[发明专利]一种基于深度神经网络的对抗性能量分解方法

说明书

本发明公开了一种基于深度神经网络的对抗性能量分解方法，将抗性学习的思想引入到NILM中，采用序列到点(Seq2Point)进行学习，将家庭能耗功率窗口序列y(t‑W/2:t+W/2)作为输入，预测电器的中点t的能耗功率。首先，通过端到端训练好N个电器特征生成器G_i；然后，通过N个判别器D₁,D₂,…,D_N，用N个电器特征生成器G₁,G₂,…,G_N以对抗方式训练共享特征生成器G以及N个电器预测器C′₁,C′₂,...,C′_N，该训练使共享特征生成器G不仅学习到不同电器的碎片表示，而且使其捕获到每个电器的特定多模结构。在真实数据集上的大量实验验证，本发明可以提高每个电器能耗功率分离的精度以及整体分离的精度。

技术领域

本发明属于能量分解技术领域，更为具体地讲，涉及一种基于深度神经网络的对抗性能量分解方法。

背景技术

能源效率和可再生能源是可持续能源的两大支柱，能源效率是21世纪人类面临的巨大挑战。如今，大多数能源消费行为都有数字记录，许多能源问题可以表述为信息学问题。因此，我们的社会越来越期望数据科学能够在应对能源挑战方面发挥作用。

能量分解，也被称为非侵入式负载监测(Non-Intrusive Load Monitoring，简称NILM)，已被证明对能源效率有显著影响。最早是由Hart等人提出，能量分解的任务是将将聚集能耗(一个家庭总的能耗功率)分离成不同电器的单独消耗(电器能耗功率)的问题。为了更好地理解，图1给出了一个NILM任务的例子。图1中从(a)到(e)分别表示聚合能耗、微波炉能耗、冰箱能耗、电水壶能耗和洗碗机能耗，能量分解的任务是将聚集能耗分解成不同的电器能耗。研究表明，能量分解有利于能源效率的提高，估计家电级别的能耗能够减少15％。

从技术上讲，能量分解可以表示为单通道盲源分离(Blind Source Separation，简称BSS)问题。这个问题不是微不足道的，因为它是无法识别的。人们需要从一次观测中发现不止一个来源。现有的解决这一问题的方法可以分为传统类别和深层类别两种。

具体地，传统类别中的算法采用诸如稀疏编码、阶乘隐马尔可夫模型和k近邻等来分离聚集能耗。其中，最流行的NILM模型是阶乘隐马尔可夫模型(FHMM)。例如，钟等人提出了一种带信号聚集约束的加性FHMM算法，Shaloudesi等人提出了一种基于半定松弛和随机舍入相结合的可扩展近似推理FHMM算法。大多数传统类别的方法是事件驱动的，即它们跟踪不同电器的足迹来估计设备是打开还是关闭。

近年来，深度神经网络(Deep Neural Networks,简称DNNs)被成功地应用于能量分解，包括循环神经网络(RNN)及其变种，如长短期记忆网络(LSTM)和门控递归单元(GRU)，由于其在时间序列处理方面的优越性能，已被应用于NILM中。例如，Mauch等人提倡使用多个双向LSTM层来解决能量分解问题。Kim等人通过LSTM模型解决了能量分解问题，并提出了一种新的签名来提高性能。Kaslimi等人提出了CoBiLSTM，它利用了LSTM网络的代表性，实现了对外部环境的自适应。虽然大多数对时间序列数据建模的研究都是利用RNN，但卷积神经网络(CNNs)也因其强大的模式局部特征提取能力而适应于能量分解的环境。为了减轻长输入序列中的计算复杂度问题，一个常见的技巧是使用滑动窗口而不是整个序列。例如，凯利等人研究了卷积神经网络、递归神经网络和去噪自动编码器等几种动态神经网络在能量分解问题上的应用，提出了带滑动窗口的序列到序列学习方法，并展示了深度学习方法相对于传统方法的优越性。Chen等人提出了一种卷积序列到序列模型，并将门控线性单元(GLU)卷积块引入能量分解，用于从主要读数中提取信息并控制传统CNN层输出的特征。这些深层类别的方法更像是模型驱动，即试图自动揭示嵌入在观测数据中的时间结构。例如，神经NILM将序列到序列(Seq2seq)学习引入到能量分解中，与传统方法相比取得了显著的性能改进。