【技术实现步骤摘要】
本专利技术属于非侵入式电力负荷监测，具体涉及基于对比学习的非侵入式负荷辨识方法。
技术介绍
1、在当前的“双碳”背景下，电力需求侧正保持着刚性上涨态势。已有大量研究显示，若将电力系统的灵活性扩展到用户端，即电力系统中的终端用户或电力消费者，使用户通过调整自身用电行为更加主动地参与电力调度和负荷调整，可以有效支持电力系统的平衡稳定运行，促进可再生能源的集成。实现这项任务的关键就是为用户提供更细粒度的用电信息，从而保证用户对其用电行为进行灵活有效的调整以提高能源效益。在此基础上，开发精准的负荷监测技术已成为各个国家普遍关注的一个研究方向，如刘博,栾文鹏.基于负荷分解的用电数据云架构方案及应用场景[j].电网技术,2016,40(03):791-796。
2、非侵入式负荷监测(non-intrusive load monitoring，nilm)技术通过采集用户入口总线处的总用电数据，就能够通过算法分解获取各个用电设备能耗信息及运行状态，为负荷监测工作提供了一种简单且具有经济效益的方法。nilm技术能够让智能电网对能源需求进行更精确的预测，进而为电网所有用户提供更为稳定的电力供应，如余贻鑫,刘博,栾文鹏.非侵入式居民电力负荷监测与分解技术[j].南方电网技术,2013,7(04):1-5。
3、近年来，随着计算机技术和人工智能大数据的快速发展，深度学习作为一种更深层的机器学习模型，因其具有强大的特征学习和数据拟合能力而受到广大研究者的青睐，如今其应用领域已逐渐拓宽至nilm技术中并蓬勃发展。鉴于大多数深度学习模
技术实现思路
1、本专利技术为解决现有技术存在的问题而提出，其目的是提供基于对比学习的非侵入式负荷辨识方法。
2、本专利技术的技术方案是：基于对比学习的非侵入式负荷辨识方法，包括以下步骤：
3、a.进行原始训练数据集加载与参数初始化；
4、b.构建多视图训练数据集；
5、c.划分多视图训练数据集；
6、d.读取第一批次训练数据，输入编码器，提取数据样本的高维度特征；
7、e.对于有标签训练数据样本，计算交叉熵，得到监督分类损失；
8、f.对于无标签训练数据样本，计算交叉熵，得到无监督损失；
9、g.得到图对比损失；
10、h.计算综合损失相对于模型参数的梯度，更新模型参数；
11、i.判断本批次训练是否达到预设的迭代次数或满足预设的收敛精度，结束训练并输出或返回步骤e进行下一批次训练。
12、更进一步的，步骤a进行原始训练数据集加载与参数初始化，具体过程如下：
13、首先，原始训练数据集加载过程中，加载包含少量有标签和大量无标签的电压-电流轨迹图像样本的训练数据集；
14、然后，对负荷辨识模型所包含的编码器、分类器和映射器中的参数进行初始化；
15、最后，对负荷辨识模型训练所用优化器中的参数进行初始化。
16、更进一步的，步骤b构建多视图训练数据集，具体过程如下：
17、首先，对加载训练数据集中的每个数据样本进行随机增强变换；
18、然后，对有标签的电压-电流轨迹图像样本进行弱增强变换；
19、再后，对无标签的电压-电流轨迹图像样本分别进行弱增强变换和两种强增强变换处理；
20、最后，增强变换为电压-电流轨迹图像样本衍生出新视图，以全部电压-电流轨迹图像样本的多种视图共同构成新的多视图训练数据集，电压-电流轨迹图像样本的标签信息直接被赋予其衍生的新视图样本。
21、更进一步的，步骤c划分多视图训练数据集，具体过程如下：
22、将步骤b构建的多视图训练数据集随机划分成若干个小批量训练数据集，小批量训练数据集用于后续负荷辨识模型训练。
23、更进一步的，步骤e对于有标签训练数据样本，计算交叉熵，得到监督分类损失，具体过程如下：
24、首先，对于小批量训练数据集中有标签训练数据样本，利用分类器生成其类概率；
25、然后，计算类概率与真实标签信息的交叉熵，得到监督分类损失。
26、更进一步的，步骤f对于无标签训练数据样本，计算交叉熵，得到无监督损失，具体过程如下：
27、首先，对于小批量训练数据集中无标签训练数据样本，利用分类器和映射器生成其伪标签；
28、然后，计算伪标签与其类概率之间的交叉熵，得到无监督损失。
29、更进一步的，步骤g得到图对比损失，具体过程如下：
30、首先，构建当前批次训练样本集的伪标签图和嵌入特征图；
31、然后，计算伪标签图和嵌入特征图的交叉熵；
32、最后，得到图对比损失。
33、更进一步的，步骤h计算综合损失相对于模型参数的梯度，更新模型参数，具体过程如下：
34、首先，计算监督分类损失、无监督损失、图对比损失的加权和得到综合损失函数；
35、然后，利用反向传播算法，计算综合损失相对于模型参数的梯度；
36、最后，根据得到的梯度，采用随机梯度下降法更新模型参数。
37、更进一步的，步骤i判断本批次训练是否达到预设的迭代次数或满足预设的收敛精度，结束训练并输出或返回步骤e进行下一批次训练，具体过程如下：
38、首先，判断本批次训练是否达到预设的迭代次数或满足预设的收敛精度；
39、然后，如果符合预设条件，输出当前训练所得的编码器、分类器和映射器，获得最终的负荷辨识模型，结束训练过程；
40、再后，如果不符合预设条件，读取下一批次小批量训练数据集中的训练数据，转至步骤e。
41、本专利技术的有益效果如下：
42、针对传统基于半监督学习的负荷辨识模型训练过程对无标签数据集中的噪声样本敏感而容易导致预测偏差累积的问题，本专利技术设计了一种基于对比学习的非侵入式负荷辨识方法，能够利用无标签负荷数据样本对负荷辨识模型进行自监督训练，有效减少对大量有标签数据样本的依赖；引入的图对比学习框架通过最大化伪本文档来自技高网...
【技术保护点】
1.基于对比学习的非侵入式负荷辨识方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤A进行原始训练数据集加载与参数初始化，具体过程如下：
3.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤B构建多视图训练数据集，具体过程如下：
4.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤C划分多视图训练数据集，具体过程如下：
5.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤E对于有标签训练数据样本，计算交叉熵，得到监督分类损失，具体过程如下：
6.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤F对于无标签训练数据样本，计算交叉熵，得到无监督损失，具体过程如下：
7.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤G得到图对比损失，具体过程如下：
8.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤
9.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤I判断本批次训练是否达到预设的迭代次数或满足预设的收敛精度，结束训练并输出或返回步骤E进行下一批次训练，具体过程如下：
...【技术特征摘要】
1.基于对比学习的非侵入式负荷辨识方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤a进行原始训练数据集加载与参数初始化，具体过程如下：
3.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤b构建多视图训练数据集，具体过程如下：
4.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤c划分多视图训练数据集，具体过程如下：
5.根据权利要求1所述的基于对比学习的非侵入式负荷辨识方法，其特征在于：步骤e对于有标签训练数据样本，计算交叉熵，得到监督分类损失，具体过程如下：
<...
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。