何为非侵入式负荷分解

最新推荐文章于 2023-02-21 16:44:34 发布

爱钻研的电气人

最新推荐文章于 2023-02-21 16:44:34 发布

阅读量2k

点赞数 5

分类专栏：回归 nilm 非侵入式负荷监测文章标签： python 深度学习人工智能大数据

本文链接：https://blog.csdn.net/Bigbboylover/article/details/125693473

版权

nilm 同时被 3 个专栏收录

11 篇文章 22 订阅

订阅专栏

非侵入式负荷监测

10 篇文章 8 订阅

订阅专栏

回归

2 篇文章 2 订阅

订阅专栏

0 解答

有同学提出了一些问题，我在这里再说明一次。

1）深度学习算法应用于非侵入式负荷分解是不需要事件检测的吗？

回答：是的，不需要事件检测。深度学习算法应用于负荷辨识的话，必须要有事件检测。

2）负荷分解和负荷识别的实时性问题：是不是负荷分解的实时性差，需要1个星期，甚至好几个月的数据，所以实时性很差。负荷识别只需要几分钟，或者几小时的数据，所以实时性更好？

这里与是哪种技术路线无关，只和你的流程，流程中的算法有关。首先，上面提到的数据是指用来训练模型时用到的数据，这种数据一般是历史数据，与应用时的实时性无关。讨论实时性需要研究在进行电能分解时，每一次输入算法中的数据量（时间跨度）。通常来说，负荷识别研究的是高频数据，事件检测在发现事件后，需要提取前后稳态的数据，这个数据的时间跨度越短它实时性越好。而负荷分解一般研究的是低频数据，因此实时性会较差，但其每次模型输入的时间跨度并不会长达，几天，几个月。一般窗口为299,599又或者1024，而采样频率一般是1s或6s，因此它结果延迟大概在几分钟到几小时之间。

1 前言

正如之前所说的，负荷分解没有负荷识别路线的三个步骤，而是直接建立一个模型来表征总负荷和目标电器的映射关系。因此，负荷分解就分为三个可研究的部分，总负荷的数据，模型具体结构，目标电器的数据。总负荷的数据通常只有有功功率，但是近些年有研究者开始研究把无功功率、电流、视在功率也作为输入。目标电器通常来说只有有功功率，因为知道有功就可以知道消耗的电能了，但也有研究者在研究迁移学习时，在输出加上了一个标签用来表征该样本属于哪个房屋。负荷分解是回归任务，因此只要是能进行回归的网络就能用来做负荷分解，与它最开始是用来负荷预测、语音识别等无关。

2 映射形式

通常来说，映射形式分为序列到序列（seq2seq）、序列到点（seq2point）和序列到子序列（seq2subseq）。典型的seq2seq映射模型有：DAE和seq2seq模型；seq2point映射模型有：seq2point和Bilstm模型。seq2subseq映射模型有：SGN模型。

数学模型如下：

$f_{\text {seq } 2 s e q}: Y_{t-\left\lfloor\frac{W}{2}\right\rfloor: t+\left\lfloor\frac{W}{2}\right\rfloor} \rightarrow X_{t-\left\lfloor\frac{W}{2}\right\rfloor: t+\left\lfloor\frac{W}{2}\right\rfloor}$

$f_{\text {seq2point }}: Y_{t-\left\lfloor\frac{W}{2}\right\rfloor: t+\left\lfloor\frac{W}{2}\right\rfloor} \rightarrow X_{t}$

$f_{\text {seq } 2 s u b s e q}: Y_{t-\left\lfloor\frac{W}{2}\right\rfloor: t+\left\lfloor\frac{W}{2}\right\rfloor} \rightarrow X_{t-\left\lfloor\frac{w^{\prime}}{2}\right\rfloor: t+\left\lfloor\frac{w^{\prime}}{2}\right\rfloor}\left(w^{\prime}<W\right)$

其中： $Y_{a:b}$ 是总负荷a到b位置的数据；

$X_{a:b}$ 目标电器a到b位置的数据；

是时间窗口的长度；

是时间窗口的中点。

三种映射方式的结构如下所示：

3 数据预处理

常见的数据集有REDD、UKDALE、AMPds等。各个数据集的比较如下[1]：

一开始很多人都在用nilmtk工具包进行数据预处理，但是后面大家将用到的代码取出来了就不需要nilmtk工具包了。

下面以UKDALE为例介绍如何处理数据：

1）对齐总表和分表的数据，并放到同一个文件中。

由于总表和分表的数据采样频率不同，因此首先要对分表的数据进行重采样，即保证两者的采样频率都是1/6Hz，然后并到一起。

2）将时间删去，开始对其进行标准化处理。

标准化的处理有很多种，常见的有z-score 标准化和min-max标准化等。

（1）z-score 标准化

（2）min-max标准化

以z-score 标准化为例进行标准化处理。

以min-max标准化为例进行标准化处理。

3）按7:2:1生成训练集、测试集和验证集。比例比例随意取的，看你的想法。

4 模型训练和测试

导入三个数据集，根据tensorflow或者pytorch框架，搭建网络模型。然后进行训练和测试就行。后面会复现几个网络，并对结果进行对比。

5 指标计算

5.1 指标定义

模型好坏肯定需要指标进行评判。指标分为回归指标和分类指标。

负荷分解效果采用平均绝对误差(MAE)、均方误差(MSE)、总信号误差(SAE)评价，负荷识别效果采用PRECISION和F1评价。

MAE、MSE、SAE计算公式如下：

$\begin{aligned} \operatorname{MAE} &=\frac{1}{n} \sum_{n}^{i=1}\left|y^{(i)}-\hat{y}^{i}\right| \\ \mathrm{MSE} &=\sqrt{\frac{1}{n} \sum_{n}^{i=1}\left(y^{(i)}-\hat{y}^{i}\right)^{2}} \\ \mathrm{SAE} &=\frac{1}{n} \sum_{n}^{i=1} \frac{\left|y^{(i)}-\hat{y}^{i}\right|}{y^{(i)}} \end{aligned}$

将目标电器的估计能耗和预设的阈值（本节设置为40W）比较，得到目标电器的开关状态。

RECALL表示正样本被正确预测的比例，用公式表示为：

$RECALL = \frac{TP}{TP+FN}$

$PRECISION = \frac{TP}{TP+FP}$

式中 TP—— 状态为“On”的样本被正确预测的数量；

FN—— 状态为“On”的样本被错误预测的数量。

PRECISION表示被正确分类为“On”状态的样本数占所有被认为是“On”状态的样本数的比例。

$F1 = 2\times \frac{PRECISION*RECALL}{PRECISION+RECLL}$

式中 FP—— 状态为“Off”的样本被错误预测的数量。

F1是PRECISION和RECALL的加权平均值，越大的值意味着越好的状态识别率。

5.2 计算过程

将模型预测的结果和理想输出拼接在一起，然后根据5.1的公式写代码计算对应指标即可。

[1]贾惠彬,刘郅铂.非侵入式负荷分解文献综述[J].集成电路应用,2021,38(04):62-63.DOI:10.19339/j.issn.1674-2583.2021.04.021.

爱钻研的电气人

关注

5
点赞
踩
25

收藏

觉得还不错? 一键收藏
打赏
2
评论
何为非侵入式负荷分解

有同学提出了一些问题，我在这里再说明一次。 1）深度学习算法应用于非侵入式负荷分解是不需要事件检测的吗？回答：是的，不需要事件检测。深度学习算法应用于负荷辨识的话，必须要有事件检测。 2）负荷分解和负荷识别的实时性问题：是不是负荷分解的实时性差，需要1个星期，甚至好几个月的数据，所以实时性很差。负荷识别只需要几分钟，或者几小时的数据，所以实时性更好？这里与是哪种技术路线无关，只和你的流程，流程中的算法有关。首先，上面提到的数据是指用来训练模型时用到
复制链接

扫一扫