一种基于卷积神经网络的可解释性的负荷识别方法

1.本发明涉及一种基于卷积神经网络的可解释性的负荷识别方法，属于负荷识别处理技术领域。


背景技术：

2.现代电力系统中，智能电网已经成为电网发展的必然趋势，智能电网中占据关键位置的就是电力需求侧的管理，而在电力需求侧管理中最核心的就是负荷识别，负荷识别在智能电网中起关键作用。由于当今电网的日益复杂，越来越多的特征不同的用电设备接入电网中，使得电网越来越复杂，对负荷模式进行识别变得尤为的重要，但是在负荷识别中识别精度不高，以及采用的方法在不可解释性方面存在局限性，从而影响分类结果和模型信任度。
3.传统的负荷模式识别方法主要利用机器学习方法进行识别，常用的方法有k-means聚类方法、模糊c均值、id3决策树等方法，但是传统的机器学习的聚类方法基于无监督学习，不能实现高精度的识别。
4.深度学习技术的优势在于能由数据驱动且具有自适应的学习事务特征，对具体数学模型依赖程度低，并具有对源域的迁移学习能力。卷积神经网络(convolutional neural networks，cnn)是目前深度学习领域在分类领域研究的典型模型，一类包含卷积计算且具有深度结构的前馈神经网络，cnn常被用于图像领域，利用cnn提取负荷特征，可以实现高精度的负荷分类结果。
5.虽然深度学习在很多方面表现非常突出，但是深度模型犹如一个“黑盒子”一样，通过训练其可以得到很好的结果，但是关于如何确定使结果更好的参数问题以及获得结果的原因并没有给出解释，当结果出现误差时，也不能给出合理的解释，这也是深度学习的局限性，研究深度学习的可解释性变得尤为重要。可解释性分为事前可解释性和事后可解释性，事前可解释性是指对于训练好的模型不需要额外的信息就可以理解模型决策依据，事后可解释性是指整体上理解模型的工作机制与逻辑或者分析输入样本每一维特征对结果的贡献程度。
6.本文提出了基于深度学习用电负荷模式识别并对其进行可解释性研究。首先对负荷数据进行负荷照影，将其转化为hsv图像，进而转化为具有可解释性的rgb负荷照影；接着用2d-cnn网络(二维卷积神经网络)对负荷照影进行特征提取，设计cnn模型以得到高精度的分类结果；在模型可解释性上，本文提出一种表征可视化技术及反cnn技术，第一种是将上述训练好的模型进行表征可视化，可视化卷积层和池化层的特征图，从而可以看到提取到的每一类的不同的特征，增强分类结果的可信度和模型的可解释性；反cnn顾名思义就是cnn的逆过程，利用反cnn复现一个已经训练好的cnn，从而可以得到各层图像和复现的结果，通过比较负荷照影和复现图说明了卷积模型的可信性，增强模型可解释性。利用深度学习模型克服了机器学习识别精度不高的问题，而面对深度学习不可解释性的问题，通过正反两个方向进行可解释性研究，在提高识别精度的同时，并对cnn的可解释性进行研究，增
加了模型的可解释性。


技术实现要素：

7.本发明的目的在于，针对传统负荷模式识别方法识别精度不高及深度学习不具有解释性的问题，提供一种基于深度学习用电负荷模式识别并对其进行可解释性研究方法。
8.本发明采用具有强大特征提取能力的卷积神经网络(convolutional neural networks，cnn)作为主要架构，并结合表征可视化及构建反cnn对已训练好的cnn模型进行可解释性研究。利用深度学习方法克服了机器学习识别精度不高的问题，并对cnn模型的可解释性进行了研究，克服了深度学习的“黑盒”特点。本发明的方法同时具有良好的泛化能力。
9.一种基于深度学习用电负荷模式识别并对其进行可解释性研究方法，该方法可以分为两大过程，首先是利用负照影技术将负荷数据转化为负荷照影，再将负荷照影输入cnn中进行训练得到分类结果；然后将训练好的模型进行保存，利用表征可视化方法对卷积层和池化层进行可视化展示；将池化后的结果输入到反cnn中对负荷照影进行复现，并返回反池化及反卷积后的结果，从而对模型进行可解释性，具体步骤为：
10.步骤1：输入负荷数据，将数据转化为hsv图像，再将hsv图像转为为rgb图像；
11.步骤2：采用含有两层卷积层和一层池化层的2d-cnn(二维卷积神经网络)提取特征，并在每一层进行归一化操作，中间层采用relu激活，最后使用三个全连接层和softmax函数输出16种分类结果；
12.步骤3：步骤2训练模型进行保存，利用表征可视化技术将步骤2生成的模型中的卷积层和池化层进行可视化，可视化三组特征图，每组特征图由32张图片，通过观察学习到负荷特征了解分类依据；
13.步骤4：复现负荷照影，利用步骤2训练模型的过程，利用含有一层反池化层和两层反卷积层的二维反cnn进行上采样过程，并在每一层进batch normalization归一化操作，中间层采用relu激活，最后输出反池化层和反卷积层得到的负荷图片和最后复现的负荷照影；
14.所述的负荷数据预处理步骤为：
15.步骤1：将负荷进行预处理，以确保所有串行数据按时间排序并保持在正确的位置，如果某些位置缺少数据，在此处插入空白区域，以确保时间的连续性；
16.步骤2：将所有基本参数存储到加载照片的第一行，并用白色填充第一行的其余部分；
17.步骤3：规范化加载数据，使其位于[0,1]区间内；
[0018]
步骤4：将标准化负荷数据θi转换为hsv(hi，si，vi)颜色值；
[0019]
步骤5：将hsv(hi，si，vi)颜色值转换为rgb(ri，gi，bi)像素值；
[0020]
步骤6：按时间顺序排列由rgb(ri、gi、bi)创建的像素，从而形成负荷照影。
[0021]
所述的cnn模型构建步骤为：
[0022]
步骤1：建立一个含有两层卷积层、一个池化层、三个全连接层和一个输出层的cnn模型，并在卷积层和池化层进行batch normalization归一化操作，中间层采用relu激活；
[0023]
步骤2：将经过预处理后的负荷照影输入到步骤1所建立的cnn模型中，从而输出16
种分类结果；
[0024]
所述的cnn表征可视化的步骤为：
[0025]
步骤1：保存已经训练好的cnn模型；
[0026]
步骤2：利用表征可视化技术将各卷积层和池化层进行可视化，可以看到提取的负荷低层特征和高层特征，可以看到分类依据，从而实现模型的可解释性；
[0027]
所述的反cnn负荷复现的步骤为：
[0028]
步骤1：将反池化得到的结果放到反卷积神经网络中进行反池化操作，得到32张复现的图像；
[0029]
步骤2：将步骤1得到的图片再放到反卷积神经网络中进行两次反卷积操作，得到最终复现的图像；
附图说明
[0030]
图1是基于cnn模型的方法结构图。
[0031]
图2是基于深度学习用电负荷模式识别的可解释性方法结构图。
具体实施方式
[0032]
下面结合附图1、附图2和实施例对基于深度学习用电负荷模式识别的可解释性方法作详细介绍，但本发明的实施不局限于此。
[0033]
实施例：
[0034]
如图1所示，本实施例的基于cnn模型的负荷分类结构，以cnn进行主体模型构造，搭建一个含有卷积层和池化层的卷积神经网络结构。
[0035]
如图2所示，本实施例的基于深度学习用电负荷模式识别的可解释性方法网络结构，以cnn进行主体模型构造，以表征可视化结合反cnn模型为可解释性模型主体，搭建一个基于cnn模型的具有可解释性方法的负荷模式识别模型。
[0036]
整个模型的建立步骤如下：
[0037]
(1)准备配电网量测数据：采用来源于美国能源部(united states department of energy，doe)商业参考建筑模型的16种商业建筑类型的每小时负荷数据，将采集到的完整数据样本按一定比例分为模型训练数据train_data和测试数据test_data，训练数据批次设置为64。
[0038]
(2)对数据进行预处理：首先需对数据进行预处理确保所有串行数据按时间排序并保持在正确的位置，将基本参数存储到加载照片的第一行，规范化加载数据，将标准化负载数据转化成hsv颜色值，将hsv颜色值转化成rgb像素值，将时间顺序排列由rgb创建像素，从而形成负荷照影；
[0039]
(3)卷积神经网络训练模型：卷积神经网络(convolutional neural networks，cnn)包括七层包括两个卷积层、一个池化层、三个全连接层和输出层，采用cnn模型进行数据特征提取，对二维卷积神经网络每一层进行batch normalization归一化操作来加速收敛并减缓过拟合，中间层采用relu(rectified linear unit)激活，最后使用全连接和softmax函数输出16种分类结果；
[0040]
(4)可解释性训练模型，步骤如下：
[0041]
a)表征可视化技术：利用表征可视化技术将各卷积层和池化层进行可视化，可以看到提取的负荷低层特征和高层特征，从而实现分类依据并实现模型的可解释性。
[0042]
b)将反池化得到的结果输入到反cnn中，其中反cnn包括两个反卷积层和一个反池化层，反cnn是cnn的逆过程，其中卷积操作表示为：
[0043]
y＝cx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.1)
[0044]
其中，y为特征图矩阵，c为卷积核，x为输入图矩阵。
[0045]
反卷积操作表示为：
[0046]
x＝c
tyꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.2)
[0047]
其中，x为输出图片，c为卷积核，y为卷积后输入的图片。
[0048]
通过反卷积神经网络得到每层和最终复现的图像。
[0049]
本发明提供了一种基于深度学习用电负荷模式识别的可解释性方法，属于负荷识别处理技术领域。该方法利用卷积神经网络(convolutional neural networks，cnn)提取特征的思想，并利用表征可视化及反cnn技术对cnn模型进行了可解释性研究。本发明完全基于数据驱动，克服了配电网复杂环境下，基于业务机理建立数学重构模型在适应性、算法效率和准确性多方面的局限性。使用该方法避免了传统识别方法精度不高的问题，并改善了传统cnn不可解释的缺陷，具有较高的精确度和可信度。