【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于非侵入式電力負(fù)荷監(jiān)測(cè)，具體涉及基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法。
技術(shù)介紹
1、在當(dāng)前的“雙碳”背景下，電力需求側(cè)正保持著剛性上漲態(tài)勢(shì)。已有大量研究顯示，若將電力系統(tǒng)的靈活性擴(kuò)展到用戶端，即電力系統(tǒng)中的終端用戶或電力消費(fèi)者，使用戶通過(guò)調(diào)整自身用電行為更加主動(dòng)地參與電力調(diào)度和負(fù)荷調(diào)整，可以有效支持電力系統(tǒng)的平衡穩(wěn)定運(yùn)行，促進(jìn)可再生能源的集成。實(shí)現(xiàn)這項(xiàng)任務(wù)的關(guān)鍵就是為用戶提供更細(xì)粒度的用電信息，從而保證用戶對(duì)其用電行為進(jìn)行靈活有效的調(diào)整以提高能源效益。在此基礎(chǔ)上，開(kāi)發(fā)精準(zhǔn)的負(fù)荷監(jiān)測(cè)技術(shù)已成為各個(gè)國(guó)家普遍關(guān)注的一個(gè)研究方向，如劉博,欒文鵬.基于負(fù)荷分解的用電數(shù)據(jù)云架構(gòu)方案及應(yīng)用場(chǎng)景[j].電網(wǎng)技術(shù),2016,40(03):791-796。
2、非侵入式負(fù)荷監(jiān)測(cè)(non-intrusive?load?monitoring，nilm)技術(shù)通過(guò)采集用戶入口總線處的總用電數(shù)據(jù)，就能夠通過(guò)算法分解獲取各個(gè)用電設(shè)備能耗信息及運(yùn)行狀態(tài)，為負(fù)荷監(jiān)測(cè)工作提供了一種簡(jiǎn)單且具有經(jīng)濟(jì)效益的方法。nilm技術(shù)能夠讓智能電網(wǎng)對(duì)能源需求進(jìn)行更精確的預(yù)測(cè)，進(jìn)而為電網(wǎng)所有用戶提供更為穩(wěn)定的電力供應(yīng)，如余貽鑫,劉博,欒文鵬.非侵入式居民電力負(fù)荷監(jiān)測(cè)與分解技術(shù)[j].南方電網(wǎng)技術(shù),2013,7(04):1-5。
3、近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能大數(shù)據(jù)的快速發(fā)展，深度學(xué)習(xí)作為一種更深層的機(jī)器學(xué)習(xí)模型，因其具有強(qiáng)大的特征學(xué)習(xí)和數(shù)據(jù)擬合能力而受到廣大研究者的青睞，如今其應(yīng)用領(lǐng)域已逐漸拓寬至nilm技術(shù)中并蓬勃發(fā)展。鑒于大多數(shù)深度學(xué)習(xí)模
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)為解決現(xiàn)有技術(shù)存在的問(wèn)題而提出，其目的是提供基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法。
2、本專利技術(shù)的技術(shù)方案是：基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，包括以下步驟：
3、a.進(jìn)行原始訓(xùn)練數(shù)據(jù)集加載與參數(shù)初始化；
4、b.構(gòu)建多視圖訓(xùn)練數(shù)據(jù)集；
5、c.劃分多視圖訓(xùn)練數(shù)據(jù)集；
6、d.讀取第一批次訓(xùn)練數(shù)據(jù)，輸入編碼器，提取數(shù)據(jù)樣本的高維度特征；
7、e.對(duì)于有標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到監(jiān)督分類損失；
8、f.對(duì)于無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到無(wú)監(jiān)督損失；
9、g.得到圖對(duì)比損失；
10、h.計(jì)算綜合損失相對(duì)于模型參數(shù)的梯度，更新模型參數(shù)；
11、i.判斷本批次訓(xùn)練是否達(dá)到預(yù)設(shè)的迭代次數(shù)或滿足預(yù)設(shè)的收斂精度，結(jié)束訓(xùn)練并輸出或返回步驟e進(jìn)行下一批次訓(xùn)練。
12、更進(jìn)一步的，步驟a進(jìn)行原始訓(xùn)練數(shù)據(jù)集加載與參數(shù)初始化，具體過(guò)程如下：
13、首先，原始訓(xùn)練數(shù)據(jù)集加載過(guò)程中，加載包含少量有標(biāo)簽和大量無(wú)標(biāo)簽的電壓-電流軌跡圖像樣本的訓(xùn)練數(shù)據(jù)集；
14、然后，對(duì)負(fù)荷辨識(shí)模型所包含的編碼器、分類器和映射器中的參數(shù)進(jìn)行初始化；
15、最后，對(duì)負(fù)荷辨識(shí)模型訓(xùn)練所用優(yōu)化器中的參數(shù)進(jìn)行初始化。
16、更進(jìn)一步的，步驟b構(gòu)建多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
17、首先，對(duì)加載訓(xùn)練數(shù)據(jù)集中的每個(gè)數(shù)據(jù)樣本進(jìn)行隨機(jī)增強(qiáng)變換；
18、然后，對(duì)有標(biāo)簽的電壓-電流軌跡圖像樣本進(jìn)行弱增強(qiáng)變換；
19、再后，對(duì)無(wú)標(biāo)簽的電壓-電流軌跡圖像樣本分別進(jìn)行弱增強(qiáng)變換和兩種強(qiáng)增強(qiáng)變換處理；
20、最后，增強(qiáng)變換為電壓-電流軌跡圖像樣本衍生出新視圖，以全部電壓-電流軌跡圖像樣本的多種視圖共同構(gòu)成新的多視圖訓(xùn)練數(shù)據(jù)集，電壓-電流軌跡圖像樣本的標(biāo)簽信息直接被賦予其衍生的新視圖樣本。
21、更進(jìn)一步的，步驟c劃分多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
22、將步驟b構(gòu)建的多視圖訓(xùn)練數(shù)據(jù)集隨機(jī)劃分成若干個(gè)小批量訓(xùn)練數(shù)據(jù)集，小批量訓(xùn)練數(shù)據(jù)集用于后續(xù)負(fù)荷辨識(shí)模型訓(xùn)練。
23、更進(jìn)一步的，步驟e對(duì)于有標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到監(jiān)督分類損失，具體過(guò)程如下：
24、首先，對(duì)于小批量訓(xùn)練數(shù)據(jù)集中有標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，利用分類器生成其類概率；
25、然后，計(jì)算類概率與真實(shí)標(biāo)簽信息的交叉熵，得到監(jiān)督分類損失。
26、更進(jìn)一步的，步驟f對(duì)于無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到無(wú)監(jiān)督損失，具體過(guò)程如下：
27、首先，對(duì)于小批量訓(xùn)練數(shù)據(jù)集中無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，利用分類器和映射器生成其偽標(biāo)簽；
28、然后，計(jì)算偽標(biāo)簽與其類概率之間的交叉熵，得到無(wú)監(jiān)督損失。
29、更進(jìn)一步的，步驟g得到圖對(duì)比損失，具體過(guò)程如下：
30、首先，構(gòu)建當(dāng)前批次訓(xùn)練樣本集的偽標(biāo)簽圖和嵌入特征圖；
31、然后，計(jì)算偽標(biāo)簽圖和嵌入特征圖的交叉熵；
32、最后，得到圖對(duì)比損失。
33、更進(jìn)一步的，步驟h計(jì)算綜合損失相對(duì)于模型參數(shù)的梯度，更新模型參數(shù)，具體過(guò)程如下：
34、首先，計(jì)算監(jiān)督分類損失、無(wú)監(jiān)督損失、圖對(duì)比損失的加權(quán)和得到綜合損失函數(shù)；
35、然后，利用反向傳播算法，計(jì)算綜合損失相對(duì)于模型參數(shù)的梯度；
36、最后，根據(jù)得到的梯度，采用隨機(jī)梯度下降法更新模型參數(shù)。
37、更進(jìn)一步的，步驟i判斷本批次訓(xùn)練是否達(dá)到預(yù)設(shè)的迭代次數(shù)或滿足預(yù)設(shè)的收斂精度，結(jié)束訓(xùn)練并輸出或返回步驟e進(jìn)行下一批次訓(xùn)練，具體過(guò)程如下：
38、首先，判斷本批次訓(xùn)練是否達(dá)到預(yù)設(shè)的迭代次數(shù)或滿足預(yù)設(shè)的收斂精度；
39、然后，如果符合預(yù)設(shè)條件，輸出當(dāng)前訓(xùn)練所得的編碼器、分類器和映射器，獲得最終的負(fù)荷辨識(shí)模型，結(jié)束訓(xùn)練過(guò)程；
40、再后，如果不符合預(yù)設(shè)條件，讀取下一批次小批量訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)，轉(zhuǎn)至步驟e。
41、本專利技術(shù)的有益效果如下：
42、針對(duì)傳統(tǒng)基于半監(jiān)督學(xué)習(xí)的負(fù)荷辨識(shí)模型訓(xùn)練過(guò)程對(duì)無(wú)標(biāo)簽數(shù)據(jù)集中的噪聲樣本敏感而容易導(dǎo)致預(yù)測(cè)偏差累積的問(wèn)題，本專利技術(shù)設(shè)計(jì)了一種基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，能夠利用無(wú)標(biāo)簽負(fù)荷數(shù)據(jù)樣本對(duì)負(fù)荷辨識(shí)模型進(jìn)行自監(jiān)督訓(xùn)練，有效減少對(duì)大量有標(biāo)簽數(shù)據(jù)樣本的依賴；引入的圖對(duì)比學(xué)習(xí)框架通過(guò)最大化偽本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟A進(jìn)行原始訓(xùn)練數(shù)據(jù)集加載與參數(shù)初始化，具體過(guò)程如下：
3.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟B構(gòu)建多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
4.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟C劃分多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
5.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟E對(duì)于有標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到監(jiān)督分類損失，具體過(guò)程如下：
6.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟F對(duì)于無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到無(wú)監(jiān)督損失，具體過(guò)程如下：
7.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟G得到圖對(duì)比損失，具體過(guò)程如下：
8.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟
9.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟I判斷本批次訓(xùn)練是否達(dá)到預(yù)設(shè)的迭代次數(shù)或滿足預(yù)設(shè)的收斂精度，結(jié)束訓(xùn)練并輸出或返回步驟E進(jìn)行下一批次訓(xùn)練，具體過(guò)程如下：
...【技術(shù)特征摘要】
1.基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟a進(jìn)行原始訓(xùn)練數(shù)據(jù)集加載與參數(shù)初始化，具體過(guò)程如下：
3.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟b構(gòu)建多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
4.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟c劃分多視圖訓(xùn)練數(shù)據(jù)集，具體過(guò)程如下：
5.根據(jù)權(quán)利要求1所述的基于對(duì)比學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)方法，其特征在于：步驟e對(duì)于有標(biāo)簽訓(xùn)練數(shù)據(jù)樣本，計(jì)算交叉熵，得到監(jiān)督分類損失，具體過(guò)程如下：
<...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉博，吳宇彤，李可可，欒文鵬，
申請(qǐng)(專利權(quán))人：天津大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)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。