[發明專利]一種基于預測窗口中點值的非侵入式負荷監測方法

在審

• 申請號: 202111178472.2
• 申請日: 2021-10-10
• 公開（公告）號: CN113970667A
• 公開（公告）日: 2022-01-25
• 發明（設計）人: 張珊珊
• 申請（專利權）人: 上海夢象智能科技有限公司
• 主分類號: G01R22/06
• 分類號: G01R22/06
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

本發明屬于用電負荷監測分解技術領域，具體為一種基于預測窗口中點值的非侵入式負荷監測方法。本發明通過訓練序列到點網絡只對滑動窗口的中點進行預測輸出來提高非侵入式負荷監測(NILM)問題的可識別性；使用卷積神經網絡的網絡模型在訓練過程中自發的學習所預測電器的指紋特征，并自動的添加到模型中以降低負荷分解問題的困難。相比與現有的基于序列到序列的神經網絡訓練代價更低，減少了由于輸入輸出序列很長導致GPU內存受限等問題的出現，除此之外還能使神經網絡將其表示能力集中在窗口的中點上，而不是集中在更困難的邊緣輸出上，從而產生更加準確的負荷分解結果。

技術領域

本發明屬于用電負荷監測技術領域，具體涉及一種非侵入式負荷監測方法。

背景技術

電表只能報告家庭總的電力負荷數據，因此如何推斷特定設備的電力負荷、進行電力負荷分解是現階段主要的研究目標。電力負荷分解是一個BBS問題，本身是不可識別的，是一個很困難的預測問題，在預測中有大量的不確定來源，包括數據中的噪聲，對特定家庭中每個設備的真實用電情況缺乏認識，多個設備表現出相似的功耗的情況，以及同時開關多個設備都會對負荷監測結果產生影響，如何利用深度學習相關的方法來提升負荷分解的準確率是當前研究的熱門。

當前流行的方法有基于階乘隱馬爾可夫模型(FHMM)、利用神經網絡使用序列到序列(Seq2seq，sequence-to-sequence)學習方法建模單通道BSS，但這些方法都有其局限性，例如需要手動引入所需領域知識(如設備電源水平、開關狀態變化和持續時間)以及計算代價極大的問題。本發明提出一種基于預測窗口中點值的非侵入式負荷監測方法，通過訓練網絡只對滑動窗口的中點進行預測輸出來提高非侵入式負荷監測(NILM)問題的可識別性；使用卷積神經網絡的網絡模型在訓練過程中可以自發的學習所預測電器的指紋特征，并自動的添加到模型中以降低負荷分解問題的困難。

發明內容

為解決現有技術存在的NILM相關的建模困難以及計算代價大等問題，本發明提供一種基于預測窗口中點值的非侵入式負荷監測方法。

本發明提供的基于預測窗口中點值的非侵入式負荷監測方法，通過訓練網絡只對滑動窗口的中點進行預測輸出來提高非侵入式負荷監測(NILM)問題的可識別性，使用卷積神經網絡的網絡模型在訓練過程中可以自發的學習所預測電器的指紋特征，并自動的添加到模型中從而可以解決上述技術中存在的困難。

本發明提供的基于預測窗口中點值的非侵入式負荷監測方法，引入序列到點(Seq2point，sequence-to-point)神經網絡來處理非侵入式負荷監測，具體步驟為：

步驟1：數據預處理；

步驟2：構建網絡模型；

步驟3：訓練網絡；

步驟4：將訓練好的網絡模型用于家庭電表負荷分解；

下面對各步驟作進一步的具體說明。

步驟1.數據預處理

輸入的家庭總電耗序列E，由主電源的電力負荷數據通過滑動窗口生成，E＝(e₁，e₂，...，e_T)，單位瓦特；其中T為輸入信號長，輸入信號長由時間來決定，所以輸入信號長其實是由T個時間步長的窗口值構成。常用家庭電器，如水壺、微波爐、冰箱以及洗衣機等的窗口長度W在本發明中均設置為相等數值599。

Seq2point網絡記為F_p，其輸入為滑動窗口E_t:t+W-1，其中t表示當前的時間步長(2≤t≤T-1)，輸出是目標電器相應窗口的中點x_m，該中點x_m被表示為主窗口的非線性回歸，與其在對應窗口的前后信息相關。因此由神經網絡F_p，有x_m＝F_p(E_t:t+W-1)+δ，其中δ為W維高斯隨機噪聲。