学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路

我来继续填坑了~~
给大家两周时间自习深度学习（磨蹭了两周）
不知道同学们的基础打得如何了哈
QQ群1070535031

我分两篇写网络训练的相关，本文介绍整个思路流程，下一篇提供实操代码和相关注释讲解

关注顺序建议：

1，先仔细阅读本文思路分析，认真思考，并且根据学习的深度学习的相关知识，边跟我的思路走，边考虑一下，我这么做的目的，以及优缺点。是你自己的话，如何做，以及如何优化。

2，下一篇给出代码，按功能模块，每一块叠加就是整个项目。不过我建议边思考，边自己去写一遍，弄懂每句代码的含义，才是你的。不然后面我提供改进思路，大家一起实践的时候，你会盲目的手足无措。

实验需求

跟随本文进行学习和实验，需要前面博文中的环境，以及提取出来的UK数据。（学习分享——基于深度学习的NILM负荷分解（二）电器数据提取）

实验环境：
pycharm，python 3.6+，keras库，numpy库，matplotlib库
以及UKData。

思路分析

进入正题~~

上一节中，我们把一号房子的所有用电器的有用功分别取出来了，电器的数据很多。

为了我们调试和优化网络方便，前期不浪费太多时间去训练。

这里我们从中取出5个比较有区别度的电器数据，来进行流程搭建。

提高准确率，提高区分度，多个同样电器，，等问题，一点点迭代我们的网络。训练的输入数据也可以随之添加。

简单看来，负荷分解 是一个 “多分类，多标签问题”，分析N个电器的有用功变化，根据变化规律，进行多分类。

另外有的同学的思路会是去识别，开启/关闭电器的事件。但由于，这里使用的是低频数据，所以，识别短促的事件并不容易识别到，开启/关闭时候的变化也抓不打详细的变化规律。（需要高频数据，才能体现出不同电器的短时变化规律）

因此本篇的思路是，根据电荷的变化规律，识别电器的开启状态。简单说：根据电荷实时变化，识别哪些电器开着。

由上面这个思路，就可以知道，要看频率变化规律：

1，可以用傅里叶变换，分解出总负荷在哪些频段，来判断电器。

2，直接使用循环神经网络，输入总电荷，用窗口①来抓取总负荷的变化。

那我们从简入深，这里先使用上面第二个思路，这样基本上不用怎么处理数据，建立一个窗口数据的时序网络，直接输入序列数据即可。

窗口：意思如下图，去取一定长度的序列，取完一个，往后移动一段距离，取下一个窗口。
下图每个颜色就是取的一次窗口数据。可以看出其中包括两个参数：窗口长度，窗口每次移动距离（移窗）
这两个参数设置好，第一次取的数据就是1，第二次取2，，之后3，，，之后4，，，，以此列推

之后呢，我们就可以看看数据怎么准备了。

我们取出来的电器数据，组合五个电器，可以合成出来一个总功~~
然后将其分为，训练数据，验证数据，以及测试数据。测试数据不参与训练。

还要为训练生成一下我们训练需要的data对于的label，用于多分类的训练。

有了数据，就是设计网络了。

上面说了序列数据的处理思路，那就是用循环网络，这里我们选用GRU或LSTM来搭建。来学习数据变化的规律。

根据经验，在循环网络前，我们还要添加几层1D来提炼数据。（一维卷积）

循环网络后接全连接收敛到5个结果。

结果就是训练的五个电器的开关状态。我们定义为1为开着，0为关着。

到此，初步的思路就比较全面了，我画一张简单的步骤流程图，

1，生成五个采样电器的合并数据

2，生成 label 用于训练。label是五个电器每一时刻的开关状态。0为关闭状态，1为开启状态。

3，将Data和Label 切分成三份。用于 训练，验证，测试。

4，构建网络结构，使用循环网络，学习总功率变化规律，判断电器开关状态。

5，训练网络，验证结果，进行测试。

下一文，我们来实现上面的整个流程。
QQ群1070535031