何为非侵入式负荷识别-负荷辨识(深度学习）

1 前言

         正如之前所说的，在研究深度学习做负荷辨识时，我们更应该关注的是网络的输入和输出分别是什么。如果大家想发文章的话，或许这个远比你的网络结构来的重要。毕竟网络你只需要换一换就不一样了。神经网络做分类时，输出一般是固定的，也就是01向量。而输入则“五花八门”，常见的有各种各样的特征值组成的向量，有图像特征（一般是VI轨迹），还有采样序列，但这并不能限制研究者们的创造力，研究者们开始研究以下几种组合：1）将特征值和图像特征直接融合，即输入是向量和图像数据；2）将特征值用热码表示，并和图像矩阵拼接起来，输入仍然是图像；3）输出不局限于类别，可以同时输出分类和分解的结果等。本篇仅取其中两种情况作为示范。

2 特征值作为输入

        当特征值作为输入时，这类算法就和机器学习类似。首先也是获得特征样本数据，然后将标签和特征拼接在一起。不同的地方在于，深度学习还需要对模型的输出做处理，将标签的1,2,3...处理成[1,0,0,...]、[0,1,0,...]、[0,0,1,0,...]。深度学习的理论我就不赘述了。

2.1 标签的处理

        这里取4种电器为例。代码不一定要这么写，我这里是简单处理，若有很多种类别，不应该这么写，而是先创建一个空的list或者数组，然后在指定位置写1，其他位置为0。

def label_convert(labels):
    Labels = []
    # 将标签转化为一个0-1向量，标签作为1出现的位置。（表示神经网络输出层第i个神经元）
    for label in labels:
        if label == 1:
            Labels.append([1, 0, 0, 0])
        elif label == 2:
            Labels.append([0, 1, 0, 0])
        elif label == 3:
            Labels.append([0, 0, 1, 0])
        else:
            Labels.append([0, 0, 0, 1])
    return np.array(Labels)

        结果如下：

2.2 构建网络

        因为数据比较简单，所以我直接用多层感知机（BP神经网络）就足够了。

def BP_NN(num_input, num_output):
    model = Sequential()
    model.add(Dense(32, activation='relu',input_shape=(num_input,)))
    model.add(Dropout(0.5))
    # Fully Connected Layers
    model.add(Dense(32, activation='relu'))
    model.add(Dense(num_output, activation='softmax'))
    return model

2.3 训练网络

 

保存每一步的训练参数，又或者使用早停机制。

2.4 测试网络

        取训练时最好的网络。先初始化网络，然后将对应的参数文件输入网络。然后直接预测测试数据即可。        

 

3 采样序列作为输入

        数据处理部分与2中的代码一样。下面展示所用电器的采样波形。

冰箱

吹风机

微波炉低档位

微波炉高档位

电灯

        网络借鉴负荷分解的典型网络seq2point，将其修改为分类网络。

3.1 网络训练

相比于2中的训练，这个网络训练收敛的更快，结果更好。

3.2 网络测试

 

4 难点

        对深度学习做负荷辨识的研究不多，我认为难点可能是确定输入的形式，以及找到合适的网络实现它。之后若有更深的理解，我会回来补充。