基于seq2point网络的非侵入式负荷分解方法

1.本发明涉及非侵入式负荷识别技术，具体地，涉及一种基于seq2point网络的非侵入式负荷分解方法。


背景技术：

2.在“碳达峰、碳中和”方针提出之后，国家电网以碳中和为终极目的，加速推动建设清洁能源互联网优化配置平台，加强大数据、云计算、物联网、人工智能等技术在电力与能源等方面的融合创新与应用。在此背景下，对于用户电器的非侵入式监测技术的研究就变得意义深远起来。对于用户电器的非侵入式研究一方面可以减少用户的能源损耗，如监测电器使用情况，关闭非必要的空载电器从而达到减少电能浪费，减少碳排放的目的。另一方面，非侵入式负荷监测研究的数据可以为大数据研究电力使用情况等提供坚实的数据支撑。
3.自麻省理工的hart教授提出非侵入式负荷监测这个概念以来，非侵入式负荷监测(non-intrusive load monitoring，nilm)受到了广泛的关注。2015年，kelly首次将深度学习应用于nilm问题，并分别基于递归神经网络、自动去噪编码器、深度神经网络搭建了三种不同的深度学习网络框架，证明了深度学习在处理nilm问题上有良好的性能。文献[基于一维卷积神经网络的负荷分解方法]提出了序列到点(sequence-to-point，seq2point)网络，并证明了在相同的网络体系下，seq2point网络输出的结果比序列到序列(sequence-to-sequence，seq2seq)网络更接近目标分布；基于滑动窗口和序列扩展模块获取输入序列特征，在uk_dale数据集上实验证明了提出的基于一维卷积神经网络(convolutional neural network，cnn)的负荷分解方法具有优越性。
[0004]
文献[基于cnn的居民电器非侵入式监测技术]采用非噪声电流分量作为输入特征，用于训练卷积神经网络，最后实例证明所述方法的有效性。文献[基于1d-cnn模型的非侵入式负荷识别]设计了一种既可以用于低频数据也可用于高频数据的一维卷积神经网络。文献[基于seq2seq模型的非侵入式负荷分解算法]提出了一种基于cnn和lstm(long short-term memory，长短期记忆)的序列到序列的负荷识别算法使用redd数据集进行模型训练与测试，并与fhmm(factorial hidden markov model，因子隐马尔科夫模型)、co(combinatorial optimization，组合优化)等算法做了对比，实现结果有明显提升。文献[基于聚类特征及seq2seq深度cnn的家电负荷识别方法研究]先利用改进迭代k均值聚类提取用电设备运行状态建立负荷特征集，之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。
[0005]
现阶段的非侵入式负荷识别存在一系列的问题，如数据质量较差、识别准确度较低。首先，传感器故障导致数据采集异常，电器处于运行状态的样本数量较少导致数据质量较差。对于机器学习模型，异常数据将导致模型学习到错误的输入－输出对应关系，降低模型的识别准确度。而较少的运行样本使得模型趋于将该电器的状态全部学习为不运行，从
而难以训练出优秀的学习模型。其次，传统机器学习方法依赖先验的参数选择方法，往往会导致选择到不恰当的参数、算法无法拟合真实数据等，从而使得非侵入式负荷识别准确度较低，难以满足实际场景的高准确度需求。


技术实现要素：

[0006]
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于seq2point网络的非侵入式负荷分解方法，以滑动窗口读取总负荷的时间序列生成输入序列，以改进一维卷积网络自动提取输入序列特征，从而实现seq2point负荷分解，提升负荷分解的性能，得到较高的分解精度。
[0007]
本发明采用如下的技术方案。
[0008]
一种基于seq2point网络的非侵入式负荷分解方法，所述方法包括以下步骤：
[0009]
(1)构建seq2point非侵入式负荷分解模型，并对模型进行训练；
[0010]
(2)以滑动窗口读取总负荷功率时间序列生成输入序列；
[0011]
(3)将输入序列输入到一维卷积层，以改进一维卷积网络自动提取输入序列特征，得到功率数据的分布式特征；
[0012]
(4)将提取好的分布式功率特征放在定长的全连接层进行保存，通过激活函数将整合到样本空间的功率数据的分布式特征输出，得到分解后的功率序列，从而实现seq2point负荷分解。
[0013]
进一步地，步骤(1)中，seq2point非侵入式负荷分解模型，包括bn层、一维卷积层、一维池化层、全连接层、激活函数。
[0014]
进一步地，步骤(1)中，采用均方误差mse作为损失函数对模型进行训练，对每次训练结果进行误差计算并调整模型权值。
[0015]
进一步地，步骤(1)中，使用adam优化器进行模型调参。
[0016]
进一步地，步骤(2)中，还包括对输入序列经bn层进行归一化处理，将同批数据的均值归一化为0，方差归一化为1。
[0017]
进一步地，步骤(4)中，还包括将提取好的分布式功率特征经一维池化层经过最大池化，再放在定长的全连接层进行保存。
[0018]
进一步地，步骤(4)中，采用激活函数relu。
[0019]
进一步地，步骤(1)中，损失函数mse是真实值与预测值的差值的平方然后求和平均，计算方法：
[0020][0021]
对于非侵入式负荷识别任务，其真实标签应为1
×
n的功率向量，记为y；模型输出记为
[0022]
进一步地，步骤(2)中，bn层归一化处理计算方式：
[0023]
y＝(x-μ(x))/σ(x)
[0024]
其中，x为输入的同批数据序列，y为归一化后的数据序列，μ(x)，σ(x)分别为x序列的均值和标准差。
[0025]
进一步地，步骤(4)中，全连接层是卷积神经网络中的分类器，将池化操作后的特
征向量进行分类器分类，得到所需要的输出。
[0026]
本发明的有益效果在于，与现有技术相比，本发明基于seq2point网络的非侵入式负荷分解方法，以滑动窗口读取总负荷的时间序列生成输入序列，以改进一维卷积网络自动提取输入序列特征，从而实现seq2point负荷分解，提升负荷分解的性能，得到较高的分解精度。在公开的数据集redd上的实验结果显示，本发明所提出的基于一维卷积神经网络的负荷分解方法，与其他算法相比，效果更好，性能更佳。
[0027]
本发明提出算法，网络结构简单但功能强大，充分考虑到了数据特征提取和基于时间序列的数据特点，并采用了adam优化器进行优化，在redd数据集上分别与其他三种非侵入式负荷分解算法进行比较，取得了较好的效果。
[0028]
本发明使用redd数据集中的低频数据进行实验，通过conv1d对数据进行特征自提取，避免使用只有使用高频数据才能获得的传统电器特征，减小了在低频采样下的识别误差。
[0029]
本发明seq2point负荷分解算法有比较好的泛化能力，使用多种电器多日的数据进行验证，可以对多种电器进行识别。
附图说明
[0030]
图1为本发明所述的基于seq2point网络的非侵入式负荷分解方法流程图；
[0031]
图2为seq2point非侵入式负荷分解模型示意图；
[0032]
图3为一维卷积层(conv1d)运算示例；
[0033]
图4为池大小为3的最大池化运算示例。
具体实施方式
[0034]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0035]
非侵入式负荷识别对电网系统的电力调度、风险估计等具有重要意义。针对现阶段非侵入式负荷分解的算法识别准确度低且运算代价大，本发明提出了一种基于seq2point网络的非侵入式负荷分解算法，基于卷积神经网络的序列到点深度学习模型，该模型可以对1hz及以下低频采样下对家用电器具有较好的负荷识别能力。使用公开的低频数据集在模型上训练和测试，并与现有算法进行对比发现，该模型在低频数据集上均获得了更高的准确度，同时降低了算法复杂度，具有明显优势。
[0036]
如图1所示，本发明所述的基于seq2point网络的非侵入式负荷分解方法，包括步骤：
[0037]
(1)构建seq2point非侵入式负荷分解模型，包括bn层、一维卷积层、一维池化层、全连接层、激活函数，如图2所示；并对模型进行训练；
[0038]
模型训练过程中需要设定损失函数，对每次训练结果进行误差计算，并调整模型权值。对于非侵入式负荷识别任务，其真实标签应为1
×
n的功率向量，记为y；模型输出记为
[0039]
本发明采用mse(mean square error，均方误差)作为损失函数，mse是真实值与预测值的差值的平方然后求和平均。损失函数loss计算方法：
[0040][0041]
模型训练的一个关键就是模型调参，优化模型参数对于提高模型的性能有很重要的影响。本发明使用adam优化器，它是一种可以代替传统随机梯度下降sgd过程的一种优化算法，传统的sgd收敛速度慢且选择合适的学习效率比较困难，adam优化器同时结合了adagrad和rmsprop的优点，每个参数使用相同的学习效率，并可以自动更新学习效率，能够用较少的内存进行高效的计算，适用于大规模数据的优化问题。此外，adam是一种基于动量的算法，利用的梯度的历史信息，几乎不需要对它进行调参。
[0042]
(2)以滑动窗口读取总负荷功率时间序列生成输入序列；
[0043]
具体地，对输入序列经bn层进行归一化处理。
[0044]
bn(batch normalization)是对同一批量的数据进行归一化处理，将同批数据的均值归一化为0，方差归一化为1，具体计算式如下：
[0045]
y＝(x-μ(x))/σ(x)
ꢀꢀ
(2)
[0046]
其中，x为输入的同批数据序列，y为归一化后的数据序列，μ(x)，σ(x)分别为x序列的均值和标准差。
[0047]
通过式(2)的计算即可将分布不同的输入x归一化到均值为0、方差(标准差)为1的y，可以改善流经网络的梯度，允许更大的学习率，加快训练速度，提高网络泛化能力。
[0048]
(3)然后将输入序列输入到一维卷积层，以改进一维卷积网络自动提取输入序列特征，得到功率数据的分布式特征；
[0049]
低频采样的数据不具备暂态和稳态的特征，为了挖掘其中的信息引入cnn对数据进行特征自提取，同时低频的数据大多数只采集了功率这一种属性值，例如redd数据集和uk-dale数据集等，所以隐藏在其中的时间关系显得尤为重要。
[0050]
由于电器的实际运行存在不稳定状态，功率测量也存在误差，引起大量非线性扰动，直接使用线性模型难以拟合电器真实的运行状态。因此，使用了一个非线性的一维卷积层(conv1d)在一维尺度上对功率序列进行卷积，依靠卷积核提取功率特征，典型conv1d的例子如图3所示。使用conv1d避免了传统的手动特征提取，且该结构具有较强的鲁棒性。
[0051]
将总负荷功率时间序列作为输入向量，用卷积核对其进行卷积操作得到功率数据的分布式特征。
[0052]
(4)将提取好的分布式功率特征放在定长的全连接层进行保存，通过激活函数relu将整合到样本空间的功率数据的分布式特征输出，得到分解后的功率序列，从而实现seq2point负荷分解。
[0053]
具体地，将提取好的分布式功率特征经一维池化层经过最大池化，再放在定长的全连接层进行保存。
[0054]
对于一维数据而言，池化层为一维池化，包括一维最大池化、一维均值池化等。本发明采用的是最大池化。图4是一次典型的池大小为3的池化操作示例。池化层可以在保持数据的尺度不变性的前提下，对数据特征进行缩减，减少参数量和计算量，防止过拟合，提高模型泛化能力。
[0055]
全连接层是卷积神经网络中的分类器。在对原数据进行卷积和池化操作后，将原数据映射到隐藏层的特征空间，提取得到特征向量。再将特征向量进行分类器分类，得到所
需要的输出。
[0056]
全连接层中包括权重w和偏置b，以一维全连接层计算为例，记一维输入为x，权重矩阵为w，偏置为b，则输出y可由下式计算得出：
[0057]
y＝w
t
x b
ꢀꢀ
(3)
[0058]
通过调整w与b的大小，如将w调整为2
×
3，b改为2
×
1，则可得到大小为2
×
1的输出y。对于本研究任务，输出的大小应为1
×
n，n为电器个数。
[0059]
本发明实验用到的数据集是redd数据集，它第一个专门收集的可帮助nilm研究的公开可用数据集。其中包含6个不同房屋的数周电源数据，以及其中两个房屋的主电源的高频电流/电压数据。高频数据往往用来用做传统暂态特征提取，因此本发明实验用的是其低频数据，主功率数据采样频率为1s一次，子表采样为3s/4s一次。
[0060]
为了验证本发明模型的分解能力和泛化性，针对不同的分解方法，选取功率靠前的4种电器在训练集上训练，之后根据测试集测试结果计算各不同分解方法的评价指标。
[0061]
采用均方根误差rmse(root mean square error，均方根误差)评价模型，计算方法如下：
[0062][0063]
式中，i为电器编号，m为测试样本总数，y
i,k
为k样本中电器i的真实值，为分解模型对k样本中电器i的输出值。
[0064]
实验结果如下，表1为本发明方法与co、fhmm以及文献[sequence-to-point learning with neural networks for non-intrusive load monitoring]方法实验结果的对比。表2为本发明方法与文献方法参数数量对比。
[0065]
表1
[0066][0067]
表2
[0068]
[0069][0070]
和传统的方法co与fhmm相比，本发明算法基于深度学习对数据做回归预测，通过多层网络对数据进行深层次的挖掘，算法性能具有优势，rsme减小高达65％。
[0071]
与文献方法相比，本发明算法在极大地减少了参数数量，拥有更快的运算速度的同时，与之相比较，seq2point对于不同电器的分解效果有不同程度的提升。本发明算法能够在1hz及以下低频采样下对家用电器具有较好的负荷识别能力。
[0072]
本发明的有益效果在于，与现有技术相比，本发明基于seq2point网络的非侵入式负荷分解方法，以滑动窗口读取总负荷的时间序列生成输入序列，以改进一维卷积网络自动提取输入序列特征，从而实现seq2point负荷分解，提升负荷分解的性能，得到较高的分解精度。在公开的数据集redd上的实验结果显示，本发明所提出的基于一维卷积神经网络的负荷分解方法，与其他算法相比，效果更好，性能更佳。
[0073]
本发明提出算法，网络结构简单但功能强大，充分考虑到了数据特征提取和基于时间序列的数据特点，并采用了adam优化器进行优化，在redd数据集上分别与其他三种非侵入式负荷分解算法进行比较，取得了较好的效果。
[0074]
本发明使用redd数据集中的低频数据进行实验，通过conv1d对数据进行特征自提取，避免使用只有使用高频数据才能获得的传统电器特征，减小了在低频采样下的识别误差。
[0075]
本发明seq2point负荷分解算法有比较好的泛化能力，使用多种电器多日的数据进行验证，可以对多种电器进行识别。
[0076]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。