何为非侵入式负荷分解-深度学习算法实现

最新推荐文章于 2024-10-31 11:30:44 发布

爱钻研的电气人

最新推荐文章于 2024-10-31 11:30:44 发布

阅读量3.4k

点赞数 14

分类专栏：回归 nilm 非侵入式负荷监测文章标签：大数据深度学习 python 人工智能神经网络

本文链接：https://blog.csdn.net/Bigbboylover/article/details/125701695

版权

1 前言

做负荷分解的网络很多，本篇用contrib中的几个网络对AMPds数据集进行训练和测试。本篇内容较短。仅展示部分网络的代码和结果。

2 数据集

AMPds数据集所选电器见下表。电器选择原则如下：

1）所选电器种类丰富，包括二态电器（如电视、冰箱）、多态电器（如洗衣机、洗碗机），这些电器具有代表性。

2）数据集中其他分支，如卧室，厨房，电子工作台等不具有代表性。

3）所选电器的功耗占据了家庭住户中绝大部分的电力功耗。

电器描述

电器	描述
TVE	电视
HPE	热泵
FRE	强制空气炉:风扇和恒温器
FGE	冰箱
DWE	洗碗机
CWE	洗衣机
CDE	干衣机

2 深度学习网络代码

seq2seq

def seq2seq(window_length):

    model = Sequential()
    # 1D Conv
    model.add(Conv1D(30,10,activation="relu",input_shape=(window_length,1),strides=2))
    model.add(Conv1D(30, 8, activation='relu', strides=2))
    model.add(Conv1D(40, 6, activation='relu', strides=1))
    model.add(Conv1D(50, 5, activation='relu', strides=1))
    model.add(Dropout(.2))
    model.add(Conv1D(50, 5, activation='relu', strides=1))
    model.add(Dropout(.2))
    model.add(Flatten())
    model.add(Dense(1024, activation='relu'))
    model.add(Dropout(.2))
    model.add(Dense(window_length))
    model.compile(loss='mse', optimizer='adam')
    return model

seq2point

def seq2point(window_length):
    # Model architecture
    model = Sequential()
    model.add(Conv1D(30,10,activation="relu",input_shape=(window_length,1),strides=1))
    model.add(Conv1D(30, 8, activation='relu', strides=1))
    model.add(Conv1D(40, 6, activation='relu', strides=1))
    model.add(Conv1D(50, 5, activation='relu', strides=1))
    model.add(Dropout(.2))
    model.add(Conv1D(50, 5, activation='relu', strides=1))
    model.add(Dropout(.2))
    model.add(Flatten())
    model.add(Dense(1024, activation='relu'))
    model.add(Dropout(.2))
    model.add(Dense(1))
    model.compile(loss='mse', optimizer='adam')  # ,metrics=[self.mse])
    return model

dae

def dae(window_length):
    model = Sequential()
    model.add(Conv1D(8, 4, activation="linear", input_shape=(window_length, 1), padding="same", strides=1))
    model.add(Flatten())
    model.add(Dense((window_length)*8, activation='relu'))
    model.add(Dense(128, activation='relu'))
    model.add(Dense((window_length)*8, activation='relu'))
    model.add(Reshape(((window_length), 8)))
    model.add(Conv1D(1, 4, activation="linear", padding="same", strides=1))
    model.compile(loss='mse', optimizer='adam')
    return model