CN117498543A - 一种基于任务特征融合的非侵入式负荷监测功率分解方法 - Google Patents
一种基于任务特征融合的非侵入式负荷监测功率分解方法 Download PDFInfo
- Publication number
- CN117498543A CN117498543A CN202311406235.6A CN202311406235A CN117498543A CN 117498543 A CN117498543 A CN 117498543A CN 202311406235 A CN202311406235 A CN 202311406235A CN 117498543 A CN117498543 A CN 117498543A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- task
- appliance
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000025967 Dissociative Identity disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00004—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the power network being locally controlled
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于任务特征融合的非侵入式负荷监测功率分解方法，将每个家电的功率分解视为一个子任务，构建基于多任务学习的多家电功率分解模型。设计的模型包括一个共性特征矩阵提取分支和多个个性任务提取分支，分别提取所有家电都需要的共性特征矩阵和个别家电需要的个性特征矩阵，然后将每个家电的个性特征矩阵和共性特征矩阵融合在一起用于每个子任务的功率分解。通过特征融合的方式不仅可以将各个子任务关联起来，并且丰富了家电功率分解特征。本发明增强了功率分解模型的泛化能力，减少了需要多次训练模型的训练时间和训练参数，提高了家电功率分解的准确性。
Description
技术领域
本发明涉及人工智能领域，具体涉及一种基于任务特征融合的非侵入式负荷监测功率分解方法。
背景技术
非侵入式负荷监测是一种计算技术，它使用从单点(如智能电表)监测的总功率数据来推断建筑物中运行的终端设备，并估计它们各自的功率消耗。非侵入式负荷监测可以为消费者和公共事业机构提供特定设备的实时监测数据，而不是整个建筑的测量数据，这可以有效的促进节能行为。大多数消费者不知道他们消耗的能源，也没有意识到他们对环境的影响，获知家电详细的能耗数据可以激励消费者更合理地规划家用电器的使用，提高节能意识。更进一步来看，非侵入式负荷监测系统可以通过反馈提出一些建议，让住户有机会实现具体的节能目标，并获得可衡量的回报。甚至可以对家用电器进行远程监控，通知住户现有电器的不寻常的使用模式。此外，非侵入式负荷监测系统可以帮助决策者评估其能效政策的有效性，而供电单位可以更好地预测需求，并使制造商优化产品设计，以满足客户的需求。
目前，深度学习已经在非侵入式负荷监测领域取得优异的表现。例如，Zhou等人提出了一种多尺度残差神经网络，来提取家电多尺度的特征，提高功率分解效果(G.Zhou,Z.Li,M.Fu,Y.Feng,X.Wang and C.Huang,“Sequence-to-Sequence Load DisaggregationUsing Multi-Scale Residual Neural Network”,IEEE Transactions onInstrumentation andMeasurement,2020:1-1)。Nolasco等人设计了一个多任务模型，可以同时处理一个家庭中家电的类别分析、负荷识别和状态检测(L.d.S.Nolasco,A.E.Lazzaretti and B.M.Mulinari,“DeepDFML-NILM:A New CNN-Based Architecturefor Detection,Feature Extraction and Multi-Label ClassificationinNILMSignals”,IEEE Sensors Journal,2022,22(1):501-509)。但是，目前基于深度学习的功率分解方法大多是为每个家电单独训练功率分解模型，没有利用模型之间的关联，并且需要大量的训练时间。
为解决上述问题，Li等人设计了多目标模型输出多个电器的功耗(D.Li,J.Li,X.Zeng,V.Stankovic,L.Stankovic,C.Xiao,Q.Shi,“Transfer learning for multi-objective non-intrusive load monitoring in smart building”,Applied Energy,2023,329:120223)，但他们是通过增加输出层的节点数来实现的，方法关注于模型的可迁移性，而没有考虑每个家电功率分解特征之间的关系。
发明内容
本发明的目的在于提供一种基于任务特征融合的非侵入式负荷监测功率分解方法，利用家电功率分解特征之间的关联，同时分解多个家电的功耗，提高功率分解模型的准确性和泛化能力。
实现本发明目的的技术解决方案为：一种基于任务特征融合的非侵入式负荷监测功率分解方法，包括以下步骤：
步骤1、获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗。
步骤2、对获取的数据进行预处理，按照采样时刻，将总功耗和目标电器的功耗对齐，使用滑动窗口的方法制作样本集。
步骤3、将每个家电的功率分解视为一个子任务，构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。
步骤4、将制作好的样本集输入到构建的多任务模型中进行训练，得到可以分解多个电器功率消耗的多任务模型。
步骤5、实时获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗。
与现有技术相比，本发明的优点在于：
1)通过挖掘独立的单家电功率分解模型之间的关联，分析得到这些模型之间存在共性特征矩阵和个性特征矩阵，将所有单家电模型融合在一起，实现一个模型输出多家电功耗。
2)本发明设计了一个能够同时提取所有家电共性特征矩阵和单个家电个性特征矩阵的模型，通过特征组合的方法，使得所有子任务相互促进，提高功率分解的准确性。
3)与现有的多任务学习解决功率分解问题的方法不同，本发明首次将每个家电的功率分解视为一个子任务，将多个家电的功率分解模型联合起来，提升了功率分解的效率。
附图说明
图1为本发明基于任务特征融合的非侵入式负荷监测功率分解方法的流程图。
图2为本发明基于任务特征融合的非侵入式负荷监测功率分解方法的模型图。
图3为所提模型对于REFIT数据集中6个目标家电的功率分解结果图，其中图(a)为冰箱的分解结果；图(b)为洗烘机的分解结果；图(c)为洗衣机的分解结果；图(d)为洗碗机的分解结果；图(d)为微波炉的分解结果；图(f)为电水壶的分解结果。
图4为三种对比方法的模型图，其中图(a)为模型1，表示为每个家电单独训练的单任务模型；图(b)为模型2，表示没有共享特征提取层的多任务模型；图(c)为模型3，表示不经过特征融合的多任务模型。
图5为所有方法对于各家电的功耗占比图，其中图(a)为真实结果；图(b)为模型1的结果；图(c)为模型2的结果；图(d)为模型3的结果；图(d)为所提模型的结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
结合图1，一种基于任务特征融合的非侵入式负荷监测功率分解方法，包括以下步骤：
步骤1、采集住宅一段时间的数据作为训练数据，另外一段时间的数据作为测试数据，选择几个家电作为待分解的目标家电。
步骤2、将采集到的总功耗数据和每个目标家电的功耗数据进行重采样，缺失值使用前向填充的方法进行补充，按采样时刻排序，得到总功耗的序列P＝[P1,P2,…,PT]和每个电器功耗的序列对所有数据进行归一化处理，其中总功耗值使用最大最小归一化方法，如式(1)所示：
其中，Pnor表示标准化后的总功耗，max(P)表示总功耗数据的最大值，min(P)表示总功耗数据的最小值。
每个电器的功耗值除以其最大值进行归一化，如式(2)所示：
其中，表示标准化后第i个家电的功耗，max(pi)表示第i个家电功耗的最大值。
使用滑动窗口的方法，分别对Pnor和进行分割，设置窗口长度w，每个窗口包含w个采样数据。为了保证所有采样时刻的数据都得到训练，需要在Pnor向量的前后两端分别补w/2个0值，滑动步长为1，得到第t个采样时刻的输入样本Input，如式(3)所示：
Input＝Pnor[t-w/2,t+w/2] (3)
本发明使用序列到点的方式，将每个输入样本序列中点的采样时刻对应的目标家电功耗作为标签Lable，如式(4)所示：
按照对应的采样时刻将输入样本和标签进行配对，构成样本训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集。
步骤3、构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。对于输入样本Pnor[t-w/2,t+w/2]，首先经过两个卷积层，提取共享的浅层特征然后设计一个共性特征矩阵提取分支对/>提取深层共性特征矩阵/> 设计多个个性特征矩阵提取分支分别对/>提取每个子任务的深层个性特征矩阵共性特征矩阵和每个子任务的个性特征矩阵通过特征矩阵元素相加进行融合，如式(5)所示：
其中表示两个特征矩阵每个元素相加，Fi表示第i个电器的融合特征，Fu_i表示第i个电器的个性特征矩阵。将融合后的特征通过两个全连接层的映射，得到每个子任务的输出，每个家电的功耗/>将每个家电的功耗组合在一起，得到所有目标家电的功耗
步骤4、构建模型的损失函数，如式(6)所示：
模型训练过程中使用均方误差作为损失函数，使用Adam优化器对模型的训练参数进行优化，其中pi为第i个电器功率消耗的测量真实值，为多任务模型输出的第i个电器的功率消耗值，I表示目标电器的数量，n表示样本的数量。训练过程中，将训练样本按照8：2的比例随机划分为训练集和验证集，用训练集对模型进行训练，验证集用来验证模型的性能。
步骤5、将测试样本集中实时获取的总功耗数据输入训练好的多任务模型中，得到目标家电的功耗数据。
实施例1
结合图1和图2，本发明所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，步骤如下：
步骤1、采集REFIT数据集HOUSE9中自2014-09-01至2015-02-28的数据作为训练数据，2015-04-12至2015-04-17的数据作为测试数据，选择冰箱、洗烘机、洗衣机、洗碗机、微波炉和电水壶6个家电作为待分解的目标家电。
步骤2、将采集到的总功耗数据和每个目标家电的功耗数据按照30s进行降采样，缺失值使用前向填充的方法进行补充，按采样时刻排序，得到总功耗的序列P＝[P1,P2,…,PT]和每个电器功耗的序列对所有数据进行归一化处理，其中总功耗值使用最大最小归一化方法，如式(1)所示：
每个电器的功耗值除以其最大值进行归一化，如式(2)所示：
使用滑动窗口的方法，分别对Pnor和进行分割，设置窗口长度w＝120，每个窗口包含120个采样数据。为了保证所有采样时刻的数据都得到训练，需要在Pnor向量的前端补60个0值，后端补59个0值，滑动步长为1，得到输入样本，如式(3)所示：
Input＝Pnor[t-60,t+59] (3)
本发明使用序列到点的方式，将每个输入样本序列中点的采样时刻对应的目标家电功耗作为标签，如式(4)所示：
按照对应的采样时刻将输入样本和标签进行配对，构成样本训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集。
步骤3、构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。对于输入样本Pnor[t-w/2,t+w/2]，首先经过两个卷积层，提取共享的浅层特征第一层卷积层的卷积核设置为kernel_size1＝11，卷积通道设置为channel1＝30，步长设置为stride1＝1，激活函数设置为activation1＝relu，填充方式为padding＝same；第二层卷积层的卷积核设置为kernel_size2＝9，卷积通道设置为channel2＝20，步长设置为stride2＝1，激活函数设置为activation2＝relu，填充方式为padding＝same。
然后设计一个由两个卷积层组成的共性特征矩阵提取分支，对提取深层共性特征矩阵/>第三层卷积层的卷积核设置为kernel_size3＝5，卷积通道设置为channel3＝40，步长设置为stride3＝1，激活函数设置为activation3＝relu，填充方式为padding＝same；第四层卷积层的卷积核设置为kernel_size4＝5，卷积通道设置为channel4＝5，步长设置为stride4＝1，激活函数设置为activation4＝relu，填充方式为padding＝same。设计同样由两个卷积层组成的多个并行的个性特征矩阵提取分支分别对/>提取每个子任务的深层个性特征矩阵/> 并行的个性特征矩阵提取层与共性特征矩阵提取层的网络参数设置相同。共性特征矩阵和每个子任务的个性特征矩阵通过特征矩阵元素相加进行融合，如式(5)所示：
其中表示两个特征矩阵每个元素相加。将融合后的特征通过两个全连接层的映射，得到每个子任务的输出，也就是每个家电的功耗/>第一个全连接层的神经元个数设置为neure1＝64，激活函数设置为activation5＝relu；第二个全连接层的神经元个数设置为neure2＝1，激活函数设置为activation6＝linear。将每个家电的功耗组合在一起，得到所有目标家电的功耗/>
步骤4、构建模型的损失函数L，如式(6)所示：
模型训练过程中使用均方误差作为损失函数，其中pi为第i个目标电器功率消耗的真实值，为模型输出的第i个目标电器的功率消耗值，I表示目标电器的数量，n表示样本的数量。使用Adam优化器对模型的训练参数进行优化，学习率设置为0.0001，批次大小设置为64，迭代次数设置为50。训练过程中，将训练样本按照8：2的比例随机划分为训练集和验证集，用训练集对模型进行训练，验证集用来验证模型的性能。
步骤5、将测试样本集中的总功耗数据输入训练好的多任务模型中，得到6个目标家电的功耗数据。如图3所示，从图中可以看出，对于冰箱、洗碗机、微波炉和电水壶，这种工作状态比较简单的家电，所提模型基本可以准确地输出家电的真实功率值。对于洗衣机和洗烘机这种工作状态比较复杂，功率波动比较大的家电来说，所提模型的输出值与真实值存在些许误差，但是大致上的波形是拟合的，总体上并不影响所提模型的有效性。并且所提模型一次可以输出多个家电的功耗，表明所提模型具有良好的泛化能力。
为了进一步验证所提模型性能，本实施例将选择图4所示的三个模型进行仿真对比，其中模型1表示为每个家电单独训练的单任务模型；模型2表示没有共享特征提取层的多任务模型；模型3表示不经过特征融合的多任务模型。对于负荷分解任务，使用回归任务常用的平均绝对误差(Mean Absolute Error，MAE)、总功耗误差(Signal AggregateError，SAE)与均方根误差(Root Mean Square Error，RMSE)作为模型性能评估指标。
1)平均绝对误差MAE
2)总功耗误差SAE
3)均方根误差RMSE
其中，T表示整个功耗数据的采样总数。
表1分别给出了4种模型在REFIT数据集中对6个电器的分解性能评估对比，最优的指标加粗表示。从表中可以看出不同家电取得最优性能的模型不同，没有哪种模型可以对所有的家电都取得最好的分解效果，因此计算了所有家电指标的均值，以及每个模型所有目标家电总功耗的指标进行对比。从仿真结果可以看出，四种对比模型从上到下的功率分解效果是逐步提高的。这表明，多任务学习方法可以促进每个子任务的效果；加强子任务之间的关联可以提高功率分解的效果，使用更丰富的特征可以进一步提升功率分解的准确性。仿真实验证明了本发明所提出的任务特征组合方法的优越性。
表1四种模型在REFIT数据集中的性能比较
图5给出了4种对比模型输出的每个家电功耗对于总功耗的占比，并且计算了所有占比的偏差总和，如式(10)所示，结果如表2所示，从结果可以看出，四种模型的性能是逐渐提升的，所提模型取得了最准确的功率分解效果，证明了本发明所提出的任务特征组合方法的优越性。
表2四种模型在REFIT数据集中的功耗占比偏差
综上所述，本发明可以同时输出多个家电的功耗，并且提高了功率分解模型的泛化能力和准确性。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的思想和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，包括以下步骤：
步骤1、获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗，转入步骤2；
步骤2、对获取的功率消耗数据进行预处理，按照采样时刻，将总功耗和目标电器的功耗对齐，通过滑动窗口的方法制作样本集，转入步骤3；
步骤3、将每个家电的功率分解视为一个子任务，构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射，转入步骤4；
步骤4、将制作好的样本集输入到构建的多任务模型中进行训练，得到训练好的多任务模型，以分解多个电器功率消耗，转入步骤5；
步骤5、实时获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗。
2.根据权利要求1所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤1中，获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗，具体如下：
获取住宅中所有电器总功率以及各个电器的有功功率，其中目标电器仅需要测量训练期间的有功功率，包括：利用智能传感器按照秒/分钟的频率采集的总负荷的有功功率和各个电器负荷的有功功率，以时间顺序进行排列，得到用户总线的有功功率P＝[P1,P2,…,PT]以及第i个目标电器的有功功率其中T表示整个功耗数据的采样总数。
3.根据权利要求2所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤2中，对获取的功率消耗数据进行预处理，按照采样时刻，将总功耗和目标电器的功耗对齐，通过滑动窗口的方法制作样本集，具体如下：
将所有符合的功率数据按照采样时刻对齐，缺失值采用填充法进行补充，得到所有电器总功耗的序列P＝[P1,P2,…,PT]和每个电器功耗的序列 对所有数据进行归一化处理，总功耗值使用最大最小归一化方法，如下所示：
其中，Pnor表示标准化后的总功耗，max(P)表示总功耗数据的最大值，min(P)表示总功耗数据的最小值；
每个目标电器的功耗值除以其最大值进行归一化，如下所示：
其中，表示标准化后第i个家电的功耗，max(pi)表示第i个家电功耗的最大值；
使用滑动窗口的方法，分别对Pnor和进行分割，并且按照对应的采样时刻进行配对，构成样本集，样本集包括训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集。
4.根据权利要求3所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤3中，多任务模型的特征提取具体如下：
构建一个由四个卷积层堆叠的共性特征矩阵提取分支，提取所有电器在功率分解时都需要的共性特征矩阵，得到共性特征矩阵矩阵在共性特征矩阵提取分支的第二个卷积层后，分别为每个家电构建一个同样由两个卷积层堆叠的个性特征矩阵提取分支，提取只有该家电需要的个性特征矩阵，得到第i个家电的个性特征矩阵矩阵其中，/>表示共性特征矩阵矩阵中的特征值，/>表示个性特征矩阵矩阵中的特征值，这两个特征矩阵维度相同，都是a行b列。
5.根据权利要求4所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤3中，多任务模型的特征融合具体如下：
共性特征矩阵和个性特征矩阵的融合通过特征矩阵元素之间相加来实现，得到第i个家电的融合特征Fi，如下所示：
其中表示两个特征矩阵每个元素相加。
6.根据权利要求5所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤3中，多任务模型的特征映射具体如下：
每个子任务的融合特征通过两个全连接层的映射，得到当前子任务的输出。
7.根据权利要求6所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤4中，将制作好的样本集输入到构建的多任务模型中进行训练，具体如下：
将训练集样本中的总功耗作为多任务模型的输入，多个目标电器的功耗构成向量作为多任务模型的标签，对多任务模型进行训练，使用验证集验证模型训练的效果，多任务模型训练过程中使用均方误差作为损失函数，如下所示：
其中pi为第i个电器功率消耗的测量真实值，为多任务模型输出的第i个电器的功率消耗值，I表示目标电器的数量，n表示样本的数量，使用Adam优化器对多任务模型的训练参数进行优化。
8.根据权利要求7所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤5中，实时获取获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗，具体如下：
实时获取住宅的总功耗数据，按照步骤2构成测试集，将测试集作为输入，输入到骤4训练好的多任务模型中，输出多个目标家电的功率消耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406235.6A CN117498543B (zh) | 2023-10-27 | 2023-10-27 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406235.6A CN117498543B (zh) | 2023-10-27 | 2023-10-27 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117498543A true CN117498543A (zh) | 2024-02-02 |
| CN117498543B CN117498543B (zh) | 2024-06-07 |
Family
ID=89673650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311406235.6A Active CN117498543B (zh) | 2023-10-27 | 2023-10-27 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117498543B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN114493925A (zh) * | 2022-02-10 | 2022-05-13 | 合肥工业大学 | 基于bert与gcnn混合网络的非侵入式负荷分解方法 |
| 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 |
| CN115374814A (zh) * | 2022-08-10 | 2022-11-22 | 湘潭大学 | 一种基于多任务学习的非侵入式负荷分解方法 |
| CN115758105A (zh) * | 2022-09-29 | 2023-03-07 | 厦门大学 | 基于深度学习的半自适应式非侵入式电负荷监测方法 |
| CN115796915A (zh) * | 2022-11-23 | 2023-03-14 | 特变电工新疆新能源股份有限公司 | 一种面向电力交易市场的电价预测方法及系统 |
| CN116167654A (zh) * | 2023-02-10 | 2023-05-26 | 重庆邮电大学 | 一种基于多任务学习的非侵入式负荷监测方法 |
| CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
| CN116742795A (zh) * | 2023-05-12 | 2023-09-12 | 重庆邮电大学 | 基于迁移学习与自注意力特征融合的非侵入式负荷监测方法 |
-
2023
- 2023-10-27 CN CN202311406235.6A patent/CN117498543B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN114493925A (zh) * | 2022-02-10 | 2022-05-13 | 合肥工业大学 | 基于bert与gcnn混合网络的非侵入式负荷分解方法 |
| 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 |
| CN115374814A (zh) * | 2022-08-10 | 2022-11-22 | 湘潭大学 | 一种基于多任务学习的非侵入式负荷分解方法 |
| CN115758105A (zh) * | 2022-09-29 | 2023-03-07 | 厦门大学 | 基于深度学习的半自适应式非侵入式电负荷监测方法 |
| CN115796915A (zh) * | 2022-11-23 | 2023-03-14 | 特变电工新疆新能源股份有限公司 | 一种面向电力交易市场的电价预测方法及系统 |
| CN116167654A (zh) * | 2023-02-10 | 2023-05-26 | 重庆邮电大学 | 一种基于多任务学习的非侵入式负荷监测方法 |
| CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
| CN116742795A (zh) * | 2023-05-12 | 2023-09-12 | 重庆邮电大学 | 基于迁移学习与自注意力特征融合的非侵入式负荷监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王文丽: ""基于神经网络的非侵入式负荷监测研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 7, 15 July 2021 (2021-07-15), pages 042 - 608 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117498543B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Personalized residential energy usage recommendation system based on load monitoring and collaborative filtering | |
| CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
| CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
| CN103675378A (zh) | 一种非侵入式家庭用电负荷分解方法及装置 | |
| Paradiso et al. | ANN-based appliance recognition from low-frequency energy monitoring data | |
| CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 | |
| Ruan et al. | Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing | |
| JP2023503389A (ja) | アンサンブル機械学習技術を用いた非侵入型負荷監視 | |
| JP2022547758A (ja) | 機械学習および処理された訓練データを用いた非侵入型負荷監視 | |
| 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 | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN107609790A (zh) | 智能电网综合效益评估方法、装置、介质及计算机设备 | |
| CN113614755A (zh) | 使用机器学习的负荷监测 | |
| CN114723040A (zh) | 基于lstm和序列到点翻译模型非侵入式负荷监测方法 | |
| Dinesh et al. | Incorporating time-of-day usage patterns into non-intrusive load monitoring | |
| CN105741017B (zh) | 一种智能电网环境下的用户需求响应评估方法 | |
| CN117498543B (zh) | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 | |
| Liu et al. | Learning task-aware energy disaggregation: a federated approach | |
| CN106295877A (zh) | 一种智能电网电能使用量预测方法 | |
| Meiser et al. | SynTiSeD–Synthetic Time Series Data Generator | |
| Li et al. | Adaptive fusion feature transfer learning method for NILM | |
| CN116167654A (zh) | 一种基于多任务学习的非侵入式负荷监测方法 | |
| Gowrienanthan et al. | Low-cost ensembling for deep neural network based non-intrusive load monitoring | |
| CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 | |
| CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 |
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 | ||
| GR01 | Patent grant |