基于深度可分离卷积的轻量化广义负荷分解方法与流程

1.本发明属于非侵入式电力负荷监测领域，具体涉及一种基于深度可分离卷积的轻量化广义负荷分解方法。


背景技术：

2.随着智能电网的不断发展以及智能传感技术的持续推广，电力大数据分析已逐渐成为电力行业专家学者们研究的热点
1.。在新型电力系统中，广义负荷包括常规负荷、风电和光伏发电等分布式电源及电动汽车、储能等，其具有负荷成分多元、运行特性复杂、影响因素多样以及响应能力灵活等特点，如何从多种源荷设备运行数据中获取广义负荷的有用信息，推动电力公司与用户良性互动，优化电网运行的同时保障双方利益，是电力行业关注的重点。
3.非侵入式负荷监测(non-intrusive load monitoring，nilm)技术是指仅在用户入口处安装一个传感器，通过采集和分析用户总口数据来监测户内每个或每类电器的用电功率和工作状态，从而了解居民家中各电器的耗电情况及用电规律。nilm技术对于优化电网规划、运行与管理，用户节省电能及电费具有重要意义，同时也是推动需求侧精细化管理、节能减排的关键技术之一
2.。
4.nilm技术自提出以来便受到了广泛关注，目前已有多种方法被应用于非侵入式负荷分解中，其中近年来热门的深度学习理论，已经成为了实现nilm技术的重要工具。其中，卷积神经网络能够有效挖掘多种源、荷设备的内部特征，且基于卷积神经网络提出的seq2point模型
3.将nilm问题转化为序列到点模型的训练过程，依据不断滑动的总功率窗口序列得到单个源荷设备窗口的中点功率值，在负荷分解领域展现出良好的效果。由于该模型具有超过数百万的参数需要微调，而且也需要大量的标签数据进行训练，因此仅能在云端进行训练和验证。然而，云端和边缘端进行大量的数据传输增加了通信成本，同时也对用户的隐私安全产生了一定的隐患。因此，针对上述问题，亟需对模型进行轻量化设计，使其仅在边缘设备上完成训练、验证及测试。
5.[参考文献]
[0006]
[1]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[j].电网技术,2016,40(03):791-796.
[0007]
[2]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[j].南方电网技术,2013,7(04):1-5.
[0008]
[3]c.zhang,m.zhong and z.wang,et al.sequence-to-point learning with neural networks for non-intrusive load monitoring[c],in proceedings of the aaai conference on artificial intelligence,2018.
[0009]
[4]a.g.howard,m.zhu and b.chen,et al.mobilenets:efficient convolutional neural networks for mobile vision applications[c],in computer vision and pattern recognition,2017.
[0010]
[5]j.kelly and w.knottenbelt.the uk-dale dataset,domestic appliance-level electricity demand and whole-house demand from five uk homes[j].scientific data,vol.2,150007(2015).


技术实现要素：

[0011]
考虑到深度可分离卷积
[4]
是将常规卷积层分解为逐通道卷积和逐点卷积，极大程度地减小了卷积层的参数，降低了模型计算复杂度，对于卷积神经网络的轻量化具有重要作用。因此，本发明将深度可分离卷积和经典序列到点神经网络相结合，提出了一种基于深度可分离卷积的轻量化序列到点神经网络模型，旨在解决nilm技术在用户侧边缘设备上部署应用的问题。
[0012]
为了解决上述问题，本发明提出的一种基于深度可分离卷积的轻量化广义负荷分解方法，主要包括：
[0013]
步骤1、对经典序列到点卷积神经网络进行轻量化设计：基于深度可分离卷积对由5层卷积层和1层全连接层组成的经典序列到点卷积神经网络进行轻量化设计，从而减小网络模型参数的数量和计算复杂度；
[0014]
步骤2、通过广义负荷数据集对上述轻量化的序列到点卷积神经网络进行有监督训练和验证，得到的网络模型即用于从总功率信号中分解出单个电源或负荷设备发出或消耗功率的广义负荷分解模型；
[0015]
步骤3、将目标广义负荷节点的总功率信号数据输入到上述广义负荷分解模型中，所述广义负荷分解模型的输出是从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。
[0016]
进一步讲，本发明所述方法的具体内容如下：
[0017]
步骤1包括：所述的经典序列到点卷积神经网络的结构由5层卷积层和1层全连接层组成，将后4层卷积过程分离，先进行逐通道卷积，再进行逐点卷积，最后对全连接层部分神经元进行剪枝，得到轻量化的序列到点卷积神经网络；
[0018]
步骤2中，所述的广义负荷数据集包括广义负荷节点有标签总功率数据，获取数据集中的训练、验证和测试数据，对所用到的序列数据进行归一化处理；在有监督训练和验证过程中，通过有监督的方式更新网络参数；所述轻量化的序列到点卷积神经网络的输入是目标广义负荷节点的总功率信号数据窗口序列，该网络的输出是该段窗口序列中点时刻对应的功率值；
[0019]
步骤3包括：将目标广义负荷节点的总功率信号数据窗口序列输入到步骤2训练后所得的广义负荷分解模型中，该广义负荷分解模型的输出是单个电源或负荷设备功率窗口的中点值；随着该网络模型输入窗口的不断滑动，将广义负荷节点中单个电源或负荷设备功率窗口的中点值时序组合为单个电源或负荷设备的功率分解序列。
[0020]
步骤2中，对所用到的序列数据按照下式进行归一化处理，
[0021][0022]
式(1)中，x
t
为功率序列的真实量测值，为功率序列的平均值，σ为功率序列的标准差，所述的功率序列包括总功率序列和负荷的功率序列。
[0023]
步骤2中，所述轻量化的序列到点卷积神经网络的输入表示为总功率序列滑动窗口y
t：t+w-1
，t为时刻，w表示总功率序列滑动窗口的长度，w为奇数，该轻量化的序列到点卷积神经网络的输出是广义负荷节点所含第m个电源或负荷设备功率序列窗口的中点值有监督训练和验证过程的轻量化的序列到点卷积神经网络模型如式(2)所示：
[0024][0025]
式(2)中，ε是w维的高斯随机噪声；
[0026]
有监督训练过程中的损失函数具体表示为：
[0027][0028]
式(3)中，θ
p
是网络参数，t是输入的总功率序列的总长度，将总功率序列值y
t：t+w-1
输入至该轻量化的序列到点卷积神经网络时，在所述总功率序列的两端增加长度为[(w-1)/2]的零值。
[0029]
与现有技术相比，本发明的有益效果是：本发明针对现有nilm卷积神经网络模型参数量和计算量复杂的问题，设计了一种基于深度可分离卷积的轻量化序列到点负荷分解方法，极大程度地减小了模型训练的参数量和计算量，为轻量化模型在边缘设备的应用提供了有效支撑。
附图说明
[0030]
图1是本发明基于深度可分离卷积的广义负荷分解方法的流程图；
[0031]
图2是本发明所设计的轻量化序列到点卷积神经网络结构。
具体实施方式
[0032]
下面结合附图及具体实施案例对本发明做进一步的说明，但下述实施案例绝非对本发明有任何限制。
[0033]
本发明提出的一种基于深度可分离卷积的轻量化广义负荷分解方法的设计思路是：根据卷积的深度分离过程将卷积分为逐通道卷积和逐点卷积，完成经典序列到点卷积神经网络的轻量化设计，可以极大程度地减小模型参数的数量和计算复杂度，通过对广义负荷数据集的有监督训练和验证得到轻量化的序列到点卷积神经网络模型，可实现单个电源或负荷设备的发电或耗电功率从总功率信号序列中的分解。
[0034]
实现本发明方法共包含神经网络模型训练和验证模块以及神经网络模型测试模块，首先是网络训练和验证模块，然后是网络测试模块，详细的流程图如图1所示，所述的网络训练和验证模块旨在获得可以进行广义负荷分解的轻量化序列到点神经网络模型，首先对网络参数进行初始化，然后对网络进行训练验证得到广义负荷分解模型；所述的网络测试模块旨在判断网络模型的分解效果。将滑动的总功率窗口代入已建立的神经网络模型，得到单个广义负荷设备的功率序列。
[0035]
利用上述2个功能模块实现基于深度可分离卷积的轻量化广义负荷分解方法，包括以下步骤：
[0036]
步骤1、对经典序列到点卷积神经网络进行轻量化设计：基于深度可分离卷积对由
5层卷积层和1层全连接层组成的经典序列到点卷积神经网络进行轻量化设计，从而减小网络模型参数的数量和计算复杂度；所述的经典序列到点卷积神经网络的结构由5层卷积层和1层全连接层组成，将后4层卷积过程分离，先进行逐通道卷积，再进行逐点卷积，最后对全连接层部分神经元进行剪枝，得到轻量化的序列到点卷积神经网络，如图2所示。
[0037]
步骤2、利用数据集中广义负荷节点有标签总功率数据对上述轻量化的序列到点卷积神经网络进行有监督训练和验证，得到的网络模型即用于从总功率信号中分解出单个电源或负荷设备发出或消耗功率的广义负荷分解模型。
[0038]
所述的广义负荷数据集包括广义负荷节点有标签总功率数据，获取数据集中的训练、验证和测试数据，对所用到的序列数据按照下式进行归一化处理，即功率减去其平均值再除以其标准差。
[0039][0040]
式(1)中，x
t
为功率序列的真实量测值，所述的功率序列包括总功率序列和负荷的功率序列，其序列值通过设备量测得到，为功率序列的平均值，σ为功率序列的标准差。
[0041]
由于本发明所应用的是轻量化序列到点卷积神经网络，因此，网络的输入是目标广义负荷节点的总功率信号数据窗口序列，网络的输出应为该段窗口序列中点时刻对应的功率值，即为标签；而非窗口序列。因此，在有监督训练和验证过程中，通过有监督的方式更新网络参数；所述轻量化的序列到点卷积神经网络的输入是目标广义负荷节点的总功率信号数据窗口序列，该网络的输出是该段窗口序列中点时刻对应的功率值；具体地，所述轻量化的序列到点卷积神经网络的输入表示为总功率序列滑动窗口y
t：t+w-1
，t为时刻，w表示总功率序列滑动窗口的长度，w为奇数，该轻量化的序列到点卷积神经网络的输出是广义负荷节点所含第m个电源或负荷设备功率序列窗口的中点值有监督训练和验证过程的轻量化的序列到点卷积神经网络模型如式(2)所示：
[0042][0043]
式(2)中，ε是w维的高斯随机噪声；
[0044]
有监督训练过程中的损失函数具体表示为：
[0045][0046]
式(3)中，θ
p
是网络参数，t是输入的总功率序列的总长度，将总功率序列值y
t：t+w-1
输入至该轻量化的序列到点卷积神经网络时，需在所述总功率序列的两端增加长度为[(w-1)/2]的零值。
[0047]
步骤3、由于该轻量化的序列到点卷积神经网络的输出是单个电源或负荷设备窗口序列的中点值，但随着序列窗口的不断滑动，连续的中点功率值可以得到并组成目标设备的功率序列。因此，将目标广义负荷节点的总功率信号数据输入到式(2)所示的广义负荷分解模型中，随着该网络模型输入窗口的不断滑动，将广义负荷节点中单个电源或负荷设备功率窗口的中点值进行时序组合，从而得到单个电源或负荷设备的功率分解序列。
[0048]
研究材料实例：
[0049]
以实际应用场景为例，利用本发明方法实现非侵入式轻量化负荷分解的具体步骤如下：
[0050]
1)获取数据集中的训练、验证和测试数据，对数据进行归一化处理；
[0051]
以英国的uk-dale公开数据集
[5]
为例，选择uk-dale数据集中的1号建筑数据作为训练数据集，5号建筑数据作为验证数据集，2号建筑数据作为测试数据集。选择5种广义负荷设备，即：电热水壶、微波炉、冰箱、洗碗机和洗衣机，在本发明设计的如图2所示的轻量化的序列到点卷积神经网络结构下进行负荷分解。
[0052]
2)对轻量化序列到点神经网络参数进行初始化，将归一化后的数据输入网络结构中进行训练并得到网络模型；轻量化序列到点神经网络模型占用内存0.03兆字节和0.066兆浮点数运算，与经典的序列到点seq2point模型占用内存13.84兆字节和6.42兆浮点数运算相比，分别降低了461倍和97倍。
[0053]
3)对训练好的模型进行测试，将2号建筑的总功率序列输入训练好的模型，从而对2号建筑的负荷进行分解。
[0054]
本研究材料实例中，对于负荷分解结果的评价指标包括平均绝对误差(mean absolute error,mae)和信号总误差(signal aggregate error,sae)，其表达式如下所示：
[0055][0056][0057]
这里，mae用来计算功率预测值(也即通过本发明方法得到的功率分解值)与真实量测值x
t
之间的绝对误差的平均值，其中t表示测试时段的总时长，而sae用来计算测试时段内电量预测值和真实值r之间的误差比值。
[0058]
利用本发明方法进行少量有标签数据情况下负荷分解的mae和sae结果如表1所示。
[0059]
表1分解结果的mae和sae指标
[0060][0061]
由上述研究材料可知，本发明方法能够极大程度地减小神经网络模型的参数量和计算量，且在边缘端较快实现nilm的同时具有不错的分解效果。
[0062]
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。