一种基于1DCNN模型的目标域负荷识别准确率提升方法技术

本发明专利技术公开了一种基于1DCNN模型的目标域负荷识别准确率提升方法包括：预先通过智能插座采集电器负荷数据；对步骤获得的负荷波形数据进行滑窗式事件检测；以获得的单体负荷波形作为样本建立源域数据集，基于1DCNN模型训练源域负荷识别模型；在目标应用场景按上述步骤构建目标域数据集；利用获得的源域、目标域数据集，使用基于分布差异的域适应算法对源域识别模型进行训练与参数调优；将训练得到的目标域负荷识别模型投入实际应用。基于1DCNN模型的目标域负荷识别准确率提升方法可有效利用源域数据集与目标域数据集，减少域间分布差异对负荷识别模型实际应用的影响，并且目标域数据集无需标签，是一种针对负荷识别领域的迁移学习方法。学习方法。学习方法。

【技术实现步骤摘要】
一种基于1DCNN模型的目标域负荷识别准确率提升方法


[0001]本专利技术涉及负荷识别
，特别是一种基于1DCNN模型的目标域负荷识别准确率提升方法。

技术介绍

[0002]为实现“双碳”目标，减少总体能源消耗，节能和高效能源管理技术越来越受关注。而随着高级量测体系的建立，用户级负荷数据的利用价值日益凸显，利用负荷数据实现负荷识别是实现家庭能量管理、需求响应、电网用户间双向互动的基础，对于建设智能电网具有重要意义。但目前绝大多数负荷识别研究仅针对单一的数据集，大多数研究致力于研究算法在单一数据集的高精度识别，而没有考虑识别算法面对未知数据集的鲁棒性。实际上家庭用电负荷种类、品牌众多，用于训练识别模型的源域数据集所包含的样本只占一小部分。将负荷识别模型投入实际应用时，由于不同地区的电气环境和电器品牌等的差异，使实际应用的目标域数据分布与源域数据集上的分布不同，致使训练好的模型性能可能出现大幅下降。现有少量研究使用深度学习模型在样本量较大的源域数据集中进行预训练，在样本量较小的目标域数据集中进行微调来应对这一问题，但实际中由于采集数据和标记样本标签需要耗费大量的人力物力，难以收集到样本量足够的源域数据集，且目标域数据集样本量较小，微调容易导致过拟合，未能有效地解决问题。基于Alexnet模型使用图像数据集进行预训练，再利用负荷数据对模型进行微调，减少了源域样本量较少的影响，但其目标域样本量较少且丰富度较低，容易导致过拟合，且还需要目标域样本的标签数据，给模型的应用提高了要求。基于此，如何在有效利用源域数据集与无标注的目标域数据集，是提升负荷识别模型在目标域应用效果的关键。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述存在的问题，提出了本专利技术。
[0005]因此，本专利技术解决的技术问题是：通过预先采集单体负荷波形数据并标注建立源域数据集，再针对实际应用环境采集负荷数据建立目标域数据集，基于1DCNN模型，采用基于域间分布差异的域适应算法对模型训练和参数调优，以提高目标域识别性能。本专利技术的负荷识别方法，目标域数据集不需要标签数据，是提升负荷识别模型在目标域上应用效果的关键技术
[0006]为解决上述技术问题，本专利技术提供如下技术方案：一种基于1DCNN模型的目标域负荷识别准确率提升方法，包括：
[0007]预先通过智能插座采集电器负荷数据；
[0008]对获得的负荷波形数据进行滑窗式事件检测；
[0009]以获得的单体负荷波形作为样本建立源域数据集，基于1DCNN模型训练源域负荷识别模型；
[0010]在目标应用场景构建目标域数据集；
[0011]利用获得的源域、目标域数据集，使用基于分布差异的域适应算法对源域识别模型进行训练与参数调优；
[0012]将步骤训练得到的目标域负荷识别模型投入实际应用。
[0013]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述智能插座的采样频率包括：需不小于7500Hz，满足事件检测以及负荷波形识别的要求。
[0014]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述滑窗式事件检测算法包括：通过负荷电流序列在负荷事件发生前后的统计学差异进行检测。
[0015]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述统计学差异检测，表示为：
[0016][0017]其中，为决策的阈值，、对应滑动时间窗前后端两个电流序列的计算均值。
[0018]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：其特征在于，所述的计算方法，表示为：
[0019][0020]其中，n1为滑动窗前端对应的采样点个数，Ii为对应滑动时间窗内第i个采样点的电流值。
[0021]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述1DCNN为一维卷积神经网络包括：训练源域识别模型时，以源域数据集样本为输入，以最小化分类误差为目标。
[0022]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述使用基于分布差异的域适应算法包括：对源域识别模型进行训练与参数调优，是以源域和目标域数据集的样本为输入，以最小化分类误差和域间分布差异为目标，对源域识别模型的参数进行调整，以提升模型在目标域的识别准确率。
[0023]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述域间分布差异采用最大均值差异进行度量，表示为：
[0024][0025]其中P,Q分别表示源数据集和目标域数据集和目标域数据集所服从的分布。φ表示一个映射函数。
[0026]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述最小化模型分类误差和域间分布差异为总目标函数，表示为：
[0027]minJ＝αJ
mmd
+βJce
[0028]其中J
mmd
表示源域和目标域间的分布差异，J
ce
表示模型的分类误差。α，β为权重系数，其中取α＝0.1，β＝1。
[0029]作为本专利技术所述的基于1DCNN模型的目标域负荷识别准确率提升方法的一种优选方案，其中：所述总目标函数包括：通过最小化上式目标函数对模型的参数进行调优，以使模型能够适应目标域数据集的分布；该步骤训练迭代次数设置为30。
[0030]本专利技术的有益效果：本专利技术设计了一种基于1DCNN模型的目标域负荷识别准确率提升方法，可有效利用源域数据集与目标域数据集，减少因电压环境、测量手段、电器品牌等不同造成的分布差异对实际应用的影响，提高识别模型目标域负荷识别效果；针对负荷识别领域中模型跨域识别的准确率下降问题，提出了一种适用于负荷识别领域的迁移学习方法，无需目标域数据集的标签数据。
附图说明
[0031]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0032]图1为本专利技术一个实施例提供的一种基于1DCNN模型的目标域负荷识别准确率提升方法的整体流程图；
[0033]图2为本专利技术第一个实施例提供的一种基于1DCNN模型的目标域负荷识别准确率提升方法中的一维卷积神经网络的网络结构图；
[0034]图3为本专利技术第二个实施例提供的一种基于1DC本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，包括：预先通过智能插座采集电器负荷数据；对获得的负荷波形数据进行滑窗式事件检测；以获得的单体负荷波形作为样本建立源域数据集，基于1DCNN模型训练源域负荷识别模型；在目标应用场景构建目标域数据集；利用获得的源域、目标域数据集，使用基于分布差异的域适应算法对源域识别模型进行训练与参数调优；将步骤训练得到的目标域负荷识别模型投入实际应用。2.如权利要求1所述的基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，所述智能插座的采样频率包括：需不小于7500Hz，满足事件检测以及负荷波形识别的要求。3.如权利要求1所述的基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，所述滑窗式事件检测算法包括：通过负荷电流序列在负荷事件发生前后的统计学差异进行检测。4.如权利要求1所述的基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，所述统计学差异检测，表示为：其中，d为决策的阈值，对应滑动时间窗前后端两个电流序列的计算均值。5.如权利要求4所述的基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，所述的计算方法，表示为：其中，n1为滑动窗前端对应的采样点个数，I
i
为对应滑动时间窗内第i个采样点的电流值。6.如权利要求1所述的基于1DCNN模型的目标域负荷识别准确率提升方法，其特征在于，所述1DCNN为...

【专利技术属性】
技术研发人员：刘斌，谈竹奎，肖永，岑正军，王秀镜，杨成，张秋雁，徐玉韬，代吉玉蕾，唐赛秋，丁超，古庭赟，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：