一种支持多电器类型高精度的NILM实现方法技术

本发明专利技术公开了一种支持多电器类型高精度的非入侵式负荷监控(NILM)的实现方法，能够用于NILM系统中对于多种负荷电器的识别，以扩展系统的兼容广度和提高精度的目的。本发明专利技术方法包括：数据的获取；系统根据选定的负荷电器来准备训练数据；系统使用基于深度神经网络的特定架构来完成对负荷电器类型的训练建模；系统通过训练好的架构对负荷电器的识别过程。本发明专利技术在训练数据的选择了较完整数据集，在对电器建模上会有较好的表现；考虑了大多数电器识别的兼容性，提升了对双状态电器的识别性能。本发明专利技术可推广到不需要高端硬件采集数据的系统中使用。

A high precision NILM implementation method to support multiple electrical appliances

The invention discloses a method of realizing non intrusive load monitoring (NILM) that supports multiple electrical appliances with high accuracy. It can be applied to identify various kinds of load electrical appliances in NILM system, so as to extend the compatibility range and accuracy of the system. The method of the invention includes: data acquisition system; to prepare training data according to the selected electrical load; the use of specific system architecture based on deep neural network to the completion of the training load modeling appliance type system; through the identification of the architecture of electrical load process. The invention selects a relatively complete data set in training data, and performs well in modeling electrical appliances. Considering the compatibility of most electrical identification, it improves the recognition performance of dual state electrical appliances. The invention can be extended to the system which does not need high end hardware collection data.

【技术实现步骤摘要】
一种支持多电器类型高精度的NILM实现方法
本专利技术属于信息与通信
，尤其涉及一种有效的NILM的实现方法。
技术介绍
面对日益严重的能源紧缺的问题以及用电量逐年增长的现状，对用电的节能改造以及发展智能电网技术一直是研究热点，因而采用非侵入式负荷监控((Non-intrusiveLoadMonitoring，NILM)技术，对广大客户的用电情况实现监控、管理的概念模型被提出来。NILM系统能够检测需要维护的设备并且向消费者提供设备特定的反馈，以方便用户合理安排相关用电设备的运行状态。然而现今NILM方法在识别性能上和对电器类型的覆盖率还有待完善，没有一种方法在保证识别性能的基础上还能兼容所有电器类型，同时能允许低端硬件的低采样。而深度神经网络技术的快速发展，推动了研究工作者尝试将深度神经网络技术应用到NILM中，而且相较于传统方法如组合优化CO和阶乘隐马尔科夫模型FHMM等，基于深度神经网络的NILM方法在一些性能指标上取得了更好结果，即能在精度和电器类库兼容性上达到更高性能的平衡，而且并不要求高采样率。
技术实现思路
本专利技术提供了一种支持多电器类型高精度的NILM实现方法，本文档来自技高网...

【技术保护点】
一种支持多电器类型高精度的NILM的实现方法，其特征在于，包括如下步骤：(1)从数据源获取用电特征；所述用电特征指电气量数据，包括功率值和电压值；所述数据源，包括公共数据集，指数据库软件生成的各种包含元器件信息的表格文件，或者是采集的电气量数据；(2)获取用电特征后，根据选择的电器类型，进行训练数据的准备工作，包括提取负载激活，创建聚合数据；所述电器类型，分为单状态和多状态型；所述电器类型选取用电特征需具有代表性，每个电器都至少存在于数据集UK‑DALE的三个房子中，用以实现对于每个用电设备，至少可以在两个房子上训练我们提出的优化网络架构，并在不同的房子上进行测试的电器作为该类电器的训练对象；...

【技术特征摘要】
1.一种支持多电器类型高精度的NILM的实现方法，其特征在于，包括如下步骤：(1)从数据源获取用电特征；所述用电特征指电气量数据，包括功率值和电压值；所述数据源，包括公共数据集，指数据库软件生成的各种包含元器件信息的表格文件，或者是采集的电气量数据；(2)获取用电特征后，根据选择的电器类型，进行训练数据的准备工作，包括提取负载激活，创建聚合数据；所述电器类型，分为单状态和多状态型；所述电器类型选取用电特征需具有代表性，每个电器都至少存在于数据集UK-DALE的三个房子中，用以实现对于每个用电设备，至少可以在两个房子上训练我们提出的优化网络架构，并在不同的房子上进行测试的电器作为该类电器的训练对象；训练对象包括单状态和多状态或者多状态；所述负载激活是指单个电器设备在该设备工作时间内获得的功率；所述创建聚合数据，是根据提取到的负载激活，创建一个合成数据序列；对于选定数据源包括的电器类型，随机选择任一设备激活，且该设备激活包含在序列中；所述目标设备是我们选择用来作为训练识别目标的，该聚合数据中的任何一个用电设备类型都可以作为目标设备进行训练(3)使用基于深度神经网络的方法，采用步骤(1)确定的数据源，和步骤(2)创建的聚合数据，对所选电器进行负荷电器用电特征的建模训练，实现对该深度神经网络的优化；(4)利用步骤(3)优化后的深度神经网络，对总负荷输入进行负荷电器的识别操作，生成负载神经网络模型，用于对输入的总负荷功耗数据进行负荷识别分解。2.根据权利要求1所述的方法，其特征在于，所述步骤(2)中根据负荷电器准备训练数据的过程，具体包括：按照提取电器负载激活、选择训练数据的时间窗口和创建聚合数据，进行训练数据的准备工作。3.如权利要求1或2所述的方法，其特征在于，时间窗口是需要进行训练的网络架构的输入数据窗口宽度，根据具体的电器设备而变化。4.如权利要求1或2所述的方法，其特征在于，所述步骤(3)使用基于深度神经网络方法进行负荷电器的建模训练；所述训练过程是监督性的，即需要使用已知电器类型的单个电器用电数据进行训练，具体包括：所述深度神经网络由降噪自动编码器dAE和循环神经网络RNN组成，降噪自动编码器是从有噪声的功耗输入重建清洁目标的自动编码器，使用其滤波去噪特性进行首次的建模过程，以产生一个较优的模型表示；循环神经网络RNN是一个自反馈网络，使用长短时记忆神经网络LSTM实现；数据训练使用反向传播算法实现，具体为：对于一组样本，x(i)，y(i)，1≤i≤N，N为训练样本数量，神经网络通过下面公式进行信息传播：a(m)＝fm(z(m))(1)z(m)＝W(m...

【专利技术属性】
技术研发人员：戴彬，李葱，徐方琳，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42