基于深度可分离卷积的轻量化广义负荷分解方法技术

本发明专利技术公开了一种基于深度可分离卷积的轻量化广义负荷分解方法，将深度可分离卷积和经典序列到点神经网络相结合，旨在解决NILM技术在用户侧边缘设备上部署应用的问题。本发明专利技术方法主要包括：根据卷积的深度分离过程将卷积分为逐通道卷积和逐点卷积，完成对经典序列到点卷积神经网络进行轻量化设计，极大程度地减小了网络模型参数的数量和计算复杂度；通过对广义负荷数据集的有监督训练和验证得到轻量化的序列到点卷积神经网络模型，从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。源或负荷设备的发电或耗电功率。源或负荷设备的发电或耗电功率。

【技术实现步骤摘要】
基于深度可分离卷积的轻量化广义负荷分解方法


[0001]本专利技术属于非侵入式电力负荷监测领域，具体涉及一种基于深度可分离卷积的轻量化广义负荷分解方法。

技术介绍

[0002]随着智能电网的不断发展以及智能传感技术的持续推广，电力大数据分析已逐渐成为电力行业专家学者们研究的热点
[1]。在新型电力系统中，广义负荷包括常规负荷、风电和光伏发电等分布式电源及电动汽车、储能等，其具有负荷成分多元、运行特性复杂、影响因素多样以及响应能力灵活等特点，如何从多种源荷设备运行数据中获取广义负荷的有用信息，推动电力公司与用户良性互动，优化电网运行的同时保障双方利益，是电力行业关注的重点。
[0003]非侵入式负荷监测(Non
‑
intrusive Load Monitoring，NILM)技术是指仅在用户入口处安装一个传感器，通过采集和分析用户总口数据来监测户内每个或每类电器的用电功率和工作状态，从而了解居民家中各电器的耗电情况及用电规律。NILM技术对于优化电网规划、运行与管理，用户节省电能及电费具有重要意义，同时也是推动需求侧精细化管理、节能减排的关键技术之一
[2]。
[0004]NILM技术自提出以来便受到了广泛关注，目前已有多种方法被应用于非侵入式负荷分解中，其中近年来热门的深度学习理论，已经成为了实现NILM技术的重要工具。其中，卷积神经网络能够有效挖掘多种源、荷设备的内部特征，且基于卷积神经网络提出的Seq2point模型
[3]将NILM问题转化为序列到点模型的训练过程，依据不断滑动的总功率窗口序列得到单个源荷设备窗口的中点功率值，在负荷分解领域展现出良好的效果。由于该模型具有超过数百万的参数需要微调，而且也需要大量的标签数据进行训练，因此仅能在云端进行训练和验证。然而，云端和边缘端进行大量的数据传输增加了通信成本，同时也对用户的隐私安全产生了一定的隐患。因此，针对上述问题，亟需对模型进行轻量化设计，使其仅在边缘设备上完成训练、验证及测试。
[0005][参考文献][0006][1]刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[J].电网技术,2016,40(03):791
‑
796.
[0007][2]余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网技术,2013,7(04):1
‑
5.
[0008][3]C.Zhang,M.Zhong and Z.Wang,et al.Sequence
‑
to
‑
point learning with neural networks for non
‑
intrusive load monitoring[C],in Proceedings of the AAAI Conference on Artificial Intelligence,2018.
[0009][4]A.G.Howard,M.Zhu and B.Chen,et al.MobileNets:Efficient Convolutional Neural Networks for Mobile Vision Applications[C],in Computer Vision and Pattern Recognition,2017.
[0010][5]J.Kelly and W.Knottenbelt.The UK
‑
DALE dataset,domestic appliance
‑
level electricity demand and whole
‑
house demand from five UK homes[J].Scientific Data,vol.2,150007(2015).

技术实现思路

[0011]考虑到深度可分离卷积
[4]是将常规卷积层分解为逐通道卷积和逐点卷积，极大程度地减小了卷积层的参数，降低了模型计算复杂度，对于卷积神经网络的轻量化具有重要作用。因此，本专利技术将深度可分离卷积和经典序列到点神经网络相结合，提出了一种基于深度可分离卷积的轻量化序列到点神经网络模型，旨在解决NILM技术在用户侧边缘设备上部署应用的问题。
[0012]为了解决上述问题，本专利技术提出的一种基于深度可分离卷积的轻量化广义负荷分解方法，主要包括：
[0013]步骤1、对经典序列到点卷积神经网络进行轻量化设计：基于深度可分离卷积对由5层卷积层和1层全连接层组成的经典序列到点卷积神经网络进行轻量化设计，从而减小网络模型参数的数量和计算复杂度；
[0014]步骤2、通过广义负荷数据集对上述轻量化的序列到点卷积神经网络进行有监督训练和验证，得到的网络模型即用于从总功率信号中分解出单个电源或负荷设备发出或消耗功率的广义负荷分解模型；
[0015]步骤3、将目标广义负荷节点的总功率信号数据输入到上述广义负荷分解模型中，所述广义负荷分解模型的输出是从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。
[0016]进一步讲，本专利技术所述方法的具体内容如下：
[0017]步骤1包括：所述的经典序列到点卷积神经网络的结构由5层卷积层和1层全连接层组成，将后4层卷积过程分离，先进行逐通道卷积，再进行逐点卷积，最后对全连接层部分神经元进行剪枝，得到轻量化的序列到点卷积神经网络；
[0018]步骤2中，所述的广义负荷数据集包括广义负荷节点有标签总功率数据，获取数据集中的训练、验证和测试数据，对所用到的序列数据进行归一化处理；在有监督训练和验证过程中，通过有监督的方式更新网络参数；所述轻量化的序列到点卷积神经网络的输入是目标广义负荷节点的总功率信号数据窗口序列，该网络的输出是该段窗口序列中点时刻对应的功率值；
[0019]步骤3包括：将目标广义负荷节点的总功率信号数据窗口序列输入到步骤2训练后所得的广义负荷分解模型中，该广义负荷分解模型的输出是单个电源或负荷设备功率窗口的中点值；随着该网络模型输入窗口的不断滑动，将广义负荷节点中单个电源或负荷设备功率窗口的中点值时序组合为单个电源或负荷设备的功率分解序列。
[0020]步骤2中，对所用到的序列数据按照下式进行归一化处理，
[0021][0022]式(1)中，x
t
为功率序列的真实量测值，为功率序列的平均值，σ为功率序列的标准差，所述的功率序列包括总功率序列和负荷的功率序列。
[0023]步骤2中，所述轻量化的序列到点卷积神经网络的输入表示为总功率序列滑动窗口Y
t：t+W
‑1，t为时刻，W表示总功率序列滑动窗口的长度，W为奇数，该轻量化的序列到点卷积神经网络的输出是广义负荷节点所含第m个电源或负荷设备功率序列窗口的中点值有监督训练和验证过程的轻量化的序列到点卷积神经网络模型如式(2)所示：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度可分离卷积的轻量化广义负荷分解方法，其特征在于，主要包括：步骤1、对经典序列到点卷积神经网络进行轻量化设计：基于深度可分离卷积对由5层卷积层和1层全连接层组成的经典序列到点卷积神经网络进行轻量化设计，从而减小网络模型参数的数量和计算复杂度；步骤2、通过广义负荷数据集对上述轻量化的序列到点卷积神经网络进行有监督训练和验证，得到的网络模型即用于从总功率信号中分解出单个电源或负荷设备发出或消耗功率的广义负荷分解模型；步骤3、将目标广义负荷节点的总功率信号数据输入到上述广义负荷分解模型中，所述广义负荷分解模型的输出是从总功率信号序列中分解得到的目标广义负荷节点中单个电源或负荷设备的发电或耗电功率。2.根据权利要求1所述的方法，其特征在于，具体内容如下：步骤1包括：所述的经典序列到点卷积神经网络的结构由5层卷积层和1层全连接层组成，将后4层卷积过程分离，先进行逐通道卷积，再进行逐点卷积，最后对全连接层部分神经元进行剪枝，得到轻量化的序列到点卷积神经网络；步骤2中，所述的广义负荷数据集包括广义负荷节点有标签总功率数据，获取数据集中的训练、验证和测试数据，对所用到的序列数据进行归一化处理；在有监督训练和验证过程中，通过有监督的方式更新网络参数；所述轻量化的序列到点卷积神经网络的输入是目标广义负荷节点的总功率信号数据窗口序列，该网络的输出是该段窗口序列中点时刻对应的功率值；所述的步骤3包括：将目标广义负荷节点的总功率信号数...

【专利技术属性】
技术研发人员：栾文鹏，张睿祺，刘博，赵博超，王新迎，陈盛，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：