一种基于多任务学习的非侵入式负荷监测方法技术

本发明专利技术属于智能电网领域，具体涉及一种基于多任务学习的非侵入式负荷监测方法，多任务学习通过参数共享，利用任务之间的相关性与正则化，提高模型的学习能力与泛化能力，软参数共享架构能够进行更加灵活的特征融合，并保持任务之间的特异性；本发明专利技术构建了一个并行高频特征提取模块，对功率信号进行db2离散小波分解，并对第一层细节系数进行重构，以此为基础提取功率信号中的高频信息，获得功率信号中的突变信息，为模型检测电器状态转换提供辅助特征；本发明专利技术分别构建两个子任务门控网络，实现特征融合，将底层共享特征与高频辅助特征进行加权融合；最后模型的输出为两个子任务各自输出的乘积，获得不同电器负荷分解量。获得不同电器负荷分解量。获得不同电器负荷分解量。

【技术实现步骤摘要】
一种基于多任务学习的非侵入式负荷监测方法


[0001]本专利技术属于智能电网领域，涉及非侵入式负荷监测技术，具体涉及一种基于多任务学习的非侵入式负荷监测方法。

技术介绍

[0002]非侵入式负荷监测(Non
‑
Intrusive Load Monitoring,NILM)，亦称负荷分解，仅需在供电入口处部署一个智能电表用以获取总负荷，以低成本方式向用户提供详细的用电信息，帮助用户改善自身用电习惯，提高用电效率。同时，NILM技术为节能、电器故障检测、电力需求管理等领域的研究提供有效数据支持。
[0003]NILM模型主要分为基于事件(Event
‑
based)与基于非事件(Event
‑
free)两种方案。基于事件模型需要首先对输入电气值进行事件检测，获得稳态特征与暂态特征，然后将包含多个负荷特征的特征集输入到模型中进行负荷分解，因此基于事件NILM模型依赖于10kHz到100kHz的高频采样数据，尤其是对于暂态特征的提取。但大多数智能电表通常只支持1Hz左右的低频采样率，难以满足暂态特征提取要求。考虑到实际应用成本与可操作性，基于深度学习的NILM模型通常基于非事件，利用神经网络优秀的特征提取能力，由CNN，RNNs等神经网络单元自动学习得到负荷特征，无需进行事件检测，采取1Hz左右的低频采样数据即可实现端到端的负荷分解。
[0004]然而，现有的很多方法主要针对于具有简单恒定工作模式的电器，例如冰箱。该类电器通常以较为固定的工作周期与工作功率，在后台保持着长时间的规律运行，能够为模型提供相对充足的训练样本。并且，较固定的工作模式也更容易被模型所学习。因此，在分解该类电器时，模型通常都能获得不错的性能。然而，当面对具有稀疏性、多状态和快速状态转换电器时，现有很多方法均无法获得较好分解结果。其中，具有稀疏性的电器通常只会在一天中的某些时段偶尔开启，且运行时间短暂，如微波炉；具有多状态和快速状态转换的电器，通常具有多个工作模式或档位，且会在模式之间快速转换，如洗衣机，洗碗机等电器。针对这两类电器的负荷分解，现有方法容易丢失一部分快速的电器状态转换以及功率突变，难以学习到小功率工作模式以及稀疏性开关事件。

技术实现思路

[0005]本专利技术针对NILM传统方法对于稀疏性、多状态以及快速状态转换电器分解性能不佳的问题，提出了一种基于多任务学习的非侵入式负荷监测方法，包括以下步骤：
[0006]S1.采集某一住宅在某一时间段内的电气数据，电气数据包括住宅中所有电器设备的总功率消耗序列，以及目标电器设备自身的功率消耗序列；
[0007]S2.根据目标电器设备自身的功率消耗序列生成对应的状态检测标签；
[0008]S3.分别对住宅中所有电器设备的总功率消耗序列，以及目标电器设备自身的功率消耗序列进行预处理；
[0009]S4.在预处理后的总功率消耗序列上采用长度为T的滑动窗口，以步长1进行滑动
取样；以一个滑动窗口内的序列数据作为输入，并将该序列数据中点时间对应的目标电器设备的预处理后的功率消耗作为输出，最终得到样本数据集；
[0010]S5.将样本数据集划分为训练集和测试集，采用训练集对基于软参数共享的多任务学习模型进行训练，所述多任务学习模型包括底层特征提取模块、高频特征提取模块、特征加权融合模块和任务特定特征提取模块；
[0011]S6.实时获取待识别总功率消耗数据，通过训练好的多任务学习模型输出目标电器设备的功率消耗。
[0012]S7.对多任务学习模型输出的目标电器设备的功率消耗进行后处理，并计算得到目标电器设备的开关状态序列。
[0013]进一步的，底层特征提取模块包括依次级联的第一卷积层、第一残差块、第二残差块和第二卷积层。
[0014]进一步的，高频特征提取模块包括离散小波变换单元和特征提取单元；所述特征提取单元的结构与底层特征提取模块的结构相同，其包括依次级联的第一卷积层、第一残差块、第二残差块和第二卷积层。
[0015]进一步的，第一残差块包括三个依次级联的第一卷积块，且第一卷积块的卷积核大小为7，步长为1；第二残差块包括三个依次级联的第二卷积块，且第二卷积块的卷积核大小为3，步长为1。
[0016]进一步的，离散小波变换单元通过Daubechies小波基函数对输入序列进行小波分解得到第一层细节系数，对第一层细节系数进行重构后输入特征提取单元。
[0017]进一步的，特征加权融合模块包括门控网络A和门控网络B；门控网络A和门控网络B的结构相同。
[0018]进一步的，任务特定特征提取模块包括分类子网络和回归子网络，分类子网络用于进行分类任务，输出目标电器设备的状态序列；回归子网络用于进行回归任务，输出目标电器设备的预测功率消耗序列；将分类子网络的输出与回归子网络的输出相乘得到目标电器设备的最终预测功率消耗序列。
[0019]进一步的，分类子网络采用二元交叉熵损失函数计算损失，表示为：
[0020][0021]其中，表示分类子网络输出的目标电器设备i状态序列，s
i
表示目标电器设备i真实的状态序列，s
i
(t)表示目标电器设备i在t时刻的开关状态真实值，表示分类子网络输出的目标电器设备i在t时刻的开关状态，T表示滑动窗口长度。
[0022]进一步的，回归子网络采用均方误差损失函数计算损失，表示为：
[0023][0024]其中，表示多任务学习模型最终输出的目标电器设备i的功率消耗序列，表
示目标电器设备i预处理后的真实功率消耗序列，表示目标电器设备i在t时刻的预处理后的功率消耗真实值，表示多任务模型最终输出的目标电器设备i在t时刻的功率消耗。
[0025]本专利技术的有益效果：
[0026]本专利技术提出了一种基于多任务学习的非侵入式负荷监测方法，其多任务学习核心在于软参数共享，与硬参数共享相比，软参数共享架构能够进行更加灵活的特征融合，既充分利用了负荷分解与状态检测任务的相关性，同时保持了两个任务的特异性，提高了模型的学习能力与泛化能力，使得状态检测子网络能够更好地辅助模型完成负荷分解。
[0027]本专利技术提出了一种基于软参数共享的多任务学习模型，所述多任务学习模型包括底层特征提取模块、高频特征提取模块、特征加权融合模块和任务特定特征提取模块；高频特征提取模块中加入离散小波分解，从频域角度，为模型检测信号突变提供辅助的高频信息，提高了模型对功率突变的检测能力。
附图说明
[0028]图1为本专利技术的负荷分解结果示意图；
[0029]图2为本专利技术的基于多任务学习的非侵入式负荷监测方法训练测试流程图；
[0030]图3为本专利技术基于软参数共享的多任务学习模型结构图；
[0031]图4为本专利技术的Identity block结构图；
[0032]图5为本专利技术的原始功率信号与db2小波分解第一层细节系数重构模值对比图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的非侵入式负荷监测方法，其特征在于，包括以下步骤：S1.采集某一住宅在某一时间段内的电气数据，电气数据包括住宅中所有电器设备的总功率消耗序列，以及目标电器设备自身的功率消耗序列；S2.根据目标电器设备自身的功率消耗序列生成对应的状态检测标签；S3.对住宅中所有电器设备的总功率消耗序列，以及目标电器设备自身的功率消耗序列进行预处理；S4.在预处理后的总功率消耗序列上采用长度为T的滑动窗口，以步长1进行滑动取样；以一个滑动窗口内的序列数据作为输入，并将该序列数据中点时间对应的目标电器设备的预处理后的功率消耗作为输出，最终得到样本数据集；S5.将样本数据集划分为训练集和测试集，采用训练集对基于软参数共享的多任务学习模型进行训练，所述多任务学习模型包括底层特征提取模块、高频特征提取模块、特征加权融合模块和任务特定特征提取模块；S6.实时获取待识别总功率消耗数据，通过训练好的多任务学习模型输出目标电器设备的功率消耗；S7.对多任务学习模型输出的目标电器设备的功率消耗进行后处理，并计算得到目标电器设备的开关状态序列。2.根据权利要求1所述的一种基于多任务学习的非侵入式负荷监测方法，其特征在于，底层特征提取模块包括依次级联的第一卷积层、第一残差块、第二残差块和第二卷积层。3.根据权利要求1所述的一种基于多任务学习的非侵入式负荷监测方法，其特征在于，高频特征提取模块包括离散小波变换单元和特征提取单元；所述特征提取单元的结构与底层特征提取模块的结构相同，其包括依次级联的第一卷积层、第一残差块、第二残差块和第二卷积层。4.根据权利要求2或3所述的一种基于多任务学习的非侵入式负荷监测方法，其特征在于，第一残差块包括三个依次级联的第一卷积块，且第一卷积块的卷积核大小为7，步长为1；第二残差块包括三个依次级联的...

【专利技术属性】
技术研发人员：文淳，段红光，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：