【技术实现步骤摘要】
本专利技术涉及非侵入式负荷监测技术，具体涉及一种基于部分域自适应和分位数回归的非侵入式负荷检测方法。
技术介绍
1、非侵入式负荷监测(non-intrusive load monitoring，nilm)为通过整体负荷数据，分解并识别单个电器设备的运行状态的技术。此技术在节能排放、绿色电网发展和需求侧管理方面具有重要意义。由于nilm无需增加额外的传感器并具备经济和实用性，在智能电表逐渐普及的背景下得到了广大的研究和应用关注。传统的nilm技术主要依赖手动的特征提取，这不仅消耗大量时间，还易于产生错误。然而，随着深度神经网络(dnn)的崛起，nilm得到了重要的革新。dnn能自动从训练数据中提取关键特征，如kelly在2015年所示，dnn在nilm上有着巨大的潜能，其性能优于其他技术。
2、尽管基于深度学习的nilm方法在负荷特征的自动提取方面展现出了出色的能力，但这种方法很大程度上假设数据是独立同分布的。考虑到电器品牌、气候条件、用户偏好等变量的存在，即便是同一类电器，其特征也可能大相径庭。这意味着一个在训练集上训练得很好的模型可能难以适应未曾见过的测试集。因此，如何提高nilm模型的泛化能力成为了一个研究热点。
3、之前的研究尝试通过利用大量设备的数据来训练，希望从中提取到一个通用特征，但这种方法数据需求大，效率低，并且不能有效地适应所有可能的场景。迁移学习中的微调策略可以部分解决这一问题，但仍然需要一定的标注数据，并且容易过拟合。
4、为解决上述问题，研究者们考虑到了基于领域自适应的n
5、例如，专利cn113902104a公开一种联合无监督域自适应策略与注意力机制的非侵入式负荷监测方法，属于现有传统的域自适应方法，适用于源域和目标域电器类别相同的场景。但在实际应用中，源域和目标域的电器类别可能存在差异。当两者类别不一致时，非共有类的样本可能会干扰分布对齐过程。
6、例如，专利cn114444374a公开一种基于相似性度量的多源到多目标域自适应的方法，通过使用源域的标签和目标域的伪标签来计算权重。但负荷分解任务属于回归任务，不能仅仅依赖标签来计算权重。
技术实现思路
1、专利技术目的：本专利技术的目的在于解决现有技术中存在的不足，提供一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，利用源域和目标域间电器能耗的特征分布差异以及目标域的无标签数据，充分考虑跨域电器类别的差异和对多个电器进行分解，本专利技术首次引入部分域自适应策略，突破对电器类别的约束，从而实现了监督的多目标回归的非侵入式负荷监测。
2、技术方案：本专利技术的一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，包括以下步骤：
3、步骤s1、首先利用低频功率智能电表收集各电器设备的时间和功率信息作为总体样本，将总体样本分为源域样本(源域样本带有标签，即包含单个设备功率数据)和目标域样本(目标域样本不带有标签，即不包含单个设备功率数据)；然后分别对源域样本和目标域样本中的数据进行预处理；
4、步骤s2、联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，将步骤s1预处理后的样本数据作为负荷分解网络模型的输入数据，所述负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，具体过程如下：
5、步骤s2.1、特征提取层提取各个样本的空间特征和时间特征；
6、对于输入的样本数据，特征提取层分别将源域样本xs∈xs和目标域样本xt∈xt别映射到高级表达矩阵中，得到源域样本特征向量和目标域样本特征向量
7、步骤s2.2、将步骤s2.1所得源域特征和目标域特征输入至特征对齐层，所述特征对齐层包括两个全连接层，激活函数为relu()；
8、首先，创建开关状态矩阵bs(通过开关状态矩阵帮助确定源域样本的权重)，特征对齐层为每个源域电器的功率设定阈值，开关状态矩阵bs中对应的大于阈值的元素，赋值为1，反之则赋值为0；
9、然后，针对源域样本特征向量和目标域样本特征向量对每个源域样本计算权重以降低离群类的影响：计算源域和目标域的高斯核矩阵a，矩阵a中第i行第j列元素aij表示来自源域和目标域的一对样本之间的相似性；
10、第i个源域样本权重的计算公式为：
11、第j个目标域样本赋予相同的权重
12、nt分别代表目标域样本数量，ns代表源域样本数量，cs代表源域电器类别数，代表开关状态矩阵bs的第i行第k列个元素，γ表示带宽；
13、步骤s2.3、对步骤s2.1所得源域样本特征向量和目标域样本特征向量计算其加权mmd距离，衡量在减少源域离群类的影响后，两域的特征分布差异，计算公式为：
14、上式中，为目标域样本权重、为源域的第i个源域样本、为目标域的第j个目标域样本，表示一个具有半径为1的再生核希尔伯特空间(rkhs)；
15、步骤s2.4、在负荷分解层的最后一个全连接层上预测单个电器设备的功率消耗，实现负荷分解，方法为：将该电器设备的总负荷(例如整个家庭的总电力使用)分解为单个设备或家电的功率；本专利技术的负荷分解层包括两个全连接层；
16、步骤s3、计算负荷分解网络模型的总损失，具体步骤如下，
17、步骤s3.1、采用负荷分解网络模型同时对多个目标电器做回归任务，采用分位数回归来完成这里的多目标回归任务，分位数回归公式如下：
18、
19、上式中，i表示电器设备的时间，即某一时间段或时刻，取值范围是1到t，j表示电器设备的索引，即特定的电器设备，取值范围是1到n；t和n分别表示电器的时间步长(采样后的时间点数量，例如，如果每分钟收集一次数据，那么t可能为1440，因为一天有1440分钟)和数量；yn(t)τn和yn(t)分别表示第n个电器在t时刻的预测功耗值和实际功耗值；
20、步骤s3.2、负荷分解网络模型的损失函数loss为多目标回归损失和域适应损失lwmmd之和，损失函数loss的计算公式为：
21、通过超参数λ来调节分配给每个损失的权重；
22、步骤s4、使用步骤s1预处理后的样本数据对负荷分解网络模型进行训练和测试，并评估负荷分解性能，其中采用adam优化器训练模型，并采用平均绝对值误差mae和信号聚合误差sae这两项指标作为评价标准。
23、进一步地，所述步骤s1中预处理操作包括去噪处理、归一化处理、窗口处理，具体方法如下：
24、去噪处理是指将读取到的缺失值替换为0；
25、归一化处理是指对总体样本的数据x减去均值μ并除以方差σ，其表达式如公式(1)所示，
26本文档来自技高网...
【技术保护点】
1.一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，所述步骤S1中预处理操作包括去噪处理、归一化处理、窗口处理，具体方法如下：
3.根据权利要求1所述的基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，所述步骤S2.1中的特征提取层包括两个一维卷积层和两个GRU层，卷积层提取空间特征提取，GRU层提取时间特征提取，卷积层滤波器数量为16和32，核大小均为3；GRU层的隐藏层大小为64和256。
【技术特征摘要】
1.一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于部分域自适应和分位数回归的非侵入式负荷检测方法，其特征在于，所述步骤s1中预处理操作包括去噪处理、归一化处理、窗口处理，具体方法如下：
3....
【专利技术属性】
技术研发人员：程力，李钰颖，李亚敏，杨洋，刘文平，劳春峰，李伟，张蕊，刘春明，王振，阮子辰，申志飞，
申请(专利权)人：湖北大学，
类型：发明
国别省市：
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。