一种基于任务特征融合的非侵入式负荷监测功率分解方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于任务特征融合的非侵入式负荷监测功率分解方法。

背景技术

非侵入式负荷监测是一种计算技术，它使用从单点(如智能电表)监测的总功率数据来推断建筑物中运行的终端设备，并估计它们各自的功率消耗。非侵入式负荷监测可以为消费者和公共事业机构提供特定设备的实时监测数据，而不是整个建筑的测量数据，这可以有效的促进节能行为。大多数消费者不知道他们消耗的能源，也没有意识到他们对环境的影响，获知家电详细的能耗数据可以激励消费者更合理地规划家用电器的使用，提高节能意识。更进一步来看，非侵入式负荷监测系统可以通过反馈提出一些建议，让住户有机会实现具体的节能目标，并获得可衡量的回报。甚至可以对家用电器进行远程监控，通知住户现有电器的不寻常的使用模式。此外，非侵入式负荷监测系统可以帮助决策者评估其能效政策的有效性，而供电单位可以更好地预测需求，并使制造商优化产品设计，以满足客户的需求。

目前，深度学习已经在非侵入式负荷监测领域取得优异的表现。例如，Zhou等人提出了一种多尺度残差神经网络，来提取家电多尺度的特征，提高功率分解效果(G.Zhou,Z.Li,M.Fu,Y.Feng,X.Wang and C.Huang,“Sequence-to-Sequence Load DisaggregationUsing Multi-Scale Residual Neural Network”,IEEE Transactions onInstrumentation andMeasurement,2020:1-1)。Nolasco等人设计了一个多任务模型，可以同时处理一个家庭中家电的类别分析、负荷识别和状态检测(L.d.S.Nolasco,A.E.Lazzaretti and B.M.Mulinari,“DeepDFML-NILM:A New CNN-Based Architecturefor Detection,Feature Extraction and Multi-Label ClassificationinNILMSignals”,IEEE Sensors Journal,2022,22(1):501-509)。但是，目前基于深度学习的功率分解方法大多是为每个家电单独训练功率分解模型，没有利用模型之间的关联，并且需要大量的训练时间。

为解决上述问题，Li等人设计了多目标模型输出多个电器的功耗(D.Li,J.Li,X.Zeng,V.Stankovic,L.Stankovic,C.Xiao,Q.Shi,“Transfer learning for multi-objective non-intrusive load monitoring in smart building”,Applied Energy,2023,329:120223)，但他们是通过增加输出层的节点数来实现的，方法关注于模型的可迁移性，而没有考虑每个家电功率分解特征之间的关系。

发明内容

本发明的目的在于提供一种基于任务特征融合的非侵入式负荷监测功率分解方法，利用家电功率分解特征之间的关联，同时分解多个家电的功耗，提高功率分解模型的准确性和泛化能力。

实现本发明目的的技术解决方案为：一种基于任务特征融合的非侵入式负荷监测功率分解方法，包括以下步骤：

步骤1、获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗。

步骤2、对获取的数据进行预处理，按照采样时刻，将总功耗和目标电器的功耗对齐，使用滑动窗口的方法制作样本集。

步骤3、将每个家电的功率分解视为一个子任务，构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。

步骤4、将制作好的样本集输入到构建的多任务模型中进行训练，得到可以分解多个电器功率消耗的多任务模型。

步骤5、实时获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗。

与现有技术相比，本发明的优点在于：

1)通过挖掘独立的单家电功率分解模型之间的关联，分析得到这些模型之间存在共性特征矩阵和个性特征矩阵，将所有单家电模型融合在一起，实现一个模型输出多家电功耗。

2)本发明设计了一个能够同时提取所有家电共性特征矩阵和单个家电个性特征矩阵的模型，通过特征组合的方法，使得所有子任务相互促进，提高功率分解的准确性。

3)与现有的多任务学习解决功率分解问题的方法不同，本发明首次将每个家电的功率分解视为一个子任务，将多个家电的功率分解模型联合起来，提升了功率分解的效率。

附图说明

图1为本发明基于任务特征融合的非侵入式负荷监测功率分解方法的流程图。

图2为本发明基于任务特征融合的非侵入式负荷监测功率分解方法的模型图。

图3为所提模型对于REFIT数据集中6个目标家电的功率分解结果图，其中图(a)为冰箱的分解结果；图(b)为洗烘机的分解结果；图(c)为洗衣机的分解结果；图(d)为洗碗机的分解结果；图(d)为微波炉的分解结果；图(f)为电水壶的分解结果。

图4为三种对比方法的模型图，其中图(a)为模型1，表示为每个家电单独训练的单任务模型；图(b)为模型2，表示没有共享特征提取层的多任务模型；图(c)为模型3，表示不经过特征融合的多任务模型。

图5为所有方法对于各家电的功耗占比图，其中图(a)为真实结果；图(b)为模型1的结果；图(c)为模型2的结果；图(d)为模型3的结果；图(d)为所提模型的结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

结合图1，一种基于任务特征融合的非侵入式负荷监测功率分解方法，包括以下步骤：

步骤1、采集住宅一段时间的数据作为训练数据，另外一段时间的数据作为测试数据，选择几个家电作为待分解的目标家电。

步骤2、将采集到的总功耗数据和每个目标家电的功耗数据进行重采样，缺失值使用前向填充的方法进行补充，按采样时刻排序，得到总功耗的序列P＝[P

其中，P

每个电器的功耗值除以其最大值进行归一化，如式(2)所示：

其中，

使用滑动窗口的方法，分别对P

Input＝P

本发明使用序列到点的方式，将每个输入样本序列中点的采样时刻对应的目标家电功耗作为标签Lable，如式(4)所示：

按照对应的采样时刻将输入样本和标签进行配对，构成样本训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集。

步骤3、构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。对于输入样本P

其中

步骤4、构建模型的损失函数，如式(6)所示：

模型训练过程中使用均方误差作为损失函数，使用Adam优化器对模型的训练参数进行优化，其中p

步骤5、将测试样本集中实时获取的总功耗数据输入训练好的多任务模型中，得到目标家电的功耗数据。

实施例1

结合图1和图2，本发明所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，步骤如下：

步骤1、采集REFIT数据集HOUSE9中自2014-09-01至2015-02-28的数据作为训练数据，2015-04-12至2015-04-17的数据作为测试数据，选择冰箱、洗烘机、洗衣机、洗碗机、微波炉和电水壶6个家电作为待分解的目标家电。

步骤2、将采集到的总功耗数据和每个目标家电的功耗数据按照30s进行降采样，缺失值使用前向填充的方法进行补充，按采样时刻排序，得到总功耗的序列P＝[P

每个电器的功耗值除以其最大值进行归一化，如式(2)所示：

使用滑动窗口的方法，分别对P

Input＝P

本发明使用序列到点的方式，将每个输入样本序列中点的采样时刻对应的目标家电功耗作为标签，如式(4)所示：

按照对应的采样时刻将输入样本和标签进行配对，构成样本训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集。

步骤3、构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射。对于输入样本P

然后设计一个由两个卷积层组成的共性特征矩阵提取分支，对

其中

步骤4、构建模型的损失函数L，如式(6)所示：

模型训练过程中使用均方误差作为损失函数，其中p

步骤5、将测试样本集中的总功耗数据输入训练好的多任务模型中，得到6个目标家电的功耗数据。如图3所示，从图中可以看出，对于冰箱、洗碗机、微波炉和电水壶，这种工作状态比较简单的家电，所提模型基本可以准确地输出家电的真实功率值。对于洗衣机和洗烘机这种工作状态比较复杂，功率波动比较大的家电来说，所提模型的输出值与真实值存在些许误差，但是大致上的波形是拟合的，总体上并不影响所提模型的有效性。并且所提模型一次可以输出多个家电的功耗，表明所提模型具有良好的泛化能力。

为了进一步验证所提模型性能，本实施例将选择图4所示的三个模型进行仿真对比，其中模型1表示为每个家电单独训练的单任务模型；模型2表示没有共享特征提取层的多任务模型；模型3表示不经过特征融合的多任务模型。对于负荷分解任务，使用回归任务常用的平均绝对误差(Mean Absolute Error，MAE)、总功耗误差(Signal AggregateError，SAE)与均方根误差(Root Mean Square Error，RMSE)作为模型性能评估指标。

1)平均绝对误差MAE

2)总功耗误差SAE

3)均方根误差RMSE

其中，T表示整个功耗数据的采样总数。

表1分别给出了4种模型在REFIT数据集中对6个电器的分解性能评估对比，最优的指标加粗表示。从表中可以看出不同家电取得最优性能的模型不同，没有哪种模型可以对所有的家电都取得最好的分解效果，因此计算了所有家电指标的均值，以及每个模型所有目标家电总功耗的指标进行对比。从仿真结果可以看出，四种对比模型从上到下的功率分解效果是逐步提高的。这表明，多任务学习方法可以促进每个子任务的效果；加强子任务之间的关联可以提高功率分解的效果，使用更丰富的特征可以进一步提升功率分解的准确性。仿真实验证明了本发明所提出的任务特征组合方法的优越性。

表1四种模型在REFIT数据集中的性能比较

图5给出了4种对比模型输出的每个家电功耗对于总功耗的占比，并且计算了所有占比的偏差总和，如式(10)所示，结果如表2所示，从结果可以看出，四种模型的性能是逐渐提升的，所提模型取得了最准确的功率分解效果，证明了本发明所提出的任务特征组合方法的优越性。

表2四种模型在REFIT数据集中的功耗占比偏差

综上所述，本发明可以同时输出多个家电的功耗，并且提高了功率分解模型的泛化能力和准确性。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的思想和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。