一种基于多维度行为学习的家庭负荷识别泛化方法

技术领域

本发明涉及家庭负荷识别技术领域，具体为一种基于多维度行为学习的家庭负荷识别泛化方法。

背景技术

随着人们生活水平的提高，家庭用户对电量和智能用电方式的需求也不断提升，研究表明为用户提供精细化用电信息的方法可为用户节约10％以上的电能；基于此负荷识别技术被提出且越来越重要。

其一方面促进了用户节约用电，提高能源利用效率，另一方面又提高了用户的智能用电体验；因硬件成本的限制，传统的负荷识别方法大部分只依赖负荷的电气信号进行识别，如文献(He D,Lin W,Liu N,et al.Incorporating Non-Intrusive LoadMonitoring Into Building Level Demand Response[J].IEEE Transactions on SmartGrid,2013,4(4):1870-1877.)使用电流谐波值和谐波畸变率进行负荷识别，但因电气信息知识量有限，模型识别性能较差。

因此，本发明在电气信号基础上结合了用户行为信息，通过用户行为信息来辅助模型完成负荷识别，目前使用行为知识进行负荷识别的研究较少，中国专利(CN113869368A)提出利用时间和空间维度上的行为知识来完成负荷识别，但该方法将行为特征和电气特征的提取过程集成在一个模型中，模型泛化性能较差；基于此本发明在已有研究的基础上，一方面新增了关联行为信息，丰富用户的用电行为知识，另一方面，又提出一种电气特征和行为特征提取过程相互独立的模型结构，进一步提高模型的泛化能力。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

本发明实施例的第一方面，提供一种基于多维度行为学习的家庭负荷识别泛化方法，包括：通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的所述大众用户的用电行为特征作为用户的初始行为特征；基于所述负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；根据所述家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新，并实现算法的自适应。

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷大数据的条件包括，

数据标签信息准确；

采集的电气数据信号量应包括频率大于5Hz的电压有效值、电流有效值、有功功率、无功功率、功率因素、电压电流1～7次谐波幅值和相位；

负荷数据应能反映用户用电行为的生活用电数据，且所述数据跨度应大于1个月。

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述大众用户的用电行为特征提取包括，

所述用电行为特征包括时间行为特征、空间行为特征和关联行为特征；

所述时间行为特征包括各电器在一天中的使用概率分布；所述空间行为特征包括各区域中各电器的使用概率；

所述关联行为特征包括各电器间的关联性，所述关联性的计算包括，

其中，A

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述将提取的所述大众用户的用电行为特征作为用户的初始行为特征包括，

所述大众行为主要用于模型应用初期用户数据不足以反映用户行为的情况，作为用户初始行为使用，为避免行为信息过拟合，通过阈值μ对电器行为关联信息进行二值化处理；

所述二值化处理的计算包括，

其中，A

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷识别泛化模型的构建包括，

基于所述负荷电气特征自编码和多维度下的行为特征，构建家庭负荷识别泛化模型；

所述家庭负荷识别泛化模型包括电气信号自编码模块、行为信号存储模块和负荷分类模块；

在所述电气信号自编码模块对电气信号进行编码，将所述编码后的信号行进行存储，所述负荷分类模块利用编码后的电气信号和存储的行为特征输出具体负荷类型。

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷识别泛化模型的训练包括，

在家庭负荷大数据的住宅中对所述家庭负荷识别泛化模型进行训练；

训练初期模型所使用的行为信息由所述大众用户的用电行为特征提取所生成的大众行为信息替换。

作为本发明所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述用户行为更新和算法的自适应包括，

根据用户新的用电数据不断更新用户行为，使算法自动适应用户行为；

利用所述家庭负荷识别泛化模型输出的具体负荷类型数据定期对行为信息存储模块中的行为信息进行更新，以保证模型对用户行为的自适应；

所述更新的计算包括，

其中，a

本发明实施例的第二方面，提供一种基于多维度行为学习的家庭负荷识别泛化系统，包括：

信号编码和特征提取模块，通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的大众行为作为用户初始行为；

模型构建模块，用于基于所述负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；

用电行为更新模块，用于根据所述家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新和算法的自适应。

本发明实施例的第三方面，提供一种设备，所述设备包括，

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。

本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：

所述计算机程序指令被处理器执行实现如本发明任一实施例所述的方法。

本发明的有益效果：本发明提出了一种基于多维度行为学习的家庭负荷识别泛化方法，可为更多用户带来更准确可靠的家庭用电信息，为智能用电管理和需求侧响应等技术提供必要的信息支持；一方面本发明在以往研究的基础上新增了关联行为特征，丰富了用户的行为知识，进一步提高了模型的识别性能；另一方面基于多维度行为学习的家庭负荷识别泛化方法保证了电气特征和行为特征提取过程的相对独立，将具备用户独特性的行为信息和普遍通用的电气信息有效分离；不同用户间共用一套电气特征提取方法的同时又考虑了不同用户独特的用电行为，既提高了方法的泛化性，又保证了不同用户行为的自适应能力。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的一种基于多维度行为学习的家庭负荷识别泛化方法的整体流程图；

图2为本发明提供的一种基于多维度行为学习的家庭负荷识别泛化方法中结构框架图；

图3为本发明提供的一种基于多维度行为学习的家庭负荷识别泛化方法的具体实施过程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3为本发明的一个实施例，提供了一种基于多维度行为学习的家庭负荷识别泛化方法，包括：

S1：通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的大众行为作为用户的初始行为。需要说明的是：

家庭负荷大数据可来源于公开数据集或通过侵入式设备自主采集到的家电级用电数据，该家庭负荷大数据应满足以下条件：

①数据标签信息准确；

②所采集电气数据信号量包括频率大于5Hz的电压有效值、电流有效值、有功功率、无功功率、功率因素、电压电流1-7次谐波幅值和相位，或者是能获取以上信号量的电压电流高频原始信号；

③负荷数据应能反映用户用电行为的生活用电数据，且数据跨度应大于1个月；

进一步的，负荷电气特征自编码是指通过自编码器将采集到的信号量进行编码的过程，本实施例中的自编码器由三层神经网络的普通编码器构成；

应说明的，电压电流1～7次谐波的幅值和相位是将原始电压电流信号进行快速傅里叶变换得到的结果，其他电气信号量的计算包括，

其中，V

再进一步的，大众用户的用电行为特征提取包括，

用电行为特征包括时间行为特征、空间行为特征和关联行为特征；

时间行为特征包括各电器在一天中的使用概率分布，空间行为特征包括各区域中各电器的使用概率；

关联行为特征包括各电器间的关联性，关联性的计算包括，

其中，A

更进一步的，将提取的大众行为作为用户的初始行为包括，

大众行为主要用于模型应用初期用户数据不足以反映用户行为的情况，作为用户初始行为使用，为避免行为信息过拟合，通过阈值μ对电器行为关联信息进行二值化处理，二值化处理的计算包括，

其中，A

S2：基于负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型。需要说明的是：

家庭负荷识别泛化模型的构建包括，

基于负荷电气特征自编码和多维度下的行为特征，构建家庭负荷识别泛化模型；

如图2所示，家庭负荷识别泛化模型包括电气信号自编码模块、行为信号存储模块和负荷分类模块，在电气信号自编码模块对电气信号进行编码，将编码后的信号行进行存储，负荷分类模块利用编码后的电气信号和存储的行为特征输出具体负荷类型；

进一步的，家庭负荷识别泛化模型的训练包括，

在家庭负荷大数据的住宅中对家庭负荷识别泛化模型进行训练，训练初期模型所使用的行为信息由大众用户的用电行为特征提取所生成的大众行为信息替换。

S3：根据家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新和算法的自适应。需要说明的是：

根据用户新的用电数据不断更新用户行为，使算法自动适应用户行为；

利用家庭负荷识别泛化模型输出的具体负荷类型数据定期对行为信息存储模块中的行为信息进行更新，以保证模型对用户行为的自适应，更新的计算包括，

其中，a

应说明的，本发明提出了一种基于多维度行为学习的家庭负荷识别泛化方法，可为更多用户带来更准确可靠的家庭用电信息，为智能用电管理和需求侧响应等技术提供必要的信息支持；一方面本发明在以往研究的基础上新增了关联行为特征，丰富了用户的行为知识，进一步提高了模型的识别性能；另一方面基于多维度行为学习的家庭负荷识别泛化方法保证了电气特征和行为特征提取过程的相对独立，将具备用户独特性的行为信息和普遍通用的电气信息有效分离；不同用户间共用一套电气特征提取方法的同时又考虑了不同用户独特的用电行为，既提高了方法的泛化性，又保证了不同用户行为的自适应能力。

本发明公开的第二方面，

提供一种基于多维度行为学习的家庭负荷识别泛化系统，包括：

信号编码和特征提取模块，通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的大众行为作为用户初始行为；

模型构建模块，用于基于负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；

用电行为更新模块，用于根据家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新和算法的自适应。

本发明公开的第三方面，

提供一种设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中处理器被配置为调用存储器存储的指令以执行前述任意一项的方法。

本发明公开的第四方面，

提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：

计算机程序指令被处理器执行时实现前述中任意一项的方法。

本发明可以是方法、装置、系统和/或计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

实施例2

该实施例不同于第一个实施例的是，提供了一种基于多维度行为学习的家庭负荷识别泛化方法的验证测试，为对本方法中采用的技术效果加以验证说明。

本实施例使用K最近邻法、决策树、支持向量机、神经网络和本发明所提出的基于多维度行为学习的识别算法在同一数据集中进行实验。

各算法所使用的电气特征量相同，而本发明提供的算法除电气特征量外还使用用户的行为知识辅助识别，最后在同一住宅数据中对各种算法收敛后的识别准确率进行比较，另外还对各种算法在不同住宅数据下的平均准确率进行对比，验证本发明方法的识别性能和泛化性能，具体结果如表1所示。

表1：不同算法负荷识别结果比较表。

由表1实验结果可知K最近邻法、决策树和神经网络的识别准确率都较高，但在不同住宅环境下的识别准确率大大降低，即模型泛化性较低，而本发明所提方法同样达到较高的识别准确率，且在不同环境下模型识别准确率仍保持在较高水平，证明本方法可适用于不同用户，具有较好的泛化性。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。