基于图编码和迁移学习的非侵入式负荷识别方法

本发明属于非侵入式电力负荷监测，具体涉及一种基于图编码和迁移学习的非侵入式负荷识别方法。

背景技术：

1、随着电力系统的发展，用电需求的不断上升，国家要求各地进一步完善分时电价机制，更好地引导用户削峰填谷，改善电力供需状况，促进新能源的消纳。与侵入式负荷监测相比，非侵入式负荷识别不需要对所检测的每一个用电设备安装监控装置就可以获取该电器的状态和功耗，且成本低、易部署、可推广性强，为各地科学划分峰谷时段，合理定制峰谷电价差价提供有力的理论依据。

2、深度学习理论和方法为非侵入式负荷监测提供了新的手段，其优点是可以通过多个非线性变换可以直接从原始数据中提取到更高维度的负荷特征，从而避免传统特征提取中导致的信号损失和误差累计。非侵入式负荷识别中，通常使用单参数的一维时序数据作为输入，序列间存在相关的依赖关系并且序列较长，训练代价较大。使用简单的方法实现长序列数据的非侵入负荷识别具有重要的现实意义。

3、相比于传统的训练模型，迁移学习利用源领域训练好的模型参数直接开始在目标领域上进行训练，减少了大量的训练时间和计算资源，同时利用已经训练好的神经网络结构和优秀的特征表达，经过微调就可以实现良好的效果，也适合移植到硬件资源受限的设备上。将一维时序数据转换为二维图像，输入到训练成熟的预训练模型中可以极大的提高识别效率，为监测、识别用电设备，并作出进一步的用电规划提供了理论依据。

技术实现思路

1、本发明的目的是提供一种基于图编码和迁移学习的非侵入式负荷识别方法，解决了现有技术中存在的单参量用电设备的识别问题、避免长序列数据间的依赖，提高模型的泛化能力和用电设备的监测和分类效率。

2、本发明所采用的技术方案是，基于图编码和迁移学习的非侵入式负荷识别方法，具体按照以下步骤实施：

3、步骤1、采集不同家用设备的录波数据，构成原始数据集，并将其按照7：2：1的比例划分为训练数据集、验证数据集、测试数据集；

4、步骤2、采用分段聚合近似paa-s算法对步骤1中原始数据集中数据进行分段聚合近似，把长序列映射为短序列，使短序列数据与原始长序列数据趋势相似；

5、步骤3、将步骤2中的短序列数据加入位置编码，保留原始数据的时序特征，再转换为二维图像数据；

6、步骤4、构建基于迁移学习的resnet18预训练模型，将步骤3中加入位置编码的二维数据导入基于迁移学习的resnet18预训练模型，进行训练并测试模型性能，最终实现对用电器的分类识别。

7、本发明的特点还在于，

8、步骤2具体按照以下步骤实施：

9、假设所述步骤1中的录波数据是长度为n的短序列数据，将该短序列数据分为s段，每段的长度l为：

10、l＝n/s                    (1)

11、接着对于每个段定义一个长度为l的向量a(i)，a(i)表示第i段的数据，对向量a(i)应用paa-s算法，得到一个新值a_i，即通过简单的线性回归拟合一个直线模型，表示该线性段的趋势，得到斜率k(i)和截距b(i)，其中斜率和截距计算公式如下：

12、

13、b(i)＝y(i,1)-k(i)·x(i,1)                (3)

14、其中y(i,l)和y(i,1)分别是第i段的最后一个点和第一个点的值，x(i,l)和x(i,1)分别是第i段起始到结束对应的时间；y(i,1)和x(i,1)表示第i段短序列的起点，

15、对于第i段，线性模型表示为：

16、y(i)＝k(i)·x+b(i)                  (4)

17、其中，y(i)表示该段内所有数据点的均值，x表示时间点，将每个段的所有数据点视作y，则序列y＝{a1,a2,...,as}，其中as表示该段内所有数据点的均值，经过重采样后，得到输出序列z，则序列z＝{z1,z2,...,zm}，其中zm为重采样后所有数据点的均值，其中m为输出序列的长度，重采样的计算公式如下：

18、

19、其中k＝1,2,...,m代表输出序列中的索引位置，t表示时间序列的总长度。

20、步骤3具体按照以下步骤实施：

21、在步骤2中降维后的输出序列上添加位置编码，并转化为可供神经网络输入的表示形式，步骤2中的一维时序数据为z，则序列z＝{z1,z2,...,zm}，其中元素zm表示数据序列在时刻m的取值，使用如下公式计算位置编码：

22、

23、其中i表示时间步，j表示位置编码向量中的维数，dmodel表示隐藏状态的维度，i的维数就是时序数据的维度m，最终得到的位置编码维度为(1,m)，将位置编码插入步骤2中的一维数据上得到新的带有位置编码的数据序列z'，其中序列z'＝{z'1,z'2,...,z'm}，元素z'm表示带有位置编码的数据序列在时刻m的取值；

24、再将z'转换为二维图像数据，如下矩阵所示：

25、

26、为原始数据序列z'中的数据元素，其中表示将时间序列通过堆叠形成二维矩阵，从而转换为图像数据。

27、步骤3中dmodel的维数为1。

28、步骤4具体按照以下步骤实施：

29、将步骤3中经过编码的二维图像数据作为预训练的resnet18网络的输入，设resnet18网络的输入为x＝z'，激活函数为f(x)，x经过两个卷积层和一个激活函数后的输出为h(x)，则经过激活函数和残差连接后，网络输出由原来的h(x)变为如下所示，也即一个残差块的计算公式：

30、h(x)＝f(x)+x                 (8)

31、在两个卷积层之间使用relu非线性激活函数，relu函数的表达形式如下：

32、f(x)＝max(0,x)                (9)

33、resnet18网络中残差块采用不同的通道数，由卷积层、批归一化层、池化层和恒等映射层组成，其中，每个卷积层后面配合一个批归一化层和relu激活函数，最后采用平均池化层和全连接分类器，整个resnet18网络共包含四个阶段：第一个阶段只有一个卷积层，而其他三个阶段包括2个残差块，因此总共的基本块数目为18，根据用电器类别个数对预训练模型进行微调，训练中，每经过一轮的训练就使用验证数据集进行测试，并将当前识别准确率最高的模型进行保存，最终得到识别效果最好的模型；

34、模型训练结束后需要基于测试数据集评价预测效果，预测结果的评价指标有准确率、查准率即精准率、查全率即召回率、f1-score，设tp表示将正类预测为正类的数量，tn表示将负类预测为负类的数量，fp表示将负类预测为正类的数量fn表示将正类预测为负类的数量，则上述指标的计算公式如下：

35、

36、

37、

38、

39、本发明的有益效果是，基于图编码和迁移学习的非侵入式负荷识别方法，引入了图编码算法，加入位置编码后将一维序列数据映射为二维图像数据，保留了时序特征，解决了以单一特征为标签的用电设备特征携带的信息量不足，难以区分性质相似负荷的问题；基于迁移学习理论，使用预训练的resnet18模型进行微调训练；最后，实现了用电设备的监测和分类，提供了一种适合移植到硬件资源受限设备的轻量级模型架构。