[發明專利]一種支持多電器類型高精度的NILM實現方法

有效

• 申請號: 201710989410.7
• 申請日: 2017-10-23
• 公開（公告）號: CN107730003B
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 戴彬;李蔥;徐方琳
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 張建偉;曹葆青

1.一種支持多電器類型高精度的NILM的實現方法，其特征在于，包括如下步驟：

(1)從數據源獲取用電特征；

所述用電特征指電氣量數據，包括功率值和電壓值；

所述數據源，包括公共數據集，指數據庫軟件生成的各種包含元器件信息的表格文件，或者是采集的電氣量數據；

(2)獲取用電特征后，根據選擇的電器類型，進行訓練數據的準備工作，包括提取負載激活，創建聚合數據；

所述電器類型，分為單狀態和多狀態型；所述電器類型選取用電特征需具有代表性，每個電器都至少存在于數據集UK-DALE的三個房子中，用以實現對于每個用電設備，至少能在兩個房子上訓練優化網絡架構，并在不同的房子上進行測試的電器作為該類電器的訓練對象；訓練對象包括單狀態和多狀態或者多狀態；

所述負載激活是指單個電器設備在該設備工作時間內獲得的功率；

所述創建聚合數據，是根據提取到的負載激活，創建一個合成數據序列；

對于選定數據源包括的電器類型，隨機選擇任一設備激活，且該設備激活包含在序列中；目標設備是選擇用來作為訓練識別目標的，該聚合數據中的任何一個用電設備類型都可以作為目標設備進行訓練；

(3)使用基于深度神經網絡的方法，采用步驟(1)確定的數據源，和步驟(2)創建的聚合數據，對所選電器進行負荷電器用電特征的建模訓練，實現對該深度神經網絡的優化；

(4)利用步驟(3)優化后的深度神經網絡，對總負荷輸入進行負荷電器的識別操作，生成負載神經網絡模型，用于對輸入的總負荷功耗數據進行負荷識別分解。

2.根據權利要求1所述的方法，其特征在于，所述步驟(2)中根據負荷電器準備訓練數據的過程，具體包括：

按照提取電器負載激活、選擇訓練數據的時間窗口和創建聚合數據，進行訓練數據的準備工作。

3.如權利要求1或2所述的方法，其特征在于，時間窗口是需要進行訓練的網絡架構的輸入數據窗口寬度，根據具體的電器設備而變化。

4.如權利要求1或2所述的方法，其特征在于，所述步驟(3)使用基于深度神經網絡方法進行負荷電器的建模訓練；所述訓練過程是監督性的，即需要使用已知電器類型的單個電器用電數據進行訓練，具體包括：

所述深度神經網絡由降噪自動編碼器dAE和循環神經網絡RNN組成，降噪自動編碼器是從有噪聲的功耗輸入重建清潔目標的自動編碼器，使用其濾波去噪特性進行首次的建模過程，以產生一個較優的模型表示；

循環神經網絡RNN是一個自反饋網絡，使用長短時記憶神經網絡LSTM實現；

數據訓練使用反向傳播算法實現，具體為：

對于一組樣本，x⁽ⁱ⁾，y⁽ⁱ⁾，1≤i≤N，N為訓練樣本數量，神經網絡通過下面公式進行信息傳播：

a^(m)＝f_m(z^(m)) (1)

z^(m)＝W^(m)·a^(m-1)+b^(m) (2)

其中a^(m)表示第m層神經元的活性值，f_m(z^(m))表示第m層神經元的狀態，b^(m)表示第m-1層到第m層的偏差；通過公式(1)和(2)計算神經網絡每一層的狀態和激活值，直至最后一層；

所述循環神經網絡RNN包括輸入層、隱藏層和輸出層組成，第一層為輸入層，最后一層為輸出層，其它中間層即為隱藏層；信息從輸入層通過中間的隱藏層流向輸出，其輸出由網絡的連接方式、權重值和激勵函數決定；

神經網絡的輸出為f(x|W，b)，目標函數為：

式中，W和b表示每一層的權重矩陣和偏差向量，λ為重量衰減參數，

目標是最小化J(W，b；x⁽ⁱ⁾，y⁽ⁱ⁾)，其中，J是損失函數，就是變化或者誤差，x，y表示輸入向量，(i)指神經網絡的層數，采用梯度下降方法，更新參數如下：

式中α是參數更新率，誤差項為目標函數關于第m層的神經元z^(m)的偏導數，表示第m層的神經元對最終誤差的影響，

誤差項為

δ^(m)＝f′_m(z^(m))⊙((W^(m+1))^Tδ^(m+1)) (10)

其中T是最大迭代次數，⊙是向量點積運算符，表示每個元素對應相乘；F表示范數；f′_m(z^(m))是f_m(z^(m))關于z^m的偏導；

使用公式(10)反向計算，具體是通過誤差函數對各神經元參數的偏導數來計算當前批次數據的誤差表面梯度，然后將梯度乘以學習率參數來更新連接權重，每一層的誤差δ^(m)，然后使用公式(8)和(9)計算每一層參數的導數，最后就根據公式(6)和(7)進行神經網絡參數的更新，經過一定次數的迭代參數更新完成神經網絡的訓練過程，即完成對特定電器的建模操作。