基于变权重时域卷积网络的非侵入式用电负荷分解方法

1.本发明涉及电力计量技术领域，尤其是涉及一种基于变权重时域卷积网络的非侵入式用电负荷分解方法。


背景技术：

2.负荷分解是指根据房间所有设备使用的总功率信号，确定特定电器功率消耗情况，非侵入式电力负荷监测(non-intrusive load monitoring,nilm)方法在不改变客户现有的电路结构条件下，就可以提供单个电器详细的电气信息，该方法相较于在每个设备上安装传感器的侵入式负荷监测，具有安装成本低、对用户干扰小、应用灵活等优点，可广泛应用于各个领域。
3.在当前环境、经济和社会的影响驱动下，负荷分解正日益成为研究人员关注的焦点，一系列基于机器学习和信号处理技术的方法已经被提出，并在各个公开数据集上进行了评估。然而这些方法大多数需要事件检测和特征提取，对于识别设备的类型和采样率都有一定要求，比较耗时，而且对噪声的鲁棒性也不强。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于变权重时域卷积网络的非侵入式用电负荷分解方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，该方法包括：
7.模型训练：分别训练用于各个用电设备进行用电功率分解的分解模型，所述的分解模型包括多个进行用电功率估计的时域卷积网络，训练时，对于同一用电设备，采用不同时段的用电负荷数据进行相应的时域卷积网络的训练；
8.模型应用：将待分解的总用电功率序列输入至各个设备的分解模型，分别采用多个时域卷积网络进行用电功率估计得到各时间点的多组用电功率估计值，对多组用电功率估计值进行逐点变权重加权求和得到用电设备在各时间点的用电功率分解结果。
9.优选地，对各个设备按照使用频率分为高频使用时段和低频使用频段，进而各个设备的分解模型分别包括采用高频使用时段数据集进行训练的第一时域卷积网络以及采用低频使用时段数据集进行训练的第二时域卷积网络。
10.优选地，模型训练时，采用粒子群算法进行寻优确定各个设备的时段划分结果，对数据集按照时间划分结果进行分割与重组，并进行相应时段对应的时域卷积网络的训练。
11.优选地，所述的时域卷积网络的数学模型表示为：
12.x
τ
＝f(y
t:t+w-1
)+∈
13.其中，y
t:t+w-1
为输入至时域卷积网络的时间窗口[t,t+w-1]中的总用电功率序列，x
τ
为时域卷积网络输出相应的时间窗口的中点元素，w为时间窗口长度，∈为误差，f为时域卷积网络的变换函数。
[0014]
优选地，用于所述的时域卷积网络训练的损失函数表示为：
[0015][0016]
其中，l
p
为损失函数，θ为网络参数，t为输入至时域卷积网络的总用电功率序列的总长度，p(x
τ
∣y
t:t+w-1
,)为模型预测的条件概率。
[0017]
优选地，所述的用电设备在各时间点的用电功率分解结果通过如下模型获得：
[0018][0019]
为设备j在x时刻的用电功率分解结果，ya(x)为采用第一时域卷积网络估计得到的设备j在x时刻的用电功率估计值，yb(x)为采用第二时域卷积网络估计得到的设备j在x时刻的用电功率估计值，fa(x)、fb(x)分别为设备j在x时刻对应的权重，x∈[0,24)＝x，x为一天24小时的时刻点集合。
[0020]
优选地，所述的权重通过模糊策略获得，具体地：
[0021]
设x为论域，数据集t包括数据集a和数据集b，数据集a对应为第一时域卷积网络的用电功率估计值序列，数据集b对应为第二时域卷积网络的用电功率估计值序列，则将fa(x)、fb(x)取为在论域x上数据集a和数据集b对应的隶属度函数。
[0022]
优选地，fa(x)、fb(x)表示为：
[0023][0024]
fb(x)＝1-fa(x)
[0025]
其中，c、σ为常数。
[0026]
优选地，模型训练时对输入至时域卷积网络的数据进行分批标准化。
[0027]
优选地，所述的时域卷积网络由多个膨胀卷积块堆叠而成。
[0028]
与现有技术相比，本发明具有如下优点：
[0029]
(1)本发明在神经网络框架的基础上，添加了变权重优化，从而显著提高了分解的精度，整体框架具有极高的泛化性能；
[0030]
(2)本发明采用时域卷积网络进行用电功率分解，模型可以通过膨胀来查看历史信息和未来信息，在梯度反向传播时不会沿着时间维度一直累积，所有时间步的输入信息的前向传递过程是同时进行的，训练速度大幅提升，每一步输出对应的最长历史输入可以通过调整网络结构参数进行人为控制的，完成对输入信息的精细控制；
[0031]
(3)本发明对各个设备按照使用频率分为高频使用时段和低频使用频段，从而利用对应的数据集训练相应时段的用于电功率分解的时域卷积网络，进而，在应用阶段，通过两个模型分别进行预测，进一步采用模糊策略确定两个网络预测结果在各个时刻点的隶属度，将隶属度作为权重进行加权求和得到最终的分解结果，实现不同设备制定不同时刻点的权重的确定，提高分解精度。
附图说明
[0032]
图1为本发明一种基于变权重时域卷积网络的非侵入式用电负荷分解方法的整体流程框图；
[0033]
图2为本发明编码与解码的过程示意图。
具体实施方式
[0034]
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
[0035]
实施例
[0036]
如图1所示，本实施例提供一种基于变权重时域卷积网络的非侵入式用电负荷分解方法，该方法包括：
[0037]
模型训练：分别训练用于各个用电设备进行用电功率分解的分解模型，所述的分解模型包括多个进行用电功率估计的时域卷积网络，训练时，对于同一用电设备，采用不同时段的用电负荷数据进行相应的时域卷积网络的训练；
[0038]
模型应用：将待分解的总用电功率序列输入至各个设备的分解模型，分别采用多个时域卷积网络进行用电功率估计得到各时间点的多组用电功率估计值，对多组用电功率估计值进行逐点变权重加权求和得到用电设备在各时间点的用电功率分解结果。
[0039]
本发明分解模型可以根据总用电功耗数据，分解出特定的用电设备功耗数据。通过多个不同设备的网络，即可得到多个设备的用电信息。在神经网络框架的基础上，添加了变权重优化，从而显著提高了分解的精度，整体框架具有极高的泛化性能。
[0040]
作为一个优选地实施方式，对各个设备按照使用频率分为高频使用时段和低频使用频段，进而各个设备的分解模型分别包括采用高频使用时段数据集进行训练的第一时域卷积网络以及采用低频使用时段数据集进行训练的第二时域卷积网络。
[0041]
该模型首先将原始数据集中总用电功率序列按照时间段分割重组，得到了两个数据集；再根据种类不同的设备，分别将数据集剪裁成相应序列长度的集合，每小段序列经过训练好的网络结构，得到相应的功率估计值序列；两个数据集共得到两组对应设备的功率估计值序列，然后由制定好的模糊策略对两组数据做进一步处理，最后输出通过分解得到的用电功耗估计值。
[0042]
以下以一具体实例说明本发明的具体执行过程：
[0043]
1)数据采集：采集电力负荷入口处的功率变化信息，用于进行测量、分析。本实施例使用refit公开数据集作为源数据进行实验，其中包含了2013-2015年英国20户家庭单个负荷和总电力日常消耗信息，所有负荷以及住宅总需求的有功功率的采样分辨率为6-8秒。由于数据集容量较大，更适合用于深度学习模型，本实施例期望使用大量的电力读数训练并测试所提出的深度学习方法模型。
[0044]
2)数据预处理：神经网络利用训练数据集依次迭代优化网络，确定各个连接权值参数构建模型，使其效果达到最优。本实施例通过训练每个设备对应的网络，来达到从房间总功率分解出用电设备的目的。本实施例通过统计每个设备超过设定阈值功率的连续样本个数来确定样本跨度，并为每个网络的输入设置了一个样本跨度，该样本跨度下的总功率序列会通过网络得到同一时间段下相应设备的消耗功率序列。
[0045]
21)选择测试负荷：本实施例的研究对象为数据集中使用频率较高的电器，分别是洗碗机、冰箱、水壶、电视机、洗衣机。这五种电器消耗了相当大比例的能源，而且代表了一
系列不同电力特征的用电设备，包括了单一状态设备和多状态设备。
[0046]
22)分批标准化：随着神经网络层数加深，训练难度也进一步加大，而且当实际样本集分布与训练集的样本数据分布有差异时，模型的效果可能会有所下降，即训练出的模型泛化能力较差，分批标准化(batch normalization,bn)被提出用来解决以上两个问题。每层网络变换会导致其输入数据与输出数据的分布产生差异，bn算法使某些网络层或者所有网络层输入数据规范化，统一输入数据的均值和方差，抑制差异被后续网络累计放大的程度。一个批次输入序列x的均值与方差分别为
[0047][0048][0049]
式中：m为一个批次的大小，特征的标准化分布为
[0050][0051]
式中：ε为不为0的常数。此时x变换成均值为0、方差为1的正态分布，拉动线性区并增大导数值后的数据进行后续非线性变换，提高训练速度，同时标准化改变了原始数据的分布，在一定程度上缓解了过拟合，但降低了网络的表达能力，因此bn算法为每个神经元增加了两个参数γ和β用于调节，
[0052][0053]
y＝φ(bn(w))
[0054]
式中：φ为激活函数，y为输出，w为权重矩阵。通过训练得到γ和β用于反变换变换后激活，增强网络的表达能力，减少了参数的认为选择，没有dropout的条件下也能达到相当的效果。
[0055]
3)构建神经网络：设n为家用电器数量，j为第j件家电的索引。p(tn)是在时间例子tn上所有家电测量的总功率，
[0056]
p(tn)＝p(n)
[0057]
将式中n记为采样点，采样点之间的时间间隔为t，具体公式如下：
[0058]
t＝t
n-t
n-1
[0059]
pj(n)表示设备j在采样点n上的有功功率，总功率p(n)就有
[0060][0061]
其中e(n)是测量的附加噪声。nilm需要解决的问题是从已知的p(n)中提取出未知pj(n)，而pj(n)的估算值与同一窗口下的总功率p(n)有关，因此本实施例可以训练一个网络进行时间序列回归，使其可以由p(n)得到就有
[0062]
[0063]
其中g(
·
)是在学习过程中进行的非线性关系建模，包括序列到点的学习、时域卷积网络和参数优化。
[0064]
31)序列到点的学习：序列到点的学习的主要思想是学习一个神经网络，表示一个给定输入主窗口设备的输出窗口中点。设备每个元素的状态与中点前后的电源信息相关，网络的输入是一个电源窗口y
t:t+w-1
，输出是目标设备的对应窗口中点元素x
τ
。
[0065]
序列到点的架构定义了一个神经网络，它将输入的滑动窗口y
t:t+w-1
映射到输出相应窗口中点元素x
τ
。模型是x
τ
＝f(y
t:t+w-1
)+∈，其中∈为计算误差。用于训练的损失函数如下：
[0066][0067]
l
p
为损失函数，θ为网络参数，t为输入至时域卷积网络的总用电功率序列的总长度，p(x
τ
∣y
t:t+w-1
,θ)为模型预测的条件概率。为了处理序列的端点，给定一个完整的输入序列y＝(y1…yt
)，本实施例首先在序列的开始和结束处填充w/2个零。序列到点的模型的优点是每个x
t
都有一个预测，具有较高的准确率。
[0068]
32)时域卷积网络(tcn)：本实施例采用的时域卷积网络由多个膨胀卷积块堆叠而成，对于一个特征窗口w上第s个位置进行卷积操作，则膨胀卷积为：
[0069][0070]
其中，d为膨胀系数，而w
s-d
·i即为时间窗口中s位置之前的前序位置。相比于仅能查看历史信息的lstm，tcn可以通过膨胀来查看历史信息和未来信息。在梯度反向传播时不会沿着时间维度一直累积，避免了rnn类网络固有的梯度弥散问题，所有时间步的输入信息的前向传递过程是同时进行的，不同于rnn类网络需要等待上一个时间步的前向传递结束后才可进行下一个时间步的前向传递，因此训练速度大幅提升。同时每一步输出对应的最长历史输入是可以通过调整网络结构参数进行人为控制的，但rnn类网络只能默认输入全部的历史信息，无法做到对输入信息的精细控制。
[0071]
33)编码与解码：如图2所示，x
′
为输入数据样本，x为输出原始数据样本，x和x’的样本数相同。输入x
′
经过加权映射后，得到隐藏层h进行数据的降维表示，最后通过反向加权映射得到输出x。
[0072]
h＝σ(wx
′
+b)＝f(x
′
)
[0073]
x＝σ(w
′
h+b
′
)＝f
′
(x)
[0074]
以上公式分别表示编码过程和解码过程，将编码后提取到的x’中关键信息作为后续训练网络的输入，完成从x
′
到x的信息重构。
[0075]
上述，模型训练时，采用粒子群算法进行寻优确定各个设备的时段划分结果，例如6:00～18:00划分为一个时段，剩余为一个时段。在训练过程中对数据集按照时间划分结果进行分割与重组，并进行相应时段对应的时域卷积网络的训练。
[0076]
4)由于电力负荷与时间具有相关性，在神经网络负荷分解的基础上，可以建立基于时态模糊负荷分解函数模型：
[0077][0078]
为设备j在x时刻的用电功率分解结果，ya(x)为采用第一时域卷积网络估计得到的设备j在x时刻的用电功率估计值，yb(x)为采用第二时域卷积网络估计得到的设备j在x时刻的用电功率估计值，fa(x)、fb(x)分别为设备j在x时刻对应的权重，x∈[0,24)＝x，x为一天24小时的时刻点集合。
[0079]
其中，权重通过模糊策略获得，具体地：
[0080]
设x为论域，数据集t包括数据集a和数据集b，数据集a对应为第一时域卷积网络的用电功率估计值序列，数据集b对应为第二时域卷积网络的用电功率估计值序列，则将fa(x)、fb(x)取为在论域x上数据集a和数据集b对应的隶属度函数。
[0081]
fa(x)、fb(x)表示为：
[0082][0083]
fb(x)＝1-fa(x)
[0084]
其中，c、σ为常数。
[0085]
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。