一种基于卷积神经网络的可解释性的负荷识别方法技术

一种基于卷积神经网络的可解释性的负荷识别方法，属于负荷识别领域。该方法利用卷积神经网络(Convolutional neural networks，CNN)进行特征提取，从而实现用电负荷模式的分类识别。由于CNN的“黑箱”操作，提出了两种可解释性方法，一种是利用表征可视化技术将卷积层中的卷积层和池化层进行可视化表示，可以提取到图像中的底层和高层特征，通过底层和高层负荷特征来判断负荷类型，从而对模型内部进行可解释性，另一种是将负荷图片利用反卷积神经网络对图片进行复现并进行各层的展示，使大家更为信服，从而增强模型的可解释性。本发明专利技术完全基于数据驱动，克服了配电网复杂环境下，基于深度模型在算法效率和准确性、可解释性多方面的局限性。使用该方法避免了传统机器学习识别精度不够的问题，设计模型的可解释性，并改善深度学习模型的“黑盒”特点，提高了识别精度并对模型进行了可解释性研究。对模型进行了可解释性研究。对模型进行了可解释性研究。

【技术实现步骤摘要】
一种基于卷积神经网络的可解释性的负荷识别方法


[0001]本专利技术涉及一种基于卷积神经网络的可解释性的负荷识别方法，属于负荷识别处理


技术介绍

[0002]现代电力系统中，智能电网已经成为电网发展的必然趋势，智能电网中占据关键位置的就是电力需求侧的管理，而在电力需求侧管理中最核心的就是负荷识别，负荷识别在智能电网中起关键作用。由于当今电网的日益复杂，越来越多的特征不同的用电设备接入电网中，使得电网越来越复杂，对负荷模式进行识别变得尤为的重要，但是在负荷识别中识别精度不高，以及采用的方法在不可解释性方面存在局限性，从而影响分类结果和模型信任度。
[0003]传统的负荷模式识别方法主要利用机器学习方法进行识别，常用的方法有K
‑
means聚类方法、模糊C均值、ID3决策树等方法，但是传统的机器学习的聚类方法基于无监督学习，不能实现高精度的识别。
[0004]深度学习技术的优势在于能由数据驱动且具有自适应的学习事务特征，对具体数学模型依赖程度低，并具有对源域的迁移学习能力。卷积神经网络(Convolutional neural networks，CNN)是目前深度学习领域在分类领域研究的典型模型，一类包含卷积计算且具有深度结构的前馈神经网络，CNN常被用于图像领域，利用CNN提取负荷特征，可以实现高精度的负荷分类结果。
[0005]虽然深度学习在很多方面表现非常突出，但是深度模型犹如一个“黑盒子”一样，通过训练其可以得到很好的结果，但是关于如何确定使结果更好的参数问题以及获得结果的原因并没有给出解释，当结果出现误差时，也不能给出合理的解释，这也是深度学习的局限性，研究深度学习的可解释性变得尤为重要。可解释性分为事前可解释性和事后可解释性，事前可解释性是指对于训练好的模型不需要额外的信息就可以理解模型决策依据，事后可解释性是指整体上理解模型的工作机制与逻辑或者分析输入样本每一维特征对结果的贡献程度。
[0006]本文提出了基于深度学习用电负荷模式识别并对其进行可解释性研究。首先对负荷数据进行负荷照影，将其转化为HSV图像，进而转化为具有可解释性的RGB负荷照影；接着用2D
‑
CNN网络(二维卷积神经网络)对负荷照影进行特征提取，设计CNN模型以得到高精度的分类结果；在模型可解释性上，本文提出一种表征可视化技术及反CNN技术，第一种是将上述训练好的模型进行表征可视化，可视化卷积层和池化层的特征图，从而可以看到提取到的每一类的不同的特征，增强分类结果的可信度和模型的可解释性；反CNN顾名思义就是CNN的逆过程，利用反CNN复现一个已经训练好的CNN，从而可以得到各层图像和复现的结果，通过比较负荷照影和复现图说明了卷积模型的可信性，增强模型可解释性。利用深度学习模型克服了机器学习识别精度不高的问题，而面对深度学习不可解释性的问题，通过正反两个方向进行可解释性研究，在提高识别精度的同时，并对CNN的可解释性进行研究，增
加了模型的可解释性。

技术实现思路

[0007]本专利技术的目的在于，针对传统负荷模式识别方法识别精度不高及深度学习不具有解释性的问题，提供一种基于深度学习用电负荷模式识别并对其进行可解释性研究方法。
[0008]本专利技术采用具有强大特征提取能力的卷积神经网络(Convolutional neural networks，CNN)作为主要架构，并结合表征可视化及构建反CNN对已训练好的CNN模型进行可解释性研究。利用深度学习方法克服了机器学习识别精度不高的问题，并对CNN模型的可解释性进行了研究，克服了深度学习的“黑盒”特点。本专利技术的方法同时具有良好的泛化能力。
[0009]一种基于深度学习用电负荷模式识别并对其进行可解释性研究方法，该方法可以分为两大过程，首先是利用负照影技术将负荷数据转化为负荷照影，再将负荷照影输入CNN中进行训练得到分类结果；然后将训练好的模型进行保存，利用表征可视化方法对卷积层和池化层进行可视化展示；将池化后的结果输入到反CNN中对负荷照影进行复现，并返回反池化及反卷积后的结果，从而对模型进行可解释性，具体步骤为：
[0010]步骤1：输入负荷数据，将数据转化为HSV图像，再将HSV图像转为为RGB图像；
[0011]步骤2：采用含有两层卷积层和一层池化层的2D
‑
CNN(二维卷积神经网络)提取特征，并在每一层进行归一化操作，中间层采用ReLU激活，最后使用三个全连接层和softmax函数输出16种分类结果；
[0012]步骤3：步骤2训练模型进行保存，利用表征可视化技术将步骤2生成的模型中的卷积层和池化层进行可视化，可视化三组特征图，每组特征图由32张图片，通过观察学习到负荷特征了解分类依据；
[0013]步骤4：复现负荷照影，利用步骤2训练模型的过程，利用含有一层反池化层和两层反卷积层的二维反CNN进行上采样过程，并在每一层进Batch Normalization归一化操作，中间层采用ReLU激活，最后输出反池化层和反卷积层得到的负荷图片和最后复现的负荷照影；
[0014]所述的负荷数据预处理步骤为：
[0015]步骤1：将负荷进行预处理，以确保所有串行数据按时间排序并保持在正确的位置，如果某些位置缺少数据，在此处插入空白区域，以确保时间的连续性；
[0016]步骤2：将所有基本参数存储到加载照片的第一行，并用白色填充第一行的其余部分；
[0017]步骤3：规范化加载数据，使其位于[0,1]区间内；
[0018]步骤4：将标准化负荷数据θ
i
转换为HSV(hi，si，vi)颜色值；
[0019]步骤5：将HSV(hi，si，vi)颜色值转换为RGB(ri，gi，bi)像素值；
[0020]步骤6：按时间顺序排列由RGB(ri、gi、bi)创建的像素，从而形成负荷照影。
[0021]所述的CNN模型构建步骤为：
[0022]步骤1：建立一个含有两层卷积层、一个池化层、三个全连接层和一个输出层的CNN模型，并在卷积层和池化层进行Batch Normalization归一化操作，中间层采用ReLU激活；
[0023]步骤2：将经过预处理后的负荷照影输入到步骤1所建立的CNN模型中，从而输出16
种分类结果；
[0024]所述的CNN表征可视化的步骤为：
[0025]步骤1：保存已经训练好的CNN模型；
[0026]步骤2：利用表征可视化技术将各卷积层和池化层进行可视化，可以看到提取的负荷低层特征和高层特征，可以看到分类依据，从而实现模型的可解释性；
[0027]所述的反CNN负荷复现的步骤为：
[0028]步骤1：将反池化得到的结果放到反卷积神经网络中进行反池化操作，得到32张复现的图像；
[0029]步骤2：将步骤1得到的图片再放到反卷积神经网络中进行两次反卷积操作，得到最终复现的图像；
附图说明
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的可解释性的负荷识别方法，其特征在于，采用深度学习中的卷积神经网络，通过卷积中的卷积层和池化层进行特征提取训练，得到底层特征和高层特征，从而实现负荷分类识别；由于卷积神经网络“黑盒”的局限性，使用了两种事后可解释性方法，一种是采用表征可视化技术将卷积神经网络中的卷积层和池化层提取到的特征进行可视化，可以看到提取的负荷特征，从而理解分类依据并完成可解释性；另一种是针对上述卷积神经网络模型提出反卷积神经网络，实现图像复现，通过复现的图片可以证明模型的可解释性。步骤1：负荷数据进行照影，输入负荷数据，对负荷数据进行预处理确保所有串行数据按时间排序并保持在正确的位置，将基本参数存储到加载照片的第一行，规范化加载数据，将标准化负载数据转化成HSV颜色值，将HSV颜色值转化成RGB像素值，将时间顺序排列由RGB创建像素，从而形成负荷照影；步骤2：对负荷数据进行分类，步骤1中的负荷照影包含16类，每一类包括936张图片，利用含有两层卷积层和一层池化层的二维卷积神经网络提取特征，并在每一层进Batch Normalization归一化操作，中间层采用ReLU激活，最后使用三个全连接层和softmax函数输出分类结果；步骤3：表征可视化，步骤1训练模型进行保存，利用表征可视化技术将步骤1生成的模型中的卷积层和池化层进行可视化，学习得到数据的潜在特征；步骤4：复现负荷照影，利用步骤1训练模型的过程，利用含有一层反池化层和两层反卷积层的二维反卷积神经网络还原负荷照影，并在每一层进Batch Normalization归一化操作，中间层采用ReLU激活，最后输出反池化层和反卷积层还原的图片和最后复现的负荷照影。2.根据权利要求1所述的一种基于卷积神经网络的可解释性的负荷识别方法，其特征在于，所述的负荷数据预处理的步骤为：步骤1：将负荷进行预处理，以确保所有串行数据按时间排序并保持在正确的位置，如果某些位置缺少数据，在此处插入空白区域，以确保时间的连续性；步骤2：将所有基本参数存储到加载照片的第一行，并用白色填充第一行的其余部分；...

【专利技术属性】
技术研发人员：王红，苏盈，齐林海，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：