CN115222018A - 非侵入式负荷分解方法及装置 - Google Patents
非侵入式负荷分解方法及装置 Download PDFInfo
- Publication number
- CN115222018A CN115222018A CN202210687839.1A CN202210687839A CN115222018A CN 115222018 A CN115222018 A CN 115222018A CN 202210687839 A CN202210687839 A CN 202210687839A CN 115222018 A CN115222018 A CN 115222018A
- Authority
- CN
- China
- Prior art keywords
- neural network
- loss
- database
- household appliance
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 title abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种非侵入式负荷分解方法及装置。所述非侵入式负荷分解方法包括：获取待识别电流电压信息；获取神经网络用数据库；通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；获取与所述输出标签相同的标签所对应的家电信息。本申请相对于现有技术更为准确。
Description
技术领域
本申请涉及电力***自动化分析技术领域，具体涉及一种非侵入式负荷分解方法以及非侵入式负荷识别装置。
背景技术
非侵入式负荷监测技术作为一种智能电能管理技术，在电力公司、居民住宅、公共事业单位或公司均有广阔的应用前景，具体包括：电力公司向用户提供细至电器级别的电费清单可以帮助用户节约用电；帮助用户检测故障电器；居民行为监测，如对于独居老人或病人等特殊群体，可以帮助人们照看容易发生危险的人群；帮助公共事业或单位提高效率；提高电力需求预测的准确率等。
非侵入式负荷监测技术的兴起，引起了国内外大量学者对非侵入式负荷识别的兴趣。在深度学习算法兴起之前，隐马尔科夫模型算法及其改进算法是NILM领域最常用的算法，然而,由于HMM状态的数量随着设备数量及其内部状态的增加而迅速增加，计算过于复杂。而在深度学习算法在语音识别、图像处理等领域取得一定成果之后，研究人员也将其运用于非侵入式负荷识别中。现有技术中，对于大多数电器负荷都能进行准确识别，但对于具有相似波形的电阻性电器的负荷识别仍然存在问题。
发明内容
本发明的目的在于提供一种非侵入式负荷分解方法，来克服或至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面，提供一种非侵入式负荷分解方法，所述非侵入式负荷分解方法包括：
获取待识别电流电压信息；
获取神经网络用数据库；
通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；
将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
获取与所述输出标签相同的标签所对应的家电信息。
可选地，在所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型之前，所述基于公共数据集和深度神经网络的非侵入式负荷分解方法进一步包括：
对所述神经网络用数据库进行预处理。
可选地，所述对所述神经网络用数据库进行预处理包括：
获取所述神经网络用数据库中各个家用电器的电压和电流记录；
利用matlab，将各个家用电器的电压和电流记录转换为V-I轨迹图；
将所述V-I轨迹图分成训练集以及测试集；
对各个所述V-I轨迹图进行归一化处理从而获取预处理后的数据。
可选地，所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型包括：
将所述预处理后的数据作为输入来搭建卷积神经网络，步骤包括：
(1)搭建VGG13卷积神经网络；
(2)搭建ResNet50卷积神经网络；
(3)调整输入数据大小：
对于训练集，调整训练集中的各个V-I轨迹图大小为64*64*3；
(4)计算每类样本的特征均值：
对于输入样本，利用卷积层，实现对于V-I轨迹图的特征提取；利用每类样本的特征值和类标签计算每类样本的特征均值；
(5)计算Center loss：
将Center loss和Softmax损失结合来训练VGG13网络；
Center loss公式如下：
其中，xi为第i个样本的特征；m为训练样本数；
为第yi类样本的特征均值；||·||2为欧几里得距离；
(6)联合Center loss和Softmax损失：
Loss＝LSoftmax loss+λLCenter loss (2)
其中，λ为超参数，用于平衡两个损失的权重；
(7)计算triplet loss：
将triplet loss和Softmax损失结合来训练ResNet50网络；
将triplet loss中，锚示例定义为每类样本的特征均值，正示例定义为与该类特征均值同一类的样本特征值，负示例定义为与该类特征均值不同类样本的特征均值，triplet loss公式如下：
Ltriplet loss＝max(d(a，p)-d(a，n)+margin，0) (3)
其中，a为当前类的特征均值；p为当前类的样本特征值；n为其他类的特征均值；d(·)为欧几里得距离。
(8)联合triplet loss和Softmax损失：
Loss′＝LSoftmax loss+λ'Ltriplet loss (4)
其中，λ′为超参数，用于平衡两个损失的权重；
(9)更新参数：
VGG13网络采用以下设置：
优化器选择随机梯度下降，学习率设置为0.001，激活函数选择relu，且每隔50个epoch学习率衰减为原来的0.5，epoch设置为500，batchsize设置为32，使用的损失函数是center loss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
ResNet50网络采用以下设置：
优化器选择Adam算法，学习率设置为0.001，激活函数选择leaky relu，且每隔100个epoch学习率衰减为原来的0.5，epoch设置为1000，batchsize设置为64，使用的损失函数是triplet loss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
(10)测试模型：
对于训练好的卷积网络模型，利用测试集进行测试，包括：
1)调整测试集的各个V-I轨迹图大小为64*64*3；
2)输入所述训练好的模型VGG13和ResNet50；
3)利用softmax函数分别得到上述两个模型的预测类别标签，对于两个模型的结果进行融合：如果两个模型的预测结果一致，则此结果作为测试数据的预测标签；否则，则进一步计算待测试数据与预测的两个标签数据的欧几里得距离，距离更近的即为该测试数据的标签。
可选地，通过准确率公式进行评价，所述准确率公式如下：
其中，TP＝真正例数量，FP＝假正例数量。
本申请还提供了一种非侵入式负荷识别装置，所述非侵入式负荷识别装置包括：
电流电压信息获取模块，所述电流电压信息获取模块用于获取待识别电流电压信息；
数据库获取模块，所述数据库获取模块用于获取神经网络用数据库；
训练模块，所述训练模块用于通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；
标签获取模块，所述标签获取模块用于将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
家电用电数据库获取模块，所述家电用电数据库获取模块用于获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
家电信息获取模块，所述家电信息获取模块用于获取与所述输出标签相同的标签所对应的家电信息。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如上所述的非侵入式负荷分解方法。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的非侵入式负荷分解方法。
有益效果
针对现有非侵入式负荷分解方法对于具有相似波形的电阻性电器识别较差的问题，且为了获取更全面的特征和更好的模型学习能力，获得更具鲁棒性的识别结果，如权利要求4所述，将深度神经网络与度量学习相结合，采用VGG13和ResNet50双卷积神经网络，分别对于待测数据进行训练：VGG13采用Center loss和Softmax损失双损失函数反向传播来更新网络参数；ResNet50采用triplet loss和Softmax损失双损失函数反向传播来更新网络参数，使得两个卷积模型都实现增大类间距离、缩小类内距离的目的，获得更有分辨力的特征，提高网络对于电阻性电器的识别能力。在测试时，针对两个卷积神经网络的预测值，进行融合：如果两个模型的预测结果一致，则此结果作为测试数据的预测标签；否则，则进一步计算待测试数据与预测的两个标签数据的欧几里得距离，距离更近的即为该测试数据的标签，从而获得更具鲁棒性的测试数据预测标签，实现对于具有相似波形的电阻性电器的识别，相对于现有技术更为准确。
附图说明
图1为本申请一实施例的非侵入式负荷分解方法的流程图；
图2是一种电子设备，用于实现图1所示的非侵入式负荷分解方法。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”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申请和简化描述，而不是指示或暗示所指的装置或元件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申请保护范围的限制。
图1为本申请一实施例的非侵入式负荷分解方法的流程图。
如图1所示的非侵入式负荷分解方法包括：
步骤1：获取待识别电流电压信息；
步骤2：获取神经网络用数据库；
步骤3：通过神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；
步骤4：将待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
步骤5：获取家电用电数据库，家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
步骤6：获取与输出标签相同的标签所对应的家电信息。
在本实施例中，在所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型之前，所述非侵入式负荷分解方法进一步包括：
对所述神经网络用数据库进行预处理。
在本实施例中，所述对所述神经网络用数据库进行预处理包括：
获取所述神经网络用数据库中各个家用电器的电压和电流记录；
利用matlab，将各个家用电器的电压和电流记录转换为V-I轨迹图；
将所述V-I轨迹图分成训练集以及测试集；
对各个所述V-I轨迹图进行归一化处理从而获取预处理后的数据。
在本实施例中，所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型包括：
将所述预处理后的数据作为输入来搭建卷积神经网络，采用双卷积神经网络，分别是VGG13和ResNet50，步骤包括：
(1)搭建VGG13卷积神经网络；
(2)搭建ResNet50卷积神经网络；
(3)调整输入数据大小：
对于训练集，调整训练集中的各个V-I轨迹图大小为64*64*3；
(4)计算每类样本的特征均值：
对于输入样本，利用卷积层，实现对于V-I轨迹图的特征提取；利用每类样本的特征值和类标签计算每类样本的特征均值；
(5)计算Center loss：
将Center loss和Softmax损失结合来训练VGG13网络；
Center loss公式如下：
其中，xi为第i个样本的特征；m为训练样本数；
为第yi类样本的特征均值；||·||2为欧几里得距离；
(6)联合Center loss和Softmax损失：
Loss＝LSoftmax loss+λLCenter loss (2)
其中，λ为超参数，用于平衡两个损失的权重；
(7)计算triplet loss：
将triplet loss和Softmax损失结合来训练ResNet50网络；
将triplet loss中，锚示例定义为每类样本的特征均值，正示例为与该类特征均值同一类的样本特征值，负示例为与该类特征均值不同类样本的特征均值，triplet loss公式如下：
Ltriplet loss＝max(d(a，p)-d(a，n)+margin，0) (3)
其中，a为当前类的特征均值；p为当前类的样本特征值；n为其他类的特征均值；d(·)为欧几里得距离。
(8)联合triplet loss和Softmax损失：
Loss′＝LSoftmax loss+λ′Ltriplet loss (4)
其中，λ′为超参数，用于平衡两个损失的权重；
(9)更新参数：
VGG13网络采用以下设置：
优化器选择随机梯度下降，学习率设置为0.001，激活函数选择relu，且每隔50个epoch学习率衰减为原来的0.5，epoch设置为500，batchsize设置为32，使用的损失函数是center loss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
ResNet50网络采用以下设置：
优化器选择Adam算法，学习率设置为0.001，激活函数选择leaky relu，且每隔100个epoch学习率衰减为原来的0.5，epoch设置为1000，batchsize设置为64，使用的损失函数是triplet loss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
(10)测试模型：
对于训练好的卷积网络模型，利用测试集进行测试，包括：
1)调整测试集的各个V-I轨迹图大小为64*64*3；
2)输入所述训练好的模型VGG13和ResNet50；
3)利用softmax函数分别得到上述两个模型的预测类别标签，对于两个模型的结果进行融合：如果两个模型的预测结果一致，则此结果作为测试数据的预测标签；否则，则进一步计算待测试数据与预测的两个标签数据的欧几里得距离，距离更近的即为该测试数据的标签。
在本实施例中，通过准确率公式进行评价，所述准确率公式如下：
其中，TP＝真正例数量，FP＝假正例数量。
下面以举例的方式对本申请进行进一步详细阐述，可以理解的是，该举例并不构成对本申请的任何限制。
在本举例中，神经网络用数据库选用PLAID，其包括：
地点：宾夕法尼亚州匹兹堡(美国)
地点：65个
采样频率：30kHz
数据：17种不同家用电器的电压和电流测量值
所采用的数据集为2019年版的即插即用电器识别数据集(PLAID)，包含在高采样频率(30kHz)下获得的家用电器的电压和电流记录。该数据集包含来自17种不同电器类型(例如，冰箱、微波炉等)的1876条单独计量电器的记录，收集于宾夕法尼亚州匹兹堡(美国)的65个不同地点。
步骤1：获取待识别电流电压信息；
步骤2：获取神经网络用数据库；
步骤3：通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；
步骤4：将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
步骤5：获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
步骤6：获取与所述输出标签相同的标签所对应的家电信息。
步骤7：本发明的基于PLAID数据集和深度神经网络的非侵入式负荷分解方法，相对于现有技术更为准确。
在本实施例中，进一步包括：对公用数据集PLAID进行数据预处理包括：
对电流电压数据，依据一段时间内的电流电压值，利用matlab，将其转换为V-I轨迹图；
将所述V-I轨迹图分成训练集以及测试集；
对数据进行归一化处理；
在本实施例中，通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型包括：
搭建卷积神经网络VGG13；
搭建ResNet50；
预处理后的V-I轨迹图，调整大小为64*64*3；
利用卷积层，实现对于V-I轨迹图的特征提取，并利用每类样本的特征值和类标签计算每类样本的特征均值；
计算Center loss；
联合Center loss和Softmax损失；
计算triplet loss；
联合triplet loss和Softmax损失；
更新参数，反向传播；
使用测试集对网络进行测试。
在本实施例中，对测试结果采用评价体系进行评价，包括：
根据测试结果结合评价体系进行评价。
本申请还提供了一种基于公共数据集和深度神经网络的非侵入式负荷识别装置，所述基于公共数据集和深度神经网络的非侵入式负荷识别装置包括电流电压信息获取模块、数据库获取模块、训练模块、标签获取模块、家电信息获取模块以及家电用电数据库获取模块，电流电压信息获取模块用于获取待识别电流电压信息；数据库获取模块用于获取神经网络用数据库；训练模块用于通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；标签获取模块用于将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；家电用电数据库获取模块用于获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；家电信息获取模块用于获取与输出标签相同的标签所对应的家电信息。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于公共数据集和深度神经网络的非侵入式负荷分解方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所述的基于公共数据集和深度神经网络的非侵入式负荷分解方法。
图2是能够实现根据本申请一个实施例提供的基于公共数据集和深度神经网络的非侵入式负荷分解方法的电子设备的示例性结构图。
如图2所示，电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中，输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接，进而与电子设备的其他组件连接。具体地，输入设备504接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说，图2所示的电子设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于公共数据集和深度神经网络的非侵入式负荷分解方法。
在一个实施例中，图2所示的电子设备可以被实现为包括：存储器504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为运行存储器504中存储的可执行程序代码，以执行上述实施例中的基于公共数据集和深度神经网络的非侵入式负荷分解方法。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，例如，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种非侵入式负荷分解方法，其特征在于，所述非侵入式负荷分解方法包括：
获取待识别电流电压信息；
获取神经网络用数据库；
通过所述神经网络用数据库对深度神经网络进行训练，从而获取经过训练的深度神经网络模型；
将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
获取与所述输出标签相同的标签所对应的家电信息。
2.如权利要求1所述的非侵入式负荷分解方法，其特征在于，在所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型之前，所述基于公共数据集和深度神经网络的非侵入式负荷分解方法进一步包括：
对所述神经网络用数据库进行预处理。
3.如权利要求2所述的非侵入式负荷分解方法，其特征在于，所述对所述神经网络用数据库进行预处理包括：
获取所述神经网络用数据库中各个家用电器的电压和电流记录；
利用matlab，将各个家用电器的电压和电流记录转换为V-I轨迹图；
将所述V-I轨迹图分成训练集以及测试集；
对各个所述V-I轨迹图进行归一化处理从而获取预处理后的数据。
4.如权利要求3所述的非侵入式负荷分解方法，其特征在于，所述通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型包括：
将所述预处理后的数据作为输入来搭建卷积神经网络，采用双卷积神经网络，分别是VGG13和ResNet50，步骤包括：
(1)搭建VGG13卷积神经网络；
(2)搭建ResNet50卷积神经网络；
(3)调整输入数据大小：
对于训练集，调整训练集中的各个V-I轨迹图大小为64*64*3；
(4)计算每类样本的特征均值：
对于输入样本，利用卷积层，实现对于V-I轨迹图的特征提取；利用每类样本的特征值和类标签计算每类样本的特征均值；
(5)计算Centerloss：
将Center loss和Softmax损失结合来训练VGG13网络；
Centerloss公式如下：
其中，xi为第i个样本的特征；m为训练样本数；
为第yi类样本的特征均值；||·||2为欧几里得距离；
(6)联合Centerloss和Softmax损失：
Loss＝LSoftmax loss+λLCenter loss (2)
其中，λ为超参数，用于平衡两个损失的权重；
(7)计算triplet loss：
将triplet loss和Softmax损失结合来训练ResNet50网络；
将tripletloss中，锚示例定义为每类样本的特征均值，正示例为与该类特征均值同一类的样本特征值，负示例为与该类特征均值不同类样本的特征均值，tripletloss公式如下：
Ltriplet loss＝max(d(a，p)-d(a，n)+margin，0)(3)
其中，a为当前类的特征均值；p为当前类的样本特征值；n为其他类的特征均值；d(·)为欧几里得距离。
(8)联合triplet loss和Softmax损失：
Loss′＝LSoftmax loss+λ'Ltriplet loss (4)
其中，λ′为超参数，用于平衡两个损失的权重；
(9)更新参数：
VGG13网络采用以下设置：
优化器选择随机梯度下降，学习率设置为0.001，激活函数选择relu，且每隔50个epoch学习率衰减为原来的0.5，epoch设置为500，batchsize设置为32，使用的损失函数是centerloss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
ResNet50网络采用以下设置：
优化器选择Adam算法，学习率设置为0.001，激活函数选择leaky relu，且每隔100个epoch学习率衰减为原来的0.5，epoch设置为1000，batchsize设置为64，使用的损失函数是triplet loss和Softmax loss，利用反向传播算法对卷积神经网络进行端到端训练，得到训练好的模型；
(10)测试模型：
对于训练好的卷积网络模型，利用测试集进行测试，包括：
1)调整测试集的各个V-I轨迹图大小为64*64*3；
2)输入所述训练好的模型VGG13和ResNet50；
3)利用softmax函数分别得到上述两个模型的预测类别标签，对于两个模型的结果进行融合：如果两个模型的预测结果一致，则此结果作为测试数据的预测标签；否则，则进一步计算待测试数据与预测的两个标签数据的欧几里得距离，距离更近的即为该测试数据的标签。
5.如权利要求4所述的非侵入式负荷分解方法，其特征在于，
通过准确率公式进行评价，所述准确率公式如下：
其中，TP＝真正例数量，FP＝假正例数量。
6.一种非侵入式负荷识别装置，其特征在于，所述基于公共数据集和深度神经网络的非侵入式负荷识别装置包括：
电流电压信息获取模块，所述电流电压信息获取模块用于获取待识别电流电压信息；
数据库获取模块，所述数据库获取模块用于获取神经网络用数据库；
训练模块，所述训练模块用于通过所述神经网络用数据库对深度神经网络训练，从而获取经过训练的深度神经网络模型；
标签获取模块，所述标签获取模块用于将所述待识别电流电压信息输入至经过训练的所述深度神经网络模型，从而获取输出标签；
家电用电数据库获取模块，所述家电用电数据库获取模块用于获取家电用电数据库，所述家电用电数据库包括多个家电信息以及每个家电信息对应的标签；
家电信息获取模块，所述家电信息获取模块用于获取与所述输出标签相同的标签所对应的家电信息。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求1至5中任意一项所述的非侵入式负荷分解方法。
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的非侵入式负荷分解方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021106946587 | 2021-06-22 | ||
| CN202110694658 | 2021-06-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115222018A true CN115222018A (zh) | 2022-10-21 |
Family
ID=83608791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210687839.1A Pending CN115222018A (zh) | 2021-06-22 | 2022-06-17 | 非侵入式负荷分解方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222018A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522151A (zh) * | 2023-07-04 | 2023-08-01 | 深圳市芝电能源科技有限公司 | 一种半监督负荷识别及分解方法、***及存储介质 |
-
2022
- 2022-06-17 CN CN202210687839.1A patent/CN115222018A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522151A (zh) * | 2023-07-04 | 2023-08-01 | 深圳市芝电能源科技有限公司 | 一种半监督负荷识别及分解方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110376457B (zh) | 基于半监督学习算法的非侵入式负荷监测方法及装置 | |
| US10734689B2 (en) | Method and system for reconstructing complete charging-discharging data based on partial charging-discharging data of battery | |
| CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及*** | |
| Yu et al. | Fractional-order modeling of lithium-ion batteries using additive noise assisted modeling and correlative information criterion | |
| CN109245099A (zh) | 一种电力负荷辨识方法、装置、设备及可读存储介质 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及*** | |
| CN109009084A (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN109065046A (zh) | 语音唤醒的方法、装置、电子设备及计算机可读存储介质 | |
| CN113807225A (zh) | 一种基于特征融合的负荷识别方法 | |
| US20240110986A1 (en) | Method and system for identifying electrochemical model parameters based on capacity change rate | |
| CN109633448A (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及*** | |
| CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
| CN113223485A (zh) | 节拍检测模型的训练方法、节拍检测方法及装置 | |
| Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
| CN116299008A (zh) | 一种电池soh预测方法、装置、电子设备及存储介质 | |
| CN116522153A (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
| CN114897157A (zh) | 节拍重拍联合检测模型的训练及节拍重拍联合检测方法 | |
| CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
| CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
| CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
| CN115130788A (zh) | 基于大数据分析的用电预测*** | |
| CN113269478B (zh) | 一种基于多模型的集中器异常数据提醒方法及*** | |
| CN108962389A (zh) | 用于风险提示的方法及*** | |
| CN114977162A (zh) | 一种电动汽车充电监测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |