TWI802245B - 基於非侵入式設備負載監控的用電解析系統及用電解析方法 - Google Patents

Abstract

本發明公開一種基於非侵入式設備負載監控的用電解析系統及用電解析方法。用電解析方法包括：以資料擷取程序取得訓練資料；對訓練資料執行前處理程序；以經前處理的訓練資料訓練深度學習模型，並將達到訓練完成條件的深度學習模型作為用電解析模型；以資料擷取程序取得目標場域的總用電資料，並輸入用電解析模型以預測目標電器的運轉功率；取得目標電器的運轉資料，並判斷其運轉功率是否在運轉功率範圍內，以判斷目標電器的運轉情形。

Description

基於非侵入式設備負載監控的用電解析系統及用電解析方法

本發明涉及一種解析系統及解析方法，特別是涉及一種基於非侵入式設備負載監控的用電解析系統及用電解析方法。

非侵入式設備負載監控(Nonintrusive appliance load monitoring,NIALM)系統是一套可幫助使用者了解住家詳細耗電情形的一套系統，其分析家中某一迴路的電壓與總電流變化，並從這些變化中判別個別電器狀態，因此可透過單一電錶紀錄每個電器的使用耗電情形供使用者參考。

非侵入式設備負載監控系統具有低成本特性，是一套未來智慧家庭或智慧建築之不可或缺的技術。近年來電腦、通訊與儲存技術的蓬勃發展，使得收集大量共通使用的非侵入式負載監控的資料庫變得有可行性。

現有的NIALM用電解析模型普遍解析性能不足，特別是電器指紋的辨識度及模型的F-Score，且在模型的訓練上容易受到多維度資料的影響。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種基於非侵入式設備負載監控的用電解析系統及用電解析方法。

為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種基於非侵入式設備負載監控的用電解析方法，其包括：以一資料擷取程序分別取得一目標場域的多個目標電器的多個電器用電資料及一總用電歷史資料作為一訓練資料；對該訓練資料執行一前處理程序，包括同步化該些電器用電資料與該總用電歷史資料的取樣時間及對該訓練資料執行一最大最小正規化(MinMaxScaler)處理；以經前處理的該訓練資料訓練一深度學習模型，並將達到訓練完成條件的該深度學習模型作為一用電解析模型，其中，該深度學習模型至少包括一輸入層、一特徵擷取降維層、一編碼層及一電器功率預測層；以該資料擷取程序取得該目標場域的一總用電歷史資料，並輸入該用電解析模型以分別預測該些目標電器的多個運轉功率；分別從一家電運轉數據資料庫取得該些目標電器的多筆運轉資料，其中，該些筆運轉資料包括分別對應該些目標電器的多個運轉功率範圍；以及判斷該些運轉功率是否在該些運轉功率範圍內，以判斷該些目標電器的運轉情形。

為了解決上述的技術問題，本發明所採用的另外一技術方案是提供一種基於非侵入式設備負載監控的用電解析系統，其包括多個目標電器及計算裝置。該些目標電器設置在目標場域中，且該些目標電器連接於總用電迴路。計算裝置，包括記憶體及處理器，其中，該處理器經配置以：執行一資料擷取程序分別取得一目標場域的多個電器的多個電器用電資料及一總用電歷史資料作為一訓練資料；對該訓練資料執行一前處理程序，其包括同步化該些電器用電資料與該總用電歷史資料的取樣時間及對該訓練資料執行一最大最小正規化(MinMaxScaler)處理；以經前處理的該訓練資料訓練一深度學習模型，並將達到訓練完成條件的該深度學習模型作為一用電解析模型，其中，該深度學習模型至少包括一輸入層、一特徵擷取降維層、一編碼層及一電器功率預測層；以該資料擷取程序取得該目標場域的一總用電歷史資 料，並輸入該用電解析模型以分別預測該些電器的多個運轉功率；分別從一家電運轉數據資料庫取得該些電器的多筆運轉資料，其中，該些筆運轉資料包括分別對應該些電器的多個運轉功率範圍；以及判斷該些運轉功率是否在該些運轉功率範圍內，以判斷該些電器的運轉情形，以產生一用電解析結果。

本發明的其中一有益效果在於，本發明提出一種基於深度學習模型的NIALM用電解析系統及方法，相對於現有的NIALM用電解析模型，具有較佳的用電解析性能以及較佳的電器指紋辨識度，在模型訓練上，不易受到資料及多維度資料的影響，並且，獲得的用電解析模型的F-Score較佳。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

1:用電解析系統

10:目標場域

11:數位電力量表

12:計算裝置

100、102、104:目標電器

106:總用電迴路

120:處理器

122:記憶體

124:網路介面

126:輸入輸出介面

128:匯流排

3:深度學習模型

30:輸入層

32:特徵擷取降維層

34:編碼層

36:扁平層

38:電器功率預測層

320、380、382:全連接層

341、342、343、344、346:一維卷積層

345、347、381:丟棄層

D1:電腦可讀取指令

D2:訓練資料

D3:前處理程序

D4:深度學習模型

D5:總用電歷史資料

D6:家電運轉數據資料庫

圖1為根據本發明一實施例繪示的用電解析方法的流程圖。

圖2為根據本發明的基於NIALM的用電解析系統的方塊圖。

圖3為根據本發明實施例的深度學習模型的示意圖。

以下是通過特定的具體實施例來說明本發明所公開有關“基於非侵入式設備負載監控的用電解析系統及用電解析方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下 的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

圖1為根據本發明一實施例繪示的用電解析方法的流程圖。參閱圖1所示，本發明第一實施例提供一種基於非侵入式設備負載監控(Nonintrusive appliance load monitoring,NIALM)的用電解析方法，大致可包括資料前處理、特徵擷取及電能拆解等步驟。

其中，資料前處理係將欲拆解或辨識之負載資料依照環境電壓特性或地區資訊等進行正規化。特徵擷取係擷取可用於鑑別分類或拆解負載之特徵資料，例如負載實功、虛功、電流諧波、開關暫態特性等。電能拆解則是通過執行演算法，依據總負載特徵與目標電器之耗電功率建立用電解析模型，以解析出各項電器於不同時間點的耗電功率。

請進一步參考圖2，其為根據本發明的基於NIALM的用電解析系統的方塊圖。在本發明一實施例中，圖1的用電解析方法適用於圖2所示的用電解析系統1，其包括多個目標電器，例如目標電器100、102、104，以及計算裝置12。目標電器100、102及104設置在目標場域10中，且連接於總用電迴路106。

在一些實施例中，用電解析系統1還包括數位電力量表11，其連接於市電與目標場域10中的總用電迴路106之間，以在目標電器100、102及104藉由市電供電運轉時，除了擷取總用電迴路106的用電量之外，還擷取多種電力參數。此外，數位電力量表11可例如為現有的智慧型電表，其可將所擷取的電量及電力參數通過網路傳輸至(或直接連接於)計算裝置12以進行用電解析。

參閱圖2所示，計算裝置12可包括處理器120、記憶體122、網路 介面124及輸入輸出介面126，且上述元件可藉由匯流排128進行通訊。然而，上述實施方式只是舉例，本發明不限於使用匯流排128來進行通訊。

處理器120電性耦接於記憶體122，配置以自記憶體122存取電腦可讀取指令D1，以控制計算裝置12中的元件執行計算裝置12的功能。

記憶體122可包括用以儲存資料的任何儲存裝置，例如：硬碟、固態硬碟或其他可用以儲存資料的儲存裝置，但不限於此。記憶體122經配置以至少儲存複數電腦可讀取指令D1、訓練資料D2、前處理程序D3、深度學習模型D4、總用電歷史資料D5及家電運轉數據資料庫D6。記憶體122還可包括隨機存取記憶體(random access memory；RAM)、唯讀記憶體(read only memory；ROM)、快閃記憶體，以在處理器120的控制下儲存資料或是指令。

在本實施例中，可配置網路介面124使其在處理器120的控制下進行網路的存取，網路介面124可例如是有線或無線網路卡。舉例而言，網路介面124可與網路連接以存取數位電力量表11擷取的電量及電力參數。

輸入輸出介面126為可由使用者操作以與處理器120通訊，進行資料的輸入與輸出。輸入輸出介面126可以與鍵盤、滑鼠及顯示器等輸入或輸出裝置連接。

因此，以上述的架構為例，處理器120可執行作業系統，並以記憶體122中的RAM作為臨時資料儲存媒介，以提供可執行本發明的用電解析方法的適當作業環境。更詳細地說，用電解析方法可例如使用電腦程式實現，以控制計算裝置12的各元件。該電腦程式可儲存於一非暫態電腦可讀取記錄媒體中，例如唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體。

如圖1所示，用電解析方法可包括下列步驟：

步驟S10：執行資料擷取程序，以分別取得目標場域的多個目標電器的多個電器用電資料及總用電歷史資料作為訓練資料。

在此步驟中，資料擷取程序係利用數位電力量表11擷取一段時間內，目標場域10的總用電迴路106的多個資料參數以作為總用電歷史資料。 該些資料參數包括：電流前10階奇頻諧波特徵、電壓波形因數、電流波形因數、實功率(P)及虛功率(Q)等共4至14維度的電力參數。

其中，本發明實施例及對照組採用的有效資料訓練期間、資料取樣頻率可參考下表一所示：

如上表所示，對照組為在約20天的有效資料訓練期間內，每15分鐘或每分鐘取樣1筆用電資料，且可包括實功率(P)及虛功率(Q)。與對照組不同的是本發明實施例在約4天的有效資料訓練期間內，每10秒取樣1筆用電資料，且可包括前述的電流前10階奇頻諧波特徵、電壓波形因數、電流波形 因數、實功率(P)及虛功率(Q)等。

步驟S11：對訓練資料執行前處理程序。

前處理程序包括同步化該些電器用電資料與總用電歷史資料的取樣時間，並對訓練資料D2執行一最大最小正規化(MinMaxScaler)處理。

其中，將該些電器用電資料中的每一筆電器用電資料的每X秒的一取樣序列與該總用電歷史資料的取樣時間同步，其中，X為正整數且在5至15的範圍內。在本發明的較佳實施例中，可例如將目標電器的用電資料中，每10秒的取樣序列與總用電歷史資料的取樣時間同步。

另一方面，總用電歷史資料包括前述的電流前10階奇頻諧波特徵、電壓波形因數、電流波形因數、實功率(P)及虛功率(Q)等，其對應於多個維度(例如4至14個維度)，且最大最小正規化處理係針對該些維度中的每一個，將對應的電力參數的資料依據其最大值及最小值正規化至0至1之間，如此產生的訓練資料D2能夠有效提升訓練完成後的模型的用電解析性能。

步驟S12：以經前處理的該訓練資料訓練深度學習模型，並將達到訓練完成條件的該深度學習模型作為用電解析模型。

參閱圖3所示，其為根據本發明實施例的深度學習模型的示意圖。如圖3所示，深度學習模型3為一改良的Seq2point模型，其至少包括輸入層30、特徵擷取降維層32、編碼層34及電器功率預測層38。

現有的Seq2point模型是CNN網路上的一種迴歸(Regression)計算方法，該演算法假設在t時間之窗口W下，個別電器在時間點為t+w/2上的功率會跟總負載Y_t：t+w有強相關。

與之不同的，在本發明的實施例中，則是修改輸入層30以加入多維度資料支援，同時增加特徵擷取降維層32，以確保後續的編碼層34可處理降維後的資料進行特徵提取。其中，編碼層34可包括一維卷積層341、342、 343、344、346及丟棄(Dropout)層345、347。其中，一維卷積層341、342、343、344、346的啟動函數使用ReLU函數，其中，各層的輸入及輸出對應的數字代表該層的維度。

深度學習模型3還包括扁平(flatten)層36，連接於編碼層34及電器功率預測層38之間。特徵擷取降維層32為全連接層320，且全連接層320的輸出維度可例如為2，其小於輸入維度12。

電器功率預測層38包括全連接層380、382及丟棄層381，其中，全連接層382作為輸出層，以輸出深度學習模型3預測的電器功率。

接著，在上述架構下，可對深度學習模型3進行訓練。首先，可使用隨機值初始化深度學習模型3的所有過濾器中的權重及參數，接著，以經前處理的訓練資料作為輸入，經過前向傳播(forward propagation)，得到對應每個類的機率。在初始階段，由於過濾器的權重及參數是隨機設置的，因此得到的每個類的機率也是隨機的。

再來計算輸出層(即是全連接層382)的總誤差。為了降低此誤差，可使用反向傳播計算誤差在網路中各個權重的梯度，並使用梯度下降法更新所有過濾器的值，使得輸出誤差最小。但上述的優化方式僅為舉例，本發明不限於使用梯度下降法來尋找最佳解。

之後，可根據誤差更新過濾器的權重，若在權重更新之後，輸出的總誤差減小，代表深度學習模型3已透過調整權重學會區分特定的資料。接著，可重複執行上述步驟直到輸出的總誤差最小為止，代表達到訓練完成條件。

需要說明的是，在深度學習模型3中，過濾器的個數、大小及網路的結構等參數，在訓練前已決定，且在訓練過程中不再更改，而在訓練過程中更新的只有過濾器的值以及網路的權重。

步驟S13：以資料擷取程序取得目標場域的總用電歷史資料，並輸入用電解析模型以分別預測該些目標電器的多個運轉功率。

類似的，可以前述的資料擷取方式，通過數位電力量表11來擷取預定要解析的一段時間內，目標場域10的總用電歷史資料D5。需要注意的是，所擷取的用電資料與電力參數需要對應於訓練資料D2採用的資料類型。例如，假設訓練資料D2中的總用電歷史資料中的資料參數使用了電壓波形因數、電流波形因數、實功率(P)及虛功率(Q)等電力參數，則總用電歷史資料D5需同樣包括該等電力參數。

步驟S14：分別從家電運轉數據資料庫取得該些目標電器的多筆運轉資料，其中，該些筆運轉資料包括分別對應該些目標電器的多個運轉功率範圍。詳細而言，為了提升用電解析性能，本發明的用電解析方法更以目標電器的規格作為先驗條件，以修正用電解析模型的F-Score之輸出。

其中，家電運轉數據資料庫D6可例如包括目標電器100、102、104的最高運轉功率及最低運轉功率。

步驟S15：判斷該些運轉功率是否在該些運轉功率範圍內，以判斷該些目標電器的運轉情形。

例如，用電解析方法可進入步驟S16：判斷所預測的運轉功率(W)是否大於最低運轉功率(L)且小於最高運轉功率(H)。

響應於所預測的運轉功率(W)大於最低運轉功率(L)且小於最高運轉功率(H)，用電解析方法進入步驟S17：判斷目標電器的狀態為開啟，且其運轉功率即是所預測的運轉功率(W)。

響應於所預測的運轉功率(W)並非大於最低運轉功率(L)且小於最高運轉功率(H)，用電解析方法進入步驟S18：判斷最高運轉功率(H)是否小於或等於所預測的運轉功率(W)。若是，則用電解析方法進入步驟S19：判斷 目標電器的狀態為開啟，且其運轉功率即是最高運轉功率(H)。若否，則用電解析方法進入步驟S20：判斷目標電器的狀態為關閉，且其運轉功率即是最低運轉功率(L)。

請參考下表二，其顯示本發明提供的用電解析模型與現有的NIALM用電解析模型的家電運轉狀態的定性預測性能(F-Score)比較。

需要說明的是，在上表中，本發明提供的用電解析模型，在訓練特徵採用了P、Q、電流諧波、電流波形因數及電壓波形因數，因此其定性預測性能(F-Score)達到87.6%，明顯優於表中的現有的NIALM用電解析模型。

[實施例的有益效果]

本發明的其中一有益效果在於，本發明提出一種基於深度學習模型的NIALM用電解析系統及方法，相對於現有的NIALM用電解析模型，具有較佳的用電解析性能以及較佳的電器指紋辨識度，在模型訓練上，不易受 到資料及多維度資料的影響，並且，獲得的用電解析模型的F-Score較佳。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

Claims (8)

1. 一種基於非侵入式設備負載監控的用電解析方法，其包括：以一資料擷取程序分別取得一目標場域的多個目標電器的多個電器用電資料及一總用電歷史資料作為一訓練資料；對該訓練資料執行一前處理程序，其包括：同步化該些電器用電資料與該總用電歷史資料的取樣時間；及對該訓練資料執行一最大最小正規化(MinMaxScaler)處理；以經前處理的該訓練資料訓練一深度學習模型，並將達到訓練完成條件的該深度學習模型作為一用電解析模型，其中，該深度學習模型至少包括一輸入層、一特徵擷取降維層、一編碼層及一電器功率預測層；以該資料擷取程序取得該目標場域的該總用電歷史資料，並輸入該用電解析模型以分別預測該些目標電器的多個運轉功率；分別從一家電運轉數據資料庫取得該些目標電器的多筆運轉資料，其中，該些筆運轉資料包括分別對應該些目標電器的多個運轉功率範圍；以及判斷該些運轉功率是否在該些運轉功率範圍內，以判斷該些目標電器的運轉情形，以產生一用電解析結果，其中，該深度學習模型還包括一扁平(flatten)層，連接於該編碼層及該電器功率預測層之間，該特徵擷取降維層為一第一全連接層，且該第一全連接層的一輸出維度小於一輸入維度；其中，該編碼層包括多個一維卷積層及多個第一丟棄(Dropout)層；以及 其中，該電器功率預測層包括一第二全連接層、一第二丟棄層及一第三全連接層。
2. 如請求項1所述的用電解析方法，其中該資料擷取程序包括利用一數位電力量表擷取該目標場域的一總用電迴路的多個資料參數以作為該總用電歷史資料，該些資料參數包括：電流前10階奇頻諧波特徵、電壓波形因數、電流波形因數、實功率及虛功率。
3. 如請求項2所述的用電解析方法，其中該總用電歷史資料包括對應於多個維度的多個維度資料，且該最大最小正規化處理係針對該些維度中的每一個，將對應的該維度資料依據該維度資料中的最大值及最小值正規化至0至1之間。
4. 如請求項1所述的用電解析方法，其中同步化該些電器用電資料與該總用電歷史資料的取樣時間的步驟包括將該些電器用電資料中的每一筆電器用電資料的每X秒的一取樣序列與該總用電歷史資料的取樣時間同步，其中，X為正整數且在5至15的範圍內。
5. 一種基於非侵入式設備負載監控的用電解析系統，其包括：多個目標電器，設置在一目標場域中，且該些目標電器連接於一總用電迴路；一數位電力量表，連接於該總用電迴路；一計算裝置，連接於該數位電力量表，該計算裝置包括一記憶體及一處理器，其中，該處理器經配置以：執行一資料擷取程序分別取得一目標場域的多個電器的多個電器用電資料及一總用電歷史資料作為一訓練資料；對該訓練資料執行一前處理程序，其包括：同步化該些電器用電資料與該總用電歷史資料的取樣時間；及 對該訓練資料執行一最大最小正規化(MinMaxScaler)處理；以經前處理的該訓練資料訓練一深度學習模型，並將達到訓練完成條件的該深度學習模型作為一用電解析模型，其中，該深度學習模型至少包括一輸入層、一特徵擷取降維層、一編碼層及一電器功率預測層；以該資料擷取程序取得該目標場域的該總用電歷史資料，並輸入該用電解析模型以分別預測該些電器的多個運轉功率；分別從一家電運轉數據資料庫取得該些電器的多筆運轉資料，其中，該些筆運轉資料包括分別對應該些電器的多個運轉功率範圍；以及判斷該些運轉功率是否在該些運轉功率範圍內，以判斷該些電器的運轉情形，以產生一用電解析結果，其中，該深度學習模型還包括一扁平(flatten)層，連接於該編碼層及該電器功率預測層之間，該特徵擷取降維層包括一第一全連接層，且該第一全連接層的一輸出維度小於一輸入維度；其中，該編碼層包括多個一維卷積層及多個第一丟棄(Dropout)層；以及其中，該電器功率預測層包括一第二全連接層、一第二丟棄層及一第三全連接層。
6. 如請求項5所述的用電解析系統，還包括連接於該總用電迴路的一數位電力量表，且該資料擷取程序包括配置該數位電力量表擷取該總用電迴路的多個資料參數以作為該總用電歷史資料，該些資料參數包括：電流前10階奇頻諧波特徵、電壓波形因數、電流波形因數、實功率及虛功率。
7. 如請求項6所述的用電解析系統，其中該總用電歷史資料包括對應於多個維度的多個維度資料，且該最大最小正規化處理係針對該些維度中的每一個，將對應的該維度資料依據該維度資料中的最大值及最小值正規化至0至1之間。
8. 如請求項5所述的用電解析系統，其中同步化該些電器用電資料與該總用電歷史資料的取樣時間的步驟包括將該些電器用電資料中的一目標電器用電資料的每X秒的一取樣序列與總用電歷史資料的取樣時間同步，其中，X為正整數且在5至15的範圍內。

Images