基于卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負荷識別研究

周任飛，湯鵬飛，劉三豐，李 欣，劉 猛

(武漢中原電子信息有限公司，湖北 武漢 430074)

0 引言

在家庭能源管理中，設(shè)備負荷監(jiān)測是一個研究課題，旨在監(jiān)控電器的運行狀態(tài)和使用能耗。由于目的是監(jiān)控家庭中的所有設(shè)備，因此需要記錄實時功率值。獲得這些功率值的最簡單方法就是為每個需要記錄功耗的電器安裝智能傳感器設(shè)備。這些數(shù)據(jù)可以用于監(jiān)測用戶電器能耗的全部信息。但是，這種方法是一種侵入式負載監(jiān)測方法，此外每臺設(shè)備安裝起來都很昂貴，而且難以同時維護。為了避免使用傳感器設(shè)備，HART G W[1]提出了一種稱為非侵入式負荷識別(NILM)的方法來監(jiān)測每個設(shè)備的能量消耗。NILM的目的是僅通過使用電源讀數(shù)來提取家庭中每個設(shè)備的能耗。當(dāng)NILM被用于家庭用戶時，它可以告知用戶實時功耗，從而可以幫助用戶減少能源消耗。研究表明，NILM可以幫助家庭用戶減少15%的能源消耗[2]。

現(xiàn)有的NILM算法大多都是基于特征提取和模式匹配，而手動選取多個電器特征值只能得到電器的幾個顯著的特性，對這些特征值的訓(xùn)練很容易出現(xiàn)過擬合的問題，無法對眾多電器有很好的識別效果。電器的V-I軌跡[3]則可以很完整地反映出電器的負荷特性，通過卷積神經(jīng)網(wǎng)絡(luò)[4]提取V-I軌跡的特征，則能夠提取出深層的潛在特征，從而能有效避免過擬合問題，而且在相似電器的負荷識別中能發(fā)揮很大的作用。

1 通過電流分解算法計算V-I軌跡

為了得到單個電器在一個周波內(nèi)較為準(zhǔn)確的電流值，需要對相鄰的兩個穩(wěn)態(tài)進行電流分解計算出變化的電流值。本文研究出的電流分解過程如圖1所示。

圖1 兩段穩(wěn)態(tài)的功率曲線

穩(wěn)態(tài)1上t1周波電流、電壓和穩(wěn)態(tài)2上t2周波電流、電壓通過FFT變換得到曲線方程，如圖2所示。

圖2 經(jīng)過FFT變換出的曲線波形

對t2周波電壓和t1周波電壓計算相位差，通過相位差計算出t1周波電流在t2周波對應(yīng)的電流波形，如圖3所示。

對圖3的波形使用電流分解公式，得到t2周波分解出的電流波形如圖4所示，實際測出的電流波形如圖5所示。

圖3 t1周波電流在t2周波對應(yīng)的電流波形

圖4 t2周波分解的電流波形

圖5 實際測出的電流波形

在相鄰穩(wěn)態(tài)之間電流相位差較大時，用上述電流分解方法得到的電器電流值比直接相減得到的電流值準(zhǔn)確很多。

為了顯示出V-I軌跡中電器的電流幅值大小，將電流的向下取整值與顏色一一對應(yīng)，從而使V-I軌跡圖像中包含電流大小信息[5]，如圖6所示。

圖6 帶電流大小特征的V-I曲線

圖7 CNN結(jié)構(gòu)

2 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)由LECUN Y等人于2015年提出，CNN是第一個真正多層結(jié)構(gòu)學(xué)習(xí)算法，是一種前饋式神經(jīng)網(wǎng)絡(luò)，相比于全連接的神經(jīng)網(wǎng)絡(luò)泛化性能更好。

CNN由卷積層、池化層以及全連接層組成。一個經(jīng)典的CNN結(jié)構(gòu)(如圖7所示)是由一系列的過程組成的。最初的幾個階段是由卷積層和池化層組成的，卷積層的單元被組織在特征圖中，在特征圖中，每一個單元通過一組濾波器的權(quán)值被連接到上一層的特征圖的一個局部塊，然后這個局部加權(quán)和被傳給一個非線性函數(shù)。在一個特征圖中的全部單元享用相同的過濾器，不同層的特征圖使用不同的過濾器。

(1)卷積層：卷積層是一個卷積神經(jīng)網(wǎng)絡(luò)中最重要的部分。和傳統(tǒng)全連接層不同，卷積層中的每一個節(jié)點的輸入只是上一層神經(jīng)網(wǎng)絡(luò)中的一小塊，這個小塊的大小為3×3或者5×5。卷積層試圖將神經(jīng)網(wǎng)絡(luò)中的每一個小塊進行更加深入的分析從而得到抽象程度更高的特征。一般來說，通過卷積層處理的節(jié)點矩陣會變得更深，所以在圖7中可以看到經(jīng)過卷積層之后的節(jié)點矩陣的深度會增加。

(2)池化層：池化層神經(jīng)網(wǎng)絡(luò)不會改變?nèi)S矩陣的深度，但是它可以縮小矩陣的大小。池化操作可以認為是將一張分辨率較高的圖片轉(zhuǎn)化為分辨率較低的圖片。通過池化層，可以進一步縮小最后全連接層中節(jié)點的個數(shù)，從而達到減少整個神經(jīng)網(wǎng)絡(luò)中的參數(shù)的目的。

(3)全連接層：在經(jīng)過多輪卷積層和池化層處理之后，在CNN的最后一般會由1到2個全連接層來給出最后的分類結(jié)果。經(jīng)過幾輪的卷積層和池化層的處理之后，可以認為圖像中的信息已被抽象成了信息含量更高的特征?？梢詫⒕矸e層和池化層看成自動圖像特征提取的過程。在特征提取完成之后，仍然需要使用全連接層來完成分類任務(wù)。

2.2 卷積神經(jīng)網(wǎng)絡(luò)特征提取

基于CNN的遷移學(xué)習(xí)是指將己經(jīng)訓(xùn)練好的CNN應(yīng)用在新樣本的訓(xùn)練及測試中，也可以稱之為網(wǎng)絡(luò)微調(diào)。由CNN結(jié)構(gòu)可知，全連接層之前的網(wǎng)絡(luò)結(jié)構(gòu)可被看作一個特征提取器，圖片經(jīng)過該特征提取器后生成一定維度的特征向量，該特征提取器具有極高的泛化能力，可作為通用視覺特征提取器，而訓(xùn)練好的網(wǎng)絡(luò)參數(shù)可視為一種圖像特征提取方法，將圖像特征提取的方法運用到新測試圖片上也可以很好地提取圖片特征。從CNN各層提取到的特征是逐步加強的，從底層特征到中層特征，深層特征具有較高的圖像表示能力及泛化能力，可以使用線性分類器將不同樣本深層特征區(qū)分，如本文所使用的支持向量機[6](Support Vector Machine,SVM)。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的V-I軌跡特征提取

要實現(xiàn)基于遷移學(xué)習(xí)的V-I軌跡特征提取，本文使用Places365數(shù)據(jù)集[7]，因此首先用Places365數(shù)據(jù)集對CNN網(wǎng)絡(luò)進行訓(xùn)練。CNN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)可以分離，并以配置文件方式保存，使用預(yù)訓(xùn)練的網(wǎng)絡(luò)時只需要利用參數(shù)文件初始化網(wǎng)絡(luò)即可進行網(wǎng)絡(luò)微調(diào)。CNN網(wǎng)絡(luò)可分為兩部分:特征提取器與分類器，特征提取器為網(wǎng)絡(luò)的卷積-池化疊加部分，分類器一般為網(wǎng)絡(luò)最后三層中全連接層+softmax層+輸出層。網(wǎng)絡(luò)微調(diào)的做法是將原網(wǎng)絡(luò)的特征提取器部分保留，刪去與預(yù)訓(xùn)練樣本有關(guān)的分類器，因為絕大多數(shù)情況下預(yù)訓(xùn)練樣本與當(dāng)前訓(xùn)練樣本類別數(shù)不同。因此需要重新訓(xùn)練分類器。將新的分類器與預(yù)訓(xùn)練網(wǎng)絡(luò)的特征提取器連接得到新的CNN。利用當(dāng)前樣本對新網(wǎng)絡(luò)訓(xùn)練即得到微調(diào)后的CNN。

3 實驗分析

3.1 Redd數(shù)據(jù)集[8]

選取Reference Energy Disaggregation Data Set (REDD)數(shù)據(jù)集驗證基于V-I軌跡特征的NILM算法。REDD數(shù)據(jù)集記錄了6個家庭在數(shù)天內(nèi)的用電情況，該數(shù)據(jù)庫包括高頻數(shù)據(jù)(僅House 3及House 5)和低頻數(shù)據(jù)，其中高頻(16.5 kHz)數(shù)據(jù)為總電壓電流波形數(shù)據(jù)，低頻(1～3 Hz)數(shù)據(jù)包括總視在功率(1 Hz)以及安裝每個用電設(shè)備(負荷)上的電表測得的單個設(shè)備視在功率(3 Hz)。通過House 3數(shù)據(jù)驗證算法。House 3中共有22個設(shè)備，取一天內(nèi)處于工作狀態(tài)的13個用電設(shè)備用于測試，利用數(shù)據(jù)集中上述設(shè)備除測試日之外的數(shù)據(jù)訓(xùn)練。

3.2 在Redd數(shù)據(jù)集上實驗

對Redd數(shù)據(jù)集進行預(yù)處理，得到House 3和House 5中所有暫態(tài)事件的V-I軌跡，共得到House 3中18種電器特性共3 708個V-I軌跡樣本，得到House 5中與House 3相同的8個電器共380個V-I軌跡樣本。選取House 3中1 849個樣本(約50%)進行訓(xùn)練，其余樣本用來測試。選取3種基于Places365數(shù)據(jù)集訓(xùn)練的CNN模型分別進行訓(xùn)練和測試并對比不同CNN模型的測試結(jié)果，分別為VggNet-16[9]、GoogleNet[10]、ResNet-152[11]，結(jié)果如表1所示。

表1基于Places365的CNN模型識別結(jié)果 (%)

對于Electronics2和Kitchen_outlets1，二者的功率以及諧波電流值都非常相似，如圖8、圖9所示，二者V-I軌跡差別很小，用普通的模式識別方法很難將二者識別正確，而本實驗中二者識別率很高，說明卷積神經(jīng)網(wǎng)絡(luò)對細微的顏色偏差和形狀偏差具有較高靈敏度。

圖8 Electronics2 V-I軌跡

圖9 Kitchen_outlets1 V-I軌跡

文獻[4]中的實驗是基于ImageNet數(shù)據(jù)集[12]訓(xùn)練的CNN模型進行V-I軌跡特征提取，ImageNet和Places365數(shù)據(jù)集訓(xùn)練的三種CNN模型的識別結(jié)果見表2。這說明本文中使用的Places365數(shù)據(jù)集訓(xùn)練出來的網(wǎng)絡(luò)更適合Redd數(shù)據(jù)集的負荷識別。

表2 基于不同訓(xùn)練集的CNN模型識別結(jié)果(%)

為了驗證卷積神經(jīng)網(wǎng)絡(luò)在V-I軌跡特征提取實驗上具有魯棒性，將House 3中18類電器特性的V-I軌跡進行CNN特征提取作為訓(xùn)練樣本，House 5中8種電器特性的V-I軌跡進行CNN特征提取作為測試樣本進行實驗，實驗結(jié)果如表3所示。從實驗結(jié)果可以看出卷積神經(jīng)網(wǎng)絡(luò)具有較好的魯棒性，在避免過擬合問題上表現(xiàn)很好。

表3 用House 3中數(shù)據(jù)提取CNN特征用于House 5識別(%)

4 結(jié)論

針對手動特征選取進行負荷識別存在的問題，本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的V-I軌跡特征提取方法，為此提出了電流波形分解方法，得到較為準(zhǔn)確的V-I軌跡圖像，從而通過卷積神經(jīng)網(wǎng)絡(luò)特征提取到更為準(zhǔn)確的特征。

本文還使用了比ImageNet數(shù)據(jù)集數(shù)據(jù)量更大的Places365數(shù)據(jù)集進行網(wǎng)絡(luò)訓(xùn)練，得到了更好的識別效果。最后本文通過Redd數(shù)據(jù)集中不同家庭的相同電器進行負荷識別實驗，驗證了卷積神經(jīng)網(wǎng)絡(luò)具有較好的魯棒性。