当两者类别不一致时，非共有类的样本可能会干扰分布对齐过程。
例如，专利CN114444374A公开一种基于相似性度量的多源到多目标域自适应的方法，通过使用源域的标签和目标域的伪标签来计算权重。但负荷分解任务属于回归任务，不能仅仅依赖标签来计算权重。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，利用源域和目标域间电器能耗的特征分布差异以及目标域的无标签数据，充分考虑跨域电器类别的差异和对多个电器进行分解，本发明首次引入部分域自适应策略，突破对电器类别的约束，从而实现了监督的多目标回归的非侵入式负荷监测。
技术方案：本发明的一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，包括以下步骤：
步骤S1、首先利用低频功率智能电表收集各电器设备的时间和功率信息作为总体样本，将总体样本分为源域样本(源域样本带有标签，即包含单个设备功率数据)和目标域样本(目标域样本不带有标签，即不包含单个设备功率数据)；然后分别对源域样本和目标域样本中的数据进行预处理；
步骤S2、联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，将步骤S1预处理后的样本数据作为负荷分解网络模型的输入数据，所述负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，具体过程如下：
步骤S2.1、特征提取层提取各个样本的空间特征和时间特征；
对于输入的样本数据，特征提取层分别将源域样本xs∈Xs和目标域样本xt∈Xt别映射到高级表达矩阵中，得到源域样本特征向量/>和目标域样本特征向量/>
步骤S2.2、将步骤S2.1所得源域特征和目标域特征/>输入至特征对齐层，所述特征对齐层包括两个全连接层，激活函数为relu()；
首先，创建开关状态矩阵bs(通过开关状态矩阵帮助确定源域样本的权重)，特征对齐层为每个源域电器的功率设定阈值，开关状态矩阵bs中对应的大于阈值的元素，赋值为1，反之则赋值为0；
然后，针对源域样本特征向量和目标域样本特征向量/>对每个源域样本计算权重以降低离群类的影响：计算源域和目标域的高斯核矩阵A，/> 矩阵A中第i行第j列元素aij表示来自源域和目标域的一对样本之间的相似性；
第i个源域样本权重的计算公式为：/>
第j个目标域样本赋予相同的权重
nt分别代表目标域样本数量，ns代表源域样本数量，Cs代表源域电器类别数，代表开关状态矩阵bs的第i行第k列个元素，γ表示带宽；
步骤S2.3、对步骤S2.1所得源域样本特征向量和目标域样本特征向量计算其加权MMD距离，衡量在减少源域离群类的影响后，两域的特征分布差异，计算公式为：/>
上式中，为目标域样本权重、/>为源域的第i个源域样本、/>为目标域的第j个目标域样本，/>表示一个具有半径为1的再生核希尔伯特空间(RKHS)；
步骤S2.4、在负荷分解层的最后一个全连接层上预测单个电器设备的功率消耗，实现负荷分解，方法为：将该电器设备的总负荷(例如整个家庭的总电力使用)分解为单个设备或家电的功率；本发明的负荷分解层包括两个全连接层；
步骤S3、计算负荷分解网络模型的总损失，具体步骤如下，
步骤S3.1、采用负荷分解网络模型同时对多个目标电器做回归任务，采用分位数回归来完成这里的多目标回归任务，分位数回归公式如下：
上式中，i表示电器设备的时间，即某一时间段或时刻，取值范围是1到T，j表示电器设备的索引，即特定的电器设备，取值范围是1到N；T和N分别表示电器的时间步长(采样后的时间点数量，例如，如果每分钟收集一次数据，那么T可能为1440，因为一天有1440分钟)和数量；yn(t)τn和yn(t)分别表示第n个电器在t时刻的预测功耗值和实际功耗值；
步骤S3.2、负荷分解网络模型的损失函数loss为多目标回归损失和域适应损失LWMMD之和，损失函数loss的计算公式为：/>
通过超参数λ来调节分配给每个损失的权重；
步骤S4、使用步骤S1预处理后的样本数据对负荷分解网络模型进行训练和测试，并评估负荷分解性能，其中采用adam优化器训练模型，并采用平均绝对值误差MAE和信号聚合误差SAE这两项指标作为评价标准。
进一步地，所述步骤S1中预处理操作包括去噪处理、归一化处理、窗口处理，具体方法如下：
去噪处理是指将读取到的缺失值替换为0；
归一化处理是指对总体样本的数据X减去均值μ并除以方差σ，其表达式如公式(1)所示，
窗口处理是指使用滑动窗口方法，固定输入窗口长度为100，步长为50，即每隔50个样本，取一个长度为100的样本窗口，从而得到多个输入窗口数据段。
进一步地，所述步骤S2.1中的特征提取层包括两个一维卷积层和两个GRU层，卷积层提取空间特征提取，GRU层提取时间特征提取，卷积层滤波器数量为16和32，核大小均为3；本发明使用一维卷积进行特征的滤波和抽取，卷积层提取出与滤波器相对应的空间模式或模式序列，并将这些模式视为数据中的局部空间特征。GRU层的隐藏层大小为64和256，GRU层提取出对应样本中的时间依赖性或顺序信息，这些信息代表样本数据的时间进展和其动态变化。
有益效果：与现有技术相比，本发明具有以下优点：
1、提高泛化能力。现有深度学习NILM方法强假设数据必须是独立同分布的，但因多种原因(如电器品牌、天气、用户偏好等)即使是同类电器的特征也会差异较大。本发明通过特征对齐层的有效特征提取以及计算WMMD，基于部分域自适应方法进行NILM模型训练，克服原有对跨域电器类别的限制，提高了模型的泛化能力。
2、减少标记数据需求。现有基于领域自适应的NILM方法都要求跨域设备类别必须一致，增加数据标记的需求和复杂性。而本发明通过负荷分解网络模型减轻特征变化所造成的限制和对大量标记数据的需求。
3、提高特征提取效率。本发明结合DNN，卷积神经网络(CNN)和门控递归单元(GRU)作为特征提取器，有效地提取时间和空间特征，从而更准确地评估这些提取的特征的分布差异。
4、提高模型转移性和精度。本发明通过结合加权最大均值差异(WMMD)并引入新的加权方法，使用高斯核矩阵有效地处理离群类，技术的集成进一步提高了模型在负荷分解中的可转移性和精度。
5、同时分解多个电器。本发明利用多目标回归策略，模型可以同时分解多个电器，增加了其应用范围。
附图说明
图1为本发明的整体流程图；
图2为本发明中负荷分解网络模型结构示意图；
图3为实施例中的负荷分解结果图，其中图3(a)为冰箱的负荷分解结果图，图3(b)为水壶的负荷分解结果图，图3(c)为洗衣机的负荷分解结果图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，包括以下步骤：
S1、首先利用低频功率智能电表收集各电器设备的时间和功率信息作为总体样本，将总体样本分为源域样本xs∈Xs和目标域样本xt∈Xt；然后分别对源域样本和目标域样本中的数据进行预处理；
步骤S2、联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，将步骤S1预处理后的样本数据作为负荷分解网络模型的输入数据，所述负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，具体过程如下：
步骤S2.1、特征提取层提取各个样本的空间特征和时间特征；
对于输入的样本数据，特征提取层分别将源域样本xs∈Xs和目标域样本xt∈Xt别映射到高级表达矩阵中，得到源域样本特征向量/>和目标域样本特征向量/>
步骤S2.2、将步骤S2.1所得源域特征和目标域特征/>输入至特征对齐层，所述特征对齐层包括两个全连接层，激活函数为relu()；
首先，创建开关状态矩阵bs，特征对齐层为每个源域电器的功率设定阈值，开关状态矩阵bs中对应的大于阈值的元素，赋值为1，反之则赋值为0；
然后，针对源域样本特征向量和目标域样本特征向量/>对每个源域样本计算权重，计算源域和目标域的高斯核矩阵A，/>矩阵A中第i行第j列元素aij表示来自源域和目标域的一对样本之间的相似性；
第i个源域样本权重计算公式为：
第j个目标域样本赋予相同权重
nt分别代表目标域样本数量，ns代表源域样本数量，Cs代表源域电器类别数，代表开关状态矩阵bs的第i行第k列个元素，γ表示带宽；
步骤S2.3、对步骤S2.1所得源域样本特征向量和目标域样本特征向量计算其加权MMD距离计算公式为：/>
上式中，为目标域样本权重、/>为源域的第i个源域样本、/>为目标域的第j个目标域样本，/>表示一个具有半径为1的再生核希尔伯特空间(RKHS)；
步骤S2.4、在最后一个全连接层上预测单个电器设备的功率消耗，实现负荷分解，方法为：将该电气设备的总负荷分解为单个设备或家电的功率；
步骤S3、计算负荷分解网络模型的总损失，具体步骤如下，
步骤S3.1、采用负荷分解网络模型同时对多个目标电器做回归任务，采用分位数回归来完成这里的多目标回归任务，分位数回归公式如下：
上式中，i表示电器设备的时间，即某一时间段或时刻，取值范围是1到T，j表示电器设备的索引，即特定的电器设备，取值范围是1到N；T和N分别表示电器的时间步长和数量；yn(t)τn和yn(t)分别表示第n个电器在t时刻的预测功耗值和实际功耗值；
步骤S3.2、负荷分解网络模型的损失函数loss为多目标回归损失Lρτ和域适应损失LWMMD之和，损失函数loss的计算公式为：
通过超参数λ来调节分配给每个损失的权重；
步骤S4、使用步骤S1预处理后的样本数据对负荷分解网络模型进行训练和测试，并评估负荷分解性能，其中采用adam优化器训练模型，并采用平均绝对值误差MAE和信号聚合误差SAE这两项指标作为评价标准。
上述基于部分域自适应和分位数回归的非侵入式负荷检测方法，通过给非共有类分配较小的权重，从而降低其对分布对齐的干扰；同时还提出一种专为回归任务设计的加权方法，该加权方法通过利用高斯核函数计算源域与目标域之间的相似度矩阵来进行权重分配。
实施例
为便于直观了解本发明技术方案，本实施例对冰箱、水壶、洗衣机三类跨域电器设备进行非侵入式负荷检测，过程如下：
步骤1、数据预处理：
首先，通过与智能电表的接口来收集整个电器设备的整体负荷数据。数据收集后，进行噪声过滤和规范化，确保数据质量和一致性。
步骤2、特征提取：
利用深度神经网络(DNN)结合卷积神经网络(CNN)和门控递归单元(GRU)进行特征提取；其中CNN负责提取电力信号的短期模式和特点，GRU帮助捕捉长期依赖关系和模式。
步骤3、域自适应策略：
本实施例的部分域自适应策略，考虑目标领域中的设备种类作为源领域设备种类的子集，使用加权最大均值差异(WMMD)进行领域对齐，以高斯核矩阵为基础计算每个样本的权重，以确保在迁移过程中的效率和准确性。
步骤4、负荷分解与多目标回归：
利用分解得到的特征，结合多目标回归策略，同时预测多个电器的工作状态。这样，模型可以在一个预测步骤中为多个电器提供状态信息，提高效率。
如图3和表1所示，在源域有冰箱、微波炉、水壶、洗碗机和洗衣机，目标域有冰箱、水壶、洗衣机的情况下，本发明的负荷分解网络模型同时分解目标域的三个电器设备，并且都取得了很好的结果。
表1对比实验及消融实验结果
上表中平均绝对值误差MAE和信号聚合误差SAE这两项指标作为评价标准(越小越好)，在源域有冰箱、洗衣机、微波炉、水壶、洗碗机这五个设备的情况下，对只有冰箱、洗衣机、水壶这三个设备的目标域做非侵入式负荷检测，对比实验中为UnetNilm、SeqPoint、TL—NILM，DA(-)表示本发明不添加任何域自适应方法，DA(+)表示本发明只添加传统域自适应方法，,这里的U表示UKDALE数据集，R表示REFIT数据集，U1→U2表示将在UKDALE数据集上的第一个房子训练的模型迁移到第二个房子。表1中加粗数据表示同组实验中表现最好的数据，本发明的表现普遍更好。
图3中的总功率即整个房屋的总功率，电器功率即目标电器的真实运行功率，分解结果是经过本发明，将目标电器功率从总功率中分解出来的功率；从图3可看出，本发明分解后的功率与电器功率较为一致，说明本发明可以通过非侵入式的方法，较好的从总功率中分解出目标电器的运行情况。
步骤5、模型评估与优化：
利用验证数据集评估模型的性能。如果性能未达到预期，可以调整网络参数，例如学习率、批次大小等，或者考虑使用更复杂的网络结构。反复迭代此过程，直到模型达到满意的性能。
由上述实验结果能够看出，本发明创新性地将部分领域自适应策略应用于NILM模型的训练中，使得目标域中的设备类别被看作是源域设备类别的子集。本发明技术方案突破跨领域电器类别的限制，通过考虑部分领域自适应的负荷分解任务，并结合多目标回归策略，构建一个泛化能力强的负荷分解网络模型，该负荷分解网络模型可涵盖常见电器的信息，并将每个用户领域视为此模型的子集。
Claims (3)
1.一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，包括以下步骤：
步骤S1、首先利用低频功率智能电表收集各电器设备的时间和功率信息作为总体样本，将总体样本分为源域样本xs∈Xs和目标域样本xt∈Xt；然后分别对源域样本和目标域样本中的数据进行预处理；
步骤S2、联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，将步骤S1预处理后的样本数据作为负荷分解网络模型的输入数据，所述负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，具体过程如下：
步骤S2.1、特征提取层提取各个样本的空间特征和时间特征；
对于输入的样本数据，特征提取层分别将源域样本xs∈Xs和目标域样本xt∈Xt别映射到高级表达矩阵中，得到源域样本特征向量/>和目标域样本特征向量/>
步骤S2.2、将步骤S2.1所得源域特征和目标域特征/>输入至特征对齐层，所述特征对齐层包括两个全连接层，激活函数为relu()；
首先，创建开关状态矩阵bs，特征对齐层为每个源域电器的功率设定阈值，开关状态矩阵bs中对应的大于阈值的元素，赋值为1，反之则赋值为0；
然后，针对源域样本特征向量和目标域样本特征向量/>对每个源域样本计算权重，计算源域和目标域的高斯核矩阵A，/>矩阵A中第i行第j列元素aij表示来自源域和目标域的一对样本之间的相似性；
第i个源域样本权重计算公式为：
第j个目标域样本赋予相同权重
nt分别代表目标域样本数量，ns代表源域样本数量，Cs代表源域电器类别数，代表开关状态矩阵bs的第i行第k列个元素，γ表示带宽；
步骤S2.3、对步骤S2.1所得源域样本特征向量和目标域样本特征向量/>计算其加权MMD距离计算公式为：/>
上式中，为目标域样本权重、/>为源域的第i个源域样本、/>为目标域的第j个目标域样本，/>表示一个具有半径为1的再生核希尔伯特空间；
步骤S2.4、在负荷分解层的最后一个全连接层上预测单个电器设备的功率消耗，实现负荷分解，方法为：将该电气设备的总负荷分解为单个设备或家电的功率；
步骤S3、计算负荷分解网络模型的总损失，具体步骤如下，
步骤S3.1、采用负荷分解网络模型同时对多个目标电器做回归任务，采用分位数回归来完成这里的多目标回归任务，分位数回归公式如下：
上式中，i表示电器设备的时间，即某一时间段或时刻，取值范围是1到T，j表示电器设备的索引，即特定的电器设备，取值范围是1到N；T和N分别表示电器的时间步长和数量；yn(t)τn和yn(t)分别表示第n个电器在t时刻的预测功耗值和实际功耗值；
步骤S3.2、负荷分解网络模型的损失函数loss为多目标回归损失和域适应损失LWMMD之和，损失函数loss的计算公式为：/>
通过超参数λ来调节分配给每个损失的权重；
步骤S4、使用步骤S1预处理后的样本数据对负荷分解网络模型进行训练和测试，并评估负荷分解性能，其中采用adam优化器训练模型，并采用平均绝对值误差MAE和信号聚合误差SAE这两项指标作为评价标准。
2.根据权利要求1所述的基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，所述步骤S1中预处理操作包括去噪处理、归一化处理、窗口处理，具体方法如下：
去噪处理是指将读取到的缺失值替换为0；
归一化处理是指对总体样本的数据X减去均值μ并除以方差σ，其表达式如公式(1)所示，
窗口处理是指使用滑动窗口方法，固定输入窗口长度为100，步长为50，即每隔50个样本，取一个长度为100的样本窗口，从而得到多个输入窗口数据段。
3.根据权利要求1所述的基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，所述步骤S2.1中的特征提取层包括两个一维卷积层和两个GRU层，卷积层提取空间特征提取，GRU层提取时间特征提取，卷积层滤波器数量为16和32，核大小均为3；GRU层的隐藏层大小为64和256。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311361294.6A CN117407693B (zh) | 2023-10-20 | 2023-10-20 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311361294.6A CN117407693B (zh) | 2023-10-20 | 2023-10-20 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407693A true CN117407693A (zh) | 2024-01-16 |
| CN117407693B CN117407693B (zh) | 2024-05-24 |
Family
ID=89499492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311361294.6A Active CN117407693B (zh) | 2023-10-20 | 2023-10-20 | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407693B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
| CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 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 |
| CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 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 |
| CN114723040A (zh) * | 2022-03-10 | 2022-07-08 | 南京工程学院 | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 |
| CN114863175A (zh) * | 2022-05-10 | 2022-08-05 | 南京信息工程大学 | 一种无监督多源部分域适应图像分类方法 |
| CN116520772A (zh) * | 2023-05-24 | 2023-08-01 | 西安电子科技大学 | 基于多任务迁移学习的薄板零件数控加工质量预测方法 |
| CN116861306A (zh) * | 2023-06-20 | 2023-10-10 | 华中科技大学 | 一种基于用电趋势量化网络的异常用电检测方法 |
-
2023
- 2023-10-20 CN CN202311361294.6A patent/CN117407693B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
| CN112215405A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 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 |
| CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 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 |
| CN114723040A (zh) * | 2022-03-10 | 2022-07-08 | 南京工程学院 | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 |
| CN114863175A (zh) * | 2022-05-10 | 2022-08-05 | 南京信息工程大学 | 一种无监督多源部分域适应图像分类方法 |
| CN116520772A (zh) * | 2023-05-24 | 2023-08-01 | 西安电子科技大学 | 基于多任务迁移学习的薄板零件数控加工质量预测方法 |
| CN116861306A (zh) * | 2023-06-20 | 2023-10-10 | 华中科技大学 | 一种基于用电趋势量化网络的异常用电检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 牟柯昱 等: ""基于分位数回归的厂级自适应经济负荷分配"", 《热能动力工程》, vol. 36, no. 11, 30 November 2021 (2021-11-30), pages 164 - 172 * |
| 谭敏: ""智能电网用户用电行为分析及用电负荷概率密度预测"", 《工程科技Ⅱ辑》, 15 January 2021 (2021-01-15), pages 1 - 6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407693B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
| 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 | |
| CN110580502A (zh) | 基于高斯混合的因子隐马尔可夫负荷分解方法 | |
| Chi | Research on electricity consumption forecasting model based on wavelet transform and multi-layer LSTM model | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| Cao et al. | Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM | |
| CN111079989A (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN114723040A (zh) | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 | |
| Wang et al. | Energy data analytics for nonintrusive lighting asset monitoring and energy disaggregation | |
| CN113036759A (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| Humala et al. | UniversalNILM: A semi-supervised energy disaggregation framework using general appliance models | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN117407693B (zh) | 基于部分域自适应和分位数回归的非侵入式负荷检测方法 | |
| 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 | |
| CN115130830B (zh) | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 | |
| CN115423646A (zh) | 基于自监督学习的非侵入式负荷分解方法 | |
| Zheng et al. | Non-intrusive load monitoring based on the graph least squares reconstruction method | |
| Yuan et al. | A hybrid deep learning model for predicting PM2. 5 | |
| CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
| Cui et al. | Neural network with extended input for estimating electricity consumption using background-based data generation | |
| Liu et al. | Nonintrusive Load Disaggregation Combining with External Attention Mechanism and Seq2Piont | |
| CN111199014A (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
| Qian et al. | Low frequency residential load disaggregation via improved variational auto-encoder and Siamese 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 | ||
| GR01 | Patent grant |