【技术实现步骤摘要】
本专利技术涉及图像识别，特别是一种用电功率的负荷分解迁移方法。
技术介绍
1、根据国际能源署(international energy agency，简称iea)的统计，能源业的温室气体排放量达到总排放量的四分之三。随着全球能源需求的不断增长，减少建筑物的碳排放量是保证可持续性发展和二氧化碳零排放的重要条件。
2、随着机器学习的不断发展，越来越多的学者将机器学习应用到非侵入式负荷监测(non-invasive load monitoring，nilm)中去。根据机器学习的特点，解决nilm的方法分为基于有监督学习的方法和无监督学习的方法。根据预测目标变量的类型不同，解决nilm的方法划分为基于分类问题的方法和基于回归问题的方法。根据是否存在明确的状态变化，各种nilm方法分为基于事件的方法和非基于事件的方法。其中，基于事件的方法需要大量的人工标注数据，导致人力的大量消耗和模型训练中耗时的占用。另外，根据目标数量的不同，各种nilm方法又可以分为基于单目标的方法和基于多目标的方法，等等。
3、目前，在nilm应用研究中认为普遍存在以下问题：(1)nilm应用研究的重要数据难以搜集。高频数据需要精密和先进的设备，低频数据需要较长的时间。因此，已有文献很少在多个数据集上进行记录和验证；(2)模型复杂。许多先进的模型并非为专门解决nilm的问题而设立，这使得所用模型在提取特征方面带有一定的缺陷，为了提高模型的预测性能，许多学者选择将模型复杂化以带来更多特征；(3)迁移能力差。nilm的迁移包含不同电器的迁移和不同
4、中国专利申请号为cn201911328246.0、名称为“一种基于自动编码器的灰度图像迁移学习方法”的文献提供了一种技术方案，它首先对采集到的灰度图像进行预处理，包括裁剪，降噪，滤波等；然后通过数据增强方法来增加样本数量；其次搭建自动编码器，网络的结构为卷积层>池化层>卷积层>池化层的卷积神经网络，实现将单通道的图像转换为三通道的彩色图像；最后将转换后的三通道图像迁移学习到经典的cnn网络，实现目标的分类，该专利技术算法简洁，效率较高且鲁棒性较强。但它通过数据增强方法来增加样本数量，不适用于非侵入式负荷分解，本专利技术需要母模型和子模型具有不同的结构，母模型需要设计多个并行特征提取结构、融合多维信息和局部信息，子模型的输入不是传统的能耗序列而是经过母模型计算处理后的数据，可有效实现用电负荷的分解，改善以往负荷分解带来的复杂及繁琐问题，且具有较好的泛化性能。
技术实现思路
1、本专利技术的目的在于针对现有技术之弊端，提供一种适用于非侵入式负荷分解的迁移方法，所述方法使迁移性能得以提升，从根本上优化输入的数据质量从而提高模型的分解效果，具有较高的模型泛化能力。
2、本专利技术的目的是这样实现的：
3、一种适用于非侵入式负荷分解的迁移方法，所述方法包括以下步骤：
4、a.对不同建筑物进行功率数据的采集，并对采集到的数据进行预处理，预处理包括采样周期的处理、缺失值的处理和数据筛选，对采集过程中产生的噪声进行过滤并得到最终的能耗数据；
5、b.选择一个数据集作为母模型训练数据，并按照比例划分训练集和测试集；其中，训练集数据占总数据量的80％，测试集数据占总数据量的20％；
6、c.构建母模型，使用母模型来实现功率数据的特征提取和电器的分解，以区别出不同类型的用电设备；特征提取就是尽可能提取到更多有利于负荷分解的信息，比如时间维度信息，包括长时间和短时间的不同信息；
7、d.使用窗口划分算法对训练集和测试集进行数据划分以便母模型训练；
8、数据集中采集到的是长时间的功率数据，窗口划分算法是将长时间的功率数据划分为较短时间的数据，减少模型训练过程中的各软硬件的资源消耗；
9、e.使用划分好的训练集数据对母模型进行训练；
10、将经过窗口划分算法重构得到的训练集数据输入到母模型，对母模型进行训练；
11、f.使用划分好的测试集数据对母模型进行测试；
12、将重构的测试集数据输入到母模型，对母模型进行测试；
13、g.将测试完成的母模型的每个网络层的权重参数保存；权重数据是指模型训练完成后的模型的每个网络层的参数；
14、h.构建子模型，与母模型相比，使用结构更为简单的子模型，子模型由三个一维卷积层和一个gm层构成，实现迁移到目标数据集上完成电器参数的分解；子模型输入的是目标数据集；在子模型上训练目标数据集，在母模型上只是通过保存的权重参数进行计算后得到其输出结果；并将得到的输出结果作为子模型的输入数据进行负荷分解；功率数据是指电器实际运行中消耗的功率，负荷分解是任务，目标是完成不同电器的功率数据的分解。
15、i.将目标数据集划分为训练集和测试集；
16、j.将目标数据集的数据通过窗口划分算法后划分为可供母模型使用的数据，将目标数据集通过训练好的母模型得到的解码器的输出向量保存并作为子模型的输入；
17、k.对子模型进行训练并使用多个评价指标验证子模型在测试集上的分解效果。
18、上述适用于非侵入式负荷分解的迁移方法，在步骤c，构建母模型，母模型包括骨干网络、编码器和解码器三部分，骨干网络由4个卷积块和2个最大池化层组成；通过卷积块增加序列通道数，通过增加通道数，增加网络的层数，使母模型能够学习到更加复杂的特征，通过最大池化层提取序列的特征；每个卷积块由一维卷积、批归一化(batchnorm,bn)和线性整流函数(rectified linear unit,relu)三部分组成，卷积块的作用是逐步扩张数据通道数以便母模型学习不同通道的数据特征；在上半部分，经过卷积块1处理后得到序列特征为经过最大池化层1处理通道数不变，序列维度减半经过卷积块2和最大池化层2处理后的特征随后经过两个卷积块处理(卷积块3和卷积块4)得到经过卷积块处理后，数据的通道数逐步扩张，序列维度逐步缩小；通道数增加还使非线性变化的机会增加，可以提高母模型的体征提取能力。
19、上述适用于非侵入式负荷分解的迁移方法，对按时间轴排列的能耗数据序列，用窗口划分为短序列数据，使若干个窗口划分后的能耗数据构成短序列数据的集合，以进行模型训练，步骤如下：
20、输入:按照时间轴排列的能耗数据序列；
21、输出:若干个窗口划分后的能耗数据序列构成的集合；
22、1)设总能耗序列x(1，n)，分电器能耗矩阵y(5，n)，括号中的内容表示通道数和数据长度。
23、2)设置参数，窗口数据的长度，窗口的边界长度；
24、3)通过公式(1)对x进行归一化操作,得到x'，
25、
26、式中，x表示原始的序列数据，xmax表示序列数的最大值，xmin表示序列数的最小值，xnew表示归一化后的本文档来自技高网...
【技术保护点】
1.一种适用于非侵入式负荷分解的迁移方法，其特征在于，所述迁移方法按以下步骤进行：
2.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，在步骤C，构建母模型，母模型包括骨干网络、编码器和解码器三部分，骨干网络由4个卷积块和2个最大池化层组成；通过卷积块增加序列通道数，通过增加通道数，增加网络的层数，使母模型能够学习到更加复杂的特征，通过最大池化层提取序列的特征；每个卷积块由一维卷积、批归一化(BatchNorm,BN)和线性整流函数(Rectified Linear Unit,ReLU)三部分组成，卷积块的作用是逐步扩张数据通道数以便母模型学习不同通道的数据特征；在上半部分，经过卷积块1处理后得到序列特征为经过最大池化层1处理通道数不变，序列维度减半经过卷积块2和最大池化层2处理后的特征随后经过两个卷积块处理(卷积块3和卷积块4)得到经过卷积块处理后，数据的通道数逐步扩张，序列维度逐步缩小；通道数增加还使非线性变化的机会增加，可以提高母模型的体征提取能力。
3.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，对按时间轴排
4.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，在编码器部分，模型将六并行特征提取结构的特征向量与原特征向量按通道拼接得到编码器的结果，如公式(4)、(5)所示：
...【技术特征摘要】
1.一种适用于非侵入式负荷分解的迁移方法，其特征在于，所述迁移方法按以下步骤进行：
2.根据权利要求1所述的适用于非侵入式负荷分解的迁移方法，其特征在于，在步骤c，构建母模型，母模型包括骨干网络、编码器和解码器三部分，骨干网络由4个卷积块和2个最大池化层组成；通过卷积块增加序列通道数，通过增加通道数，增加网络的层数，使母模型能够学习到更加复杂的特征，通过最大池化层提取序列的特征；每个卷积块由一维卷积、批归一化(batchnorm,bn)和线性整流函数(rectified linear unit,relu)三部分组成，卷积块的作用是逐步扩张数据通道数以便母模型学习不同通道的数据特征；在上半部分，经过卷积块1处理后得到序列特征为经过最大池化...
【专利技术属性】
技术研发人员：梅华威，刘艳平，曹旺斌，张月圆，
申请(专利权)人：华北电力大学保定，
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。