一种基于因果关系的非侵入式家庭电气分类方法技术

本发明专利技术属于非侵入式负荷识别技术领域，具体为一种基于因果关系的非侵入式家庭电气分类方法。本发明专利技术在预测分类时的全连接网络层处理方式上做出改进，采用因果卷积的方式，将对每个预测点的前一部分时间单位进行选择，该分类目标前的时间序列与预测点存在一定的因果关系，在保证较好的预测性能的前提下提高了预测的效率。同时引入一种扩大网络层感受野的空洞卷积方式，采用堆叠空洞卷积来扩大网络的接收域，使得整体网络在深度上不会过于庞大，但又能有较大的感受野来进行预测与分类。本发明专利技术利用扩张因果神经网络，通过因果关系得到的对于单一或多种电气数据类型的预测，并与真实值进行对比，从而获得电气分类结果。从而获得电气分类结果。从而获得电气分类结果。

【技术实现步骤摘要】
一种基于因果关系的非侵入式家庭电气分类方法


[0001]本专利技术属于非侵入式负荷识别
，具体涉及非侵入式家庭电气分类方法。

技术介绍

[0002]非侵入式负荷识别，就是试图通过从电路入口处的电气数据中分解出相应设备的电电气数据，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]日常使用的序列问题的处理方法，通常采用RNN或者LSTM，往往沿着时间方向进行操作，CNN网络模型被认为时不适合处理序列问题，因此通过考虑先后的依赖关系(也就是时间上的因果关系)对CNN网络模型进行改进，把这种因果依赖作为约束加入神经网络架构中，的到因果卷积神经网络。

技术实现思路

[0004]本专利技术的目的在于提供一种基于因果关系的非侵入式家庭电气分类方法，利用适合时间序列建模的网络，以确保对序列值有良好的预测结果前提下提升效率。
[0005]本专利技术提供的基于因果关系的非侵入式家庭电气分类方法，包括：
[0006]在预测分类时的全连接网络层处理方式上做出改进，采用因果卷积神经网络作为基础网络结构，对每个预测点的前一部分时间单位进行选择，由于该分类目标前的时间序列与预测点存在因果关系，在保证较好的预测性能的前提下提高预测的效率。
[0007]因为因果卷积神经网络需要不断增加卷积层来使得感受野增大，因此利用一种扩大网络层感受野的空洞卷积，将卷积层中各神经元之间的间隔数扩大(例如，第二层两个神经元之间有一个单位间隔，第三层两个神经元之间有两个单位间隔，第四层两个神经元之间有四个单位间隔，等等)，从而通过堆叠空洞卷积来扩大网络的接收域，使得整体网络在深度上不会过于庞大，但又能有较大的感受野来进行预测与分类。
[0008]本专利技术利用扩张因果卷积神经网络，通过因果关系得到的对于单一或多种电气数据类型的预测，并与真实值进行对比，从而获得电气分类结果。
[0009]本专利技术提供的基于因果关系的非侵入式家庭电气分类方法，具体步骤为：
[0010]步骤1：确定输入数据；
[0011]负荷分解任务所针对的设备负载数据主要以低频采样数据为准，在低频采样中，通过对采集得到的电流(I)、有功功率(P)、无功功率(Q)、视在功率(S)四种数据进行单一或多数据类型的输入，并将通过网络训练，输出结果为网络对输入电器数据在总输入中的预测(以上四种数据之一)，并与真实值进行比较。
[0012]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电流、有功功率、无功功率、视在功率，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。
[0013][0014]x(n)为网络的输入，M为扩张因子，K为网络长度，N为设定的网络长度值，c
k
为扩张卷积设定参数，得到感受野大小为M
·
(N
‑
1)+1；公式(1)描述网络输入与输出之间的关系。
[0015]通过增加扩张因子从而实现扩大感受野。网络的输入数据为定长的时间序列，利用一段时间序列对最后的目标时间点进行电气指纹预测。
[0016]本专利技术中，感受野大小具体可设计为512个样本；采样时间为1分钟，大约为8.5个小时，由每个时间节点的电气数据组成的时间序列数据为x(n)。输出为y(n)，输出结果为每个时间节点中设备电器数据预测值。
[0017]步骤2，数据预处理；
[0018]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或是产生一定量的噪声数据的情况，因此需要对数据进行一个预处理工作；首训练在一天的样本(有1440个时间步长)上进行，批次大小为50个样本；数据按照当前值减最小值除以最大值减最小值进行归一化，将整个仪表范围缩放到[0，1]；
[0019]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网络的性能，从而调整网络参数，提升网络的负荷分解能力；
[0020]本专利技术中，因为网络的感受野是512个样本，因此可以认为是对前511个样本进行分解预测，将之后512至1440个样本上进行损失函数的计算，以确保使用数据以一天(1440个时间步长)，并在训练样本中创建重叠，也就是在使用过的前512个样本中，以滑动窗口的形式继续向下采用(步长为208)，在训练初期进行数据预处理确保所有数据均可用于训练与测试。
[0021]步骤3，确定网络结构；
[0022]本专利技术的网络为扩张因果卷积神经网络，其结构是在因果卷积中加入扩张卷积，使用sigmoid激活函数作为“门”校正线性函数得到回归量，使用当前和过去的时间步样本用作卷积输入；
[0023]步骤3.1：扩张因果卷积神经网络，其结构如图2所示，包括三个卷积层，三层从下至上扩张因子M依次为2、4、8；通过对每一层进行感受野的扩张，在较少的层深度下达到增大感受野，从而获取更多时间序列信息的目的；最后每一层都提取之前不同周期抽象的特征，因此可以考虑多个时间节点对该预测时间点的影响；在通过一次网络后得到的根据时间序列预测的结果后，将该结果用于后续时间序列的对比与预测(如图2所示，右侧输出转变为输入)，不断循环，最后得到一组完整的时间序列预测结果；根据实际得到数据中有意义的时间关系(因全天时长为1440分钟)设定通过扩张后的感受野大小为512个时间样本(在本文数据中，可根据实际情况设置)，大约为8.5小时，采样1分钟；随后设置层数以及层大小(滤波器数)；
[0024]步骤3.2：根据图2所示扩张因果卷积神经网络的网络层结构，得出本专利技术中整体
神经网络结构图，如图3所示；512个时间节点样本作为输入，送入分布式全连接层，之后通过多个门控构建块组成的堆栈，每个堆栈由多个滤波器组成(隐藏层)；在进入堆栈前，一部分进入堆栈的输入跳过将要进入的堆栈，该跳过部分的输入数据则使用tanh激活函数作为上一部分通过该堆栈后的输出的掩码，并与堆栈输出进行组合；随后进入下一个全连接层及其堆栈，重复上一步操作；因为该网络可能存在使用多个输入，因此将最后的掩码乘以希望分解的数量相关的输入。
[0025]步骤4，确定评估指标，训练网络模型；
[0026]步骤4.1：扩张因果卷积神经网络实现的是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，具体采用估算精度(Es本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果关系的非侵入式家庭电气分类方法，其特征在于，包括：在预测分类时的全连接网络层处理方式上做出改进，采用因果卷积神经网络作为基础网络结构，对每个预测点的前一部分时间单位进行选择；由于分类目标前的时间序列与预测点存在因果关系，在保证较好的预测性能的前提下提高预测的效率；同时因果卷积神经网络通过不断增加卷积层来增大感受野增大，利用扩大网络层感受野的空洞卷积，将卷积层中各神经元之间的间隔数扩大，从而通过堆叠空洞卷积来扩大网络的接收域，使得整体网络在深度上不会过于庞大，但又能有较大的感受野来进行预测与分类；利用扩张因果卷积神经网络，通过因果关系得到的对于单一或多种电气数据类型的预测，并与真实值进行对比，从而获得电气分类结果。2.根据权利要求1所述的基于因果关系的非侵入式家庭电气分类方法，其特征在于，具体步骤为：步骤1：确定输入数据；负荷分解任务所针对的设备负载数据主要以低频采样数据为准；低频采样的数据包括电流(I)、有功功率(P)、无功功率(Q)、视在功率(S)四种；将四种数据进行单一或多数据作为网络训练的输入数据，输出结果为网络对输入电器数据在总输入中的预测，并与真实值进行比较；输入数据和输出结果之间由下式(1)表示：其中，x(n)为网络的输入，具体为每个时间节点的电气数据组成的时间序列数据；M为网络扩张因子，K为网络长度，N为设定的网络长度值，c
k
为扩张卷积设定参数，得到感受野大小为M
·
(N
‑
1)+1；y(n)为输出结果，具体为每个时间节点中设备电器数据预测值；步骤2，数据预处理；步骤2.1：首训练在一天的样本上进行，一天的样本有1440个时间步长；批次大小为50个样本；数据按照当前值减最小值除以最大值减最小值进行归一化，将整个仪表数值范围缩放到[0，1]；步骤2.2：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；采用扩张因果卷积神经网络，其结构是在因果卷积中加入扩张卷积，使用sigmoid激活函数作为“门”校正线性函数得到回归量，使用当前和过去的时间步样本用作卷积输入；输入数据首先送入多个时间节点分布式全连接层，之后通过多个门控构建块...

【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：