【技术实现步骤摘要】
本专利技术涉及深度学习在非侵入式负荷识别或分解技术方面的应用，尤其涉及一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法。
技术介绍
1、近年来随着科技水平和经济生活的提升，人们对能源的需求越来越大，因此能源危机正在成为每个国家需要面对的问题。在中国，能源问题已经成为重中之重。随着全球对能源效率和可持续性的关注不断增加，企业和机构需要更好地管理其电能消耗。许多组织寻求减少能源成本以及对环境的影响。非侵入式负荷监测技术可用于实时监测和记录电力系统的能源消耗情况。这有助于用户了解能源使用模式，识别高峰和低谷负荷时段，通过监测能源消耗和能源浪费，用户可以采取措施来减少电能浪费，提高能源效率，从而降低对传统能源的依赖，促进可持续性。
2、非侵入式负荷监测是将通过在住宅区安装用电能耗监测仪器，采集该房屋内总的电压、电流、有功/无功功率等信息。对这些采集的信息进行数据清洗、填充等操作，然后进行特征提取，然后将这些特征与数据库内已有的电器负荷特征进行对比，从而识别房屋内各电器的用电情况，实现负荷分解。
3、目前非侵入式负荷分解的实现方法多是基于深度学习，通过各种网络层如卷积神经网络、循环神经网络等来进行特征提取。虽然这些网络模型在特定的数据集上取得了不错的分解精度，但是卷积神经网络不能提取时间序列信息，循环神经网络提取通道信息能力较弱。此外，这些模型还具有很差的泛化能力，负荷分解需要耗费大量计算资源成本。
技术实现思路
1、本专利技术针对上述问题，
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法，包括：
4、步骤1：获取一段时间内家庭的电器消耗数据，并对获取的数据进行预处理操作；
5、步骤2：构建条件卷积特征提取模型对预处理后的数据进行特征提取，并加入transformer模型中使用的位置编码，进行位置嵌入，得到位置嵌入后的向量；
6、步骤3：构建litetransnilm模型以捕获位置嵌入后的向量不同层次的信息；
7、步骤4：结合组合损失函数对构建的litetransnilm模型进行训练；
8、步骤5：将训练好的模型进行不同房间相同电器的测试训练，保存最优模型；
9、步骤6：使用最优模型对实时采集的电器消耗数据进行非侵入式负荷分解。
10、进一步地，所述步骤1包括：
11、首先对获取的数据进行对齐主通道和单个设备的时间戳，每6秒重新采样，形成一维输入序列；向前填充所有短于3分钟的时间间隔，然后对输入序列进行清洗操作，保留持续时间超过最小开启和关闭持续时间阈值的状态变化；对清洗后输入序列进行标准化操作。
12、进一步地，所述条件卷积特征提取模型由卷积层和条件卷积层组成，通过条件卷积层对数据进行数据分割处理，包括：对于总电功率大于或等于50w的数据进行按滑动窗口大小480，滑动窗口步长为240的规格进行处理；对于电功率小于50w的数据按滑动窗口大小480，滑动窗口步长360的规格进行处理；然后再通过一个一维卷积层，得到一个条件特征张量。
13、进一步地，所述litetransnilm模型包括transformer模型中的多头自注意力模块与轻量级卷积模块，所述轻量级卷积模块包括一个轻量级卷积和一个门控递归单元。
14、进一步地，所述多头自注意力模块的具体计算方式如下：
15、
16、
17、multihead(q，k，v)＝concat(head1，...，headh)wo
18、where
19、其中，q、k、v分别表示query、key、value矩阵，dk为矩阵key的维度，x表示输入的信号数据，wq、wk、wv分别表示输入的信号数据转为q、k、v的系数矩阵，headi代表多头注意机制中的第i个头，分别代表第i个头对应的q、k、v的系数矩阵。
20、进一步地，所述轻量级卷积的具体计算方式如下：
21、
22、其中n为卷积核的大小，xt+1是输入序列x在时间t+1处的值，ki是卷积核k的权重。
23、进一步地，所述门控递归单元的具体计算方式如下：
24、zt＝σ(wz·[ht-1，xt])
25、rt＝σ(wr·[ht-1，xt])
26、
27、
28、其中，xt为当前时刻输入信息；ht-1为上一时刻的隐藏状态，隐藏状态充当了神经网络记忆，包含之前节点所见过的数据的信息；ht表示传递到下一时刻的隐藏状态；表示候选隐藏状态；rt表示重置门；zt代表更新门；σ是sigmoid函数，通过这个函数可以将数据变为(0，1)范围的数值；tanh是tanh函数，通过这个函数可以将数据变为(-1，1)范围的数值。
29、进一步地，所述litetransnilm模型还包括一个前馈神经网络。
30、进一步地，所述组合损失函数由标准均方差损失函数和kullback-leibler散度两部分组成。
31、与现有技术相比，本专利技术具有的有益效果：
32、本专利技术通过条件卷积特征提取模型提高了提取特征的速度，还通过条件卷积特征提取模型提取出电器精要的特征，经过构建的litetransnilm模型进行全局与局部的训练，通过训练时提取电器精要的运行特征，得到训练模型，然后用该模型测试其他房间电器，保存最优模型，然后对房间的电耗数据进行负荷分解，达到了降低计算资源成本、缩短负荷识别时间，以及提高负荷识别精准度的目的。
本文档来自技高网...【技术保护点】
1.一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述条件卷积特征提取模型由卷积层和条件卷积层组成，通过条件卷积层对数据进行数据分割处理，包括：对于总电功率大于或等于50W的数据进行按滑动窗口大小480，滑动窗口步长为240的规格进行处理；对于电功率小于50W的数据按滑动窗口大小480，滑动窗口步长360的规格进行处理；然后再通过一个一维卷积层，得到一个条件特征张量。
4.根据权利要求1所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述LiteTransNILM模型包括Transformer模型中的多头自注意力模块与轻量级卷积模块，所述轻量级卷积模块包括一个轻量级卷积和一个门控递归单元。
5.根据权
6.根据权利要求4所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述轻量级卷积的具体计算方式如下：
7.根据权利要求4所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述LiteTransNILM模型还包括一个前馈神经网络。
8.根据权利要求1所述的一种基于Transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述组合损失函数由标准均方差损失函数和Kullback-Leibler散度两部分组成。
...【技术特征摘要】
1.一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述条件卷积特征提取模型由卷积层和条件卷积层组成，通过条件卷积层对数据进行数据分割处理，包括：对于总电功率大于或等于50w的数据进行按滑动窗口大小480，滑动窗口步长为240的规格进行处理；对于电功率小于50w的数据按滑动窗口大小480，滑动窗口步长360的规格进行处理；然后再通过一个一维卷积层，得到一个条件特征张量。
4.根据权利要求1所述的一种基于transformer和条件卷积特征提取模型的非侵入式负荷分解方法，其特征在于，所述litetransnilm模型...
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。