【技术实现步骤摘要】
Proceedings of the 32nd AAAI Conference on Artificial Intelligence,2018.
[0010]文献[6]Y.Liu,X.Wang,andW.You,“Non
‑
intrusive load monitoring by voltage
–
current trajectory enabled transfer learning,”IEEE Transactions on Smart Grid,vol.10,no.5,pp.5609
–
5619,2018.
技术实现思路
[0011]本专利技术的目的是提供了一种轻量级非接触式电力分解感知方法及系统,能在不切断、不改装用电线路的前提下,提升电力分解感知的识别精度,进而解决现有技术中存在的上述技术问题。
[0012]本专利技术的目的是通过以下技术方案实现的:
[0013]一种轻量级非接触式电力分解感知方法,包括:
[0014]步骤1,过滤处理:持续监测电流互感器测得的各用电设备消耗电流之和的总测量值,当总测量值的变化超过给定阈值时,对持续测得的总测量值进行过滤去除相近的测量值序列,通过压缩感知将过滤后的测量值压缩为低冗余数据;
[0015]步骤2,推断处理:利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断,得出所有正在工作设备的状态。
[0016]一种轻量级非接触式电力分解感知系统,包括:
[0 ...
【技术保护点】
【技术特征摘要】
1.一种轻量级非接触式电力分解感知方法,其特征在于,包括:步骤1,过滤处理:持续监测电流互感器测得的各用电设备消耗电流之和的总测量值,当总测量值的变化超过给定阈值时,对持续测得的总测量值进行过滤去除相近的测量值序列,通过压缩感知将过滤后的测量值压缩为低冗余数据;步骤2,推断处理:利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断,得出所有正在工作设备的工作状态。2.根据权利要求1所述的轻量级非接触式电力分解感知方法,其特征在于,所述步骤1中,按以下公式通过压缩感知将过滤后的测量值压缩为低冗余数据,公式为:y=Φx+e;其中,y∈R
m
为压缩后的低冗余数据;Φ∈R
n
×
n
为测量矩阵,且m<n,测量矩阵的每一个元素都是独立同分布的从高斯分布中取得的测量值;x∈R
n
为压缩前的原始测量值数据;e∈R
m
为测量噪声。3.根据权利要求1或2所述的轻量级非接触式电力分解感知方法,其特征在于,所述步骤1中,给定阈值为:家庭场景取值为0.1安培,工业场景取值由用户手动按需设定。4.根据权利要求1或2所述的轻量级非接触式电力分解感知方法,其特征在于,所述基于注意力机制的多标签分类神经网络模型由多层卷积神经网络堆叠而成,多层卷积神经网络中的每两层卷积网络中间插设有卷积区块注意力网络;所述多层卷积神经网络的输出端连接一个全连接神经网络;所述多层卷积神经网络前端输入为压缩后的低冗余数据,后端输出的运算结果被所述全连接神经网络转化为一个向量输出,所述向量长度等于系统中设备的总数,向量的每一位对应一个设备,向量的每一位取值为1代表该设备正在工作,取值为0代表该设备已关闭。5.根据权利要求4所述的轻量级非接触式电力分解感知方法,其特征在于,所述步骤2中,按以下方式预先训练基于注意力机制的多标签分类神经网络,包括:将作为注意力机制的卷积区块注意力模组分解为:通道层面的卷积运算与空间层面的卷积运算分别进行训练,其中,所述通道层面的卷积运算为:所述空间层面的卷积运算为:其中,F是上一步运算输出的中间结果;M
c
∈R
C
×1×1是通道注意力权重的映射,表示F中的哪个通道更重要;M
s
∈R1×
H
×
W
是空间注意力权重映射,表示经过通道赋予权重后的F
′
中的哪个元素更重要;通过训练如下模型进行多目标学习:将输入数据x映射为二进制向量y,其中,0代表对应标签未检测到,1代表对应标签物体被检测到;通过以下方式对训练后的模型进行压缩处理:权重剪枝:基于数量级的权重剪枝处理去除训练后模型的全连接层中数值低于设定阈值的连接运算;滤波器剪枝:首先计算并排序卷积层的每个滤波器的卷积核权重的绝对值,然后将排序从小到大的前K个滤波器与它们的特征图以及与修剪后的特征图对应的下一个卷积层中的核一起修剪去除;
将压缩后的基于注意力机制的多标签分类神经网络模型通过重新训练微调以恢复原始的精度,即得到训练好的基于注意力机制的多标签分类神经网络模型。6.根据权利要求4所述的轻量级非接触式电力分解感知方法,其特征在于,所述基于注意力机制的多标签分类神经网络模型的多交叉熵损失函数为:意力机制的多标签分类神经网络模型的多交叉熵损失函数为:其中,各参数的含义为:表示在j=1时第i个设备启动的预估概率或在j=0时第i个设备关闭的预估概率;表示在j=1时模型输出的第i个设备启动的中间结果或在j=0时模型输出的第i个设备关闭的中间结果;Exp()表示指数函数,用于将中间结果转化为概率值;y
i
取值为0或1,0代表设备关闭,1代表设备启动。7.一种轻量级...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。