一种基于深度学习的设备开关状态检测方法技术

本发明专利技术属于非侵入式负荷识别技术领域，具体为一种基于深度学习的设备开关状态检测方法。本发明专利技术对序列

【技术实现步骤摘要】
一种基于深度学习的设备开关状态检测方法


[0001]本专利技术属于非侵入式负荷识别
，具体为一种基于深度学习的设备开关状态检测方法。

技术介绍

[0002]非侵入式负荷识别，就是试图通过从电表的总功率中分解出相应设备的功率，从而识别当前设备所处的运行状态，因此如何推断特定设备的电力负荷、进行电力负荷分解和识别是现阶段主要的研究目标。目前深度学习已经深入到各行各业，利用神经网络来解决各种问题，如何利用深度学习相关的方法来提升负荷识别的准确率是当前研究的热门。
[0003]总功率数据是一段序列数据，目前对序列数据的处理方式主要有序列
‑
序列以及序列
‑
点两种，序列
‑
序列是预测同输入序列等长的数据，序列
‑
点是预测序列的中点值。研究发现，对于序列值，预测结果中的中点以及中点附近的值更加准确，序列
‑
点比序列
‑
序列有更好的预测结果，但针对一段序列数据只预测中点值效率较低，需要更加高效的处理方式。传统的神经网络分为卷积神经网络和循环神经网络，当输入序列较长时，网络的接收域增大，卷积神经网络的计算复杂度平方式增大，循环神经网络的计算复杂度虽然以线性增大，但是只能顺序计算，无法进行有效的并行计算处理，因此长序列建模一直是传统的神经网络所面临的挑战。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的设备开关状态检测方法，以适合长序列建模的网络，并在保证对序列值有较好的预测结果前提下提升效率。
[0005]本专利技术是在序列
‑
点处理方式上做出改进，采用一种改进的方式，将对单个点的预测变成对一定目标序列长的预测，该目标序列更靠近中点以及中点附近的值，在保证较好的预测性能的前提下提高了预测的效率。同时引入一种用于原始音频信号建模的网络结构，采用堆叠空洞卷积来扩大网络的接收域，整个网络因为改进的序列
‑
点的处理方式可以进行并行计算处理，因此能够实现对长数据序列的高效建模并预测输出。本专利技术利用改进的深度学习方法，搭建的网络模块分为两个主要部分，一部分利用回归网络的特性来对聚合负载数据进行负荷分解得到不同设备的负载数据，一部分利用分类网络的结果得到相应设备的负荷状态，网络的整体输出综合了两部分的信息，得到更加准确的设备开关状态预测结果，在非侵入式设备开关状态识别方面具有优越性。
[0006]本专利技术提供的基于深度学习的设备开关状态检测方法，具体步骤为：
[0007]步骤1：确定输入数据；
[0008]负荷分解任务所针对的设备负载数据主要分为两种类型，一是高频采样的数据，主要表现为每秒采样千次或上万次的信号波形，包括设备稳态和瞬态之间的状态切换、设备持续运行状态下的负载数据；二是低频采样的数据，主要表现为设备运行时的电流、电压以及功率等相关数据，采样频率很小，或为较高采样频率数据的均方根值。
[0009]本专利技术所采用的网络，针对的数据为设备运行时所记录的总功率，为低频采样的数据，采用较低采样率的数据是为了使本专利技术方法能进行一个长时间的负荷监测。因为在现实使用场景下，大多数家庭电器的使用时间相对于总能耗时间来说分布十分不均匀，需要进行一个长时间的监测，才能更加准确的从聚合负载数据中识别出特定设备的开启、关闭状态，因此本专利技术方法更多的使用场景在于家庭。
[0010]网络的输入数据为采用滑动窗口的方式来从长序列数据中获取，在序列
‑
点处理方式上采用一种改进的方式，将对单个点的预测变成对一定目标序列长的预测，该目标序列更靠近中点以及中点附近的值。感受野记为L，目标域记为r，每次输入的数据长为L+r
‑
1个节点数据，本专利技术中感受野L大小为255，目标域r大小为100，每次输入的数据为354个节点数据。同时r也为滑动窗口大小，针对T时间长度的数据序列，以r为步长划分出多段数据，输出为同T长度相同的序列数据，序列中每个时间节点的输出结果为空或为某一设备开启/关闭状态。
[0011]步骤2：数据预处理；
[0012]步骤2.1：因为本专利技术是针对长时间序列数据进行处理，在电路数据监测中会因为一些环境因素导致部分时间的数据缺失情况，因此需要对数据进行一个预处理工作。首先由于频射问题导致的数据缺失，采用前向填充，即将缺失数据段后所记录的数据复制填充缺失段，填充的数据段长度不超过三分钟；同时由于设备开关所导致的数据缺失情况，采用零填充，即将该段缺失的数据填充为0，填充的数据长度超过三分钟。
[0013]步骤2.2：同时，需准备训练数据对神经网络进行训练，训练数据不仅包括长时间序列的聚合负载数据，还有对应时间序列的特定设备负载数据，以便在训练的过程中采用对应的评估指标来衡量回归网络的性能，从而调整网络参数，提升网络的负荷分解能力。处理一为删除特定设备负载值大于对应聚合负载值的数据段，从而减少监测错误的数据段对网络的影响；处理二为通过确定的设备功率阈值对设备负载数据序列进行一个二值化处理，负载值大于阈值的时间段记为开启状态，反之记为关闭状态，从而得到对应时间序列的设备开关状态记录，在训练的过程中采用对应的评估指标来衡量分类网络的性能，从而调整网络参数，提升网络的状态检测能力。
[0014]步骤3：确定网络结构；
[0015]本专利技术的网络结构主要由两部分组成，分为回归子网络和分类子网络，两部分的主要组成部分为空洞卷积残差模块，两部分的输出结果在最后做一个筛选操作，得到最终同输入长度相同的序列数据，序列中每个时间节点的输出结果为空或为某一设备开启/关闭状态。
[0016]步骤3.1：空洞卷积残差模块的结构如图2所示，其中空洞卷积层由一层空洞卷积构成，相对于传统的卷积多了一项超参为空洞率，即卷积核之间的间隔数量。输入经过空洞卷积层后得到的输出分为两部分，一部分经过tanh函数，一部分经过sigmoid函数，然后两部分计算结果进行矩阵对应位相乘操作后经过一层1x1卷积，同样输出分为两部分，一部分直接输出为跨步输出，一部分与残差模块最初的输入相加得到残差输出。
[0017]步骤3.2：回归子网络的结构如图3所示，自输入端至输出端首先有堆叠6层空洞卷积残差模块，由空洞卷积残差模块的结构描述可知，除最后一层残差模块，每一层模块的残差输出输入到下一层模块，同时除第一层残差模块，每一层模块的跨步输出都与上一层的
跨步输出相加传递至下一层。最后一层相加的跨步输出结果先经过ReLU函数，再经过一层1x1卷积，随后经过一层全连接层得到回归子网络的最终输出。
[0018]步骤3.3：分类子网络的结构如图3所示，网络的前半部分同回归子网络相同，自输入端至输出端首先有堆叠6层空洞卷积残差模块，由空洞卷积残差模块的结构描述可知，除最后一层残差模块，每一层模块的残差输出输入到下一层模块，同时除第一层残差模块，每一层模块的跨步输出都与上一层的跨步输出相加传递至下一层。最后一层相加的跨步输出结果先经过ReL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的设备开关状态检测方法，其特征在于，在序列
‑
点处理方式基础上进行改进，即将对单个点的预测变成对一定目标序列长的预测，该目标序列更靠近中点以及中点附近的值，在保证较好预测性能的前提下提高预测的效率；同时引入用于原始音频信号建模的网络模块结构，采用堆叠空洞卷积来扩大网络的接收域，整个网络因为改进的序列
‑
点的处理方式而进行并行计算处理，能够实现对长数据序列的高效建模并预测输出；其中，搭建的网络模块分为两个部分：一是回归网络，用于对聚合负载数据进行负荷分解，得到不同设备的负载数据；一是分类网络，分类网络的结果得到相应设备的负荷状态，网络的整体输出综合两部分的信息，得到更加准确的设备开关状态预测结果。2.根据权利要求1所述的基于深度学习的设备开关状态检测方法，具体步骤为：步骤1：确定输入数据；基于采用的网络模型针对的数据为设备运行时所记录的总功率，固为输入数据采用低频采样的数据，包括设备运行时的电流、电压以及功率相关数据；网络模型的输入数据为采用滑动窗口的方式来从长序列数据中获取，具体是在序列
‑
点处理方式上采用改进的方式，即将对单个点的预测变成对一定目标序列长的预测，该目标序列更靠近中点以及中点附近的值；步骤2：数据预处理；步骤2.1：首先，对于频射问题导致的数据缺失，采用前向填充，即将缺失数据段后所记录的数据复制填充缺失段，填充的数据段长度不超过三分钟；对于设备开关所导致的数据缺失，采用零填充，即将该段缺失的数据填充为0，填充的数据长度超过三分钟；步骤2.2：准备训练数据，用于对神经网络进行训练，训练数据包括长时间序列的聚合负载数据，以及对应时间序列的特定设备负载数据，以便在训练的过程中采用对应的评估指标来衡量回归网络的性能，从而调整网络参数，提升网络的负荷分解能力；步骤3：确定网络结构；网络结构主要由两部分组成，分为回归子网络和分类子网络，两部分的主要组成部分为空洞卷积残差模块，两部分的输出结果在最后做一个筛选操作，最终得到与输入长度相同的序列数据，序列中每个时间节点的输出结果为空或为某一设备开启/关闭状态；步骤4：确定评估指标，训练网络模型；步骤4.1：回归网络模块用于对聚合负载数据进行负荷分解，网络训练过程中评估的标准是生成的数据与真实的数据之间的误差，具体采用平均绝对误差MAE和归一化的信号聚合误差，数值越小表示模型分解效果越好；设T为时间节点数，和y
t
分别为时间节点t时的预测功率和真实功率，r＝∑
t
y
t
分别表示某一设备在一定时间段内的预测功率和真实功率之和，有：步骤4.2：分类网络模块用于对设备开光状态的检测，在网络的训练过程中所采用的数据为家庭的负载数据记录，由于大多数家庭电器的使用时间相对于总能耗时间来说分布十分不均匀，因此采用基于状态的度量F1分数来衡量模块预测设备状态的能力，在每个时间步长中，如果设备的电源超过预先设定好的功率阈值，则考虑其处于开启状态；F1分数可以看作是精准率P和召回率R的调和平均值，设TP为预测正确的正样本数，FP为预测为正的负
样本数，FN为预测为负的正样本数，则：步骤5：得到负荷分解结果，判断设备开关状态；经过训练得到的网络模型，功率数据...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：