本发明专利技术公开了一种非侵入式负荷监测的半监督学习方法及系统，所提出的方法在传统非侵入式负荷监测算法的基础上引入半监督学习，方法的第一部分用于训练阶段，根据初始化训练的结果进行最优区间过滤分析，得到准确率较高的时间片段作为半监督学习伪标签生成的基础。方法的第二部分用于推理阶段，在预测结果的最优区间中利用一致投票机制得到半监督学习所需的高精度伪标签，进而通过滚动学习方法，通过少量有标签数据和大量无标签数据逐步提高识别精度。本发明专利技术所提出的非侵入式负荷监测的半监督学习方法能够有效地结合无标签数据提高模型的准确度，在数据收集有限的实际场景中可以提高模型的准确性和可靠性。
【技术实现步骤摘要】
本专利技术涉及深度学习，具体涉及一种非侵入式负荷监测的半监督学习方法及系统。
技术介绍
1、根据国际能源机构(iea)的统计数据，2021年工业行业的用电量占世界总用电量的41.7％，成为世界上最大的用电行业。为了进一步降低工业能耗，提高工业领域的用电效率，实现工业行业节能减排的目标和要求，详细了解并优化其用电情况至关重要。非侵入式负荷监测(nilm)是一种先进的技术，它能在不影响工业系统各负载设备运行的情况下，以最小的额外硬件成本实时监控其用电信息，并提供数据支持和分析建议。通过在工业系统中引入nilm方法，可以提供设备健康状态的潜在信息，从而促进设备的生命周期管理。近年来人工智能方法在测量领域的不断进步也为nilm的发展与进步提供了新的契机。
2、典型的nilm算法包括四个步骤：采样、标记、训练和部署。算法首先对工业系统中的数据进行采样，同时对采样数据进行标注，进而使用标注数据训练模型，最后部署已经完成训练的模型以监控工业系统中每个负载设备的实时功耗。在训练过程中，nilm需要为每个相关负载设备安装一台传感器以获取其标签信息，训练结束后这些传感器将被移除，只保留一个位于主入口处的监控终端，后续将使用相关算法识别各负载的功耗。但是在实际操作中，这种方式会大量浪费本可以用来进一步改进模型准确性和可靠性的数据，如果可以更好的利用这些数据将进一步提高nilm算法的识别精度。
3、因此，本领域需要在现有的研究基础上，提出能够进一步利用系统采集数据的算法结构，深度利用已有资源进一步提高模型准确性和可靠性。
技术实现思路
1、有鉴于此，为了解决现有技术中的上述问题，本专利技术提出一种非侵入式负荷监测的半监督学习方法及系统，通过半监督学习方法深度利用采集的无标签数据进一步提高非侵入式负荷监测系统的准确性，在数据收集有限的实际场景中更好的利用可获得数据提高模型的可靠性。
2、本专利技术通过以下技术手段解决上述问题：
3、第一方面，本专利技术提供一种非侵入式负荷监测的半监督学习方法，包括用于非侵入式负荷监测算法部署的训练阶段和用于非侵入式负荷监测算法部署的推理阶段；
4、所述用于非侵入式负荷监测算法部署的训练阶段包括如下步骤：
5、对监测对象的输入总线和相关负载的功率数据进行同步采样，采样时间设为t秒钟，得到被监测对象的特征集x0＝{x10,x20,…,xm0}和负载标签向量y，其中xm0是一个长度为t的向量，其每个元素都是一个电力特征，y＝{y1,y2,…yt}也是一个长度为t的向量，其每个元素yt都是一个负载状态，取值范围为{s0,s1,…,sz}，式中sz表示不同的负荷状态，z代表负荷状态的数量；
6、对采集数据特征集x0进行特征提取处理得到特征向量集x＝{x1,x2,…，xn}，其中n表示特征向量的维数；
7、将特征向量集x与负载标签向量y结合后形成初始数据集d并进行存储；
8、在得到初始数据集d后，采用参数为θ的seq2seq分类模型fθ()来进行长度为l的x[t:t+l]和y[t:t+l]的训练，其中t表示该训练数据集的区间起点；
9、采用模型识别状态结果的准确度和马修斯相关系数作为筛选依据，选择准确度与马修斯相关系数高的区间段作为伪标签的采样区间，得到最优结果区间；
10、所述用于非侵入式负荷监测算法部署的推理阶段包括如下步骤：
11、采样只对输入总线的数据开展，对采集到的数据执行同样的特征提取得到特征向量集x＝{x1,x2,…,xn}；
12、读取初始化训练后得到的分类模型，使用参数为θ的seq2seq分类模型fθ()对长度为l的x[t:t+l]进行预测，得到相应的预测结果
13、对预测结果进行处理，结合得到的最优结果区间，以ts为步长对最优结果区间的每个分段进行预测结果的提取和保存，得到半监督学习所需的伪标签；
14、对特征向量集x的标注是否全部完成进行判断，直到遍历并标注所有新数据；
15、在所有新标注完成之后，采用一种循环投票机制，进一步保证伪标签的准确性；该循环投票机制在投票实施过程中每次提取长度为t的标签，其步长为ts，同时必须确保t是ts的n′倍，两者的倍数值n′根据实际情况进行最优调整；
16、获得半监督学习所需的高精度伪标签后，将得到的高精度伪标签与输入数据对应分组后与初始数据集d混合并重新进行模型训练，持续重复迭代直到达到停止标准，将验证集的准确率变化作为停止标准，即当验证集的准确率在迭代过程中下降时便停止迭代训练。
17、作为优选地，所述电力特征包括以下一种或多种：电压、电流、有功功率、无功功率以及各次谐波的幅值和相角。
18、作为优选地，所述负荷状态的数量按负载功率水平进行分类。
19、作为优选地，特征提取通过计算特征向量集x和负载标签向量y之间的互信息并进行排序和过滤来完成。
20、作为优选地，采用参数为θ的seq2seq分类模型fθ()来进行长度为l的x[t:t+l]和y[t:t+l]的训练，其目标函数为：
21、
22、其中是交叉熵损失函数，seq2seq指将一个序列映射到另一个序列的模型，l表示数据集的长度，i表示特征向量集中的特征，n表示特征向量集中包含的特征数量。
23、作为优选地，所述循环投票机制采用多数投票机制，用下式表示：
24、
25、其中表示采用多数投票机制的标签的预测值，c表示投票过程中选择的类别，n′是判断的次数，是在输入x时模型进行第n′次判断时的标签指数，s表示其状态结果，ii是一个指标函数，当满足括号内的条件时返回1，否则返回0。
26、作为优选地，所述循环投票机制采用一致投票，用下式进行表示：
27、
28、其中表示采用一致投票的标签的预测值，m′,n′∈1,…,n′，分别是输入x时模型进行第m′次和第n′次判断时的标签指数。
29、第二方面，本专利技术提供一种非侵入式负荷监测的半监督学习系统，包括用于非侵入式负荷监测算法部署的训练阶段的训练模块和用于非侵入式负荷监测算法部署的推理阶段的推理模块；
30、所述训练模块包括：
31、数据同步采样单元，用于对监测对象的输入总线和相关负载的功率数据进行同步采样，采样时间设为t秒钟，得到被监测对象的特征集x0＝{x10,x20,…,xm0}和负载标签向量y，其中xm0是一个长度为t的向量，其每个元素都是一个电力特征，y＝{y1,y2,…yt}也是一个长度为t的向量，其每个元素yt都是一个负载状态，取值范围为{s0,s1,…,sz}，式中sz表示不同的负荷状态，z代表负荷状态的数量；
32、数据特征提取单元，用于对采集数据特征集x0进行特征提取处理得到特征向量集x＝{x1,x2,…xn}，其中n表示特征向量的维数；
33、初始数据集建本文档来自技高网
...
【技术保护点】
1.一种非侵入式负荷监测的半监督学习方法，其特征在于，包括用于非侵入式负荷监测算法部署的训练阶段和用于非侵入式负荷监测算法部署的推理阶段；
2.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述电力特征包括以下一种或多种：电压、电流、有功功率、无功功率以及各次谐波的幅值和相角。
3.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述负荷状态的数量按负载功率水平进行分类。
4.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，特征提取通过计算特征向量集X和负载标签向量Y之间的互信息并进行排序和过滤来完成。
5.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，采用参数为θ的seq2seq分类模型fθ()来进行长度为L的X[t:t+L]和Y[t:t+L]的训练，其目标函数为：
6.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述循环投票机制采用多数投票机制，用下式表示：
7.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述循环投票机制采用一致投票，用下式进行表示：
8.一种非侵入式负荷监测的半监督学习系统，其特征在于，包括用于非侵入式负荷监测算法部署的训练阶段的训练模块和用于非侵入式负荷监测算法部署的推理阶段的推理模块；
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一所述的非侵入式负荷监测的半监督学习方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一所述的非侵入式负荷监测的半监督学习方法的步骤。
...
【技术特征摘要】
1.一种非侵入式负荷监测的半监督学习方法，其特征在于，包括用于非侵入式负荷监测算法部署的训练阶段和用于非侵入式负荷监测算法部署的推理阶段；
2.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述电力特征包括以下一种或多种：电压、电流、有功功率、无功功率以及各次谐波的幅值和相角。
3.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，所述负荷状态的数量按负载功率水平进行分类。
4.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，特征提取通过计算特征向量集x和负载标签向量y之间的互信息并进行排序和过滤来完成。
5.根据权利要求1所述的非侵入式负荷监测的半监督学习方法，其特征在于，采用参数为θ的seq2seq分类模型fθ()来进行长度为l的x[t:t+l]和y[t:t+l]的训练，其目标函数为：
...
【专利技术属性】
技术研发人员：李勇，王之毓，张振宇，李畅，张杰，刘骐，
申请(专利权)人：湖南大学，
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。