[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

说明书

本发明涉及一种基于设备迁移学习的非侵入式负荷监测方法，采集各家用电器设备的负荷幅值数据与家庭总负荷幅值数据，建立原始数据集；将原始数据集的数据进行归一化处理；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，选取迁移学习的初始数据和目标数据；采用初始数据对初始化序列到点CNN模型进行训练过程和验证过程，形成迁移学习初始模型；采用目标数据微调初始模型的全连接层，形成迁移学习目标模型；将归一化后的家庭总负荷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，实现对目标电器设备的非侵入式负荷监测。本发明减少了模型训练的时间，降低了非侵入式负荷监测的经济成本与时间成本。

技术领域

本发明涉及电力计量方法领域，特别是一种基于设备迁移学习的非侵入式负荷监测方法。

背景技术

电力用户用电负荷细节监测主要用于获取用户内部每一种负荷设备的电能消耗情况及用电行为等信息。传统的侵入式电力负荷监测需要在负荷内部每一个用电设备上都安装感应测量和数据传输装置，经济投入较大，管理维护较为复杂，不适宜大范围推广。非侵入式电力负荷监测(Non-Intrusive Load Monitoring，NILM)则可以在无需安装大量监控设备的情况下，根据用户的总用电量，将监测细化到总负荷内部，得到每个电器消耗功率与运行状态，具有可操作性强，实施成本低，用户接受程度高、可靠性高、易于广泛推广等优点。其中，深度神经网络方法实现NILM的精度最高，但其缺点在于每次训练模型都需耗费大量时间，且对数据匮乏的地区训练后的模型效果较差，因此需要合适的方法解决上述问题。

现有的NILM方法主要有两类：一种是无需训练过程的非监督学习法，另一种是需要先验训练过程的监督学习法。

非监督学习法以隐式Markov模型为代表，它考虑设备的使用情况与工作过程，简化了为用电设备贴标签数据的步骤。但因为缺乏先验监督，当用电设备较多时，容易陷入局部最优，识别精度会大大降低。

监督学习法则需要先针对已知的数据进行训练，通过学习用电设备的负荷印记以达到负荷识别的目标。相对非监督学习法，以深度神经网络为代表的监督学习法具有更高的精度，能够应对负荷印记相似、同时性事件发生等复杂情况，但训练一个模型往往耗时较久，且区域之间的模型并不通用，对于数据匮乏的地区没有很好的解决办法。

发明内容

有鉴于此，本发明的目的是提供一种基于设备迁移学习的非侵入式负荷监测方法，采用了序列到点的输入输出模式，能够更高效地为用户提供负荷信息。

本发明采用以下方案实现：一种基于设备迁移学习的非侵入式负荷监测方法，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；