[发明专利]一种基于设备迁移学习的非侵入式负荷监测方法

权利要求书

1.一种基于设备迁移学习的非侵入式负荷监测方法，其特征在于：包括以下步骤:

步骤S1：采集各家用电器设备的负荷功率数据与家庭总负荷功率数据，建立原始数据集；存储形式如下：

令各家用电器设备为A、B、…、L，家庭总负荷为U，数据集中对应的负荷数据为

式中，0，1，…，n表示采样点序号；a(n)，b(n)，…，l(n)，u(n)为具体的采样点功率的幅值；A(n)，B(n)，…，L(n)表示对应设备的负荷采样点幅值的集合；U(n)表示家庭总负荷采样点幅值的集合；

步骤S2：将所有存储数据集的数据进行归一化处理；

步骤S3：随机选取家用电器设备A、B、…、L中每个电器各自运行时的一段负荷采样点幅值数据，形成数据集A_e(n)，B_e(n)，…，L_e(n)；设定数据集A_e(n)，B_e(n)，…，L_e(n)所对应时间段的家庭总负荷采样点幅值集合分别为U_a(n)，U_b(n)，…，U_l(n),通过搭建初始化序列到点CNN模型来构建迁移学习的设备选取模型；定义构建迁移学习的设备选取模型过程中权值有变化的卷积核为活跃卷积核，观察模型中活跃卷积核的数量，选取活跃卷积核数量最多的电器设备的负荷采样点幅值数据作为迁移学习的初始数据集O_m(n)，需要进行监测的电器设备即目标电器设备的负荷采样点幅值数据作为迁移学习的目标数据集P_m(n)；将O_m(n)、P_m(n)两个数据集按照7：2：1的比例大小，各自随机分为训练集、验证集、测试集三个部分；形成的初始数据集的训练集、验证集、测试集分别为O_mt(n)、O_mv(n)、O_mtt(n)，目标数据集的训练集、验证集、测试集分别为P_mt(n)、P_mv(n)、P_mtt(n)；

步骤S4：通过步骤S3搭建的初始化序列到点CNN模型，以U_m(n)、O_mt(n)作为样本，对该模型进行训练；

步骤S5：以U_m(n)、O_mv(n)作为样本，进行验证过程，用以停止步骤S4中的训练过程，防止出现过拟合现象；此时迁移学习初始模型构建完毕；

步骤S6：以U_m(n)、P_mt(n)作为样本，进行迁移微调过程，微调迁移学习初始模型的全连接层，形成迁移学习目标模型，此时便完成了迁移学习；将归一化后的家庭总负荷采样点幅值数据输入到迁移学习目标模型中，获得目标设备的功率幅值，用以实现对目标电器设备的非侵入式负荷监测。

2.根据权利要求1所述的一种基于设备迁移学习的非侵入式负荷监测方法，其特征在于：所述归一化处理所采用的公式如下：

其中，x_m(i)表示目标设备或家庭总负荷经过归一化处理后的各采样点功率幅值；i＝0，1，…，n表示采样点序号；x(i)表示归一化处理前各采样点功率幅值，表示目标设备或者是家庭总负荷的平均值；经过归一化处理后的x_m(i)形成新的设备负荷数据集合A_m(n)，B_m(n)，…，L_m(n)以及家庭总负荷数据集合U_m(n)。