基于多任务学习的环境自适应用电行为增强智能感知方法及装置制造方法及图纸

本发明专利技术公开了一种基于多任务学习的环境自适应用电行为增强智能感知方法及装置，采集负载总线电流数据，对该电流数据进行短时傅里叶变换，将所得时频分布的全部频段下的时频信息作为提取的特征输入多任务学习改进的时间卷积网络，以同时获得用电行为类别辨识、用电行为类型细分和用电行为预测多个任务的输出结果，依据用电行为预测结果控制相应负载投切，并将新获得的用电行为类型细分结果与之前的用电行为预测结果进行对比校验。本发明专利技术可以提升多负载用电场景下智能用电体验及避免设备操作带来的安全隐患。备操作带来的安全隐患。

【技术实现步骤摘要】
基于多任务学习的环境自适应用电行为增强智能感知方法及装置


[0001]本专利技术属于非侵入式多负载多投切用电行为识别检测
，涉及利用深度学习神经网络同步完成用电行为类别、类型多尺度分类及用电行为预测，具体涉及对同一电流信号应用时频变换处理后筛选特征并导入多任务学习改进的时间卷积网络进行训练以准确的识别负载类型并在更粗尺度分类以及进行用电行为预测的对比校验。

技术介绍

[0002]随着电力在终端能源消费中的占比逐年攀升，用电行为信息采集需求规模不断扩大；同时，相关新兴用电技术亦在向更高电压及电流等级运行条件下的配电网延伸拓展，在配用电环节的应用规模合计占比超过50％。非侵入式负载监测技术通过电力总线供给入口的电量分析，可以对家庭各个负载的类型、运行情况及相关参数等信息进行监测，从而大幅降低智慧用电基础设施成本，同时也为电网进行配用电终端调节策略修订提供了有效支撑。
[0003]智能家居市场中的电器产品种类丰富多样，比如智能灯具、安防系统、智能卫浴等。为增强各类家居设备的交互联系、协调控制，非侵入式负载监测技术进入了热点研究领域。非侵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种环境自适应用电行为增强智能感知方法，其特征在于：该自适应用电行为增强智能感知方法包括以下步骤：1)对负载总线输出电流信号按采样频率fs进行采样，得到第j个分析时段的负载总线电流数据x
j
；2)将负载总线电流数据x
j
进行时频变换，得到电流数据的时频分布，提取该时频分布中各频段下的时频信息，得到输入特征；3)由经过训练的融合深度学习神经网络的多任务学习模型对输入特征进行多尺度下的负载类型识别和分类，从而同步获得用电行为类别辨识和用电行为类型细分的输出结果以及相应尺度的用电行为预测的输出结果；4)依据第j个分析时段所得用电行为预测结果控制相应负载在下一分析时段完成投切，依据该分析时段所得用电行为类型细分结果和用电行为类别辨识结果分别对上一分析时段所得用电行为预测结果进行对比校验。2.根据权利要求1所述一种环境自适应用电行为增强智能感知方法，其特征在于：所述采样频率fs为25～60kHz，分析时段的采样点数为≥3000。3.根据权利要求1所述一种环境自适应用电行为增强智能感知方法，其特征在于：所述时频变换采用矩形窗口作用的短时傅里叶变换，其中窗长为512～2048。4.根据权利要求1所述一种环境自适应用电行为增强智能感知方法，其特征在于：所述融合深度学习神经网络的多任务学习模型中，深度学习神经网络采用时间卷积网络。5.根据权利要求5所述一种环境自适应用电行为增强智能感知方法，其特征在于：所述融合深度学习神经网络的多任务学习模型是通过改变时间卷积网络中的全连接层，从而将以Keras
‑
Shared
‑
Bottom model为框架的多任务学习模型结合至时间卷积网络中，融合深度学习神经网络的多任务学习模型的输出表示为：y
k
＝softmax(w
n
h
t
+b
n
)式中，h
t
为t时刻的输入，y
k
为第k个任务得到的输出，k＝1,2
…
,n，n为任务个数，b
n
为各个任务对应的偏差向量，w
n
为各个任务对应的权重矩阵。6.根据权利要求1所述一种环境自适应用电行为增强智能感知方法，其特征在于：所述融合深度学习神经网络的多任务学习模型的训练包括...

【专利技术属性】
技术研发人员：陈思磊，王源丰，张宸嘉，杨浩，代新，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：