【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能，具體涉及基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法。
技術(shù)介紹
1、隨著智能電網(wǎng)技術(shù)的進(jìn)步，通過使用智能電表來監(jiān)測(cè)家庭的能源消耗。這種方法是在家中的每個(gè)電器上安裝一個(gè)智能電表，實(shí)時(shí)獲取能源消耗的信息。然而，如果在家電層面上使用智能電表進(jìn)行能源監(jiān)測(cè)的代價(jià)仍相當(dāng)昂貴。一種更具成本效益的監(jiān)測(cè)房屋能耗的方法是每戶只安裝一個(gè)電表，用于監(jiān)測(cè)整體能源消耗。同時(shí)借助相關(guān)算法將總能源信號(hào)推斷為構(gòu)成該信號(hào)的各個(gè)設(shè)備層面的子信號(hào)。這個(gè)過程也被稱為能源分解任務(wù)，研究它的領(lǐng)域稱為非侵入式負(fù)荷監(jiān)測(cè)（nilm），但是現(xiàn)有技術(shù)中，往往借助因子隱馬爾可夫模型（fhmm）監(jiān)測(cè)家庭電器聚合信號(hào)和跟蹤電器運(yùn)行狀態(tài)的方法存在一些缺點(diǎn)：模型復(fù)雜性高，計(jì)算資源需求大，難以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)；對(duì)設(shè)備特征依賴性強(qiáng)，適應(yīng)性差；隨著電器數(shù)量增加，擴(kuò)展性不佳；此外，模型通常需要大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)收集成本高，影響了其在實(shí)際應(yīng)用中的普適性和效率。
技術(shù)實(shí)現(xiàn)思路
1、專利技術(shù)目的：本專利技術(shù)的目的是提供基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，使用電力數(shù)據(jù)特征提取模塊，將流行的embed數(shù)據(jù)集從低頻數(shù)據(jù)轉(zhuǎn)換為圖像；將圖像與相應(yīng)的設(shè)備標(biāo)簽一起輸入到分類算法中進(jìn)行訓(xùn)練，以使其能夠準(zhǔn)確識(shí)別電器的開啟或關(guān)閉狀態(tài)。
2、技術(shù)方案：本專利技術(shù)所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，包括以下步驟：
3、（1）獲取電力負(fù)荷時(shí)間序列數(shù)據(jù)并進(jìn)行預(yù)處理；
4、（2）構(gòu)建基于mgs
5、（3）輸出最終預(yù)測(cè)圖像。
6、進(jìn)一步的，步驟（1）具體如下：獲取電力消耗數(shù)據(jù)，將電力消耗數(shù)據(jù)進(jìn)行數(shù)據(jù)編碼，將編碼后的電力數(shù)據(jù)升維成圖像數(shù)據(jù)；將圖像數(shù)據(jù)進(jìn)行分類，包括：sdn_1數(shù)據(jù)集和sdn_2數(shù)據(jù)集，分別用于訓(xùn)練電器開啟和關(guān)閉時(shí)的數(shù)據(jù)。
7、進(jìn)一步的，步驟（2）中，snn模塊具體如下：snn模塊接收從標(biāo)準(zhǔn)正態(tài)分布中采樣的隨機(jī)噪聲，并通過多層轉(zhuǎn)置卷積操作生成模擬圖像，通過最小化生成圖像的預(yù)測(cè)值來更新參數(shù)。
8、進(jìn)一步的，snn模塊包括：由一個(gè)全連接層和四個(gè)圖像特征放大器模塊組成；前三個(gè)圖像特征放大器：刪除卷積神經(jīng)網(wǎng)絡(luò)的池化層，將原有的卷積層替換為轉(zhuǎn)置卷積層，來獲取所需圖片的大小，同時(shí)，在每一層之后都會(huì)添加一個(gè)批歸一化bn層，使用leakyrelu作為激活函數(shù)，最后一個(gè)圖像特征放大器選擇使用tanh激活函數(shù)，捕捉圖像的細(xì)節(jié)和紋理，生成連續(xù)性好的輸出。
9、進(jìn)一步的，步驟（2）中，dmnn模塊具體如下：dmnn模塊接收真實(shí)圖像和生成的模擬圖像，通過多層卷積操作分別輸出對(duì)真實(shí)圖像和模擬圖像的預(yù)測(cè)值，dmnn網(wǎng)絡(luò)通過最大化真實(shí)圖像的預(yù)測(cè)值和最小化生成圖像的預(yù)測(cè)值來更新參數(shù)。
10、進(jìn)一步的，dmnn模塊由四個(gè)圖像特征提取模塊組成，在卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)基礎(chǔ)之上，刪除池化層，原有的卷積層不變，多次卷積達(dá)到所需圖片大小，同時(shí)，在每一層之后都會(huì)添加一個(gè)批歸一化bn層，處理初始化不佳的訓(xùn)練問題；在批歸一化處理后，選擇使用leakyrelu作為激活函數(shù)。
11、進(jìn)一步的，步驟（3）具體如下：對(duì)兩個(gè)dmnn的預(yù)測(cè)結(jié)果進(jìn)行比較，如果針對(duì)關(guān)閉狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練的dmnn的輸出大于針對(duì)開啟狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練的dmnn的輸出，判定當(dāng)前處于關(guān)閉狀態(tài)；否則，判定當(dāng)前處于開啟狀態(tài)；然后將上述判定結(jié)果與標(biāo)簽進(jìn)行比較，如果開啟或關(guān)閉狀態(tài)與標(biāo)簽一致，則認(rèn)為預(yù)測(cè)是正確的，否則視為預(yù)測(cè)是錯(cuò)誤的。
12、有益效果：與現(xiàn)有技術(shù)相比，本專利技術(shù)具有如下顯著優(yōu)點(diǎn)：通過snn和dmnn的對(duì)抗訓(xùn)練，優(yōu)化了電器狀態(tài)的檢測(cè)模型，該方法在識(shí)別電器開關(guān)狀態(tài)方面顯著提升了準(zhǔn)確性，特別是在檢測(cè)頻繁開關(guān)的電器時(shí)，準(zhǔn)確率顯著提高，更多的訓(xùn)練迭代次數(shù)進(jìn)一步增強(qiáng)了模型的識(shí)別效果；在處理復(fù)雜環(huán)境和多種電器同時(shí)運(yùn)行的情況下，依然表現(xiàn)出良好的魯棒性和可靠性，有效克服了傳統(tǒng)方法計(jì)算量大、搜索效率低的問題，具有較高的實(shí)用價(jià)值。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（1）具體如下：獲取電力消耗數(shù)據(jù)，將電力消耗數(shù)據(jù)進(jìn)行數(shù)據(jù)編碼，將編碼后的電力數(shù)據(jù)升維成圖像數(shù)據(jù)；將圖像數(shù)據(jù)進(jìn)行分類，包括：SDN_1數(shù)據(jù)集和SDN_2數(shù)據(jù)集，分別用于訓(xùn)練電器開啟和關(guān)閉時(shí)的數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（2）中，SNN模塊具體如下：SNN模塊接收從標(biāo)準(zhǔn)正態(tài)分布中采樣的隨機(jī)噪聲，并通過多層轉(zhuǎn)置卷積操作生成模擬圖像，通過最小化生成圖像的預(yù)測(cè)值來更新參數(shù)。
4.根據(jù)權(quán)利要求3所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，SNN模塊包括：由一個(gè)全連接層和四個(gè)圖像特征放大器模塊組成；前三個(gè)圖像特征放大器：刪除卷積神經(jīng)網(wǎng)絡(luò)的池化層，將原有的卷積層替換為轉(zhuǎn)置卷積層，來獲取所需圖片的大小，同時(shí)，在每一層之后都會(huì)添加一個(gè)批歸一化BN層，使用LeakyRelU作為激活函數(shù)，最后一個(gè)圖像特征放大器
5.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（2）中，DmNN模塊具體如下：DmNN模塊接收真實(shí)圖像和生成的模擬圖像，通過多層卷積操作分別輸出對(duì)真實(shí)圖像和模擬圖像的預(yù)測(cè)值，DmNN網(wǎng)絡(luò)通過最大化真實(shí)圖像的預(yù)測(cè)值和最小化生成圖像的預(yù)測(cè)值來更新參數(shù)。
6.根據(jù)權(quán)利要求5所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，DmNN模塊由四個(gè)圖像特征提取模塊組成，在卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)基礎(chǔ)之上，刪除池化層，原有的卷積層不變，多次卷積達(dá)到所需圖片大小，同時(shí)，在每一層之后都會(huì)添加一個(gè)批歸一化BN層，處理初始化不佳的訓(xùn)練問題；在批歸一化處理后，選擇使用LeakyRelU作為激活函數(shù)。
7.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（3）具體如下：對(duì)兩個(gè)DmNN的預(yù)測(cè)結(jié)果進(jìn)行比較，如果針對(duì)關(guān)閉狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練的DmNN的輸出大于針對(duì)開啟狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練的DmNN的輸出，判定當(dāng)前處于關(guān)閉狀態(tài)；否則，判定當(dāng)前處于開啟狀態(tài)；然后將上述判定結(jié)果與標(biāo)簽進(jìn)行比較，如果開啟或關(guān)閉狀態(tài)與標(biāo)簽一致，則認(rèn)為預(yù)測(cè)是正確的，否則視為預(yù)測(cè)是錯(cuò)誤的。
...【技術(shù)特征摘要】
1.一種基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（1）具體如下：獲取電力消耗數(shù)據(jù)，將電力消耗數(shù)據(jù)進(jìn)行數(shù)據(jù)編碼，將編碼后的電力數(shù)據(jù)升維成圖像數(shù)據(jù)；將圖像數(shù)據(jù)進(jìn)行分類，包括：sdn_1數(shù)據(jù)集和sdn_2數(shù)據(jù)集，分別用于訓(xùn)練電器開啟和關(guān)閉時(shí)的數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，步驟（2）中，snn模塊具體如下：snn模塊接收從標(biāo)準(zhǔn)正態(tài)分布中采樣的隨機(jī)噪聲，并通過多層轉(zhuǎn)置卷積操作生成模擬圖像，通過最小化生成圖像的預(yù)測(cè)值來更新參數(shù)。
4.根據(jù)權(quán)利要求3所述的基于多組模擬決策網(wǎng)絡(luò)的非侵入式電力負(fù)荷識(shí)別方法，其特征在于，snn模塊包括：由一個(gè)全連接層和四個(gè)圖像特征放大器模塊組成；前三個(gè)圖像特征放大器：刪除卷積神經(jīng)網(wǎng)絡(luò)的池化層，將原有的卷積層替換為轉(zhuǎn)置卷積層，來獲取所需圖片的大小，同時(shí)，在每一層之后都會(huì)添加一個(gè)批歸一化bn層，使用leakyrelu作為激活函數(shù)，最后一個(gè)圖像特征放大器選擇使用tanh激活函數(shù)，捕捉圖像的細(xì)節(jié)和紋理，生成連續(xù)性好的輸...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：余文斌，陳宗遠(yuǎn)，張成軍，
申請(qǐng)(專利權(quán))人：南京信息工程大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。