基于深度学习的半自适应式非侵入式电负荷监测方法

1.本发明涉及电力负荷监测技术领域，特别是指一种基于深度学习的半自适应式非侵入式电负荷监测方法。


背景技术：

2.随着经济的发展和人民生活水平的提高，每年住宅用电量稳步增长，电能消耗的快速增加会加重对环境的负面影响。监测家用电器的能耗信息可以帮助决策制定者和用户了解家庭电能消耗的构成、模式和特点，从而帮助决策制定者制定节能减排政策，引导用户合理安排用电设备的使用。传统的侵入式负荷分解(intrusive load monitoring,ilm)要求每个用电设备都需要配备拥有通信功能的测量设备，这会增加部署和维护测量设备成本。非侵入式负荷监测(non-intrusive load monitoring,nilm)则可以仅在电网的入户处安装监测仪器，利用算法对采集的总用电信息进行分析，实现对其下各个用电设备用电状况的监测。对于大规模部署，非侵入式负荷监测系统可以显著降低安装复杂性和减少维护成本。
3.目前为止，较广泛研究的非侵入式电负荷监测方法主要有两种：一是以马尔可夫模型结合序贯贝叶斯推断(sequential bayesian inference)的传统方法，二是基于深度学习的方法。从现有情况看，基于深度学习的方法在数据驱动的支撑下，在准确度与效率方面远远超越传统方法。
4.然而当前基于深度学习的方法也存在其问题：过于依赖特定的训练数据集而导致的方法泛化能力不足，普适性差；普通基于深度学习的非侵入式电负荷监测方法往往只对数据集中包含的电器类型、电器型号具备较好的监测效果，而对数据集外的其他电器类型、电器型号则效果较差，这是因为这些神经网络学习的更多地是各种类型所具备的普遍特征，例如不同型号冰箱所具备的共同特征；而忽视了同一类型电器的不同型号个体也具备其专有特征，例如同样是冰箱，不同品牌冰箱在工作时的功率曲线也会有很大的差异，而这类专有特征对负荷监测也起到极为重要的作用。


技术实现要素：

5.本发明的主要目的在于克服现有技术中基于深度学习非侵入式电负荷监测方法的缺陷，提出一种基于深度学习的半自适应式非侵入式电负荷监测方法，将目标电器个体的特征模式提取与电器负荷信号分解进行有机结合，有效解决了现有基于深度学习的负荷监测方法中对不同型号电器泛化能力不足的问题。
6.本发明采用如下技术方案：
7.基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：包括如下步骤：
8.1)通过用户总负荷与单电器负荷信息建立总数据集；
9.2)搭建包含分离主网络和特征提取子网络的深度学习模型；
10.3)设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型；
11.4)网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。
12.优选的，步骤1)中，对所述用户总负荷与所述单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；所述总数据集中，单个样本的数学模型可以表示为：
[0013][0014]
其中t表示时间，y(t)表示t时刻样本家庭总负荷信号，xi(t)表示t时刻第i个电器的负荷信号，n代表系统中的电器总数，n(t)表示噪声信号。
[0015]
优选的，所述抽样、重叠窗分段是指：对所述用户总负荷与所述单电器负荷信息在时间上进行均匀采样，以减少数据的冗余，并依据各个电器工作特性不同，用不同大小的重叠窗将原始长时间序列信号分割成短时间序列。
[0016]
优选的，所述电器激活信号提取和激活信号重新组合是指：分别提取xi(t)中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据。
[0017]
优选的，步骤2)中，所述分离主网络采用卷积层堆叠构成，包括前端卷积和后端卷积模块，所述前端卷积模块提取电器普适性特征，所述后端卷积模块进行目标电器的负荷分解任务；所述后端卷积模块有两个输入：一个输入是由所述前端卷积模块传递过来的隐变量，一个输入是由所述特征提取子网络传递过来的特征信息，所述后端卷积模块对两个输入进行特征合并处理。
[0018]
优选的，所述特征提取子网络包含卷积层、残差网络模块以及全连接层；所述特征提取子网络输入目标电器的激活负荷信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果。
[0019]
优选的，步骤3)中，所述深度学习模型采用了多任务目标的深度学习方式，同时约束所述分离主网络的分离性能和所述特征提取子网络的特征提取性能，损失函数如下所示：
[0020][0021][0022]
l＝l1+l2[0023]
其中，l1为分离主网络输出与标签之间的均方误差，t为负荷信号的总长度，t表示时间，y(t)为随时间t变化的总负荷信号，x(t)为随时间t变化的目标电器实际负荷信号为总负荷信号，为目标电器实际负荷信号，w表示网络参数，a表示由特征提取子网络提取出的目标电器特征信息，f(
·
)表示网络模型所代表的映射关系；l2为特征提取子网络输出与标签之间的交叉熵，m表示共有m种电器种类，am表示第m种电器激活信号，ym为第m种电器的标
签，g(
·
)表示网络模型所代表的映射关系；l1与l2相加得到网络训练的总损失函数l。
[0024]
优选的，步骤3)中，所述网络训练时，输入的数据分为两类：一类包含总负荷信号、目标电器激活信号，用于训练分离主网络和特征提取子网络；另一类包含多种不同电器激活信号，用于训练特征提取子网络。
[0025]
优选的，所述网络训练的具体方法为：
[0026]
将步骤1)中得到的总数据集输入到深度学习模型中训练网络，采用反向传播算法结合多任务模型训练，计算损失函数，并以此更新网络中的参数；当达到预定的最大迭代次数时或损失函数不再下降时，终止训练，获得优化后的深度学习模型。
[0027]
优选的，在步骤4)中，所述网络测试的具体为：将步骤1)中得到总数据集输入到优化后的深度学习模型中，得到经网络分离提取的目标电器负荷信号，并与标签进行比较以验证优化后的深度学习模型的性能。
[0028]
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
[0029]
1、本发明的方法，实现了从混合多种电器负荷信号的家庭用电总负荷信号中提取目标电器负荷信号的功能，针对电表采集到的原始数据，通过对电器激活信号的提取以及重新混合，有效扩充了数据量以及增加了数据多样性，降低了对训练数据集规模的要求，一定程度上增强了网络泛化能力。
[0030]
2、本发明的方法，通过建立分离主网络和特征提取子网络结合的神经网络模型，除了注重网络对目标类型电器普遍特征的识别和分离外，还注意到了网络对不同类型电器个体特有特征提取的能力。因此在非侵入式电负荷监测方面，相比于传统方法和其他基于深度学习的方法，本发明提出的方法在负荷监测准确性方面更具优势。同时由于对不同电器个体具有适应性的特征提取能力，因此在泛化性和普适性方面也明显由于其他方法。
附图说明
[0031]
图1(a)为包含洗碗机功率信号在内的混合总功率信号；
[0032]
图1(b)为图1(a)中包含的洗碗机功率信号，即标签；
[0033]
图1(c)为一段洗碗机的激活信号；
[0034]
图2(a)是网络整体架构；
[0035]
图2(b)为图2(a)中用到的堆叠卷积模块(stack cnns)结构；
[0036]
图2(c)为图2(a)中用到的残差网络模块(resblock)结构；
[0037]
图3(a)为以洗碗机为例的分离结果，从左到右依次为总功率信号、标签、网络分离结果；
[0038]
图3(b)为以热水壶为例的分离结果，从左到右依次为总功率信号、标签、网络分离结果。
[0039]
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
[0040]
以下通过具体实施方式对本发明作进一步的描述。
[0041]
本发明中，对于术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于描述中，采用了“上”、“下”、“左”、“右”、“前”和“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0042]
另外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0043]
基于深度学习的半自适应式非侵入式电负荷监测方法，包括如下步骤：
[0044]
1)通过用户总负荷与单电器负荷信息建立总数据集。
[0045]
对用户总负荷与单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；总数据集中，单个样本的数学模型可以表示为：
[0046][0047]
其中t表示时间，y(t)表示t时刻样本家庭总负荷信号，xi(t)表示t时刻第i个电器的负荷信号，n代表系统中的电器总数，n(t)表示噪声信号。
[0048]
抽样、重叠窗分段是指：对用户总负荷与单电器负荷信息在时间上进行均匀采样，以减少数据的冗余，并依据各个电器工作特性不同，用不同大小的重叠窗将原始长时间序列信号分割成短时间序列。
[0049]
电器激活信号提取和激活信号重新组合是指：分别提取xi(t)中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据。
[0050]
以开源数据库ukdale为例，为保证网络泛化能力，训练集与测试集选择ukdale中不同的家庭制作数据集。之后对原始功率信号进行采样，采样间隔为6秒，再对采样后的信号进行重叠窗分段，窗口大小为t，步长为s，得到网络的输入总功率信号和对应多个电器功率信号；同时分别对各个家庭的各个电器进行工作状态功率信号的提取，作为输入特征子网络的激活信号。其中图1(a)-图1(c)给出总数据集中信号示例。图1(a)为总功率信号；图1(b)为总功率信号中包含的目标电器功率信号，即标签；图1(c)为目标电器激活功率信号。注意同一个样本中，标签与激活信号不是同一段信号。
[0051]
为了扩充数据集，将各个电器的激活信号进行随机重新组合、相加，得到新的样本数据。根据目标的电器的不同特性不同，重叠窗的窗口大小t和步长s取不同数值。以数据集中家庭的总功率信号作为分离主网络的输入，家庭中各个电器的激活信号作为特征提取网络的输入，家庭中各个电器的实际功率信号作为网络训练、验证和测试的标签，构建训练集、验证集和测试集。
[0052]
2)搭建包含分离主网络和特征提取子网络的深度学习模型。
[0053]
分离主网络采用卷积层堆叠构成，包括前端卷积和后端卷积模块，前端卷积模块提取电器普适性特征，后端卷积模块进行目标电器的负荷分解任务；后端卷积模块有两个输入：一个输入是由前端卷积模块传递过来的隐变量，一个输入是由特征提取子网络传递
过来的特征信息，后端卷积模块对两个输入进行特征合并处理。
[0054]
特征提取子网络包含卷积层、残差网络模块以及全连接层；特征提取子网络输入目标电器的激活负荷信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果。
[0055]
图2(a)给出整体网络模型，网络模型包括：网络模型的主体结构、网络模型的损失函数和相关的训练参数。网络模型的主体结构包括分离主网络和特征提取子网络。分离主网络由一层卷积层、一层1
×
1卷积层、b个卷积堆叠模块、一层1
×
1卷积层、一层注意力层、一层卷积层构成；卷积堆叠模块如图2(b)所示，由一层1
×
1卷积层、一层空洞卷积层、一层1
×
1卷积层构成；注意该模块由两个输入：一个输入是由之前神经网络层传递过来的隐变量，一个输入是由特征提取模块传递过来的特征信息，模块对两个输入进行特征合并处理。特征提取子网络按输入到输出顺序，由一层卷积层、一层1
×
1卷积层、r个残差网络模块、一层1
×
1卷积层、一层平均池化层、一层线性层构成。残差网络模块如图2(c)所示，由两层1
×
1卷积层、一层最大池化层构成；该模块的输入目标电器激活功率信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果。
[0056]
3)设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型。
[0057]
深度学习模型采用了多任务目标的深度学习方式，同时约束分离主网络的分离性能和特征提取子网络的特征提取性能，网络训练时所采用的损失函数如下所示：
[0058][0059][0060]
l＝l1+l2[0061]
其中，l1为分离主网络输出与标签之间的均方误差，t为负荷信号的总长度，为总负荷信号，为目标电器实际负荷信号t表示时间，y(t)为随时间t变化的总负荷信号，x(t)为随时间t变化的目标电器实际负荷信号，w表示网络参数，a表示由特征提取子网络提取出的目标电器特征信息，f(
·
)表示网络模型所代表的映射关系；l2为特征提取子网络输出与标签之间的交叉熵，m表示共有m种电器种类，am表示第m种电器激活信号，ym为第m种电器的标签，g(
·
)表示网络模型所代表的映射关系；l1与l2相加得到网络训练的总损失函数l。
[0062]
网络训练时，输入的数据分为两类：一类包含总负荷信号、目标电器激活信号，用于训练分离主网络和特征提取子网络；另一类包含多种不同电器激活信号，用于训练特征提取子网络。网络训练的具体方法为：
[0063]
将步骤1)中得到的总数据集输入到深度学习模型中训练网络，调整网络参数，直至多任务训练损失函数下降至收敛并趋于稳定，得到功能化的网络模型；其中训练集中的总负荷信号输入分离主网络，目标电器激活信号输入特征提取子网络。训练网络方式为：采用反向传播算法结合多任务模型训练，计算损失函数，并以此更新网络中的参数；当达到预定的最大迭代次数时或损失函数不再下降时，终止训练，获得功能化的网络模型。
[0064]
4)网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。
[0065]
网络测试的具体为：将步骤1)中得到总数据集中的总功率信号输入到步骤3)得到的优化后的深度学习模型的分离主网络，目标电器激活信号输入到特征提取子网络，得到经网络分离的目标电器功率信号，并与步骤1)中生成的标签进行比较以验证优化后的深度学习模型的性能。
[0066]
图3(a)和图3(b)是基于多任务模式深度学习的半自适应式非侵入式负荷分解方法对总功率信号进行目标电器功率信号分离的实例演示。图3(a)展示了以洗碗机为例的分离结果，从左到右依次为总功率信号、标签、网络分离结果；图3(b)展示了以热水壶为例的分离结果，从左到右依次为总功率信号、标签、网络分离结果。
[0067]
由于测试集中的样本家庭与训练集中的样本家庭不同，所述功能化的网络泛化性较强，在测试集上有较好的表现，有效地从总电表信号中提取出目标电器的功率信号。
[0068]
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。