基于Attention和残差网络的非侵入式负荷监测

文档摘要：非侵入式负荷监测(non-intrusiveloadmonitoring,NILM)可以从家庭电能表的总功率读数,估算出各用电器的功率.由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型的泛化能力不强;回归模型的分解功率难以迅速跟踪真实功率.针对这些问题,文中将回归问题转化为在序列每个时刻的多分类问题,并提出基于Attention和残差网络的非侵入式负荷监测模型.该模型基于具有编码器和解码器的seq2seq框架,首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量;在编码部分,通过双向GRU从前后两个方向提取序列信息,引入Attention机制计算序列中当前时刻最重要的信息,引入残差连接学习残差部分输入输出之间的差异;在解码部分,用回归层组合BiG-RU解码结果,取经过softmax函数处理的最大概率功率类别作为结果.该模型在选取REFIT数据集中表现良好,其中测试集与训练集完全独立,表明训练好的模型可以直接应用在新的住宅用户中.

Abstract：Non-Intrusiveloadmonitoring(NILM)isatechniquetodisaggregatethepowerconsumptionoftheap-pliancesfromthetotalpowerreadingofthehouseholdelectricitymeter.Evenforthesametypeofappliances,theirstatetypes,thedurationofeachstateandthepowerwaveformofeachstatearedifferent,whichrequireshighgen-eralizationabilityofthemodelbasedonfeatureengineeringandclustering.Meanwhile,thedisaggregatepoweroftheregressionmodelisdifficulttoquicklytrackthegroundtruepower.Tosolvetheseproblems,theregressionproblemistransformedintoamulti-classificationproblemforeachmomentinthesequence,andanon-intrusiveloadmonitoringmodelbasedonattentionmechanismandresidualnetworksisproposedinthispaper.Theproposedmodelisbasedontheseq2seqframeworkwithencoderanddecoder.Firstly,thehigh-dimensionalsparseone-hotvectorismappedtothelow-dimensionaldensevectorthroughtheembeddingmatrix.Intheencoder,BiGRUisusedtoextractthesequenceinformationfromthefrontandbackdirections,anattentionmechanismisintroducedtocalculatethemostimportantinformationatthecurrenttimeinthesequence,andaresidualconnectionisintro-ducedtolearnthedifferencebetweentheinputandoutputoftheresidualpart.Inthedecoder,theregressionlayerisusedtocombinetheBiGRUdecodingresults,andthemaximumprobabilitypowercategoryprocessedbyasoft-maxfunctionistakenastheresult.ThemodelperformswellintheREFITdataset,andthetestingdatasetandtrainingdatasetarecompletelyindependent,whichindicatesthatthetrainedmodelcanbedirectlyappliedtonewhouseholds.

作者：何健明  李梦诗  张禄亮  季天瑶Author：HEJianming  LIMengshi  ZHANGLuliang  JITianyao
作者单位：华南理工大学,广州510006
刊名：电测与仪表 ISTICPKU
Journal：ElectricalMeasurement&Instrumentation
年，卷(期)：2024, 61(6)
分类号：TM714
关键词：非侵入式负荷监测  深度学习  BiGRU  残差网络  注意力机制  
Keywords：non-intrusiveloadmonitoring  deeplearning  BiGRU  residualnetwork  attentionmechanism  
机标分类号：TP391TP181TM933.4
在线出版日期：2024年7月24日
基金项目：国家自然科学基金，广州市基础与应用基础研究项目基于Attention和残差网络的非侵入式负荷监测[
期刊论文]  电测与仪表--2024, 61(6)何健明  李梦诗  张禄亮  季天瑶非侵入式负荷监测(non-intrusiveloadmonitoring,NILM)可以从家庭电能表的总功率读数,估算出各用电器的功率.由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文

关键词：非侵入式负荷监测,深度学习,BiGRU,残差网络,注意力机制,

2024-10-4 00:20 上传 基于Attention和残差网络的非侵入式负荷监测.pdf

文件大小:

15.59 MB

下载次数:

60

高速下载