【技术实现步骤摘要】
本专利技术涉及负荷监测，特别涉及一种基于时序功率数据增强和对比学习的少标签nilm方法。
技术介绍
1、日益严峻的能源危机和全球变暖对人类的生存和可持续发展造成了严重的威胁，“碳达峰、碳中和”成为了国际社会共同关注的问题。通过负荷监测向用户提供实时的家庭用电信息，可以帮助用户改善用电习惯，减少5-20％的能源浪费，对“双碳”目标的实现有着重要意义。
2、现有的非侵入式负荷监测方法严重依赖大量的带标签数据，标签的高成本和隐私性限制了nilm方法的可实现性和通用性，且其对多状态设备和特征相似设备的识别效果有限。针对实际缺少带标签数据的nilm应用场景，目前还没有一种仅针对原始时序功率数据进行对比式自监督学习的nilm方法，通过挖掘大量无标签时序功率数据的深层通用特征，提高对多状态设备和特征相似设备的识别效果，同时实现不同家庭同一负荷不同参数之间的特性转移。
技术实现思路
1、本专利技术的目的是为了提供一种基于时序功率数据增强和对比学习的少标签nilm方法，通过此方法，能够降低对标签...
【技术保护点】
1.一种基于时序功率数据增强和对比学习的少标签NILM方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述方法通过对大量无标签数据进行对比式自监督学习，利用基于时间卷积网络的编码器充分挖掘时序功率数据的深层特征信息，将预训练获得的公用主编码器迁移到特定的下游负荷识别任务中，使用少量的带标签数据微调分类器，实现在少标签场景下的负荷识别，并实现不同家庭同一类型不同参数设备之间的跨域性能转移。
3.根据权利要求1所述的方法，其特征在于，在步骤1中：对原始功率数据依次进行以下数据预处理：
4.根据权利要求1所述的...
【技术特征摘要】
1.一种基于时序功率数据增强和对比学习的少标签nilm方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述方法通过对大量无标签数据进行对比式自监督学习，利用基于时间卷积网络的编码器充分挖掘时序功率数据的深层特征信息，将预训练获得的公用主编码器迁移到特定的下游负荷识别任务中，使用少量的带标签数据微调分类器，实现在少标签场景下的负荷识别，并实现不同家庭同一类型不同参数设备之间的跨域性能转移。
3.根据权利要求1所述的方法，其特征在于，在步骤1中：对原始功率数据依次进行以下数据预处理：
4.根据权利要求1所述的方法，其特征在于，在步骤2中：滑动窗口的固定长度为n，从归一化后数据时刻0开始滑动，步长为s，假设此窗口中连续有m个数据大于阈值δ，则认定事件发生，将此数据片段保存到预训练数据集中。
5.根据权利要求1所述的方法，其特征在于，在步骤3中：构建一个时序功率增强的nilm模型，包括时序数据增强、正负样本、编码器、投影头、对比损失、伪标签和队列七个部分，七个部分分别如下：
6.根据权利要求1所述的方法，其特征在于，在步骤4中，将步骤2获得的无标签数据输入到时序功率增强的nilm模型中，完成预训练，获得能够挖掘时序功率数据深层特征的se编码器；首先编码器对增强后的数据进行编码，其次投...
【专利技术属性】
技术研发人员：陈铁，高佳启，罗宇，袁一民，郭仕楠，杨平平，
申请(专利权)人：三峡大学，
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。