基于Attention和残差网络的非侵入式负荷监测

TM714; 非侵入式负荷监测(non-intrusive load monitoring,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...

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 61; no. 6; pp. 173 - 180
Main Authors 何健明, 李梦诗, 张禄亮, 季天瑶
Format Journal Article
LanguageChinese
Published 华南理工大学,广州 510006 15.06.2024
Subjects
BiGRU
注意力机制
deep learning
non-intrusive load monitoring
attention mechanism
深度学习
非侵入式负荷监测
residual network
残差网络
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2024.06.023

Cover

More Information
Summary:TM714; 非侵入式负荷监测(non-intrusive load monitoring,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.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2024.06.023