【技術實現步驟摘要】
本專利技術涉及監控識別，特別是涉及一種基于時間卷積的負荷識別方法、裝置及電子設備。
技術介紹
1、由于對環境保護和能源安全的日益關注，人們開展了大量研究，探討可再生能源轉型的可能性。然而，現代科技的飛速發展對電力供應的穩定性提出了越來越高的要求，而可再生能源受天氣條件的影響，可能會在短時間內出現較大的波動。因此，要順利地將可再生能源納入能源結構，建立系統的能源生產和消費監控是前提條件。在此基礎上，可以采取負載監控進行能源管理來避免潛在的危險，確保電力系統的穩定。
2、非侵入式負載監控(nilm)是實現能源管理的一個基本步驟。它將一個家庭或一棟建筑的總耗電量分解為每個設備的耗電量。非侵入式負載監控由哈特于1992年首次提出，因其經濟性和保護隱私的特性而廣受歡迎。多年來，針對非侵入式負載監控提出了多種方法，包括隱馬爾可夫模型(hidden?markov?model，hmm)及其眾多變體、傳統機器學習方法以及knn(k-近鄰算法)、svm(向量機)和ann(artificial?neural?network，人工神經網絡)。近年來，隨著大量住宅數據集的出現，深度學習(deep?learning，dl)也被引入到無損檢測領域，并因其優越的性能和自動特征提取能力迅速獲得了廣泛關注。與需要手動提取特征的傳統機器學習算法不同，深度學習算法利用神經網絡固有的表征能力實現了這一過程的自動化，從而提高了效率和準確性。
3、現有大多數算法都以提高非侵入式負載監控模型的性能為目標，但是很少涉及縮小模型大小，由于邊緣設備的資源有限
技術實現思路
1、本專利技術提供了一種基于時間卷積的負荷識別方法、裝置及電子設備，解決由于模型的計算資源和存儲空間太大而無法部署在邊緣設備問題。
2、根據本專利技術的一方面，本專利技術提供了一種基于時間卷積的負荷識別方法，包括：獲取監測數據，所述監測數據包括建筑的總功率數據和設備的運行狀態數據；建立卷積神經網絡模型，所述卷積神經網絡模型包括移動翻轉瓶頸卷積模塊、逐點卷積模塊、池化模塊和全連接模塊；所述逐點卷積模塊對所述監測數據進行通道擴張，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，所述池化模塊對所述數據特征降維，全連接模塊將所述數據特征集合，最后輸出負荷識別的預測結果。
3、更進一步地，所述移動翻轉瓶頸卷積模塊設有用于獲取所述監測數據的時間特征的大核時間卷積，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，具體為：初始化時域卷積網絡的se模塊，設置se模塊參數；對所述監測數據應用1x1卷積進行擴展；通過所述大核時間卷積獲取所述時間特征；所述se模塊對所述時間特征進行壓縮、激活和重標定；應用swish激活函數進行非線性變換；通過1x1卷積將所述時間特征的特征維度轉換回原始大小；所述監測數據與所述時間特征進行數據拼接，形成殘差連接；輸出所述監測數據的數據特征。
4、更進一步地，所述大核時間卷積采用深度可分離卷積，所述大核時間卷積的卷積核的尺寸大于等于15x15。
5、更進一步地，所述獲取監測數據，所述監測數據包括建筑的總功率數據和設備的運行狀態數據，具體為：獲取所述總功率數據和所述運行狀態數據，所述總功率數據的采樣頻率比所述運行狀態數據的采樣頻率高；根據所述總功率數據的采樣頻率和記錄時間計算對應時間段所述運行狀態數據的平均值，按所述總功率數據的記錄時間將所述總功率數據與所述運行狀態數據的平均值相匹配。
6、更進一步地，所述監測數據進行數據清洗和數據處理，具體為：采用移動平均法對所述監測數據進行數據清洗；應用時間滑動窗口技術，將所述監測數據切割成多個獨立且長度相等的時間窗口，每個時間窗口的長度與所述設備的狀態采樣間隔時間相同，采用對數變換對所述監測數據進行標準化處理。
7、更進一步地，所述監測數據的時間窗口通過逐點卷積增大通道數量，所述監測數據通過兩個所述移動翻轉瓶頸卷積模塊進行所述數據特征提取。
8、更進一步地，所述卷積神經網絡模型通過adam優化器進行模型訓練，若驗證損失在連續多個訓練的下降幅度均小于學習率預設值，則減少所述學習率預設值，在完成預設數目的訓練后，所述卷積神經網絡模型根據驗證集損失函數結果提前停止學習。
9、根據本專利技術的另一方面，提供了一種基于時間卷積的負荷識別裝置，包括：數據獲取模塊，所述數據獲取模塊用于獲取監測數據，所述監測數據包括建筑的總功率數據和設備的運行狀態數據；網絡模型模塊，所述網絡模型模塊用于建立卷積神經網絡模型，所述卷積神經網絡模型包括移動翻轉瓶頸卷積模塊、逐點卷積模塊、池化模塊和全連接模塊；負荷識別模塊，所述負荷識別模塊用于所述逐點卷積模塊對所述監測數據進行通道擴張，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，所述池化模塊對所述數據特征降維，全連接模塊將所述數據特征集合，最后輸出負荷識別的預測結果。
10、根據本專利技術的另一方面，提供了一種電子設備，包括：至少一個處理器，以及與該至少一個處理器通信連接的存儲器；
11、其中，該存儲器存儲有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠執行本專利技術實施例中任一基于時間卷積的負荷識別方法。
12、根據本專利技術的另一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，該計算機指令用于使計算機執行本專利技術實施例中任一基于時間卷積的負荷識別方法。
13、根據本專利技術的技術，通過使用移動翻轉瓶頸卷積模塊(mbconv?block)，將移動翻轉瓶頸卷積模塊的全連接層用逐點卷積所取代，能大幅度減少參數數量，優化了模型大小和計算效率，降低了運算和存儲需求，使得卷積神經網絡模型適合在資源有限的邊緣設備上部署，無需高端硬件支持。通過使用移動翻轉瓶頸卷積模塊中的大核時間卷積，用大核時間卷積來代替增加模型深度方式來擴大有效感受野，從而保持了模型的輕量化，減少模型計算資源，適合在資源有限的邊緣設備上部署模型。
14、應當理解，本部分所描述的內容并非旨在標識本專利技術的實施例的關鍵或重要特征，也不用于限制本專利技術的范圍。本專利技術的其它特征將通過以下的說明書而變得容易理解。
本文檔來自技高網...【技術保護點】
1.一種基于時間卷積的負荷識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述移動翻轉瓶頸卷積模塊設有用于獲取所述監測數據的時間特征的大核時間卷積，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，具體為：
3.根據權利要求2所述的方法，其特征在于，所述大核時間卷積采用深度可分離卷積，所述大核時間卷積的卷積核的尺寸大于等于15X15。
4.根據權利要求1所述的方法，其特征在于，所述獲取監測數據，所述監測數據包括建筑的總功率數據和設備的運行狀態數據，具體為：
5.根據權利要求1所述的方法，其特征在于，所述監測數據進行數據清洗和數據處理，具體為：
6.根據權利要求5所述的方法，其特征在于，所述監測數據的時間窗口通過逐點卷積增大通道數量，所述監測數據通過兩個所述移動翻轉瓶頸卷積模塊進行所述數據特征提取。
7.根據權利要求1所述的方法，其特征在于，所述卷積神經網絡模型通過Adam優化器進行模型訓練，若驗證損失在連續多個訓練的下降幅度均小于學習率預設值，則減少所述學習率預設值，在完成預設數
8.一種基于時間卷積的負荷識別裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括：至少一個處理器，以及與該至少一個處理器通信連接的存儲器；
10.一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，所述計算機指令用于使所述計算機執行根據權利要求1-7中任一項所述的方法。
...【技術特征摘要】
1.一種基于時間卷積的負荷識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述移動翻轉瓶頸卷積模塊設有用于獲取所述監測數據的時間特征的大核時間卷積，所述移動翻轉瓶頸卷積模塊對所述監測數據進行數據特征提取，具體為：
3.根據權利要求2所述的方法，其特征在于，所述大核時間卷積采用深度可分離卷積，所述大核時間卷積的卷積核的尺寸大于等于15x15。
4.根據權利要求1所述的方法，其特征在于，所述獲取監測數據，所述監測數據包括建筑的總功率數據和設備的運行狀態數據，具體為：
5.根據權利要求1所述的方法，其特征在于，所述監測數據進行數據清洗和數據處理，具體為：
6.根據權利要求5所述的方法，其特征在于，所述監測數...
【專利技術屬性】
技術研發人員：蘆鵬飛，姜馳，聞銘，馬駿達，鄧嵐，俞佳莉，潘一洲，王思睿，
申請(專利權)人：國網浙江省電力有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。