一种基于残差全卷积神经网络的非侵入式负荷监测方法

本发明属于非侵入式负荷监测，主要涉及了一种基于残差全卷积神经网络的非侵入式负荷监测方法。

背景技术：

1、非侵入式负荷监测(nilm)的核心思想是通过分析每个设备的操作特征，将聚合的负载数据分离为单独的设备级功率序列。根据负荷数据的采样率，nilm方法可分为两类：基于低频率的方法和基于高频率的方法。基于高频的nilm方法在检测瞬态事件和区分由于更详细的电器特征而表现出相似功耗分布的电器方面更有效。然而，高计算要求和获取高频采样数据的成本可能对实时实现构成重大挑战。因此，为特定应用选择合适的nilm方法需要在设备级信息的准确性和实现的可行性之间进行权衡。最近的研究表明，由于智能电表的广泛使用，人们对基于低频率的nilm算法越来越感兴趣。

2、然而，基于低频数据的负荷分解引入了一系列需要解决的困难，以确保可靠的结果。其中一个重要挑战是低频测量的时间分辨率有限。由于这些测量在较大时间间隔内进行，可能无法捕捉到快速的负荷波动和变化，而这在某些类型的负荷中很常见。这一限制可能导致负荷模式的模糊，影响对各个子负荷的准确识别。此外，低频数据往往会掩盖瞬态负荷变化和短期负荷事件，而这对于准确的负荷分解至关重要。由冰箱、空调或电梯等设备引起的快速转变可能在低频数据的粗粒度中丢失，从而阻碍了对不同子负荷之间的准确区分能力。结果，最终的分解模型可能会忽视这些关键的负荷动态，导致结果的细粒度丧失。

3、同时，低频数据固有的噪声问题也构成了一个重要障碍。由于这些测量涵盖更广泛的时间跨度，它们更容易受到累积噪声、测量误差和其他干扰的影响。这些噪声可能会引入分解过程中的不准确性，尤其是在处理低强度负荷或整体功耗较低的时间段。这些不准确性不仅会影响分解结果的质量，还会影响对微小负荷贡献的有效识别能力。为了应对这些挑战，需要采取综合性的方法，整合更先进的噪声减少技术，以提负荷分解的质量。

技术实现思路

1、本发明正是针对现有技术中的不足，提供一种基于残差全卷积神经网络的非侵入式负荷监测方法，首先收集总功率和各个设备的负荷数据，并进行数据预处理操作；再采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；随后建立残差全卷积神经网络模型、构建损失函数，并对网络参数进行训练：再为目标设备建立功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较，消除网络产生的不相关激活；最后建立评估模型，对输出时间序列的准确性进行评估，完成非侵入式负荷监测。

2、为了实现上述目的，本发明采取的技术方案是：一种基于残差全卷积神经网络的非侵入式负荷监测方法，包括如下步骤：

3、s1，数据预处理：收集总功率和各个设备的负荷数据，并进行数据预处理操作；

4、s2，数据分段：基于自适应窗口长度的负荷特征提取，利用步骤s1预处理后的数据，采用自适应滑动窗口的方式，对每个窗口内的时间序列数据进行特征工程抽取，获取相应的特征数据；将数据分为训练集与测试集，并输入残差全卷积神经网络；

5、s3，建立残差全卷积神经网络模型：所述残差全卷积神经网络模型包括六个残差卷积模块，三个一维卷积层，四个maxpooling层，四个convtranspose层，flatten层和一个dense层；每个残差卷积模块由四个一维卷积层组成，其中，每个残差卷积模块中第一个一维卷积层的输入，通过残差连接加入第四个一维卷积层的输出，每个一维卷积层由30个维度为8的卷积核构成且采用relu激活函数；将训练集时间，总功耗数据，单个设备功耗数据输入残差全卷积神经网络模块；

6、s4，构建损失函数，并对网络参数进行训练：通过输入测试集总功耗数据，利用步骤s3已建立的残差全卷积神经网络模型，分解出对应的单个电器时间序列数据；

7、s5，后验处理：为目标设备建立功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较，消除网络产生的不相关激活；

8、s6，建立评估模型：对输出时间序列的准确性进行评估。

9、作为本发明的一种改进，所述步骤s1中的数据预处理具体包括如下步骤：

10、s11，数据清洗和填充：接收历史和实时电力负荷数据，执行数据清洗操作，删除或纠正异常值和缺失数据；其中，对于缺失数据，使用插值进行填充；对于异常数据，使用z-score方法异常值检测算法，识别和处理异常值；

11、s12，特征选择和提取：从原始电力负荷数据中选择关键特征，进行统计信息提取；所述关键特征至少包括时间、日期和季节；所述统计信息至少包括均值和方差；

12、s13，标准化和归一化：对步骤s12选定的特征进行标准化和归一化处理，选择最小-最大归一化确保不同尺度的特征能够在模型中平等对待；

13、s14,时间序列平滑:对于具有明显季节性和周期性的电力负荷数据，使用时间序列平滑方法。

14、作为本发明的一种改进，所述步骤s2中基于自适应窗口长度的滑动窗口方法来分割收集的负载序列，针对不同的负载设置应用不同的采样率和窗口长度；所述窗口长度定义如下：

15、w(i)＝[wbase*f_t(i)*t(i)]/[fbase*tbase]

16、其中，w(i)表示为第i类设备计算的窗口长度，t(i)为第i类设备的平均工作周期，f_t(i)为第i类设备的采样频率，wbase，fbase与tbase分别表示基窗口长度、基采样频率和基工作周期。

17、作为本发明的另一种改进，所述步骤s3中的残差全卷积神经网络模型中：maxpooling层1输出连接残差卷积模块1输入；残差卷积模块1输出连接maxpooling层2输入；maxpooling层2输出连接残差卷积模块2输入；残差卷积模块2输出连接maxpooling层3输入；maxpooling层3输出连接残差卷积模块3输入；残差卷积模块3输出连接maxpooling层4输入；maxpooling层4输出连接三个一维卷积层；三个一位卷积层输出连接输出连接convtranspose层1；convtranspose层1输出连接残差卷积模块4输入；残差卷积模块4输出连接convtranspose层2输入；convtranspose层2输出连接残差卷积模块5输入；残差卷积模块5输出连接convtranspose层3输入；convtranspose层3输出连接残差卷积模块6输入；残差卷积模块6输出连接convtranspose层4输入；convtranspose层4输出连接flatten层输入；flatten层输出连接dense层输入；maxpooling层1输出通过残差连接加入convtranspose层4输入；maxpooling层2输出通过残差连接加入convtranspose层3输入；maxpooling层3输出通过残差连接加入convtranspose层2输入；maxpooling层4输出通过残差连接加入convtranspose层1输入。

18、作为本发明的另一种改进，所述步骤s4中的损失函数如下：

19、

20、其中，t表示每个样本包含的总采样点数；n表示总样本数；pgt与ppd分别表述实际功率值和网络分解得到的设备功率时间序列。

21、作为本发明的又一种改进，所述步骤s5具体包括：

22、s51，设置数据过滤阈值：

23、s511：选择适当的数据样本，从历史和实时数据中选择一组未在训练和测试集中出现的样本；

24、s512：判定开关状态设备，对于明确具有开关状态的设备，利用nilmtk中的集成函数确定每种设备类型在选定数据上的切换时刻；

25、s513：处理连续输出系统数据，对于连续输出系统，通过相似性计算，采用其能量规模类似的设备阈值；

26、s52，分析实际功率序列特性：计算实际功率特性，基于设置的激活阈值，对目标设备在每次激活时的实际功率序列特性进行计算，记录实际功率序列值和每次激活的关联特性；

27、s53，分析激活长度和操作：通过计算时间戳之间的差值来计算每次目标设备的激活长度；通过记录目标设备的激活序列，确定操作中的最小激活长度，将激活序列的采样点总数作为阈值；

28、s54，剔除不相关分解结果：获取算法分解所得的目标设备功率的激活信息，将实际值的最小激活长度与分解值的激活的长度进行比较，消除分解值中所有功率小于阈值的激活与持续时间小于列表中激活最小激活长度的激活。

29、作为本发明的更进一步改进，所述步骤s6中评估模型的评价指标包括平均绝对误差、归一化信号聚合误差和归一化分解误差，所述指标的计算如下：

30、

31、

32、其中，mae表示平均绝对误差；nde表示归一化信号聚合误差；sae表示归一化分解误差；m表示采样点的总数；pgt与ppd分别为设备的实际功率值和分解功率值。

33、与现有技术相比，本发明具有的有益效果：本发明提供了一种基于残差全卷积神经网络的非侵入式负荷监测方法，基于不同设备的运行周期和特性，采取了一种自适应窗口长度的数据分段方法，以确保识别设备行为的有效性；还提出了一种残差全卷积神经网络模型结构，用于家用电器和分布式能源的能量分解，利用残差连接成功地解决了随着网络深度增加而出现的模型性能下降和梯度消失问题，提升算法精确度和泛化能力；此外，本发明方法还设有后验处理算法，对深度神经网络的输出进行优化，考虑数据特性，为目标设备建立了功率特征数据库，并将实际激活序列分解值与激活序列特征进行比较以消除网络产生的不相关激活。