CN117421638A - 负荷监控网络模型的构建方法、负荷监控方法及系统 - Google Patents

负荷监控网络模型的构建方法、负荷监控方法及系统 Download PDF

Info

Publication number
CN117421638A
CN117421638A CN202311449233.5A CN202311449233A CN117421638A CN 117421638 A CN117421638 A CN 117421638A CN 202311449233 A CN202311449233 A CN 202311449233A CN 117421638 A CN117421638 A CN 117421638A
Authority
CN
China
Prior art keywords
load
model
sub
load monitoring
network model
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
CN202311449233.5A
Other languages
English (en)
Inventor
董志华
马亮
郭星
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.)
Data Space Research Institute
Original Assignee
Data Space Research Institute
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 Data Space Research Institute filed Critical Data Space Research Institute
Priority to CN202311449233.5A priority Critical patent/CN117421638A/zh
Publication of CN117421638A publication Critical patent/CN117421638A/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力监控技术领域，公开了负荷监控网络模型的构建方法、负荷监控方法及系统。该构建方法基于卷积神经网络搭建负荷识别子模型，多个卷积模块用于提取总功率窗口序列的短期模式特征；并基于Transformer搭建负荷分解子模型，多个Transformer模块用于提取总功率窗口序列的长期依赖特征；同时在负荷识别子模型和负荷分解子模型之间添加特征融合子模型；特征融合子模型用于先使用层归一化和批归一化分别短期模式特征和长期依赖特征进行处理，以消除语义差异；然后将处理后的特征通过跳跃连接进行相加，分别得到负荷识别任务和负荷分解任务各自的多尺度融合特征，进而得到目标电器的状态概率值和功率预测值。本发明提高了负荷识别和负荷分解的精度。

Description

负荷监控网络模型的构建方法、负荷监控方法及系统
技术领域
本发明涉及电力监控技术领域，具体是负荷监控网络模型的构建方法、负荷监控方法及系统。
背景技术
非侵入式负荷监控是一种从家庭总测量用电数据监测不同设备用电情况的技术。其可以实现细粒度的能源使用信息，而不依赖为每个电器安装单独的采集装置。该技术主要划分为两个重要的分支，一是从总测量负荷数据监测不同电器的能耗使用，二是从总测量数据中监测不同电器的使用状态。前者一般称之为负荷分解，后者称为负荷识别。
针对现有的负荷监控技术方案，一方面，多数方法将负荷分解和负荷识别进行剥离，即从总测量功率序列中监测不同电器的功率序列或者电器开关状态。虽然通过负荷分解方案获取的功率序列与电器真实的开关阈值进行比对可以得到电器的开关状态序列，但是其对电器开关的识别精度较差，这是由于负荷分解方案会产生很多零星的错误预测。另一方面，由于电器运行期间的功率轮廓特征具有短期模式特征和长期依赖特性，但是目前的方案对功率轮廓特征的提取较为单一，即不能同时对功率信号的不同尺度的特征进行建模。
对于上述第一方面，虽然目前已有基于深度学习的多任务模型来同时预测电器开关状态和功率序列的研究，然而这类方案使用相同的网络结构来进行执行不同的任务，没有充分发挥多任务模型在执行负荷监控任务的潜在应用价值。对于上述第二方面，虽然已有的方案通过不同网络结构来提取功率信号不同尺度的特征，但是其网络架构通常采用串行架构，其不能保证不同尺度特征的有效提取和保留。因此，如何提高负荷识别和负荷分解的精度，是目前电力监控领域亟待解决的问题。
发明内容
为了避免和克服现有技术中存在的技术问题，本发明提供了负荷监控网络模型的构建方法、负荷监控方法及系统，通过构建能够同时执行负荷分解和负荷识别任务的负荷监控网络模型，并且能够同时捕获功率信号不同尺度的特征，来增强对功率信号的表征学习，提高负荷识别和负荷分解的精度。
为实现上述目的，本发明提供如下技术方案：
本发明公开负荷监控网络模型的构建方法，包括以下步骤(1)～(5)。
(1)、基于卷积神经网络搭建负荷识别子模型；所述负荷识别子模型包括m个卷积模块；多个卷积模块堆叠设置并用于提取总功率窗口序列的短期模式特征；
(2)、基于Transformer搭建负荷分解子模型；所述负荷分解子模型包括n个Transformer模块；多个Transformer模块堆叠设置并用于提取总功率窗口序列的长期依赖特征；
(3)、在所述负荷识别子模型和所述负荷分解子模型之间添加特征融合子模型；所述特征融合子模型用于先使用层归一化和批归一化分别对短期模式特征和长期依赖特征进行处理，以消除语义差异；然后通过跳跃连接将提取到的短期模式特征与处理后的长期依赖特征进行相加，将提取到的长期依赖特征与处理后的短期模式特征进行相加，从而分别得到负荷识别任务和负荷分解任务各自的多尺度融合特征；
(4)、为所述负荷识别子模型搭建分类器，用于根据负荷识别任务的多尺度融合特征计算目标电器的状态概率值；
(5)、为所述负荷分解子模型搭建分解器，用于根据负荷分解任务的多尺度融合特征计算目标电器的功率预测值。
作为上述方案的进一步改进，步骤(3)中，负荷识别任务和负荷分解任务各自的多尺度融合特征分别如下：
式中，Fc表示负荷识别任务的多尺度融合特征；Ft表示负荷分解任务的多尺度融合特征；表示负荷识别子模型最后一个卷积模块的输出；/>表示负荷分解子模型最后一个Transformer模块的输出；LN表示层归一化处理；BN表示批归一化处理。
作为上述方案的进一步改进，步骤(4)和步骤(5)中，所述分解器采用一个全连接层将负荷分解任务的多尺度融合特征Ft映射到目标电器的功率预测值序列所述分类器采用一个全连接层以及sigmod函数将负荷识别任务的多尺度融合特征Fc映射到目标电器的状态概率值序列/>目标电器的功率预测值序列/>和状态概率值序列/>分别表示为：
式中，Wf、Bf、Ws和Bs表示可学习的线性参数矩阵；e为自然常数的底数。
作为上述方案的进一步改进，步骤(1)中，沿正向传播方向，每个卷积模块依次包括卷积层、Relu激活函数层和批归一化层。
作为上述方案的进一步改进，步骤(2)中，所述负荷分解子模型还包括编码层；所述编码层包括值编码单元和位置编码单元，所述值编码单元用于通过卷积计算将原始输入Xo映射到浅层的高维特征，所述位置编码单元用于在所述高维特征上添加相对位置编码以构成首个Transformer模块的输入Xemb，Xemb的表达公式为：
Xemb＝conv(Xo)+PE
式中，conv表示卷积计算；PE表示相对位置编码。
作为上述方案的进一步改进，每个Transformer模块由多头自注意层和前馈神经网络层组成；
其中，所述多头自注意层使用不同的线性变化将输入映射成三个不同的高维向量，分别为查询向量、键向量和值向量；
所述前馈神经网络层用于通过两个全连接层以及Relu激活函数将所述多头自注意层的输出先后进行升维和降维。
作为上述方案的进一步改进，步骤(1)中，所述卷积模块共设有五个，即m＝5；其中，五个卷积模块中的卷积层的滤波器数量分别为16、32、64、128、256，滤波器大小均设置为5，卷积操作的滑动步幅设置为1；
步骤(2)中，所述Transformer模块共设有三个，即n＝3；所述值编码单元采用滤波器数量为256、滤波器大小为5、滑动步幅为1的卷积计算，将原始输入从600*1映射到600*256的高维表示。
作为上述方案的进一步改进，采用MSE损失函数监督训练所述负荷识别子模型，采用BCE损失函数监督训练所述负荷分解子模型；其中，MSE损失函数和BCE损失函数计算出的损失Loss1和Loss2的表达公式分别如下：
式中，F表示一次迭代的样本点数量；yj和分别表示真实功率值和预测功率值，sj和/>分别表示电器开关状态和预测开启的概率。
本发明还公开基于深度学习的多任务非侵入式负荷监控方法，包括以下步骤：
S1.获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列；
S2.将总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值；
其中，负荷监控网络模型采用上述负荷监控网络模型的构建方法构建而成。
本发明还公开基于深度学习的多任务非侵入式负荷监控系统，包括：数据获取模块以及数据处理模块。
数据获取模块用于获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列；
数据处理模块用于将总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值；
其中，负荷监控网络模型采用上述负荷监控网络模型的构建方法构建而成。
与现有技术相比，本发明的有益效果是：
1、本发明构建的负荷监控网络模型，可以同时预测不同电器的能耗详情和开关状态，以满足不同的需求；并且巧妙地利用了多任务模型的特点，使用不同的网络结构来执行负荷分解和负荷识别任务，提取总功率窗口序列的短期模式特征和长期依赖特征，与此同时两个网络结构通过特征融合实现不同尺度的特征传递，从而增强了对功率信号的表征学习，促进了对功率信号不同尺度特征的学习能力。
该网络模型基于卷积神经网络和Transformer组成多任务并行架构，并行架构使得网络模型能够以最大的限度学习不同尺度的特征，特征传递融合使得模型能两个任务都能够捕获不同尺度的特征，从而相较于传统串行结构，本发明构建的模型保证了多尺度特征的有效提取和保留，提高负荷识别和负荷分解的精度。
2、本发明还公开了基于深度学习的多任务非侵入式负荷监控方法及系统，均采用上述方法构建的负荷监控网络模型对采集到的用电数据进行处理，从而提升了负荷监控的准确性。
附图说明
图1为本发明实施例1中负荷监控网络模型的构建方法的流程图。
图2为本发明实施例1中负荷监控网络模型的结构示意图。
图3为本发明实施例1中不同模型在UKDALE数据集上洗碗机上的负荷分解样本图。
图4为本发明实施例2中基于深度学习的多任务非侵入式负荷监控方法的流程图。
图5为本发明实施例3中基于深度学习的多任务非侵入式负荷监控系统的框架图。
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。
实施例1
请参阅图1和图2，本实施例提供负荷监控网络模型的构建方法，包括以下步骤(1)～(5)。
(1)、基于卷积神经网络搭建负荷识别子模型；负荷识别子模型包括m个卷积模块；多个卷积模块堆叠设置并用于提取总功率窗口序列的短期模式特征。
本实施例中，卷积模块一共可设有五个，即m＝5；其中，五个卷积模块中的卷积层的滤波器数量分别为16、32、64、128、256，滤波器大小均设置为5，卷积操作的滑动步幅设置为1。当然，在其他实施例中，卷积模块也可设置其他数量，各卷积层的相应参数也可适应性调整。
沿正向传播方向，每个卷积模块依次包括卷积层、Relu激活函数层和批归一化层。假设每个卷积模块的输入为则输出Xc可以表示为：
式中，conv表示一维卷积操作；BN表示批归一化。
(2)、基于Transformer搭建负荷分解子模型；负荷分解子模型包括编码层和n个Transformer模块；多个Transformer模块进行对别并用于提取总功率窗口序列的长期依赖特征。
本实施例中，沿正向传播方向，编码层包括值编码单元和位置编码单元，值编码单元用于通过卷积计算将原始输入Xo映射到浅层的高维特征，位置编码单元用于在高维特征上添加相对位置编码PE(pos embedding)，以构成编码层的输出Xemb，Xemb可用公式表示为：
Xemb＝conv(Xo)+PE
值编码单元采用滤波器数量为256、滤波器大小为5、滑动步幅为1的卷积计算，将原始输入从600*1映射到600*256的高维表示。
Transformer模块一共可以设有三个，即n＝3；每个Transformer模块由多头自注意层(Multi-heads Self-attention)、前馈神经网络层(Forward Neural Network)和两个跳跃连接组成。
多头自注意层包含h个自注意计算单元，每个自注意计算单元使用不同的线性变化将同一个输入特征映射成三个不同的高维向量，分别为查询向量Q、键向量K和值向量V；输入的每个元素通过softmax激活函数计算Q与K的相似度来获取与其他元素的加权系数；然后和值向量进行加权求和得到输出head。最终通过将h个自注意计算单元的输出拼接在一起进行线性转化构成多头自注意层的输出特征/> 的计算公式可表达如下：
式中，concat表示拼接操作，headh表示第h个自注意计算单元的输出，Wm表示可学习的线性参数矩阵。softmax为激活函数。
其中，自注意计算单元的输出计算公式为：
式中，d为特征维度。
得到特征之后，使用跳跃连接将输入/>和/>相加，然后进行批归一化处理得到前馈神经网络层的输入/> 的计算公式可表示为：
式中，LN表示层归一化操作。
前馈神经网络层由两个全连接层以及Relu激活函数组成，用来进一步提取潜在特征。第一个全连接层执行维度提升，然后送入Relu激活函数，最后一个全连接层进行降维得到输出 的计算公式可表示为：
式中，和/>表示可学习的线性参数矩阵。
得到特征之后，使用跳跃连接将/>和/>进行相加，然后进行层归一化处理得到Transformer模快的最终输出特征Xt，Xt的计算公式可表示为
(3)、在负荷识别子模型和负荷分解子模型之间添加特征融合子模型；特征融合子模型用于对不同尺度的特征进行融合；首先使用层归一化和批归一化分别对短期模式特征和长期依赖特征进行处理，以消除语义差异；然后通过跳跃连接将提取到的短期模式特征与处理后的长期依赖特征进行相加，将提取到的长期依赖特征与处理后的短期模式特征进行相加，从而分别得到负荷识别任务和负荷分解任务各自的多尺度融合特征。即：在负荷识别子模型的最后一个卷积模块的输出和负荷分解子模型的最后一个Transformer模块输出/>之后，进行特征融合处理。
其中，负荷识别任务和负荷分解任务各自的多尺度融合特征分别如下：
式中，Fc表示负荷识别任务的多尺度融合特征；Ft表示负荷分解任务的多尺度融合特征。
(4)、为负荷识别子模型搭建分类器；分类器由一个全连接层以及sigmod激活函数组成。用于将负荷识别任务的多尺度融合特征映射到目标电器的状态概率值序列 的计算公式可表达如下：
式中，e为自然常数的底数，Ws、Bs表示可学习的线性参数矩阵。
(5)、为负荷分解子模型搭建分解器；分解器采用单个全连接层，用于将负荷分解任务的多尺度融合特征映射到目标电器的功率预测值序列 的计算公式可表达如下：
式中，Wf、Bf表示可学习的线性参数矩阵。
通过上述步骤(1)～(5)构建好负荷监控网络模型之后，需要对该模型进行训练。在训练之前，需要进行数据采集和标注，以构建数据集。当然，数据集也可选用本领域技术人员制作好的公开数据集。数据集构建完成后，需要对数据集中的总功率序列数据X和目标电器功率序列Y执行下采样和缺失值填充，并以一定比例划分为训练集、验证集和测试集。其中，根据目标电器的开关阈值生成状态序列。对总功率序列数据X和目标电器功率序列Y使用以下函数进行归一化处理，进行特征缩放以加速模型收敛速度。
式中，Xnorm表示归一化结果，X′表示功率真实值，表示功率平均值，σ表示功率方差。
然后使用滑动窗口生成指定窗口大小w＝600的总功率窗口数据X(i:i+w，目标电器窗口功率数据Y(i:i+w)以及状态数据S(i:i+w)。其中，训练集和验证集的滑动步幅设置为30，测试集的滑动步幅设置为窗口大小，以避免重复输出。
本发明可以采用MSE((Mean Square Error，均方误差)损失函数监督训练负荷识别子模型，采用BCE(Binary Cross Entropy，二元交叉熵)损失函数监督训练负荷分解子模型；其中，MSE损失函数和BCE损失函数计算出的损失Loss1和Loss2的表达公式分别如下：
式中，F表示一次迭代的样本点数量；yj和分别表示真实功率值和预测功率值，sj和/>分别表示电器开关状态和预测开启的概率。
首先通过数据预处理模块生成的窗口数据分别送入到两个模型进行前向传播，得到预测的目标电器窗口功率数据和状态数据的预测值。使用MSE函数和BCE函数损失计算真实值和预测值的损失。采用adam优化器进行反向传播，更新梯度。模型训练迭代次数为20次，为了防止模型过拟合，采用早停训练机制，即连续5次迭代在验证集上的损失不下降终止训练。由于本发明提出的模型有两个网络组成，因此，每次迭代的总验证损失取两个网络的验证损失的平均值。
本实施例中，当模型训练完成后，还使用测试集数据进行模型评估，将测试集窗口数据逐次送入模型分别得到预测的功率序列和状态序列。然后使用MAE(平均绝对误差)、F1-score(F1分数，统计学中用来衡量二分类模型精确度的一种指标)两个度量指标来分别衡量负荷分解和负荷识别的精确度，表达公式如下：
precision＝TP/TP+FP
recall＝TP/TP+FN
式中，T表示测试集总样本点数量；xk和分别表示真实值和预测值；precision为精确率；recall为召回率；TP表示正样本被正确识别的数量。FP表示误报的负样本数量；FN表示漏报的正样本数量。
如表1所示，本发明和现有基于卷积神经网络的负荷分解方法seq2seq和seq2point在UKDALE公开数据集的性能表现。其中our表示本发明提出的负载监控模型，seq2seq和seq2point在以下参考文献中被提出：Zhang C,Zhong M,Wang Z,etal.Sequence-to-point learning with neural networks for nonintrusive loadmonitoring[J].2016.DOI:10.48550/arXiv.1612.09106.
本发明的MAE指标和F1-Score表现均优于参考方法，证明了本发明有效促进了负荷分解和负荷识别的精度。
表1：模型在UKDALE数据集上的性能表现
请参阅图3，图3是模型在UKDALE数据集上洗碗机上的负荷分解样本图，从该图可以看到，对于功率轮廓特征更为复杂的洗碗机，本发明执行负荷分解得出的目标电器功率更加贴近真实值，表明了我们的模型通过提取功率信号的短期模型特征和长期依赖关系，有效促进了对功率信号的表征学习。从而更好的预测目标电器的消费功率。
实施例2
请参阅图4，本实施例提供一种基于深度学习的多任务非侵入式负荷监控方法，包括以下步骤S1～S2。
S1.获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列；
S2.将总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值；
其中，负荷监控网络模型可以采用实施例1中负荷监控网络模型的构建方法构建而成。
实施例3
请参阅图5，本实施例提供一种基于深度学习的多任务非侵入式负荷监控系统，包括：数据获取模块以及数据处理模块。
数据获取模块用于获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列。
数据处理模块用于将总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值。
其中，负荷监控网络模型可以采用实施例1中负荷监控网络模型的构建方法构建而成。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.负荷监控网络模型的构建方法，其特征在于，包括以下步骤：
(1)、基于卷积神经网络搭建负荷识别子模型；所述负荷识别子模型包括m个卷积模块；多个卷积模块堆叠设置并用于提取总功率窗口序列的短期模式特征；
(2)、基于Transformer搭建负荷分解子模型；所述负荷分解子模型包括n个Transformer模块；多个Transformer模块堆叠设置并用于提取总功率窗口序列的长期依赖特征；
(3)、在所述负荷识别子模型和所述负荷分解子模型之间添加特征融合子模型；所述特征融合子模型用于先使用层归一化和批归一化分别对短期模式特征和长期依赖特征进行处理，以消除语义差异；然后通过跳跃连接将提取到的短期模式特征与处理后的长期依赖特征进行相加，将提取到的长期依赖特征与处理后的短期模式特征进行相加，从而分别得到负荷识别任务和负荷分解任务各自的多尺度融合特征；
(4)、为所述负荷识别子模型搭建分类器，用于根据负荷识别任务的多尺度融合特征计算目标电器的状态概率值；
(5)、为所述负荷分解子模型搭建分解器，用于根据负荷分解任务的多尺度融合特征计算目标电器的功率预测值。
2.根据权利要求1所述的负荷监控网络模型的构建方法，其特征在于，步骤(3)中，负荷识别任务和负荷分解任务各自的多尺度融合特征分别如下：
式中，Fc表示负荷识别任务的多尺度融合特征；Ft表示负荷分解任务的多尺度融合特征；表示负荷识别子模型最后一个卷积模块的输出；/>表示负荷分解子模型最后一个Transformer模块的输出；LN表示层归一化处理；BN表示批归一化处理。
3.根据权利要求2所述的负荷监控网络模型的构建方法，其特征在于，步骤(4)和步骤(5)中，所述分解器采用一个全连接层将负荷分解任务的多尺度融合特征Ft映射到目标电器的功率预测值序列所述分类器采用一个全连接层以及sigmod函数将负荷识别任务的多尺度融合特征Fc映射到目标电器的状态概率值序列/>目标电器的功率预测值序列/>和状态概率值序列/>分别表示为：
式中，Wf、Bf、Ws和Bs表示可学习的线性参数矩阵；e为自然常数的底数。
4.根据权利要求1所述的负荷监控网络模型的构建方法，其特征在于，步骤(1)中，沿正向传播方向，每个卷积模块依次包括卷积层、Relu激活函数层和批归一化层。
5.根据权利要求4所述的负荷监控网络模型的构建方法，其特征在于，步骤(2)中，所述负荷分解子模型还包括编码层；所述编码层包括值编码单元和位置编码单元，所述值编码单元用于通过卷积计算将原始输入Xo映射到浅层的高维特征，所述位置编码单元用于在所述高维特征上添加相对位置编码以构成首个Transformer模块的输入Xemb，Xemb的表达公式为：
Xemb＝conv(Xo)+PE
式中，conv表示卷积计算；PE表示相对位置编码。
6.根据权利要求5所述的负荷监控网络模型的构建方法，其特征在于，每个Transformer模块由多头自注意层和前馈神经网络层组成；
其中，所述多头自注意层使用不同的线性变化将输入映射成三个不同的高维向量，分别为查询向量、键向量和值向量；
所述前馈神经网络层用于通过两个全连接层以及Relu激活函数将所述多头自注意层的输出先后进行升维和降维。
7.根据权利要求5所述的负荷监控网络模型的构建方法，其特征在于，步骤(1)中，所述卷积模块共设有五个，即m＝5；其中，五个卷积模块中的卷积层的滤波器数量分别为16、32、64、128、256，滤波器大小均设置为5，卷积操作的滑动步幅设置为1；
步骤(2)中，所述Transformer模块共设有三个，即n＝3；所述值编码单元采用滤波器数量为256、滤波器大小为5、滑动步幅为1的卷积计算，将原始输入从600*1映射到600*256的高维表示。
8.根据权利要求1所述的负荷监控网络模型的构建方法，其特征在于，采用MSE损失函数监督训练所述负荷识别子模型，采用BCE损失函数监督训练所述负荷分解子模型；其中，MSE损失函数和BCE损失函数计算出的损失Loss1和Loss2的表达公式分别如下：
式中，F表示一次迭代的样本点数量；yj和分别表示真实功率值和预测功率值，sj和/>分别表示电器开关状态和预测开启的概率。
9.基于深度学习的多任务非侵入式负荷监控方法，其特征在于，包括以下步骤：
S1.获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列；
S2.将所述总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值；
其中，所述负荷监控网络模型采用如权利要求1至8中任一项所述的负荷监控网络模型的构建方法构建而成。
10.基于深度学习的多任务非侵入式负荷监控系统，其特征在于，包括：
数据获取模块，其用于获取待监控的家庭总测量用电数据，以形成相应的总功率窗口序列；以及
数据处理模块，其用于将所述总功率窗口序列输入至负荷监控网络模型中，进而输出目标电器的状态概率值和功率预测值；
其中，所述负荷监控网络模型采用如权利要求1至8中任一项所述的负荷监控网络模型的构建方法构建而成。
CN202311449233.5A 2023-11-02 2023-11-02 负荷监控网络模型的构建方法、负荷监控方法及系统 Pending CN117421638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311449233.5A CN117421638A (zh) 2023-11-02 2023-11-02 负荷监控网络模型的构建方法、负荷监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311449233.5A CN117421638A (zh) 2023-11-02 2023-11-02 负荷监控网络模型的构建方法、负荷监控方法及系统

Publications (1)

Publication Number Publication Date
CN117421638A true CN117421638A (zh) 2024-01-19

Family

ID=89528048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311449233.5A Pending CN117421638A (zh) 2023-11-02 2023-11-02 负荷监控网络模型的构建方法、负荷监控方法及系统

Country Status (1)

Country Link
CN (1) CN117421638A (zh)

Cited By (1)

* 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

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
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

Similar Documents

Publication Publication Date Title
CN111242377B (zh) 一种集成深度学习和数据去噪的短期风速预测方法
CN117421638A (zh) 负荷监控网络模型的构建方法、负荷监控方法及系统
Tan et al. Multi-node load forecasting based on multi-task learning with modal feature extraction
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN115983087A (zh) 一种注意力机制与lstm结合检测时序数据异常方法及终端机
CN114841072A (zh) 一种基于差分融合Transformer的时序预测方法
CN111222689A (zh) 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
Yang et al. Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning
CN115587335A (zh) 异常值检测模型的训练方法、异常值检测方法及系统
CN116796275A (zh) 一种工业设备多模态时序异常检测方法
Dash et al. Attention-based multitask probabilistic network for nonintrusive appliance load monitoring
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
CN117094451B (zh) 一种耗电量的预测方法、装置及终端
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
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN111090679A (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN111026741A (zh) 基于时间序列相似性的数据清洗方法及装置
CN115952928A (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN115983347A (zh) 一种非侵入式负荷分解方法、装置及存储介质
Chen et al. Short-term load forecasting for industrial users based on Transformer-LSTM hybrid model
Naderian A novel hybrid deep learning approach for non-intrusive load monitoring of residential appliance based on long short term memory and convolutional neural networks
CN112668713A (zh) 一种能耗智能预测方法及系统
CN116561528B (zh) 一种旋转机械的rul预测方法
CN117833243B (zh) 一种电力短期需求预测方法、系统、设备及介质
CN113065704B (zh) 一种非侵入式负荷分解模型的超参数优化和后处理方法

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