System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种适用于非介入式负荷辨识回归网络的模型训练方法,属于电表检测与数据分析。
技术介绍
1、传统序列到序列的非介入式负荷辨识模型致力于从总功率序列中分解出各个目标设备的功率序列,在此场合下要求输入输出功率序列具有相同的长度。按照该场合下的输入输出数据映射模式,在前期数据收集阶段,除了需要安装总表记录入户的总功率数据序列外,还需要独立安装分表来监测各个目标设备完整的功率序列。然而,对于分表采集记录目标设备完整的功率序列数据而言,存在着数据冗余过大,且需要的内存存储数据成本过高的问题。序列到点的回归网络模型被提出以解决数据采集与存储问题,其输出数据序列将被优化为三点数据,即[开启时刻,关闭时刻,平均功率],这种输出数据格式不仅可以显著减少针对目标设备运行期间的记录冗余,而且可以简化这种场合下的数据标注收集过程。而通常情况下,非介入式负荷辨识网络使用均方误差(mse)作为损失函数计算模型预测结果与标签之间的差距,这种误差衡量方式虽然能够精确计算二者间每个样本点的平均误差,但是却不适用于三点回归的模式下的预测结果与标签具有几何或位置关系的情况。
2、因此,需要一种新的适用于非介入式负荷辨识回归网络的模型训练方法以解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种适用于非介入式负荷辨识回归网络的模型训练方法,以解决上述
技术介绍
中提出的问题。
2、一种适用于非介入式负荷辨识回归网络的模型训练方法,包括以下步骤:
3、步骤1:搭建输入为
4、步骤2:基于diou与置信度分数融合的损失函数进行模型训练,直至损失函数收敛。
5、更进一步的,步骤1中样本包括正样本,所述正样本包括正样本标签信息和正样本输入信息,所述正样本标签信息包括设备的开启时刻、关闭时刻、平均功率和样本置信度,其中,样本置信度为1,当样本置信度为1时,表示该样本中含有目标设备的运行数据,所述正样本输入信息为对应区间的总功率曲线片段。
6、更进一步的,步骤1中数据样本包括负样本数据,所述负样本数据包括负样本标签信息和负样本输入信息,所述负样本标签信息包括设备的开启时刻、关闭时刻、平均功率和样本置信度,其中,设备的开启时刻、关闭时刻、平均功率和样本置信度均为0,当样本置信度为0时,表示该样本中不含目标设备的运行数据,所述负样本输入信息为对应区间的总功率曲线片段。
7、更进一步的,步骤2中基于diou与置信度分数融合的损失函数通过下式表示:
8、
9、通过下式计算diou损失函数:
10、lossdiou=1-diou
11、
12、
13、
14、
15、式中,d为欧氏距离,o表示负荷框的中心位置,c表示能同时覆盖预测负荷框和标签负荷框的最小外接矩形的对角线长度,t0,t1,pavg和p分别为启动时间、关闭时间、平均功率和样本置信度的初始值,和分别为启动时间、关闭时间、平均功率和样本置信度模型训练中的中间结果;
16、通过下式计算交并比指标iou:
17、
18、
19、
20、
21、
22、式中,t0,t1,pavg和p分别为启动时间、关闭时间、平均功率和样本置信度的初始值,和分别为启动时间、关闭时间、平均功率和样本置信度的预测结果。
23、更进一步的,步骤1中样本进行归一化操作。
24、更进一步的,步骤1中搭建输入为用户总功率数据片段,输出为设备四点数据的非介入负荷辨识神经网络的样本进行模型训练,包括以下步骤:
25、步骤(1)、获取数据集d={d1,d2,...,dn}中第i条数据di,其中,
26、步骤(2)、获取di的起始时刻和结束时刻分别表示目标设备第i次运行的起始时间和结束时间,计算此时设备运行的平均功率
27、有益效果:本专利技术的适用于非介入式负荷辨识回归网络的模型训练方法通过引入diou损失函数解决了仅通过均方误差函数不能准确区分标签值与预测值在位置上的差异,相较于直接使用iou作为损失函数,解决了两个负荷框不重叠时,iou始终是常数,在反向传播过程中不产生任何梯度的问题。通过引入置信度函数,解决了在面对负样本训练时仅使用作为损失函数,会发生反向传播更新参数时仅会最小化。
本文档来自技高网...【技术保护点】
1.一种适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,包括以下步骤:
2.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中样本包括正样本,所述正样本包括正样本标签信息和正样本输入信息,所述正样本标签信息由设备的开启时刻、关闭时刻、平均功率和样本置信度组成,其中,样本置信度为1,当样本置信度为1时,表示该样本中含有目标设备的运行数据,所述正样本输入信息为对应区间的总功率曲线片段。
3.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中数据样本包括负样本数据,所述负样本数据包括负样本标签信息和负样本输入信息,所述负样本标签信息由设备的开启时刻、关闭时刻、平均功率和样本置信度组成,其中,设备的开启时刻、关闭时刻、平均功率和样本置信度均为0,当样本置信度为0时,表示该样本中不含目标设备的运行数据,所述负样本输入信息为对应区间的总功率曲线片段。
4.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤2中基于DIoU与置信度分数融合的损失函数通过
5.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中样本进行归一化操作。
6.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中搭建输入为用户总功率数据片段,输出为设备四点数据的非介入负荷辨识神经网络的样本进行模型训练,包括以下步骤:
...【技术特征摘要】
1.一种适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,包括以下步骤:
2.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中样本包括正样本,所述正样本包括正样本标签信息和正样本输入信息,所述正样本标签信息由设备的开启时刻、关闭时刻、平均功率和样本置信度组成,其中,样本置信度为1,当样本置信度为1时,表示该样本中含有目标设备的运行数据,所述正样本输入信息为对应区间的总功率曲线片段。
3.如权利要求1所述的适用于非介入式负荷辨识回归网络的模型训练方法,其特征在于,步骤1中数据样本包括负样本数据,所述负样本数据包括负样本标签信息和负样本输入信息,所述负样本标签信息由设备的开启时刻、关闭时刻、平均功...
【专利技术属性】
技术研发人员:冯燕钧,何朝伟,黄时,洪佳燕,肖婷,王永生,
申请(专利权)人:江苏瑞电智芯信息科技有限公司,
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。