基于图编码和迁移学习的非侵入式负荷识别方法技术

本发明专利技术公开了一种基于图编码和迁移学习的非侵入式负荷识别方法，首先采集不同家用设备的录波数据，构成原始数据集，并划分为训练数据集

【技术实现步骤摘要】
基于图编码和迁移学习的非侵入式负荷识别方法


[0001]本专利技术属于非侵入式电力负荷监测
，具体涉及一种基于图编码和迁移学习的非侵入式负荷识别方法
。

技术介绍

[0002]随着电力系统的发展，用电需求的不断上升，国家要求各地进一步完善分时电价机制，更好地引导用户削峰填谷，改善电力供需状况，促进新能源的消纳
。
与侵入式负荷监测相比，非侵入式负荷识别不需要对所检测的每一个用电设备安装监控装置就可以获取该电器的状态和功耗，且成本低
、
易部署
、
可推广性强，为各地科学划分峰谷时段，合理定制峰谷电价差价提供有力的理论依据
。
[0003]深度学习理论和方法为非侵入式负荷监测提供了新的手段，其优点是可以通过多个非线性变换可以直接从原始数据中提取到更高维度的负荷特征，从而避免传统特征提取中导致的信号损失和误差累计
。
非侵入式负荷识别中，通常使用单参数的一维时序数据作为输入，序列间存在相关的依赖关系并且序列较长，训练代价较大
。
使用简单的方法实现长序列数据的非侵入负荷识别具有重要的现实意义
。
[0004]相比于传统的训练模型，迁移学习利用源领域训练好的模型参数直接开始在目标领域上进行训练，减少了大量的训练时间和计算资源，同时利用已经训练好的神经网络结构和优秀的特征表达，经过微调就可以实现良好的效果，也适合移植到硬件资源受限的设备上
。
将一维时序数据转换为二维图像，输入到训练成熟的预训练模型中可以极大的提高识别效率，为监测
、
识别用电设备，并作出进一步的用电规划提供了理论依据
。

技术实现思路

[0005]本专利技术的目的是提供一种基于图编码和迁移学习的非侵入式负荷识别方法，解决了现有技术中存在的单参量用电设备的识别问题
、
避免长序列数据间的依赖，提高模型的泛化能力和用电设备的监测和分类效率
。
[0006]本专利技术所采用的技术方案是，基于图编码和迁移学习的非侵入式负荷识别方法，具体按照以下步骤实施：
[0007]步骤
1、
采集不同家用设备的录波数据，构成原始数据集，并将其按照7：2：1的比例划分为训练数据集
、
验证数据集
、
测试数据集；
[0008]步骤
2、
采用分段聚合近似
PAA
‑
S
算法对步骤1中原始数据集中数据进行分段聚合近似，把长序列映射为短序列，使短序列数据与原始长序列数据趋势相似；
[0009]步骤
3、
将步骤2中的短序列数据加入位置编码，保留原始数据的时序特征，再转换为二维图像数据；
[0010]步骤
4、
构建基于迁移学习的
ResNet18
预训练模型，将步骤3中加入位置编码的二维数据导入基于迁移学习的
ResNet18
预训练模型，进行训练并测试模型性能，最终实现对用电器的分类识别
。
[0011]本专利技术的特点还在于，
[0012]步骤2具体按照以下步骤实施：
[0013]假设所述步骤1中的录波数据是长度为
N
的短序列数据，将该短序列数据分为
S
段，每段的长度
L
为：
[0014]L
＝
N/S
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]接着对于每个段定义一个长度为
L
的向量
A(i)
，
A(i)
表示第
i
段的数据，对向量
A(i)
应用
PAA
‑
S
算法，得到一个新值
A_i
，即通过简单的线性回归拟合一个直线模型，表示该线性段的趋势，得到斜率
k(i)
和截距
b(i)
，其中斜率和截距计算公式如下：
[0016][0017]b(i)
＝
y(i,1)
‑
k(i)
·
x(i,1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]其中
y(i,L)
和
y(i,1)
分别是第
i
段的最后一个点和第一个点的值，
x(i,L)
和
x(i,1)
分别是第
i
段起始到结束对应的时间；
y(i,1)
和
x(i,1)
表示第
i
段短序列的起点，
[0019]对于第
i
段，线性模型表示为：
[0020]y(i)
＝
k(i)
·
x+b(i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]其中，
y(i)
表示该段内所有数据点的均值，
x
表示时间点，将每个段的所有数据点视作
Y
，则序列
Y
＝
{A1,A2,...,A
S
}
，其中
A
S
表示该段内所有数据点的均值，经过重采样后，得到输出序列
Z
，则序列
Z
＝
{Z1,Z2,...,Z
M
}
，其中
Z
M
为重采样后所有数据点的均值，其中
M
为输出序列的长度，重采样的计算公式如下：
[0022][0023]其中
k
＝
1,2,...,M
代表输出序列中的索引位置，
T
表示时间序列的总长度
。
[0024]步骤3具体按照以下步骤实施：
[0025]在步骤2中降维后的输出序列上添加位置编码，并转化为可供神经网络输入的表示形式，步骤2中的一维时序数据为
Z
，则序列
Z
＝
{Z1,Z2,...,Z
M
}
，其中元素
Z
M
表示数据序列在时刻
M
的取值，使用如下公式计算位置编码：
[0026][0027]其中
i
表示时间步，
j
表示位置编码向量中的维数，
d
model
表示隐藏状态的维度，
i
的维数就是时序数据的维度
M
，最终得到的位置编码维度为
(1,M)
，将位置编码插入步骤2中的一维数据上得到新的带有位置编码的数据序列
Z'
，其中序列
Z'
...

【技术保护点】

【技术特征摘要】
1.
基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，具体按照以下步骤实施：步骤
1、
采集不同家用设备的录波数据，构成原始数据集，并将其按照7：2：1的比例划分为训练数据集
、
验证数据集
、
测试数据集；步骤
2、
采用分段聚合近似
PAA
‑
S
算法对步骤1中原始数据集中数据进行分段聚合近似，把长序列映射为短序列，使短序列数据与原始长序列数据趋势相似；步骤
3、
将步骤2中的短序列数据加入位置编码，保留原始数据的时序特征，再转换为二维图像数据；步骤
4、
构建基于迁移学习的
ResNet18
预训练模型，将步骤3中加入位置编码的二维数据导入基于迁移学习的
ResNet18
预训练模型，进行训练并测试模型性能，最终实现对用电器的分类识别
。2.
根据权利要求1所述的基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，所述步骤2具体按照以下步骤实施：假设所述步骤1中的录波数据是长度为
N
的短序列数据，将该短序列数据分为
S
段，每段的长度
L
为：
L
＝
N/S
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
接着对于每个段定义一个长度为
L
的向量
A(i)
，
A(i)
表示第
i
段的数据，对向量
A(i)
应用
PAA
‑
S
算法，得到一个新值
A_i
，即通过简单的线性回归拟合一个直线模型，表示该线性段的趋势，得到斜率
k(i)
和截距
b(i)
，其中斜率和截距计算公式如下：
b(i)
＝
y(i,1)
‑
k(i)
·
x(i,1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中
y(i,L)
和
y(i,1)
分别是第
i
段的最后一个点和第一个点的值，
x(i,L)
和
x(i,1)
分别是第
i
段起始到结束对应的时间；
y(i,1)
和
x(i,1)
表示第
i
段短序列的起点，对于第
i
段，线性模型表示为：
y(i)
＝
k(i)
·
x+b(i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
其中，
y(i)
表示该段内所有数据点的均值，
x
表示时间点，将每个段的所有数据点视作
Y
，则序列
Y
＝
{A1,A2,...,A
S
}
，其中
A
S
表示该段内所有数据点的均值，经过重采样后，得到输出序列
Z
，则序列
Z
＝
{Z1,Z2,...,Z
M
}
，其中
Z
M
为重采样后所有数据点的均值，其中
M
为输出序列的长度，重采样的计算公式如下：其中
k
＝
1,2,...,M
代表输出序列中的索引位置，
T
表示时间序列的总长度
。3.
根据权利要求2所述的基于图编码和迁移学习的非侵入式负荷识别方法，其...

【专利技术属性】
技术研发人员：李军怀，曹景怡，王怀军，李超，丁东，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：