何为非侵入式负荷分解

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：

        其中：是总负荷a到b位置的数据；

                   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：

             

        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：

        

        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。

 

        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.