• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于分治策略的NP-MLSTM非侵入式負(fù)荷辨識(shí)方法

    2021-10-28 07:39:36易靈芝黃其森劉文翰羅顯光
    關(guān)鍵詞:類別準(zhǔn)確率負(fù)荷

    易靈芝,黃其森,劉文翰,趙 健,陳 章,羅顯光

    (1.湘潭大學(xué)自動(dòng)化與電子信息學(xué)院&湖南省多能源協(xié)同控制技術(shù)工程研究中心,湘潭 411105;2.湖南省風(fēng)電裝備與能源變換2011協(xié)同創(chuàng)新中心,湘潭 411101;3.大功率交流傳動(dòng)電力機(jī)車系統(tǒng)集成國(guó)家重點(diǎn)實(shí)驗(yàn)室,株洲 412001)

    智能用電是堅(jiān)強(qiáng)智能電網(wǎng)的關(guān)鍵環(huán)節(jié)之一,是互動(dòng)服務(wù)體系的核心內(nèi)容[1]。非侵入式負(fù)荷監(jiān)測(cè)[2]NILM(non-intrusive load monitoring)是電力需求側(cè)管理的關(guān)鍵技術(shù)之一。該技術(shù)可以通過(guò)在電力用戶的用電入口處統(tǒng)一安裝計(jì)量?jī)x表和采樣裝置來(lái)實(shí)時(shí)獲得負(fù)荷設(shè)備的用電情況,從而識(shí)別出家庭中每個(gè)電器設(shè)備的類型和工作狀態(tài)。對(duì)于普通居民來(lái)說(shuō),在線的NILM可以為基礎(chǔ)用戶合理規(guī)劃用電,更改習(xí)慣以降低電費(fèi),減少不必要的電力消耗。對(duì)于電網(wǎng)公司而言,通過(guò)NILM可以幫助電網(wǎng)公司對(duì)負(fù)荷的種類、工作特性及功率等信息進(jìn)行分析,從而更科學(xué)的制定動(dòng)態(tài)電價(jià)和電力決策[3]。作為NILM的核心,國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷辨識(shí)方法做了很多研究[4-6]?;诒O(jiān)督學(xué)習(xí)的負(fù)荷辨識(shí)相關(guān)的算法諸多,文獻(xiàn)[7]采用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行非侵入式負(fù)荷特征提取,能夠有效地進(jìn)行負(fù)荷辨識(shí),但對(duì)具有相似功率的線性負(fù)荷波形,會(huì)影響負(fù)荷辨識(shí)的準(zhǔn)確度。文獻(xiàn)[8]使用快速傅里葉變換FFT(fast Fouri?er transform)提取穩(wěn)態(tài)電流低奇數(shù)次諧波的幅值和相位,使用bagging決策樹BDT(Bagging decision tree)進(jìn)行分類,在公開數(shù)據(jù)集PLAID上進(jìn)行測(cè)試,準(zhǔn)確度和H-mean值分別為92.8%和82.48%?;诜潜O(jiān)督學(xué)習(xí)的負(fù)荷識(shí)別不需要家用電器負(fù)載的標(biāo)簽數(shù)據(jù),提高了實(shí)際應(yīng)用性,文獻(xiàn)[9]提出了一種用于非侵入式監(jiān)測(cè)的非監(jiān)督訓(xùn)練方法,不需要收集各個(gè)用電訓(xùn)練數(shù)據(jù)和對(duì)用電設(shè)備貼標(biāo)簽,但僅可以使用少量設(shè)備中的數(shù)據(jù)來(lái)構(gòu)建學(xué)習(xí)模型,識(shí)別準(zhǔn)確度的浮動(dòng)范圍較廣。此外,在對(duì)負(fù)荷辨識(shí)之前,對(duì)負(fù)荷數(shù)據(jù)類別不平衡問(wèn)題的研究也十分重要,文獻(xiàn)[10]提出一種SMB-SMOTE算法處理類別不平衡樣本進(jìn)而提高了長(zhǎng)短時(shí)記憶LSTM(long short-term memory)網(wǎng)絡(luò)分類器的分類效果,文獻(xiàn)[11]采用基于邊界的數(shù)據(jù)合成算法對(duì)負(fù)荷數(shù)據(jù)進(jìn)行平衡化處理,通過(guò)改進(jìn)的BP(back propagation)神經(jīng)網(wǎng)絡(luò)對(duì)不平衡數(shù)據(jù)有著不錯(cuò)的分類效果,但是在極端樣本差距下,分類性能不夠明顯。

    針對(duì)部分?jǐn)?shù)據(jù)集負(fù)荷樣本存在類別不平衡以及當(dāng)前負(fù)荷辨識(shí)模型的精度不高等問(wèn)題,本文提出了基于分治策略的NP-MLSTM非侵入式負(fù)荷辨識(shí)方法。該方法首先利用Mixup數(shù)據(jù)增強(qiáng)方法進(jìn)行不平衡樣本擴(kuò)充,對(duì)選取的特征變量進(jìn)行核典型關(guān)聯(lián)分析 KCCA(kernel canonical correlation analy?sis),以便選擇負(fù)荷辨識(shí)的最佳匹配特征,然后采用分治策略構(gòu)建二分類多層長(zhǎng)短時(shí)記憶NP-MLSTM(negative and positive multi-layer long short-term memory)網(wǎng)絡(luò)模型,最后將模型在公開數(shù)據(jù)集PLAID上進(jìn)行實(shí)驗(yàn)驗(yàn)證。

    1 相關(guān)概念及技術(shù)

    1.1 不平衡樣本增強(qiáng)方法

    通常非侵入式負(fù)荷曲線的獲取需要經(jīng)過(guò)開關(guān)事件檢測(cè)、負(fù)荷分離這兩個(gè)步驟,而分離后的電流曲線將作為負(fù)荷辨識(shí)的實(shí)驗(yàn)樣本,由于用戶用電不規(guī)律將導(dǎo)致電力負(fù)荷類別不平衡[12]。而數(shù)據(jù)類別不平衡將會(huì)產(chǎn)生訓(xùn)練淹沒現(xiàn)象,即大類樣本影響小類樣本,導(dǎo)致小類樣本特征訓(xùn)練不充分,進(jìn)一步影響分類模型效果。針對(duì)此問(wèn)題,本文使用數(shù)據(jù)增強(qiáng)方法Mixup[13]對(duì)負(fù)荷樣本進(jìn)行平衡化處理。

    Mixup是基于鄰域風(fēng)險(xiǎn)最小化原則VRM(vici?nal risk minimization)的數(shù)據(jù)增強(qiáng)方法,使用線性插值得到新的數(shù)據(jù)樣本,具有計(jì)算開銷小、能降低模型對(duì)已損壞標(biāo)簽的記憶、增強(qiáng)模型魯棒性和穩(wěn)定性。Mixup計(jì)算公式為

    式中:(xi,yi)和(xj,yj)為從訓(xùn)練樣本數(shù)據(jù)中隨機(jī)抽選 的 兩 組 樣 本 ;為 增 強(qiáng) 后 的 新 樣 本 ,且λ∈[0,1];λ~Beta(α,α),α∈(0,∞),超參數(shù) α 限制特征目標(biāo)之間的插值強(qiáng)度,一般取α=0.5。

    本文以公開非侵入式負(fù)荷數(shù)據(jù)集PLAID中樣本8為例,由于原始數(shù)據(jù)中該類樣本數(shù)量大幅少于其他類別的樣本,無(wú)法滿足后續(xù)實(shí)驗(yàn)的要求,因此,本文采用Mixup方法對(duì)其進(jìn)行樣本擴(kuò)充。如圖1所示,隨機(jī)從55個(gè)房間中抽取一組樣本的電流(電壓)數(shù)據(jù),采用式(1)與第8類樣本電流(電壓)數(shù)據(jù)進(jìn)行Mixup運(yùn)算,得到新的第8類樣本電流(電壓)數(shù)據(jù)。通過(guò)式(2)計(jì)算原樣本與虛擬樣本的余弦相似度,可以得到新樣本的電流(電壓)波形與原樣本相似度分別為99.54%、97.56%。因此,基于Mixup方法擴(kuò)充數(shù)據(jù)樣本可行性較高,能夠?yàn)楹罄m(xù)負(fù)荷識(shí)別提供充足且有效的數(shù)據(jù)支持。

    圖1 樣本增強(qiáng)的電流電壓波形Fig.1 Current and voltage waveforms of enhanced samples

    式中,Ai和Bi分別為增強(qiáng)前與增強(qiáng)后的數(shù)據(jù)。

    1.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

    長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[14]是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò),常用于文本標(biāo)注、語(yǔ)音合成、數(shù)據(jù)預(yù)測(cè)等領(lǐng)域,但在非侵入式負(fù)荷辨識(shí)領(lǐng)域應(yīng)用相對(duì)較少。該網(wǎng)絡(luò)只需在輸出層加入sigmoid函數(shù)即可應(yīng)用于分類問(wèn)題中。

    LSTM神經(jīng)網(wǎng)絡(luò)的基本單元包括遺忘門、輸入門及輸出門,如圖2所示。

    圖2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)基本單元Fig.2 Basic unit of long short-term memory network

    2 負(fù)荷特征分析

    2.1 特征選取

    選取合適的特征作為模型訓(xùn)練輸入,能夠增強(qiáng)模型泛化能力、防止模型過(guò)擬合。非侵入式負(fù)荷辨識(shí)領(lǐng)域最重要的數(shù)據(jù)特征為穩(wěn)態(tài)特征、頻域特征等,本文選取典型穩(wěn)態(tài)電流(RawCF)、功率奇次諧波(HarmonicsF)、降采樣電壓電流(BinF)、V-I軌跡(BinaryF)4種特征作為備選特征,如圖3所示。

    圖3 4種特征可視化Fig.3 Four types of feature visualization

    典型穩(wěn)態(tài)電流的計(jì)算方式是采用電流上升過(guò)零點(diǎn)的位置開始截?cái)嗤暾€(wěn)態(tài)電流,將所有周期內(nèi)相應(yīng)索引點(diǎn)的值累加求均值,得到典型穩(wěn)態(tài)電流數(shù)據(jù),計(jì)算公式為

    二進(jìn)制V-I軌跡的計(jì)算方式為:首先獲取一個(gè)穩(wěn)態(tài)周期下的電壓、電流波形,構(gòu)建 p×p維矩陣;然后將生成的圖片劃分q維度的網(wǎng)格柵欄;進(jìn)一步將含有像素的網(wǎng)格柵欄指定為1,反之指定為0,得到q×q維只包含0與1的矩陣;最后將矩陣扁平化,得到q×q長(zhǎng)度為的V-I軌跡特征變量。

    上述4種特征變量均只能從單一維度反應(yīng)負(fù)荷特征,因此本文將4種特征變量進(jìn)行橫向拼接,融合為一個(gè)新的特征向量,記為融合特征(AllF)。

    2.2 相關(guān)性分析

    相關(guān)性分析是指對(duì)樣本中的特征變量與樣本標(biāo)簽進(jìn)行關(guān)聯(lián)分析。在統(tǒng)計(jì)學(xué)中相關(guān)性一般指雙變量間的相關(guān)性,而本文中特征變量與樣本標(biāo)簽是多維變量與單變量之間的關(guān)系,無(wú)法直接計(jì)算相關(guān)系數(shù)。為了解決此問(wèn)題,本文利用核典型關(guān)聯(lián)分析[15]判別它們之間的相關(guān)性,其算法步驟如下:

    通過(guò)上述步驟,計(jì)算出各特征變量與樣本標(biāo)簽之間的相關(guān)系數(shù),結(jié)果如表1所示。從表1中可以看出,各變量與樣本標(biāo)簽之間均存在一定的相關(guān)性,可作為負(fù)荷識(shí)別的備選特征。

    表1 各特征變量與樣本標(biāo)簽的相關(guān)系數(shù)Tab.1 Correlation coefficients of each feature variable and sample label

    3 基于分治策略的NP-MLSTM模型

    單一特征并不能涵蓋負(fù)荷數(shù)據(jù)中的所有特性,且將不同特征進(jìn)行簡(jiǎn)單的特征融合也并不能適應(yīng)各種樣本類別。針對(duì)上述問(wèn)題,本文在前文已解決數(shù)據(jù)集類別不平衡的工作基礎(chǔ)上提出一種基于分治策略的非侵入式負(fù)荷辨識(shí)模型NP-MLSTM,模型結(jié)構(gòu)如圖4所示。

    圖4 基于分治策略的非侵入式負(fù)荷辨識(shí)模型結(jié)構(gòu)Fig.4 Structure of non-intrusive load identification model based on divide-and-conquer strategy

    NP-MLSTM模型具有能夠?qū)㈦S機(jī)特征與對(duì)應(yīng)的樣本類別進(jìn)行最優(yōu)結(jié)合的特點(diǎn),利用分治策略的思想將多分類問(wèn)題轉(zhuǎn)化為多層擇優(yōu)二分類問(wèn)題。負(fù)荷辨識(shí)算法流程圖如圖5所示,其實(shí)現(xiàn)步驟如下:

    圖5 負(fù)荷辨識(shí)算法流程Fig.5 Flow chart of load identification algorithm

    步驟1 將少樣本類別數(shù)據(jù)利用Mixup方法增強(qiáng)虛擬樣本數(shù)量,共有I種類別(即I層);

    步驟2 提取樣本中典型穩(wěn)態(tài)電流、前11階功率諧波、降采樣電壓及電流、二進(jìn)制V-I軌跡,集成前四種負(fù)荷特征,共J種特征,并采用核典型關(guān)聯(lián)分析方法驗(yàn)證這些特征含有相關(guān)性;

    步驟3 隨機(jī)選取一種類別的樣本Ui,與剩余類別構(gòu)建二分類LSTM模型,將Ui與J種特征(表1所列特征)遍歷進(jìn)行訓(xùn)練二分類LSTM模型,得到樣本的準(zhǔn)確率矩陣1×J;

    步驟4 將除Ui以外的樣本重復(fù)步驟3,直至完成所有類別的負(fù)荷識(shí)別,得到(I-1)×J維準(zhǔn)確率矩陣A;

    步驟5 對(duì)步驟3和對(duì)步驟4中得到的矩陣A進(jìn)行融合,得到該層最終的準(zhǔn)確率矩陣AI×J,并對(duì)其進(jìn)行尋優(yōu),找到準(zhǔn)確率最高的i、j,剔除該標(biāo)簽樣本,并固定該層NP-LSTM結(jié)構(gòu);

    步驟6 對(duì)剩余類別的樣本重復(fù)步驟3-5,直至I層數(shù)據(jù)全部尋優(yōu)結(jié)束,得到NP-MLSTM模型結(jié)果。

    4 算例分析

    本文采用即插即用設(shè)備標(biāo)識(shí)數(shù)據(jù)集PLAID[16],該數(shù)據(jù)包含美國(guó)賓夕法尼亞州匹茲堡市55戶家庭中11種不同類型的電器負(fù)載電流及電壓測(cè)試值,共包含采樣頻率為30 kHz的1 074個(gè)實(shí)例樣本。

    由于該數(shù)據(jù)集樣本類別數(shù)量存在不平衡現(xiàn)象,導(dǎo)致分類模型學(xué)習(xí)偏向于大類樣本,對(duì)小類樣本學(xué)習(xí)不足。因此,本文采用1.1節(jié)數(shù)據(jù)增強(qiáng)方法Mixup對(duì)數(shù)據(jù)集內(nèi)55個(gè)房間中不同數(shù)據(jù)樣本進(jìn)行交叉擴(kuò)充并保存小類別樣本的虛擬樣本。此數(shù)據(jù)增強(qiáng)方案既保證了不同房間的樣本不會(huì)交叉影響,又確保了模型評(píng)價(jià)的準(zhǔn)確度。樣本增強(qiáng)前后各類別數(shù)量如圖6所示。

    圖6 樣本增強(qiáng)前后數(shù)量對(duì)比Fig.6 Comparison of the number of samples before and after enhancement

    4.1 評(píng)價(jià)指標(biāo)及模型參數(shù)

    本文采用準(zhǔn)確率(Accuracy)、精確率(Preci?sion)、召回率(Recall)及F1值(H-mean值)對(duì)分類結(jié)果進(jìn)行多維度分析,分別按照式(14)至式(17)計(jì)算。

    式中:TN表示實(shí)際為負(fù),被識(shí)別為負(fù)的樣本的數(shù)量;TP表示實(shí)際為正,被識(shí)別為正的樣本數(shù)量;FP表示實(shí)際為負(fù),但被識(shí)別為正的樣本數(shù)量;FN表示實(shí)際為正,但被識(shí)別為負(fù)的樣本的數(shù)量。

    NP-MLSTM模型的基礎(chǔ)參數(shù)設(shè)置如下:隱藏層神經(jīng)元數(shù)為20個(gè);學(xué)習(xí)率為0.000 3;損失函數(shù)0-1損失函數(shù);訓(xùn)練批次大小為20;時(shí)間步長(zhǎng)設(shè)置為1;迭代次數(shù)設(shè)置為1 000;優(yōu)化策略設(shè)置為自適應(yīng)動(dòng)量的隨機(jī)優(yōu)化方法Adam(adaptive momentum)。

    4.2 算法效果分析

    為了驗(yàn)證本文所提基于分治策略的NP-ML?STM非侵入式負(fù)荷識(shí)別方法的有效性及優(yōu)越性,首先從PLAID數(shù)據(jù)集中隨機(jī)抽取35個(gè)房間內(nèi)所有樣本作為訓(xùn)練集、10個(gè)房間內(nèi)所有樣本作為測(cè)試集、剩余10個(gè)房間內(nèi)所有樣本作為驗(yàn)證集;然后使用訓(xùn)練集與測(cè)試集確定NP-MLSTM的各層優(yōu)選樣本標(biāo)簽及優(yōu)選特征變量,如表2所示,接著,使用驗(yàn)證集進(jìn)行NP-MLSTM負(fù)荷辨識(shí)實(shí)驗(yàn)。

    表2 各層具體結(jié)構(gòu)Tab.2 Specific structure of each layer

    NP-MLSTM模型在驗(yàn)證集上負(fù)荷辨識(shí)結(jié)果的混淆矩陣如圖7所示,主對(duì)角線顏色越深,表示樣本識(shí)別的準(zhǔn)確率越高。從圖7中可以看出,所提模型能夠正確識(shí)別絕大多數(shù)樣本,且樣本6、7、9、10、11全部識(shí)別正確。

    圖7 混淆矩陣Fig.7 Confusion matrix

    各類別樣本識(shí)別的準(zhǔn)確率、精確率、召回率與F1值如表3所示。從結(jié)果可知,11種類別樣本的平均準(zhǔn)確率、精確率、召回率及F1值均達(dá)到92%以上,樣本2、3、6、7、9、10、11類別的準(zhǔn)確率與召回率可高達(dá)100%,說(shuō)明本文所提模型具有較好的辨識(shí)準(zhǔn)確率。出現(xiàn)極少部分樣本錯(cuò)誤識(shí)別的原因可能是由于電流、電壓或其他特征相似程度高,且各類別樣本數(shù)量不一致,或者是因?yàn)樵谀硨佣诸愖R(shí)別時(shí)將該標(biāo)簽錯(cuò)判。

    表3 各類別樣本的評(píng)價(jià)指標(biāo)Tab.3 Evaluation indicators of various types of samples %

    為了進(jìn)一步體現(xiàn)NP-MLSTM模型負(fù)荷辨識(shí)效果的優(yōu)越性,使用AllF特征作為對(duì)比實(shí)驗(yàn)的模型輸入,將所提模型分別與樸素貝葉斯(na?ve Bayes)、決策樹(decision tree)、潛在狄利克雷分布(latent Dirichlet allocation)、回歸分析(logistic)、隨機(jī)森林(random forest)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)等模型在驗(yàn)證集上進(jìn)行辨識(shí)準(zhǔn)確率對(duì)比,如表4所示。結(jié)果表明,在這些模型中,NP-MLSTM模型具有最高的辨識(shí)準(zhǔn)確率,說(shuō)明本文提出的基于分治策略的負(fù)荷辨識(shí)方法是卓有成效的。

    表4 識(shí)別模型結(jié)果對(duì)比Tib.4 Comparison of results among different identification models

    5 結(jié)語(yǔ)

    本文針對(duì)不同類別負(fù)荷樣本不平衡與負(fù)荷辨識(shí)準(zhǔn)確率較低的問(wèn)題,提出一種基于分治策略的NP-MLSTM非侵入式負(fù)荷辨識(shí)方法。該方法首先使用Mixup對(duì)數(shù)據(jù)集中小樣本進(jìn)行虛擬樣本增強(qiáng);然后使用核典型關(guān)聯(lián)分析對(duì)各特征變量進(jìn)行相關(guān)性分析,并構(gòu)建基于分治策略的多層擇優(yōu)二分類識(shí)別模型;最后將該模型與多個(gè)識(shí)別模型進(jìn)行結(jié)果對(duì)比。結(jié)果表明,該方法能夠有效地選擇用于負(fù)荷識(shí)別的最優(yōu)特征變量,并利用這些特征獲得了92%以上的識(shí)別精度。但本文未使用智能優(yōu)化算法對(duì)模型超參數(shù)進(jìn)行尋優(yōu),采用該算法可進(jìn)一步完善此問(wèn)題。

    猜你喜歡
    類別準(zhǔn)確率負(fù)荷
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    防止過(guò)負(fù)荷時(shí)距離保護(hù)誤動(dòng)新判據(jù)
    主動(dòng)降負(fù)荷才是正經(jīng)事
    服務(wù)類別
    負(fù)荷跟蹤運(yùn)行下反應(yīng)堆一回路控制系統(tǒng)仿真與驗(yàn)證
    論類別股東會(huì)
    商事法論集(2014年1期)2014-06-27 01:20:42
    Savitzky-Golay在含沖擊負(fù)荷短期負(fù)荷預(yù)測(cè)中的應(yīng)用
    忻城县| 全椒县| 邹城市| 绥中县| 双鸭山市| 遵化市| 咸阳市| 邢台县| 贺兰县| 交城县| 徐汇区| 塔河县| 中宁县| 卓资县| 瑞安市| 洪湖市| 彰武县| 通许县| 旺苍县| 刚察县| 金堂县| 江永县| 平远县| 金乡县| 伊川县| 南充市| 湖州市| 深泽县| 内乡县| 长武县| 探索| 房产| 汪清县| 革吉县| 项城市| 高要市| 法库县| 浦城县| 石门县| 榕江县| 镶黄旗|